CN101987017A - 用于驾车司机警觉度测定的脑电信号识别检测方法 - Google Patents

Abstract

一种信息处理技术领域的用于驾车司机警觉度测定的脑电信号识别检测方法，通过将脑电信号的测试段频域序列分频段计算最大相关度和特征值之间的最小冗余度后，采用基于高斯核的支持向量机方法通过对每段时间所处的警觉度状态进行分类，实现轻度瞌睡识别。本发明通过脑电信号识别人脑进入瞌睡之前的轻度瞌睡状态，来预测并防止警觉度的进一步下降。该方法有效地减少了警觉度分类阶段所处理的脑电特征数据，以较高的准确率识别出轻度瞌睡状态，并且可以在一定程度上克服信号采集阶段的干扰。

Description

用于驾车司机警觉度测定的脑电信号识别检测方法

技术领域

本发明涉及的是一种信息处理技术领域的方法，具体是一种用于驾车司机警觉度测定的脑电信号识别检测方法。

背景技术

警觉度指人集中精力执行一项操作任务时所表现出的灵敏程度，包括对疲劳和瞌睡状态的度量。许多人机交互系统需要操作人员保持一定的警觉度。一些特殊的工作，如空中管制中心的管制员、飞行员和高速公路上的长途客车驾驶员，都需要保持很高的警觉度。对人的警觉度进行精确估计以及实时监测，是人机交互系统研究中的一项非常重要的课题，尤其司机长时间驾驶后将产生疲劳和警觉度下降，通过警觉度分析可以有效判断司机的疲劳程度，防止交通事故的发生。

在以往研究警觉度和睡眠程度中，眼电信号是被广泛采用的识别信号。因为在不同睡眠阶段眼睛转动的频率不同，所以可以根据眼电信号来判断睡眠的阶段。除此以外，根据体温和血液中褪黑激素浓度等参数的变化，也可以在一定程度上对人的警觉度进行估计。随着计算机视觉、图像处理、模式识别以及机器学习的发展，人的面部视频信息也越来越多地被用于警觉度估计。比如面部表情，肢体动作或者瞳孔活动等特征都可以用来判断警觉度水平。面部表情呆滞，眨眼频率下降，打哈欠，操作频度下降，反映变得迟缓或者出现错误都可以用来判断人的警觉度下降。但是脑电信号的变化通常先于人的面部表情变化和肢体动作而变化，因此脑电信号能更及时更准确的反映人的警觉度状态。随着脑电分析技术的日益进步，脑电越来越能够担当警觉度分析的重任。

基于脑电的警觉度估计方法通常分为三个步骤。首先通过脑电采集装置采集人的脑电信号并进行量化处理。由于脑电信号比较微弱，通常需要高倍放大处理，于是在信号采集过程中经常会带有工频干扰和信号漂移现象。另外眼电和肌电等伪迹也会混在脑电信号中，对判断警觉度产生了干扰。因此在脑电采集过程中通常要进行滤波，去漂移和去除心电、眼电等伪迹，以得到真实的脑电信号。

基于脑电的警觉度分析的第二步是在处理过后的脑电信号中，有目的的选择对区别警觉度最有价值的特征。这些特征通常包括脑电信号各频段所占的能量变化，各个脑区脑电能量的变化以及脑电信号节律变化和各种时域信号中的非线性参数等。如果脑电信号中夹杂有眼电和心电的话，在某些情况下这些信号的特征也可以用来辅助判断人的警觉度。脑电信号上选取的特征通常对于最后的结果有较大的影响，为了得到更多的信息通常会选用很多导联对脑电信号进行采集，这就造成了用于警觉度识别的脑电信号的特征维数通常非常高，这给后期的运算和警觉度判别的实时性产生了负面影响。

为了得到人脑的警觉度水平情况，基于脑电的警觉度分析的最后一步是通过专家系统、统计分析或者机器学习等方法来对人脑所处的警觉度状态进行分析和估计。这时有很多方法可以选择，稳定、准确和较小运算代价是本阶段重要的考虑因素。

按睡眠理论人脑状态可分为觉醒与睡眠两种状态，为具体区别人脑从警觉到睡眠中间的状态转变，又可以把觉醒状态再细化分成警觉和轻度瞌睡两种状态，这样警觉度水平就可以分为警觉、轻度瞌睡和瞌睡三种状态。识别三种状态中的轻度瞌睡状态并通过某种手段实施预警可以有效防止人脑进入睡眠状态。

发明内容

本发明针对现有技术存在的上述不足，提供一种用于驾车司机警觉度测定的脑电信号识别检测方法，通过脑电信号识别人脑进入瞌睡之前的轻度瞌睡状态，来预测并防止警觉度的进一步下降。该方法有效地减少了警觉度分类阶段所处理的脑电特征数据，以较高的准确率识别出轻度瞌睡状态，并且可以在一定程度上克服信号采集阶段的干扰。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步、对每个采集电极采集到的脑电信号进行预处理并进行短时傅里叶变换，得到测试段频域序列；

所述的预处理过程是指：对采集到的脑电信号使用带通为1至40Hz的有限冲击响应滤波器进行滤波，以去除50Hz的工频干扰和直流干扰，并剔除能量幅度异常的信号段，然后以5秒为一个时间单位将脑电信号分割为若干个测试段。

所述的能量幅度异常是指：波幅超过正常波幅10倍以上的脑电波信号。

第二步、将每个测试段频域序列依据频率分为5个频段，分别是δ段，即1-4Hz，θ段，即4-8Hz，α段，即8-13Hz，β段，即13-20Hz和γ段，即20-40Hz，并在上述每个频段中根据短时傅里叶变换得到的测试段频域序列的系数分别计算4种特征值；

所述的4种特征值是指：能量比例、能量方差、平均频率和频率方差。

第三步、通过计算特征值与所标定警觉度状态的互信息之间的最大相关度和特征值之间的最小冗余度来进行排序，得到特征值子集，并特征值子集使用前向搜索进行再次排序，选出相互之间冗余度最小的150个特征；

所述的特征与结果之间的最大相关度是指：每种特征与所标定警觉度状态的互信息为特征与结果的相关度，选取特征时选择与结果相关度最大的特征作为最终分类特征。

所述的特征之间的最小冗余度是指：每种特征与其他特征之间的互信息作为特征之间的冗余度，选取特征时选择冗余度最小的特征作为最终分类特征。

所述的最大相关度以及所述的最小冗余度通过以下方式获得：对于第i个脑电信号特征向量x_i与当前时间段人脑所处的状态c之间的互信息是I(x_i；c)，则在特征子集S_m和状态c之间的冗余为：

$D=\frac{1}{\left|S_m\right|}\underset{x_i\∈S_m}{\mathrm{\Σ}}I(x_i;c)---\left(1\right)$

同时第i个脑电信号特征向量x_i和第j个脑电信号特征向量x_j之间的互信息是I(x_i；x_j)，则特征之间的冗余为：

$R=\frac{1}{{\left|S_m\right|}^2}\underset{x_i,x_j\∈S_m}{\mathrm{\Σ}}I(x_i;x_j)---\left(2\right)$

因此计算特征值与所标定警觉度状态的最大相关度和特征值之间的最小冗余度就是计算D-R的最大值，其中互信息I(x；y)为：

$I(x;y)=\∫\∫p(x,y)\log \frac{p(x,y)}{p\left(x\right)p\left(y\right)}\mathrm{dxdy}---\left(3\right)$

其中：p(x)，p(y)表示x和y的概率密度函数，而p(x，y)表示x和y的联合分布函数。

第四步、对每个待测对象的每个采集电极采集到的脑电信号进行分别训练，然后再针对待测对象的警觉度状态进行分类采用基于高斯核的支持向量机方法通过所选的150个特征对每段时间所处的警觉度状态进行分类，实现轻度瞌睡识别，具体是指：取待测对象脑电波特征数据中全部采样时间段的50％作为训练数据，并通过基于高斯核的支持向量机训练得到模型，最后通过训练得到的模型对剩下的数据实施分类得到警觉度水平结果。

本发明的优点在于利用频域特征有效和快速的判别轻度瞌睡，并在特征选择阶段大幅减少了特征数量，相对于使用时域特征和小波特征或只使用频域特征的判别方法，本方法更为快速和准确。

附图说明

图1为实施例效果示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例应用环境设置如下：待测对象在进行警觉度分析之前的24小时，不可接触含有酒精或者咖啡因的食物或者饮料。待测对象的脑电数据有64组导联采集，其中包括来自62组导联的脑电数据和来自2组导联的眼电数据。这套设备的硬件系统主要包括：计算机、电极帽、放大器和摄像头。摄像头主要用来记录待测对象在使用本方法判断警觉度水平过程中的动作，该视频被记录用来事后参考脑电数据对被试警觉度水平进行标定，作为本方法准确度的参考。

本实施例包括以下步骤：

第一步、对采集到的脑电信号进行预处理并进行短时傅里叶变换，得到测试段频域序列，具体步骤为：对采集到的脑电信号使用带通为1至40Hz的有限冲击响应滤波器进行滤波，然后以5秒为一个时间单位将脑电信号分割为若干个测试段，对于每一段中波幅超过正常波幅10倍以上的测试段予以去除；

第二步、在特征提取阶段，利用短时傅里叶变换将每个测试段的脑电数据由时域变换到频域，并从这些频域数据中提取4种频域特征值，具体步骤为：将每个采集电极提取到的脑电波依据频率分为5个频段，分别是δ段(1-4Hz)，θ段(4-8Hz)，α段(8-13Hz)，β段(13-20Hz)和γ段(20-40Hz)，并在每段中根据傅里叶变换得到的系数分别计算能量比例、能量方差、平均频率和频率方差等4种频域特征。

第三步、通过计算特征与结果之间的最大相关度和特征之间的最小冗余度来进行排序，以此选出对警觉度分析最重要和相互之间冗余度最小的150个特征，具体步骤为：计算每种特征与所标定警觉度状态的互信息和该特征与其他特征之间的互信息两个参数，对两参数相减得到的值的大小进行排序，得到具有与警觉度结果具有最大相关度和特征之间具有最小冗余度的500个特征。最后根据分类结果对这500个特征集合进行前向搜索，即每次只向特征集合中加入对分类结果影响最大的特征，最后选取最重要的150个特征作为分类器的输入。

第四步、对每个人的脑电信号进行分别训练，然后再针对个人的警觉度状态进行分类采用基于高斯核的支持向量机(SVM)方法对150个特征进行分类，实现轻度瞌睡识别，具体步骤为：随机提取待测对象脑电波特征数据中全部采样时间段的50％作为训练数据，并通过SVM训练得到模型。SVM在训练过程中通过最大化类与类间决策面之间的距离来确定决策面的位置。在本方法中，SVM需指定2个参数，其中包括：松弛系数c，在本方法中取2；本方法所使用的SVM采用的核函数为高斯核函数，该函数的宽度参数σ取16。最后通过训练得到的模型对剩下的数据实施分类得到警觉度水平结果，轻度瞌睡的结果在此阶段给出。

如图1所示，为本实施例中的一位警觉度分析实验待测对象应用该方法取得的警觉度分析结果，使用本方法平均可在被试人群中以91.5％的正确率判别轻度瞌睡状态。

Claims (8)

1.一种用于驾车司机警觉度测定的脑电信号识别检测方法，其特征在于，包括以下步骤：

第一步、对每个采集电极采集到的脑电信号进行预处理并进行短时傅里叶变换，得到测试段频域序列；

第二步、将每个测试段频域序列依据频率分为5个频段，分别是δ段，即1-4Hz，θ段，即4-8Hz，α段，即8-13Hz，β段，即13-20Hz和γ段，即20-40Hz，并在上述每个频段中根据短时傅里叶变换得到的测试段频域序列的系数分别计算4种特征值；

第三步、通过计算特征值与所标定警觉度状态的互信息之间的最大相关度和特征值之间的最小冗余度来进行排序，得到特征值子集，并特征值子集使用前向搜索进行再次排序，选出相互之间冗余度最小的150个特征；

第四步、对每个待测对象的每个采集电极采集到的脑电信号进行分别训练，然后再针对待测对象的警觉度状态进行分类采用基于高斯核的支持向量机方法通过所选的150个特征对每段时间所处的警觉度状态进行分类，实现轻度瞌睡识别。

2.根据权利要求1所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的预处理过程是指：对采集到的脑电信号使用带通为1至40Hz的有限冲击响应滤波器进行滤波，以去除50Hz的工频干扰和直流干扰，并剔除能量幅度异常的信号段，然后以5秒为一个时间单位将脑电信号分割为若干个测试段。

3.根据权利要求2所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的能量幅度异常是指：波幅超过正常波幅10倍以上的脑电波信号。

4.根据权利要求1所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的4种特征值是指：能量比例、能量方差、平均频率和频率方差。

5.根据权利要求1所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的特征与结果之间的最大相关度是指：每种特征与所标定警觉度状态的互信息为特征与结果的相关度，选取特征时选择与结果相关度最大的特征作为最终分类特征。

6.根据权利要求1所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的特征之间的最小冗余度是指：每种特征与其他特征之间的互信息作为特征之间的冗余度，选取特征时选择冗余度最小的特征作为最终分类特征。

7.根据权利要求1所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的最大相关度以及所述的最小冗余度通过以下方式获得：对于第i个脑电信号特征向量x_i与当前时间段人脑所处的状态c之间的互信息是I(x_i；c)，则在特征子集S_m和状态c之间的冗余为：

第i个脑电信号特征向量x_i和第j个脑电信号特征向量x_j之间的互信息是I(x_i；x_j)，则特征之间的冗余为：

因此计算特征值与所标定警觉度状态的最大相关度和特征值之间的最小冗余度就是计算D-R的最大值，其中互信息I(x；y)为：

其中：p(x)，p(y)表示x和y的概率密度函数，而p(x，y)表示x和y的联合分布函数。

8.根据权利要求1所述的用于驾车司机警觉度测定的脑电信号识别检测方法，其特征是，所述的第四步具体是指：取待测对象脑电波特征数据中全部采样时间段的50％作为训练数据，并通过基于高斯核的支持向量机训练得到模型，最后通过训练得到的模型对剩下的数据实施分类得到警觉度水平结果。

Images