【技术实现步骤摘要】
本专利技术涉及深度学习和脑机接口的，尤其是指一种基于深度学习的跨被试驾驶疲劳检测系统。
技术介绍
1、疲劳会严重影响驾驶员的精神状况、注意力和判断力，从而增大交通事故的风险。驾驶员疲劳检测在减少交通事故中起重要作用。其中，脑电信号因能直观反映驾驶员的精神状态，被称为疲劳检测的黄金指标。但是由于脑电信号的高噪声和明显的个体差异，基于脑电的跨被试疲劳检测仍面临诸多挑战。
2、研究领域中，机器学习方法在利用脑电信号特征进行疲劳检测上得到了广泛应用。这些方法包括但不限于小波变换、核主成分分析和支持向量机等，用以提高分类准确率和效率。另一方面，深度学习技术的进步也为脑电信号处理带来了革新。深度学习方法，如自编码器、卷积神经网络和长短期记忆网络，在驾驶疲劳检测中展现出了卓越的性能，特别是在处理大型和高维数据时。
3、然而，这些方法在跨被试研究方面仍面临挑战，主要是由于个体间脑电信号的差异性。为应对这一挑战，迁移学习近年来成为了一个突出的研究方向。通过减少被试间差异，迁移学习有望提高模型的通用性和精确度。尽管现有的迁移策略显示出潜力，但它们通常依赖于大量新被试数据，限制了其在线使用的可行性。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足与缺点，提供一种基于深度学习的跨被试驾驶疲劳检测系统，将深度学习技术与脑机接口技术结合，提高跨被试驾驶疲劳检测性能，提升跨被试驾驶疲劳检测准确率和泛化性。
2、为实现上述目的，本专利技术所提供的技术方案为：基于深度学
3、数据处理模块，用于加载被试驾驶过程中的脑电信号，并对脑电信号进行特征处理，得到统一大小和相同特征的驾驶疲劳脑电数据；
4、模型训练模块，设计并搭建了一种结合局部与全局特征的集成网络，称为lfp-gfpnet，该集成网络由两部分组成，一部分为局部特征提取网络lfpnet，其利用残差卷积神经网络、bilstm层、加性注意力机制和全连接层提取驾驶疲劳脑电数据中的局部特征；另一部分为全局特征提取网络gfpnet，其利用一维卷积神经网络、位置编码、transformer编码器和全连接层提取驾驶疲劳脑电数据中的全局特征；利用经过数据处理模块处理后的驾驶疲劳脑电数据进行训练，得到训练好的lfp-gfpnet作为主模型进行跨被试驾驶疲劳检测任务；
5、模型微调模块，利用新被试的部分驾驶过程中的脑电数据对主模型进行微调，得到针对该被试的最优检测模型，提高主模型在跨被试驾驶疲劳检测任务上的泛化能力以及提高新被试的跨被试驾驶疲劳检测效果；
6、跨被试驾驶疲劳检测模块，利用最优检测模型进行跨驾驶疲劳检测任务，保存最优模型参数。
7、进一步，所述数据处理模块包括数据加载模块、数据预处理模块以及特征提取模块，其中：
8、所述数据加载模块从本地读取多组被试驾驶过程中的脑电信号，脑电信号包括信号值以及标签值，其中信号值是由a个通道的通道值组成，每个通道采样频率为f，采样时间为t；标签值反映了驾驶疲劳的程度，根据疲劳程度的不同，标签值被分为三个等级：0代表清醒状态，1代表疲惫状态，2代表嗜睡状态；
9、所述数据预处理模块用于对划分好的信号值进行1-70hz的带通滤波，减少噪声干扰，得到预处理好的信号值；
10、所述特征提取模块用于从预处理好的信号值中提取de特征，也就是微分熵特征，具体操作如下：
11、使用对数频谱特征求取de特征，公式为：
12、
13、式中，der、σr和pr分别表示脑电信号在r频段内的de特征、方差和频谱特征，const为常数；
14、对于频谱特征p，使用短时傅里叶算法计算：
15、
16、
17、式中，j为虚数符号；w[n-m]是短时傅里叶变换的窗口函数，其中选择汉明窗；m表示窗口函数w[n-m]的平移参数；n＝1,2,...,n是离散时间索引的样本点数，n为样本总点数；v是角频率；x[n]是时间索引n时刻的脑电时序信号，x(m,ω)是短时里叶变换求得的结果；
18、首先，对预处理后的信号值进行特征提取，从1hz到50hz的频率范围内，每隔2hz提取一个微分熵特征，最后一个特征范围为49hz到50hz；接着，采用线性动力系统对提取的特征进行平滑处理，最后对特征进行归一化，得到最终的特征提取后的信号值。
19、进一步，所述模型训练模块执行以下操作：
20、1)训练局部特征提取网络lfpnet，lfpnet包括残差卷积神经网络、bilstm层、加性注意力机制和全连接层；
21、将特征提取后的信号值作为lfpnet输入，lfpnet首先利用残差卷积神经网络来提取深层次的局部特征，残差卷积神经网络的核心组成部分包括残差块和池化层；
22、残差块上方是两个3×3的具有预定的输入和输出通道数的卷积核；下方使用1×1的卷积核来调整输入的通道数，以使其输出的通道数与残差块上方的输出通道数相匹配；通过在前向传播中相加残差块上方与下方的输出，能够有效防止梯度消失问题，并加速残差卷积神经网络的训练速度；
23、池化层采用最大池化，通过去除冗余信息，对特征进行压缩，简化网络复杂度，减小计算量；最大池化有助于保留主要特征，同时降低特征图的维度，提高计算效率；
24、lfpnet的输入经过残差卷积神经网络后，通过引入bilstm层来有效解决神经网络中的长期依赖问题，从而实现对长期信息的有效记忆；
25、随后采用加性注意力机制，以赋予不同输入位置不同的权重；加性注意力机制的核心思想在于：对于每个输出单位的解码，为输入序列的每个位置分配相应的权重，确保lfpnet能够集中注意力于与当前输出位置最为关联的输入位置；这样的设计使得lfpnet能够更加灵活、准确地处理输入序列中的信息，提高lfpnet在长距离依赖关系上的学习能力；具体的计算步骤为：首先，对于每个bilstm层的输出，都赋予随机的查询q和键k，定义加性注意力得分e为：
26、e(q,k)＝vttanh(wqq+wkk)
27、式中，v是加性注意力得分e的权重向量，vt表示v的转置，wq和wk分别是查询和键的权重矩阵；接下来，使用softmax函数来计算注意力权重α：
28、
29、式中，ee(q,k)是e(q,k)的指数，k′是键k向量集合中所有元素的索引；
30、得到上下文向量c，它是所有键的加权平均：
31、c＝∑jα(q,kj)vj
32、式中，vj是与键kj相关的值向量，j是值向量集合中所有元素的索引；
33、最后，将c输入到全连接层得到预测的标签值；
34、2)训练全局特征网络gfpnet，gfpnet包括一维卷积神经网络、位置编码、transformer编码器和全连接层；
35、将特征提本文档来自技高网...
【技术保护点】
1.基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，所述数据处理模块包括数据加载模块、数据预处理模块以及特征提取模块，其中：
3.根据权利要求2所述的基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，所述模型训练模块执行以下操作：
4.根据权利要求3所述的基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，所述模型微调模块执行以下操作：
5.根据权利要求4所述的基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，所述跨被试驾驶疲劳检测模块执行以下操作：
【技术特征摘要】
1.基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的跨被试驾驶疲劳检测系统，其特征在于，所述数据处理模块包括数据加载模块、数据预处理模块以及特征提取模块，其中：
3.根据权利要求2所述的基于深度学习的跨被试驾驶疲劳检测系...
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。