CN103919565A - 一种疲劳驾驶脑电信号特征提取与识别的方法 - Google Patents

Abstract

本发明提供了一种疲劳驾驶脑电信号特征提取与识别的方法，采用分数阶Fourier域的LMS(最小均方误差)自适应滤波算法对疲劳驾驶的脑电信号进行滤波，由快速Fourier变换对脑电信号进行特征提取与识别。具体步骤为：采用单极导联法采集驾驶员前额脑电信号，得脑电数据；使用分数阶Fourier域LMS算法对脑电数据进行滤波，得高信噪比脑电数据；之后对脑电数据进行快速Fourier变换，得脑电信号的功率谱并计算频带平均功率谱密度、平均功率谱密度比、频带功率百分比和频带功率加和比四个特征指标；结合四个特征指标对脑电信号进行特征提取与识别并判读疲劳状态。此方法属于对脑电信号进行噪声滤除和特征提取识别的领域，适用于对疲劳驾驶的检测研究，具有推广使用价值。

Description

一种疲劳驾驶脑电信号特征提取与识别的方法

技术领域

本发明提供了一种疲劳驾驶脑电信号特征提取与识别的方法，具体涉及采用分数阶Fourier域的LMS(最小均方误差)自适应滤波算法对疲劳驾驶的脑电信号进行滤波，并采用快速Fourier变换对疲劳驾驶的脑电信号进行特征提取与识别，属于对脑电信号进行噪声滤除和特征提取识别的领域，适用于对疲劳驾驶状态检测研究。 

背景技术

脑电信号(electroencephalogram，EEG)是由大脑皮层神经细胞群突出传递信号而引起的信号变化，可以反映大脑自主或诱发的意识活动，与实际的动作行为密切相关。从1929年德国科学家Hans Berger记录到人脑的电活动起，开启了人们以脑电信号来识别人们的思维活动。 

脑电信号非常微弱，且背景噪声很强，一般EEG信号只有50μV左右，最大只有100μV，因此脑电信号的提取与处理对检测系统、分析系统有很高的要求，包括有高输入阻抗、高共模抑制比、低噪声放大技术，能从强噪声中提取弱信号的高质量滤波措施等要求。在疲劳驾驶方面检测脑电信号更是混合有各种噪声。 

驾驶疲劳的检测技术一般可分为主观检测技术和客观检测技术。主观检测技术对于疲劳驾驶的批判实际上是通过时间标准来界定的，即对驾驶员每次连续驾驶时间的界定，但是其忽略驾驶员的体制、精神状态、生活饮食状态、是否患病等多方面的差异性；客观检测技术是针对不同的驾驶员进行评价，其检测结果比较准确。国内外对驾驶员开展的脑电技术研究工作有：Torsvall、Akerstedt及Kecklund等把脑电图用于研究驾驶员开车过程中瞌睡与事故之间的关系；澳洲的Saroj K Lal和Ashley Craig对35名非专业驾驶员进行测试，以他们在清醒状态下的平均EEG活动为基准，分析得出了他们在清醒、接近疲劳、疲劳、极度疲劳(打瞌睡)和从疲劳中警醒这5个不同阶段脑电图的变化特点；我国浙江大学的王炳浩等用KT98-2000A动态脑电仪测量了健康的驾驶员驾车行驶 时的动态脑电波来研究驾驶疲劳。 

关于脑的不同类型的节律以及它们与不同病理和功能之间的关系的研究，脑部的电活动根据不同脑部的状态、功能或病理被分成了不同的频带，目前普遍接受的分法为：δ波(0.5-3Hz)、θ波(4-7Hz)、α波(4-14Hz)、β波(14-30Hz)，其中δ波是成人在极度疲劳或昏睡状态下出现的波形；θ波描述了大脑处在似睡非睡的状态；α波则显示大脑处于放松状态，但仍保持意识；β波是大脑处在高度清醒状态。近期有研究者提出将θ～β波分为：θ波(4～6Hz)、慢α波(7～8Hz)、中α波(9～11Hz)、快α波(12～14Hz)和β波(15～23Hz)五个频带，用以研究大脑由清醒到入睡状态的脑电变化。 

将驾驶员脑电信号(EEG)进行划分出不同的频带，对其功率进行分析，预测识别出疲劳驾驶的状态，具有安全、方便、廉价、无创的特点，而且还具有良好的时间分辨率，可实时地、动态地观察驾驶员疲劳情况，可以有效地避免由于驾驶员的过度疲劳造成的车祸。 

发明内容

有鉴于此，本发明提供一种疲劳驾驶脑电信号特征提取与识别的方法，具体是基于分数阶Fourier域LMS自适应滤波与快速Fourier变换的疲劳驾驶脑电特征提取识别方法，首先将采集来的脑电信号通过分数阶Fourier域LMS自适应滤波将其进行滤波处理，以提高信噪比，之后采用快速Fourier变换得到各个频带的功率密度谱，再计算疲劳驾驶脑电信号的四个特征指标，最后结合这四个特征指标对驾驶员脑电信号进行特征提取以及识别驾驶员的疲劳状态。本发明提供了以下的技术方案： 

一种疲劳驾驶脑电信号特征提取与识别的方法，是基于分数阶Fourier域LMS自适应滤波与快速Fourier变换的疲劳驾驶脑电特征识别方法，具体包括以下步骤： 

步骤一：采用单极导联法对驾驶员前额的脑电信号进行采集，得到驾驶员的脑电数据； 

步骤二：使用分数阶Fourier域LMS自适应算法对脑电信号进行滤波，得到信噪比高的脑电信号； 

步骤三：对滤波后的高信噪比的脑电信号进行快速Fourier变换，得到脑电信号的功率谱并依据脑电信号的功率谱采用每个频带平均功率谱密度、不同频带平均功率谱密度比值、频带功率百分比和频带功率加和比四个特征指标； 

步骤四：结合使用脑电信号的四个特征指标对驾驶员疲劳状态的脑电信号进行识别。 

进一步，在步骤一中具体使用单极导联法对驾驶员前额的脑电信号进行检测，采集到驾驶员前额的脑电数据； 

进一步，在步骤二中具体包括以下步骤：2.1：首先将脑电信号x(n)进行0～4阶的分数阶Fourier变换，得到X_p(k)，形成二维平面；2.2：在此二维平面上采用基于二维搜索和失调因子的最佳变换阶次选取算法进行峰值搜索，得到最佳变换阶p₁，最佳变换阶p₁对应的变换域即为最佳变换域，此时的输入信号为X_p1(k)；2.3：对期望信号d(n)进行迭代训练，之后对其做p₁阶分数阶Fourier变换，得到D_p1(k)；2.4：在该最佳变换域中采用LMS自适应算法对疲劳驾驶的脑电信号进行滤波，得到时域输出信号y(n)； 

其中，基于二维搜索和失调因子的最佳变换阶次选取算法是将所述输入信号以一定的变换间隔进行多阶的分数阶Fourier变换；再由旋转角度的对称性，以一定的搜索间隔进行一定范围的二维搜索，计算出峰值最大点对应的阶数p；最后选取以p值为中心的若干阶逐个进行滤波，并计算失调因子(由于变换阶次μ较小，失调因子可近似表示为M＝μ·tr[R_T]/2)，确定失调因子最小的点，该点对应的阶数即为最佳变换阶数p₁。而所述时域输出信号y(n)是将所述的期望向量D_p1(k)带入方程： 

E(k)＝D_p1(k)-X_p1(k)  式(5) 

计算误差向量E(k)；再根据权系数矢量W(k)的误差递推算法： 

$W(k+1)=W\left(k\right)+\mathrm{\μ}{X}_{p1}^{*}\left(k\right)E\left(k\right)=W\left(k\right)+\mathrm{\μ}[X_{p1}^{*}\left(k\right)D_{p1}\left(k\right)-X_{p1}^{*}\left(k\right)W\left(k\right)]$

式(6) 

进行最小均方误差(LMS)自适应滤波，递归法计算权系数矢量w(k)的更替值；时间指数k加1，计算下一时刻的误差E(k)及权系数矢量w(k)，重复这一步骤，直至算法稳定；最后将输出信号Y_p1(k)进行-p₁阶分数阶Fourier变换， 得到时域输出信号y(n)。 

进一步，步骤三中具体包括以下步骤：3.1：对滤波后的时域信号y(n)进行快速Fourier变换，得到θ波(4～6Hz)、慢α波(7～8Hz)、中α波(9～11Hz)、快α波(12～14Hz)和β波(15～23Hz)五个频带，并计算出每个频带的功率值P(f)；3.2依据每个频带平均功率谱密度算法： 

$G\left(m\right)=\frac{{\∫}_{f_{\mathrm{down}}}^{f_{\mathrm{up}}}P\left(f\right)\mathrm{df}}{f_{\mathrm{up}}-f_{\mathrm{down}}}$ (m为频带)式(1) 

计算每个频带的平均功率谱密度； 

3.3：依据不同频带平均功率谱密度的比值算法： 

$G\left(\frac{m_1}{m_2}\right)=\frac{G\left(m_1\right)}{G\left(m_2\right)}$ (m₁,m₂为不同频带)式(2) 

计算不同频带的平均功率谱密度比值； 

3.4：依据每个频带平均功率密度所占该脑电疲劳状态的功率密度百分比算法： 

$G\left(m\right)=\frac{{\∫}_{f_{\mathrm{down}}}^{f_{\mathrm{up}}}P\left(f\right)\mathrm{df}}{\mathrm{\ΣP}}$ 式(3) 

计算不同频带功率百分比； 

3.5：依据频带功率加和比算法： 

$G\left(\frac{m_1}{m_2}\right)=\frac{G\left(m_1\right)+G(m_2}{G\left(m_3\right)}$ (m₁,m₂,m₃为不同频带)式(4) 

计算频带功率加和比。 

进一步，在步骤四中具体包括以下步骤：4.1：驾驶员疲劳状态分为正常、安静清醒、瞌睡与入睡四个状态；4.2：依据慢α波后一时刻与前一时刻的平均功率比值是否大于2来判断其是否发生显著变化；4.3：慢α波功率百分比作为检验瞌睡初期状态的一个指标，θ波功率百分比则作为检验瞌睡深浅程度的特征数据指标，选取(θ+慢α)/β加和比、θ/β和慢α/β频带平均功率密度比三个指标作为判断清醒与瞌睡的辅助指标。4.4：依据步骤4.2与4.3的比较结果来识别驾驶员的疲劳状态。 

本发明的突出效果在于能够有效地对疲劳驾驶员脑电数据进行滤波，并在滤波后通过快速Fourier变换以不同频带的脑电波平均功率谱进行特征提取，得到四个特征指标，根据四个特征指标对驾驶员的疲劳状态进行识别。 

附图说明

为了使本发明的目的、技术方案和突出效果展示地更加清晰，本发明提供如下附图进行说明： 

图1为一种疲劳驾驶脑电信号特征提取与识别的方法，即基于分数阶Fourier域LMS自适应滤波与快速Fourier变换的疲劳驾驶脑电特征提取识别的流程框图。图2较为详细地给出了分数阶Fourier域LMS自适应滤波与快速Fourier变换的疲劳驾驶脑电特征提取识别的算法过程。 

具体实施方式

下面将将结合附图2详细描述本发明一种疲劳驾驶脑电信号特征提取与识别的方法，具体为基于分数阶Fourier域LMS自适应滤波与快速Fourier变换的疲劳驾驶脑电特征提取与识别方法，图1为实施流程图。 

按照下述步骤操作，如图1所示，一种疲劳驾驶脑电信号特征提取与识别的方法涉及基于分数阶Fourier域LMS自适应滤波与快速Fourier变换的疲劳驾驶脑电特征识别方法，具体包括以下步骤： 

步骤一：采用单极导联法对驾驶员前额的脑电信号进行采集，得到驾驶员的脑电数据； 

步骤二：使用分数阶Fourier域LMS自适应算法对脑电信号进行滤波，得到信噪比高的脑电信号； 

步骤三：对滤波后的高信噪比的脑电信号进行快速Fourier变换，得到脑电信号的功率谱并依据脑电信号的功率谱采用每个频带平均功率谱密度、不同频带平均功率谱密度比值、频带功率百分比和频带功率加和比四个特征指标； 

步骤四：结合使用脑电信号的四个特征指标对驾驶员疲劳状态的脑电信号进行识别。 

如附图2，给出个具体算法框图，以下做出更详细的说明： 

进一步，在步骤一中具体使用单极导联法对驾驶员前额的脑电信号进行检测，采集到驾驶员前额的脑电数据； 

进一步，在步骤二中具体包括以下步骤：2.1：首先将脑电信号x(n)进行0～4阶的分数阶Fourier变换，得到X_p(k)，形成二维平面；2.2：在此二维平面上采用基于二维搜索和失调因子的最佳变换阶次选取算法进行峰值搜索，得到最佳变 换阶p₁，最佳变换阶p₁对应的变换域即为最佳变换域，此时的输入信号为X_p1(k)；2.3：对期望信号d(n)进行迭代训练，之后对其做p₁阶分数阶Fourier变换，得到D_p1(k)；2.4：在该最佳变换域中采用LMS自适应算法对疲劳驾驶的脑电信号进行滤波，得到时域输出信号y(n)； 

其中，基于二维搜索和失调因子的最佳变换阶次选取算法是将所述输入信号以一定的变换间隔进行多阶的分数阶Fourier变换；再由旋转角度的对称性，以一定的搜索间隔进行一定范围的二维搜索，计算出峰值最大点对应的阶数p；最后选取以p值为中心的若干阶逐个进行滤波，并计算失调因子(由于变换阶次μ较小，失调因子可近似表示为M＝μ·tr[R_T]/2)，确定失调因子最小的点，该点对应的阶数即为最佳变换阶数p₁。而所述时域输出信号y(n)是将所述的期望向量D_p1(k)带入方程： 

E(k)＝D_p1(k)-X_p1(k)式(5) 

计算误差向量E(k)；再根据权系数矢量W(k)的误差递推算法： 

$W(k+1)=W\left(k\right)+\mathrm{\μ}{X}_{p1}^{*}\left(k\right)E\left(k\right)=W\left(k\right)+\mathrm{\μ}[X_{p1}^{*}\left(k\right)D_{p1}\left(k\right)-X_{p1}^{*}\left(k\right)W\left(k\right)]$

式(6) 

进行最小均方误差(LMS)自适应滤波，递归法计算权系数矢量w(k)的更替值；时间指数k加1，计算下一时刻的误差E(k)及权系数矢量w(k)，重复这一步骤，直至算法稳定；最后将输出信号Y_p1(k)进行-p₁阶分数阶Fourier变换，得到时域输出信号y(n)。 

进一步，步骤三中具体包括以下步骤：3.1：对滤波后的时域信号y(n)进行快速Fourier变换，得到θ波(4～6Hz)、慢α波(7～8Hz)、中α波(9～11Hz)、快α波(12～14Hz)和β波(15～23Hz)五个频带，并计算出每个频带的功率值P(f)；3.2依据每个频带平均功率谱密度算法： 

$G\left(m\right)=\frac{{\∫}_{f_{\mathrm{down}}}^{f_{\mathrm{up}}}P\left(f\right)\mathrm{df}}{f_{\mathrm{up}}-f_{\mathrm{down}}}$ (m为频带)式(1) 

计算每个频带的平均功率谱密度； 

3.3：依据不同频带平均功率谱密度的比值算法： 

$G\left(\frac{m_1}{m_2}\right)=\frac{G\left(m_1\right)}{G\left(m_2\right)}$ (m₁,m₂为不同频带)式(2) 

计算不同频带的平均功率谱密度比值； 

3.4：依据每个频带平均功率密度所占该脑电疲劳状态的功率密度百分比算法： 

$G\left(m\right)=\frac{{\∫}_{f_{\mathrm{down}}}^{f_{\mathrm{up}}}P\left(f\right)\mathrm{df}}{\mathrm{\ΣP}}$ 式(3) 

计算不同频带功率百分比； 

3.5：依据频带功率加和比算法： 

$G\left(\frac{m_1}{m_2}\right)=\frac{G\left(m_1\right)+G(m_2}{G\left(m_3\right)}$ (m₁,m₂,m₃为不同频带)式(4) 

计算频带功率加和比。 

进一步，在步骤四中具体包括以下步骤：4.1：驾驶员疲劳状态分为正常、安静清醒、瞌睡与入睡四个状态；4.2：依据慢α波后一时刻与前一时刻的平均功率比值是否大于2来判断其是否发生显著变化；4.3：慢α波功率百分比作为检验瞌睡初期状态的一个指标，θ波功率百分比则作为检验瞌睡深浅程度的特征数据指标，选取(θ+慢α)/β加和比、θ/β和慢α/β频带平均功率密度比三个指标作为判断清醒与瞌睡的辅助指标。4.4：依据步骤4.2与4.3的比较结果来识别驾驶员的疲劳状态。 

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中 。

Claims (7)

1.一种疲劳驾驶脑电信号特征提取与识别的方法，该方法的特点包括以下技术措施：

步骤一：采用单极导联法对驾驶员前额的脑电信号进行采集，得到驾驶员的脑电数据；

步骤二：使用分数阶Fourier域LMS自适应算法对脑电信号进行滤波，得到高信噪比的脑电信号；

步骤三：对滤波后的高信噪比的脑电信号进行快速Fourier变换，得到脑电信号的功率谱并依据脑电信号的功率谱采用每个频带平均功率谱密度、不同频带平均功率谱密度比值、频带功率百分比和频带功率加和比四个特征指标；

步骤四：结合使用脑电信号的四个特征指标对驾驶员疲劳状态的脑电信号进行识别。

2.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：在步骤一中采用单极导联法对驾驶员前额的脑电信号进行检测，采集得到驾驶员前额的脑电数据。

3.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：步骤二中具体包括以下步骤：2.1：将脑电信号x(n)进行多阶的分数阶Fourier变换，得到X_p(k)，并形成二维平面；2.2：在此二维平面上采用基于二维搜索和失调因子的最佳变换阶次选取算法进行峰值搜索，得到最佳变换阶p₁，输入信号为X_p1(k)；2.3：对期望信号d(n)进行迭代训练，对其做p₁阶分数阶Fourier变换，得到D_p1(k)；2.4：在该最佳变换域中采用LMS自适应算法对疲劳驾驶的脑电信号进行滤波，得到时域输出信号y(n)。

4.根据权利要求3所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：所述的基于二维搜索和失调因子的最佳变换阶次选取算法是将所述输入信号以一定的变换间隔进行多阶的分数阶Fourier变换；再由旋转角度的对称性，以一定的搜索间隔进行一定范围的二维搜索，计算出峰值最大点对应的阶数p；最后选取以p值为中心的若干阶逐个进行滤波，并计算失调因子，确定失调因子最小的点，该点对应的阶数即为最佳变换阶数p₁。

5.根据权利要求3所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：所述时域输出信号y(n)是将所述的期望向量D_p1(k)带入方程：

E(k)＝D_p1(k)-X_p1(k)式(5)

计算误差向量E(k)；再根据权系数矢量W(k)的误差递推算法：

$W(k+1)=W\left(k\right)+\mathrm{\μ}{X}_{p1}^{*}\left(k\right)E\left(k\right)=W\left(k\right)+\mathrm{\μ}[X_{p1}^{*}\left(k\right)D_{p1}\left(k\right)-X_{p1}^{*}\left(k\right)W\left(k\right)]$

式(6)

进行最小均方误差(LMS)自适应滤波，递归法计算权系数矢量w(k)的更替值；时间指数k加1，计算下一时刻的误差E(k)及权系数矢量w(k)，重复这一步骤，直至算法稳定；最后将输出信号Y_p1(k)进行-p₁阶分数阶Fourier变换，得到时域输出信号y(n)。

6.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：步骤三中具体包括以下步骤：3.1：对滤波后的时域信号y(n)进行快速Fourier变换，得到θ波(4～6Hz)、慢α波(7～8Hz)、中α波(9～11Hz)、快α波(12～14Hz)和β波(15～23Hz)五个频带，并计算出每个频带的功率值P(f)；3.2依据每个频带平均功率谱密度算法：

$G\left(m\right)=\frac{{\∫}_{f_{\mathrm{down}}}^{f_{\mathrm{up}}}P\left(f\right)\mathrm{df}}{f_{\mathrm{up}}-f_{\mathrm{down}}}$ (m为频带)式(1)

其中G(m)为m波单个频率段的平均功率谱密度，f_up为"波频率段的上限，f_down为下限，P(f)为信号的功率谱密度,计算每个频带的平均功率谱密度；

3.3：依据不同频带平均功率谱密度的比值算法：

$G\left(\frac{m_1}{m_2}\right)=\frac{G\left(m_1\right)}{G\left(m_2\right)}$ (m₁,m₂为不同频带)式(2)

其中G(m)为m波单个频率段的平均功率谱密度,计算不同频带的平均功率谱密度比值；

3.4：依据每个频带平均功率密度所占该脑电疲劳状态的功率密度百分比算法：

$G\left(m\right)=\frac{{\∫}_{f_{\mathrm{down}}}^{f_{\mathrm{up}}}P\left(f\right)\mathrm{df}}{\mathrm{\ΣP}\left(f\right)}$ 式(3)

其中G(m)为m波单个频率段的平均功率谱密度，f_up为"波频率段的上限，f_down为下限，P(f)为信号的功率谱密度。计算不同频带功率百分比；

3.5：依据频带功率加和比算法：

$G\left(\frac{m_1}{m_2}\right)=\frac{G\left(m_1\right)+G(m_2}{G\left(m_3\right)}$ (m₁,m₂,m₃为不同频带)式(4)

其中G(m)为m波单个频率段的平均功率谱密度。计算频带功率加和比。

7.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：在步骤四中具体包括以下步骤：4.1：驾驶员疲劳状态分为正常、安静清醒、瞌睡与入睡四个状态；4.2：依据慢α波后一时刻与前一时刻的平均功率是否发生剧烈变化来判断驾驶员是否进入瞌睡状态；4.3：慢α波功率百分比作为检验瞌睡初期状态的一个指标，θ波功率百分比则作为检验瞌睡深浅程度的特征数据指标，选取(θ+慢α)/β加和比、θ/β和慢α/β频带平均功率密度比三个指标作为判断清醒与瞌睡的辅助指标。4.4：依据步骤4.2与4.3的比较结果来识别驾驶员的疲劳状态。