CN102106730A - 基于分形特征的脑电信号处理及警觉度检测方法 - Google Patents
基于分形特征的脑电信号处理及警觉度检测方法 Download PDFInfo
- Publication number
- CN102106730A CN102106730A CN 201110062821 CN201110062821A CN102106730A CN 102106730 A CN102106730 A CN 102106730A CN 201110062821 CN201110062821 CN 201110062821 CN 201110062821 A CN201110062821 A CN 201110062821A CN 102106730 A CN102106730 A CN 102106730A
- Authority
- CN
- China
- Prior art keywords
- fractal
- alertness
- eeg
- eeg signals
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
一种信号处理技术领域的基于分形特征的脑电信号处理及警觉度检测方法,通过在包括受试者在内的多个样本上采集多组脑电信号,然后分别为每组数据训练一个随机森林分类器;当需要进行受试者的警觉度预测时,再从受试者身上采集脑电信号后,使用与第一步相同的方法训练得到随机森林分类器,最后预测结果是所有随机森林的投票结果。本发明使用分形长度和最大分形长度进行警觉度预测比功率谱使用特征更少、准确率更高,通过多分类器投票方法进一步减少采集训练数据的时间。
Description
技术领域
本发明涉及的是一种信号处理技术领域的方法,具体是一种基于分形特征的脑电信号处理及警觉度检测方法。
背景技术
警觉度(Vigilance)是指人在执行任务时的注意力或警惕性的水平。在日常生活中,有很多工作岗位需要工作人员保持较高的警觉度,例如驾驶员,飞行员等,对于工作人员来说,警觉度的下降很可能导致非常严重的后果。但是,过去的研究已经表明,像上述这样的执行单调但又需要保持警觉度的工作岗位,工人几乎不可能长时间地维持在一个高的警觉度水平。所以,如何对人的警觉度进行定量、准确和实时地分析,已经成为了一个亟待解决的课题,而使用机器和自动化的方法或设备来达到这一目的,正是解决该课题的一条重要路线。通过提取人的生理信号,使用计算机来连续、准确和实时地分析出人的警觉度水平,并在检测到警觉度下降到某个危险水平时给出警告或其他手段,这样可以有效地防止可能出现的事故。
在众多的生理信号中,脑电信号与人的认知行为、警觉度状态紧密相关。与其它信号,比如脸部表情、肢体动作等相比,脑电信号被认为最及时、可靠地反映了人的警觉度水平,其神经生理学基础是人的脑电信号在不同的精神状态时所表现出的节律行为,具体表现形式就是脑电波形会随着不同精神状态发生微小变化,在利用脑电信号去预测人类警觉度时存在两个主要问题:1.如何去衡量这些微小的波形变化,提高警觉度预测正确率。研究证明分形所具有的分形维度和最大分形长度特征可以很好地衡量细微的脑电波形变化;2.如何降低前期分类器训练成本。为了保证预测结果的准确性,通常需要先采集大量数据进行分类器训练。但是训练数据的采集和标定成本较高,而且在实际应用时需要对驾驶员的警觉度进行实时监控和预测,没有足够时间采集大量数据进行训练。提出了一个多分类器投票方法,该方法先在受试者和其他个体在驾车过程中采集部分脑电信号数据训练出多个分类器,在进行警觉度的预测时,实时从受试者大脑上采集少量的新数据进行分类器训练,最后预测输出是所有分类器的投票结果,也就是在所有分类器的输出中取出现次数最多的结果作为最终的预测结果。该方法在实际应用时所需要的训练数据仅为单个分类器训练的1/5,提高了警觉度分析的实际推广价值。
警觉度分析属于经典的模式识别问题,其处理框架可分为信号处理,特征提取,特征选择,分类器分类四个步骤,在过去的研究中,这四个过程都分别有很多有价值的成果。对于信号处理和特征提取而言,大部分的方法都试图用有效的特征来捕获到脑电信号中的节律信息。Liu等人利用频谱分析的方法进行了驾驶员警觉度的分析及预测,J.Z.Liu,Q.Yang等人发现分形维度可以很好地捕捉脑电信号的动态变化,Sridhar P Arjunan,Dinesh K Kumar,andTzyy-Ping Jung,发现在完成指定动作时最大分形长度和受试者的错误率负线性相关。
经过对现有技术的检索发现:Sridhar PArjunan,Dinesh K Kumar,and Tzyy-Ping Jung.在《Changes in decibel scale wavelength properties of EEG with Alertness levels whileperforming sustained attention tasks》(执行持续任务时脑电信号分贝尺度的波长属性变化与警觉度水平的关系,31st Annual International Conference of the IEEE Engineering in Medicineand Biology Society.2009,6288-6291)中记载了一种脑电信号检测技术,但该技术缺陷在于:没有给出分形维度和最大分形长度在驾驶员警觉度分析领域的应用方法;没有给出一个简单有效的计算最大分形长度的算法;为了获得较高的预测准确率需要大量训练数据进行分类器训练,而获得这些数据需要长时间的数据采集和标定,难以推广到实际应用中。
发明内容
本发明针对现有技术存在的上述不足,提供一种基于分形特征的脑电信号处理及警觉度检测方法,使用分形长度和最大分形长度进行警觉度预测比功率谱使用特征更少、准确率更高,通过多分类器投票方法进一步减少采集训练数据的时间,最终得到了一种能够有效识别驾驶员警觉度状态并进行疲劳驾驶预警的技术。
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、在包括受试者在内的多个样本上采集多组脑电信号,然后分别为每组数据训练一个随机森林分类器,具体步骤包括:
1.1)从脑电信号序列段中计算最大分形长度和分形维度构成特征向量;
1.2)使用得到的特征向量训练随机森林并对所有特征进行重要性排序并根据排序结果对特征向量进行降维处理,得到可以区别不同警觉度的随机森林分类器。
第二步、当需要进行受试者的警觉度预测时,再从受试者身上采集脑电信号后,使用与第一步相同的方法训练得到随机森林分类器,最后从所有分类器的预测结果中选出所占比例最高的警觉度状态作为受试者当前警觉度状态的识别结果,从而实现了驾驶员警觉度状态的监测、识别以及疲劳驾驶的预警。
所述的脑电信号序列是指:经过人工观测去除伪迹以及受到干扰而被严重破坏的电极信号所余下的,经过带宽为1Hz-40Hz的有限冲击响应滤波器进行滤波处理后的脑电信号的序列。
所述的分形是指:具有非整数维度的几何体。
所述的最大分形长度通过以下方式获得:将脑电信号序列中相邻点的距离之和作为其最大分形长度。
所述的特征向量是指:在脑电信号序列所有可用通道上计算得到的最大分形长度和分形维度,组合后得到的N*T维的矩阵,其中:N是脑电极通道数,T是脑电信号序列上时间点的个数。
所述的随机森林是指:由随机化的决策树构成的决策树集群,通过给定输入数据得到所有决策树的投票结果。
所述的重要性排序是指:根据训练过程中给出的每一个特征的分类有效性对所有特征进行排序。
所述的降维处理是指:去除有效性最低的特征后重新建立的随机森林。
本发明的优点在于:
1)给出了一个完整的利用分形维度和最大分形长度进行驾驶员警觉度分析及预测的方法。
2)给出了一个快速计算最大分形维度的有效近似算法,减少了特征计算和提取的时间。
3)通过多分类器投票的方法减少了实际预测时数据采集和标定的工作量和时间。
具体实施方式
下面对本发明的实施例作详细说明,以下两个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1
基于分形维度和最大分形长度的驾驶员警觉度预测
本实施例包括以下步骤:
第一步、从5个样本上分别提取出一段采样率为100的64导的脑电信号序列,经过人工观测首先去除了受到干扰而被严重破坏的4导电极信号,同时去掉其中数个混杂有伪迹的时间段。经过带宽为1Hz-40Hz的有限冲击响应滤波器进行滤波处理后,脑电信号为60*T矩阵,T是脑电信号剩下的时间点个数;
第二步、脑电信号序列被分成5秒长度的若干片段,相邻的两个片段之间重叠2.5秒的长度,然后在每一导的数据上分别计算分形维度和最大分形长度。由于采样率为100,每个导上计算两个特征,所以每个片段的脑电信号序列可以得到一个120*500的矩阵。矩阵的每一列构成一个特征向量,所有这些特征向量已经使用其他外部手段标定为清醒、困倦、睡眠三类,分别是第1类,第2类,第3类。
第三步、将每个样本的数据分成相同规模的训练集和校验集,使用每一个样本的训练集数据训练随机森林,并根据训练过程中对所有特征进行的有效性排序剔除有效性最低的20个特征,最终每个样本都训练出一个随机森林。
第四步、使用得到的5个样本的随机森林分别对各自的校验集数据进行预测。分类结果如果为1,认为此时该样本处于“清醒”状态,如果为2,认为此时该样本处于“困倦”状态,如果为3,认为此时该样本处于“睡眠”状态。实验结果发现使用分形维度和最大分形长度时检验集正确率是91%±1.5,而使用功率谱特征的校验集正确率是88%±1.2。
实施例2
基于分形维度和最大分形长度的多分类器投票方法进行驾驶员警觉度预测
本实施例包括以下步骤:
第一步、从4个样本上分别提取出一段采样率为100的64导的脑电信号序列,经过人工观测首先去除了受到干扰而被严重破坏的4导电极信号,同时去掉其中数个混杂有伪迹的时间段。经过带宽为1Hz-40Hz的有限冲击响应滤波器进行滤波处理后,脑电信号为60*T矩阵,T是脑电信号剩下的时间点个数;
第二步、脑电信号序列被分成5秒长度的若干片段,相邻的两个片段之间重叠2.5秒的长度,然后在每一导的数据上分别计算分形维度和最大分形长度。由于采样率为100,每个导上计算两个特征,所以每个片段的脑电信号序列可以得到一个120*500的矩阵。矩阵的每一列构成一个特征向量,所有这些特征向量已经使用其他外部手段标定为清醒、困倦、睡眠三类,分别是第1类,第2类,第3类。
第三步、在每一个样本的数据上训练随机森林,并根据训练过程中对所有特征进行的有效性排序剔除有效性最低的20个特征,最终每个样本都训练出一个随机森林。
第四步、从受试者身上提取出一段脑电信号数据并按照1∶9的比例分成训练集和校验集,在训练集上按照第一步到第三步中的操作得到一个新的随机森林。
第五步、使用得到的5个随机森林共同对受试者的校验集数据进行预测,每次预测结果是5个随机森林的投票结果,分类正确率为70%±2。分类结果如果为1,认为此时该样本处于“清醒”状态,如果为2,认为此时该样本处于“困倦”状态,如果为3,认为此时该样本处于“睡眠”状态。对同样的数据使用基于分形维度和最大分形长度的单个随机森林进行预测,正确率仅为50%左右。
由实施例2可以发现如果训练集只用10%的数据,那么单分类器的平均预测正确率将会由91%下降为50%,但是如果使用多分类器投票方法,由于结合了样本库中已有数据的分类器,所以预测正确率达到了70%,可见多分类器投票方法相对于单个分类器具有一定的优势,并且大大减少了标定成本。
Claims (8)
1.一种基于分形特征的脑电信号处理及警觉度检测方法,其特征在于,包括以下步骤:
第一步、在包括受试者在内的多个样本上采集多组脑电信号,然后分别为每组数据训练一个随机森林分类器;
第二步、当需要进行受试者的警觉度预测时,再从受试者身上采集脑电信号后,使用与第一步相同的方法训练得到随机森林分类器,最后预测结果是所有随机森林的投票结果。
2.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法,其特征是,所述的第一步,具体步骤包括:
1.1)从脑电信号序列段中计算最大分形长度和分形维度构成特征向量;
1.2)使用得到的特征向量训练随机森林并对所有特征进行重要性排序并根据排序结果对特征向量进行降维处理,得到可以区别不同警觉度的随机森林分类器。
3.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法,其特征是,所述的脑电信号序列是指:经过人工观测去除伪迹以及受到干扰而被严重破坏的电极信号所余下的,经过带宽为1Hz-40Hz的有限冲击响应滤波器进行滤波处理后的脑电信号的序列。
4.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法,其特征是,所述的最大分形长度通过以下方式获得:将脑电信号序列中相邻点的距离之和作为其最大分形长度。
6.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法,其特征是,所述的特征向量是指:在脑电信号序列所有可用通道上计算得到的最大分形长度和分形维度,组合后得到的N*T维的矩阵,其中:N是脑电极通道数,T是脑电信号序列上时间点的个数。
7.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法,其特征是,所述的重要性排序是指:根据训练过程中给出的每一个特征的分类有效性对所有特征进行排序。
8.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法,其特征是,所述的降维处理是指:去除有效性最低的特征后重新建立的随机森林。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110062821 CN102106730A (zh) | 2011-03-16 | 2011-03-16 | 基于分形特征的脑电信号处理及警觉度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110062821 CN102106730A (zh) | 2011-03-16 | 2011-03-16 | 基于分形特征的脑电信号处理及警觉度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102106730A true CN102106730A (zh) | 2011-06-29 |
Family
ID=44171103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110062821 Pending CN102106730A (zh) | 2011-03-16 | 2011-03-16 | 基于分形特征的脑电信号处理及警觉度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102106730A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815901A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 一种应用于单导联便携式脑电设备的频域特征提取算法 |
CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
CN106650644A (zh) * | 2016-12-07 | 2017-05-10 | 上海交通大学 | 驾驶员危险行为识别方法及系统 |
CN106886792A (zh) * | 2017-01-22 | 2017-06-23 | 北京工业大学 | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 |
CN108498092A (zh) * | 2017-02-28 | 2018-09-07 | 中国航天员科研训练中心 | 基于脑电特征的错误预警方法及系统 |
CN108814596A (zh) * | 2018-04-02 | 2018-11-16 | 东北电力大学 | 一种基于嗅觉脑电波和rf的感官物质分类的方法 |
CN108836325A (zh) * | 2018-04-02 | 2018-11-20 | 东北电力大学 | 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法 |
CN110503447A (zh) * | 2018-05-16 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于确定商品销量预测值的方法及装置 |
-
2011
- 2011-03-16 CN CN 201110062821 patent/CN102106730A/zh active Pending
Non-Patent Citations (3)
Title |
---|
《2010 International Conference on Biomedical Engineering and Computer Science》 20100425 Tian Ouyang,et al Vigilance Analysis Based on Continuous Wavelet Transform of EEG Signals 第1-4页 , * |
《2010 International Symposium on Computer, Communication, Control and Automation》 20100507 Jun Pan,et al Vigilance Analysis Based on Fractal Features of EEG Signals 第446-449页 第1卷, * |
《31st Annual International Conference of the IEEE EMBS》 20090906 Sridhar P Arjunan,et al Changes in Decibel Scale Wavelength Properties of EEG with Alertness Levels While Performing Sustained Attention Tasks 第6288-6291页 , * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815901A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 一种应用于单导联便携式脑电设备的频域特征提取算法 |
CN103815901B (zh) * | 2013-11-22 | 2015-09-09 | 刘志勇 | 一种应用于单导联便携式脑电设备的频域特征提取方法 |
CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
CN103876736B (zh) * | 2014-04-11 | 2017-01-18 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电信号分类识别方法 |
CN106650644A (zh) * | 2016-12-07 | 2017-05-10 | 上海交通大学 | 驾驶员危险行为识别方法及系统 |
CN106886792A (zh) * | 2017-01-22 | 2017-06-23 | 北京工业大学 | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 |
CN106886792B (zh) * | 2017-01-22 | 2020-01-17 | 北京工业大学 | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 |
CN108498092A (zh) * | 2017-02-28 | 2018-09-07 | 中国航天员科研训练中心 | 基于脑电特征的错误预警方法及系统 |
CN108814596A (zh) * | 2018-04-02 | 2018-11-16 | 东北电力大学 | 一种基于嗅觉脑电波和rf的感官物质分类的方法 |
CN108836325A (zh) * | 2018-04-02 | 2018-11-20 | 东北电力大学 | 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法 |
CN110503447A (zh) * | 2018-05-16 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于确定商品销量预测值的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102106730A (zh) | 基于分形特征的脑电信号处理及警觉度检测方法 | |
Tang et al. | Motor imagery EEG recognition based on conditional optimization empirical mode decomposition and multi-scale convolutional neural network | |
CN102058413B (zh) | 基于连续小波变换的脑电信号警觉度检测方法 | |
CN110432898A (zh) | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 | |
CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN104490391B (zh) | 一种基于脑电信号的战斗人员状态监测系统 | |
CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
Prasanth et al. | Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands | |
Zhu et al. | Analysing epileptic EEGs with a visibility graph algorithm | |
Hussain et al. | Classification of normal and pathological heart signal variability using machine learning techniques | |
CN114224343B (zh) | 认知障碍检测方法、装置、设备及存储介质 | |
CN107661092B (zh) | 生命体征状态监测方法及计算机可读存储介质 | |
Jana et al. | Epileptic seizure prediction from EEG signals using DenseNet | |
CN113749619A (zh) | 一种基于k-trca的脑力疲劳评估方法 | |
Sabor et al. | Detection of the interictal epileptic discharges based on wavelet bispectrum interaction and recurrent neural network | |
CN111329459A (zh) | 一种改良的患者生命体征监测预警评分方法 | |
Rajendran et al. | Neural network based seizure detection system using statistical package analysis | |
Saminu et al. | Hybrid feature extraction technique for multi-classification of ictal and non-ictal EEG epilepsy signals | |
CN112155520A (zh) | 基于体温数据的监测装置及方法、电子设备、存储介质 | |
Hou et al. | Epilepsy detection using random forest classification based on locally linear embedding algorithm | |
CN115017996A (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 | |
CN117438083B (zh) | 一种基于人工智能的中老年疾病预测系统 | |
Vázquez-Seisdedos et al. | A comparison of different classifiers architectures for electrocardiogram artefacts recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110629 |