CN102499699B - 基于脑电信号的车载嵌入式路怒驾驶状态检测装置及方法 - Google Patents

Abstract

基于脑电信号的车载嵌入式路怒驾驶状态检测装置及方法，包括脑电信号采集单元、信号处理单元和语音提示单元；脑电信号采集单元包括电极和放大电路；放大电路包括前置放大电路和后级放大电路；信号处理单元包括处理器和存储器；语音提示单元包括语音解码器和扬声器。采用本发明装置进行检测的方法，脑电信号特征提取采用基于小波包分解和共空间模式特征提取方法，并利用神经元网络分类，得出路怒驾驶识别结果，脑电信号能准确及时的反应情绪状态，嵌入式微处理器具有强大的信号处理性能，满足算法的实时性，语音音量和语音选择可根据驾驶状态调整，嵌入式装置体积小，也非常适于车载环境。

Description

基于脑电信号的车载嵌入式路怒驾驶状态检测装置及方法

技术领域

本发明涉及嵌入式信号处理技术领域，具体涉及基于脑电信号的车载嵌入式路怒驾驶状态检测装置及方法。

背景技术

愤怒是人们生活中常见的一种消极情绪，愤怒情绪发生时，人容易冲动冒险，做出对他人不利的事来。驾驶人在开车中也会产生愤怒情绪，心理学上把带着愤怒情绪开车称为“路怒症”，用以形容在交通阻塞情况下开车压力与挫折所导致的愤怒情绪。“路怒症”现已成为了汽车时代的通病。随着汽车数量的剧增与道路拥挤等矛盾的存在，加上我国现在驾驶人员构成复杂，素质高低不一，进一步加剧了“路怒症”的表现，我国有60.72％的车主有路怒症，情绪失控的“路怒症”容易引起“驾驶愤怒”，除了骂人、动粗、野蛮开车外，还会引起超速行驶，危险超车，恶意变道等危险行为，这种情绪激化导致的失控时间长度虽然未达到焦虑抑郁的精神疾病诊断标准，但是开车时哪怕是几秒钟的情绪失控，也足以导致车毁人亡，更严重者甚至会引起“驾驶暴力”，故意开车袭击行人或者其他车辆，马路杀手中有相当一部分人是“路怒症”造成的。这种攻击性驾驶行为已经与醉酒驾驶和疲劳驾驶一样，成为交通事故的重要影响因素之一。

目前针对驾驶人驾驶情绪的检测方法主要是基于外部行为检测法是无接触测量，安装如摄像头进行信息采集，采用受试者的外部表现如面部表情判断驾驶情绪，该方法具有评分标准不易统一、受记忆或其它个人行为、光线、图像采集角度等条件的影响，对于戴眼镜的驾驶员，或者被测人头部在自由转动的情况下，图像很难准确跟踪到，这会导致检测系统不能始终如一正确地报告驾驶员状态。脑电信号来自大脑皮层的电信号，与人的生理状态和心理状态密切相关，特别是当人处于愤怒情绪时，脑电信号会发生显著的变化，本发明通过对驾驶人的脑电信号进行实时监测，并提取其特征作为判断是否路怒驾驶的标准。

发明内容

本发明提供一种基于脑电信号的车载嵌入式路怒驾驶状态检测装置及方法，通过基于脑电信号的路怒驾驶情绪特征提取和识别算法，并利用具有强大信号处理能力的处理器为核心的嵌入式数字信号处理系统实现该算法，当检测到驾驶人处于路怒驾驶情绪时，系统会自动启动语音警示系统，提醒驾驶人注意情绪控制，减小由于驾驶人情绪波动造成的交通事故的可能。

基于脑电信号的车载嵌入式路怒驾驶状态检测装置，包括脑电信号采集单元、信号处理单元和语音提示单元；

所述的脑电信号采集单元包括电极和放大电路，电极安置在驾驶人头皮表面，通过电极帽固定；放大电路包括前置放大电路和后级放大电路，电极接至前置放大电路输入端，前置放大电路输出端连接后级放大电路输入端，后级放大电路输出端连接信号处理单元；

所述的信号处理单元，包括处理器和存储器，存储器外接于处理器端口。接收从脑电信号采集装置得到的数字信号，通过对多导联脑电信号进行基于小波包子带的共空间模式分解，得到脑电信号的特征；

所述的语音提示单元包括语音解码器和扬声器，语音解码器输出端接至扬声器，事先录制好不同类型的语音提示，检测到驾驶人处于路怒驾驶状态时，驱动语音提示单元播放提示语音。

所述脑电信号采集单元的输出端和语音提出单元的输入端均接至处理器端口。

采用上述车载嵌入式路怒驾驶状态检测装置进行检测的方法，脑电信号特征提取方法是利用基于小波包分解和共空间模式的特征提取方法，利用神经元网络对提取的特征进行分类，给出路怒驾驶状态的识别结果，包括如下步骤：

步骤1：电极实时采集脑电信号，经放大处理后输出至处理器；

步骤2：进行脑电信号特征提取；

步骤2.1：分别对每个导联数据进行小波包分解；

步骤2.2：选择与愤怒情绪相关的小波包子带，分别进行子带数据的共空间模式分解；

步骤2.3：每个小波包子带提取若干特征点，组成特征向量；

步骤3：利用神经网络对提取的特征向量进行分类；

利用事先采集到的离线数据对分类器进行训练，具体步骤如下：

步骤3.1：对LVQ神经网络参数初始化；

步骤3.2：从路怒驾驶状态对应的特征向量中选取一组，输入到神经网络的输入层，输出层对应的输出向量设定为[1 0]，根据输入输出结果自动调整神经网络权值；输入下一个样本，重复进行权值调整，直到达到预设的训练次数；

步骤3.3：从平静驾驶状态对应的特征向量中选取一组，输入到神经网络的输入层，输出层对应的输出向量设定为[0 1]，根据输入输出结果自动调整神经网络权值；输入下一个样本，重复进行权值调整，直到达到预设的训练次数；

步骤3.4：将训练结果作为神经网络的最优参数；

步骤3.5：利用训练好的神经网络对驾驶人的驾驶脑电信号进行实时的分类；

步骤4：当神经网络的分类结果为路怒驾驶情绪状态时，处理器发送给控制提示语音的播放，播放采用循环方式，音量逐渐提高到最大值，直到检测到的脑电信号恢复到正常状态时，发送终止语音的命令。

有益效果：脑电信号提供的信息能够准确及时的反应人体情绪状态，嵌入式微处理器具有强大的信号处理性能，能够满足算法的实时性，采用的语音提示单元在微处理器的控制下，语音音量和语音选择可以根据驾驶状态方便灵活的调整，同时该嵌入式装置体积小，非常适合于车载环境。

附图说明

图1为本发明实施例装置的总体结构框图；

图2为本发明实施例前置放大电路原理图；

图3为本发明实施例后级放大电路原理图；

图4为本发明实施例脑电信号采集位置示意图；

图5为本发明实施例路怒驾驶情绪特征提取流程图；

图6为本发明实施例特征分类流程图；

图7为本发明实施例语音提示单元控制的示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

基于脑电信号的车载嵌入式路怒驾驶状态检测装置，如图1所示，包括脑电信号采集单元、信号处理单元和语音提示单元；

所述的脑电信号采集单元包括电极和放大电路，放大电路包括前置放大电路和后级放大电路；电极采用桥式Ag/AgCl电极。电极安置在驾驶人头皮表面，通过电极帽固定，由于脑电信号幅值微弱，需要通过放大器放大、滤波、模数转换。脑电信号采样频率为100Hz，传送到由嵌入式信号处理单元中。

前置放大电路包括前置放大器和低通滤波器，电路如图2所示，主要是把微弱的脑电信号进行第一级放大，并将信号中的高频干扰滤除。由于本实施例由6导联组成，6导联中每一导联都具有相同的电路结构，图2中只给出单一导联原理图。前置放大器主要由模拟器件AD8221芯片构成，原始的脑电信号放大50倍，其输出信号经过电阻和电容耦合连接到低通滤波器的输入端，低通滤波器由模拟器件MAX280构成，通带截止频率为30HZ，输出信号标号为out1，与后级放大电路的输入端连接。

后级放大电路包括后级放大器和陷波电路，电路如图3所示，对前置放大部分输出的脑电信号进行进一步放大，并滤除50hz工频干扰。后级放大器由模拟器件ICL7650构成，该部分将信号放大100倍。陷波电路由UAF42构成，该电路能有效滤除50hz工频干扰。该部分电路的输出标号为out2，连接到ICETEC-OMAPL138-I开发板的模拟信号输入端。ICETEC-OMAPL138-I开发板的结构和原理是公知技术。

脑电信号采集位置如图4所示，脑电信号采集时只采集C3，C4，F3，F4，P3，P4这6个电极的脑电信号，以左右两侧耳垂为参考电极。

所述的信号处理单元，包括处理器和存储器，处理器型号为OMAPL138，存储器为MT47H64M16HR-3型DDR2存储器和K9K8G08UOA型NAND FLASH存储器，它们集成在ICETEC-OMAPL138-I开发板上。该单元接收从脑电信号采集装置得到的信号，对脑电信号进行特征提取和特征分类，并根据分类结果控制语音提示单元。

所述语音提示单元，包括语音解码器和扬声器，语音解码器型号为TLV320AIC23B，扬声器为WP241A便携式扬声器，TLV320AIC23B语音解码器集成在ICETEC-OMAPL138-I开发板上，由OMAPL138处理器控制，WP241A便携式扬声器通过音频线连接到开发板的音频接口上，事先录制好不同类型的语音提示，在信号处理系统检测到驾驶人处于路怒驾驶状态时，驱动语音提示单元播放提示语音。

采用上述基于脑电信号的车载嵌入式路怒驾驶状态检测装置进行检测的方法，具体执行如下步骤：

步骤1：电极实时采集脑电信号，经放大处理后输出至处理器；

步骤2：进行脑电信号特征提取，流程如图5所示；

步骤2.1：分别对6导联数据进行4层小波包分解；

利用Daubechies的db4小波函数对每个导联的脑电数据进行4层小波包分解。

步骤2.2：选择9个与愤怒情绪相关的小波包子带，分别进行9个子带的数据共空间模式分解；

实验证实，与人的情绪密切相关的频率成分集中在8-24Hz，在100Hz的采样频率下，该频率成分对应的小波包子带分别为S(3，1)、S(3，2)、S(3，3)、S(4，2)、S(4，3)、S(4，4)、S(4，5)、S(4，6)、S(4，7)，分别对这9个小波包子带的脑电信号数据进行共空间模式分解，共空间模式分解的实质是同时对角化两个协方差矩阵，具体包括白化变换和投影变换。

假设C₁和C₂为分别为表示平静状态与路怒状态脑电数据的规则化空间协方差，C_c表示混合的空间协方差，如公式1所示。

C_c＝C₁+C₂            (1)

作为两个矩阵协方差的和，C_c是正定矩阵，它可以分解成为公式2所示的形式。

C_c＝U_cλ_cU′_c        (2)

其中U _c是特征向量矩阵，λ_c是特征值构成的对角阵，这里特征值要以降序进行排列，则C_c白化变换矩阵表示为公式3。

$P=\sqrt{{\mathrm{\λ}}_c^{-1}}{U}_c^{\′}---\left(3\right)$

由于λ_c具有奇异性，因此矩阵PC_cP′对应的特征值都为1，利用C₁和C₂得到如公式4和公式5的表示形式，S1定义为平静状态中间特征量，S2定义为路怒状态中间特征量，

S₁＝PC₁P′   (4)

S₂＝PC₂P′   (5)

则S₁和S₂具有共同的特征向量，并且存在特征向量矩阵B以及两个对角矩阵λ₁和λ₂，满足公式6和公式7。

S₁＝Bλ₁B    (6)

S₂＝Bλ₂B    (7)

公式6和7中的λ₁和λ₂是由各自特征值构成的对角阵，特征值要以降序进行排列。由于λ₁和λ₂对应的两个特征值之和总是1，所以当特征向量B对于S₁有最大的特征值时，对于S₂有最小的特征值。根据上述变换，得到投影矩阵最终表示为公式8形式

W＝(B′P)′  (8)

单次检测到的脑电信号经过共空间模式分解，得到如公式9所示的特征向量，式9中E为脑电信号数据，Z为提取的特征向量。

Z＝WE        (9)

步骤2.3：每个小波包子带提取4个特征点，9个小波包子带的36个特征点组成特征向量；

以6个导联对应的小波包子带S(3，1)数据为例说明特征提取过程，利用共空间模式按照公式1-9得到投影矩阵，对6导联的S(3，1)子带对应的数据进行分解，得到6个特征点组成的特征向量，取特征向量中的前两个和后两个特征点，组成4个特征点的特征向量。则9个小波包子带一共提取了由36个特征点组成的特征向量。该特征向量作为判断路怒驾驶状态的基本特征。

步骤3：利用LVQ神经网络对提取的特征向量进行分类，流程如图6所示；

利用事先采集到的离线数据对分类器进行训练，训练样本为100，其中50次为愤怒状态，50次为平静状态，按步骤2分别提取100个训练样本对应的特征向量，在通过训练样本的特征向量调整神经网络的参数，具体步骤如下：

步骤3.1：对LVQ神经网络参数初始化。设定LVQ神经网络竞争层神经元个数为20，输出层神经元个数为2，对竞争层神经元权值进行设定，权值向量取较小的随机值，最后确定初始学习速率和训练次数；

步骤3.2：从50组路怒驾驶状态对应的特征向量中选取一组，输入到神经网络的输入层，输出层对应的输出向量设定为[1 0]，根据输入输出结果自动调整神经网络权值；输入下一个样本，重复进行权值调整，直到达到预设的50次训练次数；

步骤3.3：从50组平静驾驶状态对应的特征向量中选取一组，输入到神经网络的输入层，输出层对应的输出向量设定为[0 1]，根据输入输出结果自动调整神经网络权值；输入下一个样本，重复进行权值调整，直到达到预设的50次训练次数；

步骤3.4：将训练结果作为神经网络的最优参数；

步骤3.5：利用训练好的神经网络对驾驶人的驾驶脑电信号进行实时的分类；

步骤4：当神经网络的分类结果为路怒驾驶情绪状态时，处理器发送给语音提示单元一个命令，控制提示语音的播放，播放采用循环方式，音量逐渐提高到最大值，直到检测到的脑电信号恢复到正常状态时，发送终止语音的命令。语音提示单元控制示意图如图7所示。本实施例中提示语音是事先录制好的家人的声音，有利于愤怒的驾驶人恢复平静。

Claims (1)

1.一种基于脑电信号的车载嵌入式路怒驾驶状态检测方法，该方法所采用的装置，包括脑电信号采集单元、语音提示单元和信号处理单元；

所述的脑电信号采集单元包括电极和放大电路，电极安置在驾驶人头皮表面，通过电极帽固定；放大电路包括前置放大电路和后级放大电路，电极连接前置放大电路输入端，前置放大电路输出端连接后级放大电路输入端，后级放大电路输出端连接信号处理单元；

所述的信号处理单元，包括处理器和存储器，存储器外接于处理器端口，处理器采用OMAPL138处理器； 

所述的语音提示单元包括语音解码器和扬声器，语音解码器输出端接至扬声器；

所述脑电信号采集单元的输出端和语音提示单元的输入端均接至处理器端口，其特征在于：该方法包括如下步骤：

步骤1：电极实时采集脑电信号，经放大处理后输出至处理器；

步骤2：进行脑电信号特征提取；

步骤2.1：分别对每个导联数据进行小波包分解；

步骤2.2：选择与愤怒情绪相关的小波包子带，分别进行子带数据的共空间模式分解；

步骤2.3：每个小波包子带提取若干特征点，组成特征向量；

步骤3：利用神经网络对提取的特征向量进行分类；

利用事先采集到的离线数据对分类器进行训练，具体步骤如下：

步骤3.1：对神经网络参数初始化；

步骤3.2：从路怒驾驶状态对应的特征向量中选取一组，输入到神经网络的输入层，输出层对应的输出向量设定为[1 0]，根据输入输出结果自动调整神经网络权值；输入下一个样本，重复进行权值调整，直到达到预设的训练次数；

步骤3.3：从平静驾驶状态对应的特征向量中选取一组，输入到神经网络的输入层，输出层对应的输出向量设定为[0 1]，根据输入输出结果自动调整神经网络权值；输入下一个样本，重复进行权值调整，直到达到预设的训练次数； 

步骤3.4：将训练结果作为神经网络的最优参数；

步骤3.5：利用训练好的神经网络对驾驶人的驾驶脑电信号进行实时的分类；

步骤4：当神经网络的分类结果为路怒驾驶情绪状态时，处理器发送给控制提示语音的播放，播放采用循环方式，音量逐渐提高到最大值，直到检测到的脑电信号恢复到正常状态时，发送终止语音的命令。

Images