CN104127195A - 一种融合脑电和心电信号的疲劳驾驶检测方法 - Google Patents

Abstract

本发明涉及一种融合脑电和心电信号的疲劳驾驶检测方法。本发明通过16通道的gUSBamp放大器获取脑电和心电的原始数据，提取脑电的功率谱特征数据—脑电疲劳指数和、脑电的相位同步特征数据—Pz-Fz和P3-P4在delta频段的MPC、心电的时域特征数据—HR和心电的频域特征数据—LF/HF后，直接将脑电心电特征数据在特征数据层面上直接融合，再利用SVM进行分类。本发明强调决策信息的全面性，融合特征的分类效果总体上比单种特征好，运用两种正交的生理指标来检测驾驶疲劳，有助于提高检测的准确率。

Description

一种融合脑电和心电信号的疲劳驾驶检测方法

技术领域

本发明涉及道路交通中的驾驶员疲劳驾驶检测方法，具体涉及一种在数据的特征层上直接将脑电心电特征融合再利用支持向量机进行分类从而得到比单种特征分类效果好的融合特征方法，并且该方法得到的识别率相较于单信号分类的识别率相对有所提升。

背景技术

在驾驶员疲劳驾驶时，其在生理上会表现为：脑电信号会随着人体的精神负荷的变化而变化，心率会随着疲劳的加深而降低。

人们经过实验证实目前的疲劳驾驶监测基本沿用的是单一的疲劳检测指标，本身分类错误率就较高，而且传统的分类方法(如参数估计与神经网络等)在样本有限的情况下准确率低、识别效果不稳定，这就造成目前疲劳驾驶监测系统低准确率的事实。而支持向量机(Support Vector Machine，SVM)是在统计学习理论的基础上发展而来，根据有限的样本信息寻找最佳结构方案。因此SVM在近几年受到了广泛的关注。在疲劳驾驶监测过程中，脑电与心电信号均是疲劳检测的重要生理信号，若把两者指标进行有效的数据融合再辅助以SVM分类器来判断疲劳程度，则有更高的准确性和可靠性。

发明内容

本发明针对仅有单一疲劳监测指标的疲劳监测手段存在局限性的问题，提出了一种在数据的特征层上直接将脑电心电特征融合再利用支持向量机进行分类从而得到比单种特征分类效果好的融合特征方法。

本发明采用的技术方案是：通过16通道的gUSBamp放大器(g.Tec公司)获取脑电和心电的原始数据，提取脑电的功率谱特征数据—脑电疲劳指数F_(θ+α)/β和F_β/α、脑电的相位同步特征数据—Pz-Fz和P3-P4在delta频段的MPC、心电的时域特征数据—HR和心电的频域特征数据—LF/HF后，直接将脑电心电特征数据在特征数据层面上直接融合，再利用SVM进行分类。SVM的具体方法为：先通过合适的非线性映射函数把脑电和心电数据的特征向量映射到足够的高维，找到其对应的分类超平面；再求出使得分类间隔(两类中在分类面的垂直方向最近的距离，如图2)，最大的最优解；最后把最优分类面问题转化为对偶问题求解。

在SVM中，一个关键的问题是采用适当的核函数K(x_i,x_j)，目前常用的核函数主要有三类：

多项式核函数：K(x,y)＝[＜x,y＞+1]^q

高斯径向基核函数(RBF)：

Sigmoid函数：K(x,y)＝tanh(b(x·y)+c)其中，b、c为常数。

在发明中，为了得到稳定可靠的分类结果以及保证较高的识别率，采用了高斯径向基核函数，进行SVM分类。

本发明的有益效果是：本发明强调决策信息的全面性，融合特征的分类效果总体上比单种特征好，运用两种正交的生理指标来检测驾驶疲劳，有助于提高检测的准确率。此外，基于脑电和心电的疲劳驾驶决策分类是安全驾驶监测的实时高效决策分类算法，分类器的实时性是疲劳驾驶预警系统能实际应用的必要前提，分类器的准确性是疲劳驾驶预警系统推广的基本条件。

附图说明

图1为本发明脑电与心电信号在数据融合的框图；

图2为本发明线性可分情况下的最优分类线；

图3为本发明具体实施方式心率周期计算示例图。

具体实施方式

如图1所示，通过gUSBamp放大器来记录Fz、Pz、Oz、Fp1、Fp2、F7、F3、F4、F8、C3、C4、P7、P3、P4和P8这15个通道的原始数据。

脑电数据的处理单位为1s，选取F3、Fz、F4、P3、Pz和P4这6个通道的脑电原始数据x(n)＝{x(0),x(1),...,x(N-1)}，采用Welch法进行功率谱估计，选择汉宁窗函数w(n)进行窗处理，则计算通道w的M频段的功率谱估计为：

$I_M\left(w\right)=\frac{1}{\mathrm{MU}}{\left|\underset{n=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n\right)w\left(n\right)e^{-\mathrm{jwn}}\right|}^2$

其中归一化因子为：

$U\left(w\right)=\frac{1}{M}\underset{n=0}{\overset{M-1}{\mathrm{\Σ}}}{w}^2\left(n\right)$

由此可分别计算得到通道w(w为F3、Fz、F4、P3、Pz、P4)的α，β和θ频段功率谱估计为I_α(w)，I_β(w)和I_θ(w)；

则，脑电的功率谱特征数据——脑电疲劳指数为：

$F_{(\mathrm{\θ}+\mathrm{\α})/\mathrm{\β}}=\frac{1}{6}\underset{w}{\mathrm{\Σ}}\frac{I_{\mathrm{\θ}}\left(w\right)+I_{\mathrm{\α}}\left(w\right)}{I_{\mathrm{\β}}\left(w\right)}$   w＝F3、Fz、F4、P3、Pz、P4

$F_{\mathrm{\β}/\mathrm{\α}}=\frac{1}{6}\underset{w}{\mathrm{\Σ}}\frac{I_{\mathrm{\β}}\left(w\right)}{I_{\mathrm{\α}}\left(w\right)}$   w＝F3、Fz、F4、P3、Pz、P4

选取Pz-Fz、P3-P4这2对电极通道的脑电原始数据，则脑电相位同步特征数据—Pz-Fz和P3-P4的delta频段的平均相位相干性(mean phase coherence，MPC)为：

$\mathrm{\λ}(x,y)=\frac{1}{N}\left|\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{e}^{i({\mathrm{\θ}}_x^H\left(\mathrm{k\Δt}\right)-{\mathrm{\θ}}_y^H\left(\mathrm{k\Δt}\right))}\right|$

其中，Δt为采样周期，N为样本点数，θ^H(kΔt)为在k个采样周期后的信号的瞬时相位，λ的取值范围是[0，1]，若λ＝0，表明信号x(t)和y(t)相位完全不同步，若λ＝1则表明信号x(t)和y(t)相位完全同步。

心电信号的原始数据采集是利用通过16通道的gUSBamp放大器的没有用到的最后一个通道得到。一个典型的心电信号(图3)是包含着P波、QRS波和T波。其中QRS波是最明显的，包含着许多跟心脏状态有关的信息。

从图3来看R波具有变化快，幅度大，持续时间短等明显特征，可以采用差分阈值法来进行R波的监测。对于得到的滤波后的心电信号X(i),i＝1,2,...，计算一阶差分和二阶差分为：

f′(i)＝[X(i+1)-X(i-1)]/2

f″_i(i)＝[f′(i+1)-f′(i-1)]/2

把一阶差分和二阶差分相结合得：

F(i)＝f′(i)×f′_max+f″(i)×f″_max

给定的阈值为：

R_thr＝C×f_max

其中，C为经验参数，f_max为F(i)最大值；

若存在连续的F(i)＞R_thr，则在R点附近存在一个QRS波，在该附近查找振幅绝对值最大值点，即为R波的波峰点。

计算窗口时间100s内所有RR期间的平均值(单位ms)为：

$\mathrm{mean}\left({\mathrm{RR}}_{\mathrm{interval}}\right)=\frac{1}{100}\underset{i=1}{\overset{i=100}{\mathrm{\Σ}}}{\mathrm{RR}}_{\mathrm{interval}}$

则，心电的时域特征数据—心率(Heart Rate，HR)为：

$\mathrm{HR}=\frac{60}{\mathrm{mean}\left({\mathrm{RR}}_{\mathrm{interval}}\right)}$

10s为窗口前移步长，即重叠窗口为90s，重复计算HR，得到驾驶过程中的心率数据。

对于心电数据样本时间序列X(t_j),j＝1,2,3,...,N，采用Lomb-Scargle周期图法，计算频率f的周期信号功率为：

$P_x\left(f\right)=\frac{1}{2N}\{\frac{{\left[\underset{j=1}{\overset{N}{\mathrm{\Σ}}}X\left(t_j\right)\cos 2\mathrm{\πf}(t_j-\mathrm{\τ})\right]}^2}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\cos }^{2}2\mathrm{\πf}(t_j-\mathrm{\τ})}+\frac{{\left[\underset{j=1}{\overset{N}{\mathrm{\Σ}}}X\left(t_j\right)\sin 2\mathrm{\πf}(t_j-\mathrm{\τ})\right]}^2}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\sin }^{2}2\mathrm{\πf}(t_j-\mathrm{\τ})}\}$

其中，t_j是样本时间，N是样本总数，τ是时间平移变量。

计算LF(低频，频率范围为0.04～0.14Hz)的周期信号功率为：

$\mathrm{LF}=\underset{f=0.04}{\overset{0.14}{\mathrm{\Σ}}}{P}_x\left(f\right)$

计算HF(高频，频率范围为0.15～0.4Hz)的周期信号功率为：

$\mathrm{HF}=\underset{f=0.15}{\overset{0.4}{\mathrm{\Σ}}}{P}_x\left(f\right)$

则，心电的频域特征数据为：LF/HF。

在上述计算脑电和心电特征数据时，脑电特征提取的窗口为1s，而心电特征的窗口为100s。为了便于脑电和心电信号的直接比较和融合，对100s内的脑电特征取其均值作为脑电100s的特征数据，以便与心电特征对应。

将得到的脑电和心电特征数据整理为(x_i,y_i),i＝1,...,n,x∈R^d,y∈{+1,-1}(+1表示疲劳时的脑电或心电数据，-1表示清醒时的脑电或心电数据)，并将其作为SVM进行分类的样本数据。由于脑电和心电数据的特征向量在输入空间R^d中线性不可分，非线性SVM通过非线性映射函数：

φ:R^d→H

将特征向量x∈R^d映射到高维(可能无限维)欧几里得空间H。

在非线性SVM情况下，两分类的最优分类面的方程为：

φ(x)·w+b＝0

之后将问题转化为以下的最优解问题：

$\begin{array}{cc}\min & \frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\right)\end{array}$

最优分类面问题转化为对偶问题：

$\begin{array}{cc}\min & Q\left(a\right)=\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_{j}K(x_i\·x_j)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i\end{array}$

判断函数为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_{i}K(x_i\·x)+b$

在实验室测得7位被测试者的结果如下：

基于实验数据检测可得：

(1)融合特征的分类效果总体上比单种特征好。

(2)脑电特征的分类效果优于心电特征。

该实验数据从侧面证明了，该方法强调决策信息的全面性，融合特征的分类效果总体上比单种特征好，运用两种正交的生理指标来检测驾驶疲劳，有助于提高检测的准确率。该数据也证明了分类器的实时性和准确性，提供了疲劳驾驶预警系统能实际应用的必要前提和基本条件。

Claims (1)

1.一种融合脑电和心电信号的疲劳驾驶检测方法，其特征在于该方法包括以下步骤： 

首先计算脑电的功率谱特征数据和相位同步特征数据，具体是： 

通过gUSBamp放大器来记录Fz、Pz、Oz、Fp1、Fp2、F7、F3、F4、F8、C3、C4、P7、P3、P4和P8这15个通道的原始数据； 

脑电数据的处理单位为1s，选取F3、Fz、F4、P3、Pz和P4这6个通道的脑电原始数据x(n)＝{x(0),x(1),...,x(N-1)}，采用Welch法进行功率谱估计，选择汉宁窗函数w(n)进行窗处理，则计算通道w的M频段的功率谱估计为： 

其中归一化因子为： 

由此可分别计算得到通道w的α，β和θ频段功率谱估计为I_α(w)，I_β(w)和I_θ(w)，其中w为F3、Fz、F4、P3、Pz、P4； 

则，脑电的功率谱特征数据——脑电疲劳指数为： 

  w＝F3、Fz、F4、P3、Pz、P4 

  w＝F3、Fz、F4、P3、Pz、P4 

选取Pz-Fz、P3-P4这2对电极通道的脑电原始数据，则脑电相位同步特征数据—Pz-Fz和P3-P4的delta频段的平均相位相干性为： 

其中，Δt为采样周期，N为样本点数，θ^H(kΔt)为在k个采样周期后的信号的瞬时相位，λ的取值范围是[0，1]，若λ＝0，表明信号x(t)和y(t)相位完 全不同步，若λ＝1则表明信号x(t)和y(t)相位完全同步； 

然后计算心电时域特征数据和频域特征数据，具体是： 

心电信号的原始数据采集是利用通过16通道的gUSBamp放大器的没有用到的最后一个通道得到；一个典型的心电信号包含着P波、QRS波和T波；其中QRS波是最明显的，包含着许多跟心脏状态有关的信息； 

由于R波具有变化快，幅度大，持续时间短特征，采用差分阈值法来进行R波的监测；对于得到的滤波后的心电信号X(i),i＝1,2,...，计算一阶差分和二阶差分为： 

f′(i)＝[X(i+1)-X(i-1)]/2 

f″_i(i)＝[f′(i+1)-f′(i-1)]/2 

把一阶差分和二阶差分相结合得： 

F(i)＝f′(i)×f′_max+f″(i)×f″_max

给定的阈值为： 

R_thr＝C×f_max

其中，C为经验参数，f_max为F(i)最大值； 

若存在连续的F(i)＞R_thr，则在R点附近存在一个QRS波，在R点附近查找振幅绝对值最大值点，即为R波的波峰点； 

计算窗口时间100s内所有RR期间的平均值为： 

则，心电的时域特征数据—心率HR为： 

10s为窗口前移步长，即重叠窗口为90s，重复计算HR，得到驾驶过程中的心率数据； 

对于心电数据样本时间序列X(t_j),j＝1,2,3,...,N，采用Lomb-Scargle周期图法，计算频率f的周期信号功率为： 

其中，t_j是样本时间，N是样本总数，τ是时间平移变量； 

计算低频LF的周期信号功率为： 

其中：低频的频率范围为0.04～0.14Hz； 

计算高频HF的周期信号功率为： 

其中：高频的频率范围为0.15～0.4Hz； 

则，心电的频域特征数据为：LF/HF； 

在上述计算脑电和心电特征数据时，脑电特征提取的窗口为1s，而心电特征的窗口为100s；为了便于脑电和心电信号的直接比较和融合，对100s内的脑电特征取其均值作为脑电100s的特征数据，以便与心电特征对应； 

最后将得到的脑电和心电特征数据整理为： 

(x_i,y_i),i＝1,...,n,x∈R^d,y∈{+1,-1} 

其中“+1”表示疲劳时的脑电或心电数据，“-1”表示清醒时的脑电或心电数据，并将得到的脑电和心电特征数据作为SVM进行分类的样本数据； 

由于脑电和心电数据的特征向量在输入空间R^d中线性不可分，非线性SVM通过非线性映射函数： 

φ:R^d→H 

将特征向量x∈R^d映射到高维欧几里得空间H； 

在非线性SVM情况下，两分类的最优分类面的方程为： 

φ(x)·w+b＝0 

之后将问题转化为以下的最优解问题： 

最优分类面问题转化为对偶问题： 

判断函数为： 

。