【技术实现步骤摘要】
本专利技术涉及认知科学领域和人-机混合智能驾驶领域，尤其是涉及一种基于脑电溯源网络的驾驶意图检测方法、系统及设备。
技术介绍
1、如何在机器中有效融合人的先验信息，提高智能驾驶的安全性和稳定性，是人-机混合智能驾驶需要解决的最重要的问题之一。而脑电信号作为大脑的一种非侵入式采集信号，是大脑内部大量神经元放电产生的电信号，具有较好的时间分辨率，不同的驾驶状态下，大脑活动神经模式不相同，通过检测出脑电信号的模式差别，可以提前预测出驾驶意图，辅助智能驾驶。目前基于脑电信号的驾驶意图检测系统已经取得了一些成功的应用，但仍面临准确率不高，鲁棒性较差的问题，导致这些问题的一个原因是容积传导效应容易引起不同驾驶脑电信号的模式特征淹没在头皮脑电信号上。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于脑电溯源网络的驾驶意图检测方法、系统及设备，能够提高驾驶意图识别的准确性，增强人-机混合智能驾驶的鲁棒性和稳定性。
2、第一方面，本专利技术实施例提供了一种基于脑电溯源网络的驾驶意图检测方法，所述基于脑电溯源网络的驾驶意图检测方法包括：
3、获取包含头皮脑电信号、功能磁共振成像数据、结构磁共振成像数据的多模态成像数据；
4、对所述多模态成像数据进行预处理，得到预处理后的多模态成像数据；
5、采用合成模拟源方法训练基于深度神经网络的脑电溯源模型，得到第一脑电溯源模型；
6、采用所述预处理后的多模
7、将采集的真实驾驶环境下的脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络；
8、将所述源空间的脑连接网络输入至图卷积神经网络训练得到驾驶意图识别模型，以便采用所述驾驶意图识别模型对驾驶意图进行检测。
9、与现有技术相比，本专利技术第一方面具有以下有益效果：
10、本方法通过获取包含头皮脑电信号、功能磁共振成像数据、结构磁共振成像数据的多模态成像数据，对多模态成像数据进行预处理，得到预处理后的多模态成像数据，通过有效融合多模态脑成像数据，能够为后期训练脑电溯源模型提供良好的数据基础，以提高脑电溯源模型的定位准确性；通过采用合成模拟源方法训练基于深度神经网络的脑电溯源模型，得到第一脑电溯源模型，采用预处理后的多模态成像数据训练第一脑电溯源模型，得到第二脑电溯源模型，通过两次训练脑电溯源模型，能够提高脑电溯源模型的预测准确度；将采集的真实驾驶环境下的脑电信号输入至第二脑电溯源模型中，得到源空间的脑连接网络，将源空间的脑连接网络输入至图卷积神经网络训练得到驾驶意图识别模型，能够提高驾驶意图识别模型识别驾驶意图的准确性，增强人-机混合智能驾驶的鲁棒性和稳定性。
11、根据本专利技术的一些实施例，所述对所述多模态成像数据进行预处理，得到预处理后的多模态成像数据，包括：
12、对所述结构磁共振成像数据进行头动校正、配准、分割、空间标准化和平滑处理，得到预处理后的结构磁共振成像数据；
13、将所述头皮脑电信号和所述功能磁共振成像数据在时间上的配准；
14、对所述头皮脑电信号进行降采样，并计算降采样后的头皮脑电信号的噪声模板；采用自适应伪影减法去除所述噪声模板和采用独立成分分析方法去除包括眼电、心电、头动的噪声影响，得到预处理后的头皮脑电信号；
15、对所述功能磁共振成像数据进行头动校正、空间标准化、空间平滑和时域滤波处理，得到预处理后的功能磁共振成像数据。
16、根据本专利技术的一些实施例，所述采用合成模拟源方法训练基于深度神经网络的脑电溯源模型，得到第一脑电溯源模型，包括：
17、预设源模型，并采用预处理后的结构磁共振成像数据计算个体头模型；
18、基于所述个体头模型、所述源模型和设置的头皮电极位置计算前向导联矩阵；
19、产生模拟源信号，并根据所述模拟源信号和所述前向导联矩阵，计算对应的第一头皮脑电信号；
20、基于所述模拟源信号和所述第一头皮脑电信号，构建模拟源信号与头皮脑电信号对；
21、采用所述模拟源信号与头皮脑电信号对训练基于深度神经网络的脑电溯源模型，得到第一脑电溯源模型。
22、根据本专利技术的一些实施例，所述采用所述预处理后的多模态成像数据训练所述第一脑电溯源模型，得到第二脑电溯源模型，包括：
23、同步采集模拟驾驶环境的头皮脑电信号和功能磁共振成像信号，并对所述头皮脑电信号和所述功能磁共振成像信号进行预处理，得到预处理后的头皮脑电信号和预处理后的功能磁共振成像信号；
24、对所述预处理后的头皮脑电信号进行归一化，得到归一化脑电信号，并将所述归一化脑电信号输入所述第一脑电溯源模型，预测出大脑活动的源信号；
25、将所述预处理后的功能磁共振成像信号执行去卷积操作，获取真实的神经活动信号；
26、基于所述源信号和所述真实的神经活动信号计算第一损失函数；
27、基于所述前向导联矩阵和所述源信号，计算对应的第二头皮脑电信号，并对所述第二头皮脑电信号反归一化得到具有真实幅值的脑电信号；
28、基于所述具有真实幅值的脑电信号和所述预处理后的头皮脑电信号计算第二损失函数。
29、通过所述第一损失函数和所述第二损失函数训练所述第一脑电溯源模型，得到第二脑电溯源模型。
30、根据本专利技术的一些实施例，所述将采集的真实驾驶环境下的脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络，包括：
31、采集真实驾驶环境下的脑电信号，对所述脑电信号进行基线校正并采用独立成分分析方法去除包括眼电、心电、头动的噪声，得到去除噪声后的脑电信号；
32、对所述去除噪声后的脑电信号进行归一化，得到平稳脑电信号；
33、将所述平稳脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络。
34、根据本专利技术的一些实施例，所述将所述平稳脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络，包括：
35、将所述平稳脑电信号输入至所述第二脑电溯源模型中，预测出大脑源活动信号；
36、将预测的所述大脑源活动信号根据选取的大脑分区脑模板，得到第一源信号；
37、计算所述第一源信号中各脑区神经活动的皮尔逊相关系数和锁相值的连接指标，并根据所述皮尔逊相关系数和所述锁相值的连接指标，构建源空间的脑连接网络。
38、根据本专利技术的一些实施例，所述将所述源空间的脑连接网络输入至图卷积神经网络训练得到驾驶意图识别模型，包括：
39、采用图卷积神经网络提取所述脑连接网络的连接特征；
40、将所述图卷积神经网络每层提取的所述连接特征输入至全连接层，训练得到驾驶意图识别模型。
41、第二方面，本专利技术实施例还提供了一种基于脑电溯源本文档来自技高网...
【技术保护点】
1.一种基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述基于脑电溯源网络的驾驶意图检测方法包括：
2.根据权利要求1所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述对所述多模态成像数据进行预处理，得到预处理后的多模态成像数据，包括：
3.根据权利要求1所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述采用合成模拟源方法训练基于深度神经网络的脑电溯源模型，得到第一脑电溯源模型，包括：
4.根据权利要求3所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述采用所述预处理后的多模态成像数据训练所述第一脑电溯源模型，得到第二脑电溯源模型，包括：
5.根据权利要求1所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述将采集的真实驾驶环境下的脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络，包括：
6.根据权利要求5所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述将所述平稳脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络，包括：
7.根据权利要求1所述的
8.一种基于脑电溯源网络的驾驶意图检测系统，其特征在于，所述基于脑电溯源网络的驾驶意图检测系统包括：
9.一种基于脑电溯源网络的驾驶意图检测设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于脑电溯源网络的驾驶意图检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于脑电溯源网络的驾驶意图检测方法。
...【技术特征摘要】
1.一种基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述基于脑电溯源网络的驾驶意图检测方法包括：
2.根据权利要求1所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述对所述多模态成像数据进行预处理，得到预处理后的多模态成像数据，包括：
3.根据权利要求1所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述采用合成模拟源方法训练基于深度神经网络的脑电溯源模型，得到第一脑电溯源模型，包括：
4.根据权利要求3所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述采用所述预处理后的多模态成像数据训练所述第一脑电溯源模型，得到第二脑电溯源模型，包括：
5.根据权利要求1所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述将采集的真实驾驶环境下的脑电信号输入至所述第二脑电溯源模型中，得到源空间的脑连接网络，包括：
6.根据权利要求5所述的基于脑电溯源网络的驾驶意图检测方法，其特征在于，所述将所述...
【专利技术属性】
技术研发人员：沈辉，赵子瑜，胡德文，于扬，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。