CN105286890A - 一种基于脑电信号的驾驶员瞌睡状态监测方法 - Google Patents

Abstract

本发明公开了一种基于脑电信号的驾驶员瞌睡状态监测方法，可以实现连续的瞌睡状态监测、分级和提醒。此方法通过对驾驶员实时脑电信号采用传统的时频域分析方法和多特征分类器提取到一批能表征瞌睡状态的特征参数，建立瞌睡指数自动监测模型，并自动分级和提醒。本发明更加准确地反映脑电活动和瞌睡状态之间的关系，并且可以在移动平台上使用。

Description

一种基于脑电信号的驾驶员瞌睡状态监测方法

技术领域

本发明涉及生物医学工程领域和信号处理领域，主要是在驾驶过程中通过脑电波对驾驶员的瞌睡状态进行检测的一种方法。

背景技术

打瞌睡是大脑疲劳的一种生理反应，也是一种渐进性的状态，如今国内外有对睡眠进行的标准化分类，但是对瞌睡状态还没有一个统一的标准，人从兴奋-常态-倦怠-瞌睡-非常瞌睡之间没有明显的分类界限，因此也没有一个很好的方法来监测瞌睡，瞌睡对于某些长时间单调的工作状态，因为它的隐密性和渐进形式使得很多事故隐患在不知不觉中发生，例如驾驶过程中，疲劳驾驶引发的事故就是因为瞌睡状态下司机没有得到及时的提醒发生的，因此瞌睡状态的研究具有很重要的应用价值。

脑电信号的研究结果表明，很多的外在表现都能从大脑皮层功能检测上得到结果，脑电信号对外在的反应，可以通过波幅、频率等等多种特征来表示，研究结果表明，当人处于不同的精神状态的时候，脑电波的基本特征有着相应的稳定的非连续的变化性，这个变化性可以通过一定的函数关系进行描述的。

随着电子技术的发展，智能终端和移动便携的脑电信号采集设备的出现，都给对驾驶员进行基于脑电信号的瞌睡监测方法研究提供了技术支持，信号分析的方法对驾驶员的脑电信号进行实时检测，通过智能终端读取脑电信号并进行计算，通过设定的阈值对超数值的驾驶员进行提醒和驾驶干预，以此来降低疲劳驾驶的事故率。

虽然对瞌睡以及瞌睡状态的研究成果并不多见，但是和瞌睡紧密相关的注意力的研究成果却很多，对于注意力的研究成果最成功的就是通过对脑电信号进行时频域分析，提取其中的脑电信号不同波段的能量谱进行分析，从成分比例上可以判断出注意力的程度。

瞌睡类似于注意力，但是比注意力研究更加复杂，因此，本发明不仅采用传统的时频域分析方法，从不同波段能量谱成分上进行分析，还从脑电信号本身以及脑电信号相位差上进行分析，分别利用二阶盲辨识、相位同步和能量熵的方法对脑电信号进行分析，从不同方面分析瞌睡状态，这样能更加准确的反映脑活动和瞌睡之间的关系。

发明内容

本发明的目的是针对现在车辆越来越普及，由于疲劳引发的驾驶事故越来越多，但是没有一种有效的方法来监测驾驶员睡眠状态的不足，提供了一种基于脑电信号的驾驶员睡眠状态监测方法。

本发明的目的是通过以下技术方案来实现的：基于脑电信号的驾驶员睡眠检测方法，该方法主要包括以下步骤：

(1)利用移动脑电信号采集设备，获取脑电信号，主要获取技术手段和技术参数可描述如下：

首先对受试者在驾驶环境下进行分状态段进行脑电信号采集，状态段分为清醒状态、已经明显打瞌睡状态，和浅睡眠状态，然后在常态下进行受试者进行多次从清醒到睡着，然后从睡着到清醒进行脑电信号采集，整个实验采集不同性别、不同年龄层的受试者脑电数据，建立相关的脑电信号数据库，采集脑电信号技术参数主要包括采集过程中采样频率为128Hz，进行1-49Hz带通滤波，脑电信号每3秒作为一个数据存储单元；

(2)分别采用时频域方法、二阶盲辨识、相位同步和能量熵的方法对脑电信号数据库的数据进行特征提取，提取的脑电信号特征包括频域相关参数，时域上的脑电信号特征以及相位和时频域上定义的能量熵值；

(3)对每个受试者的脑电信号，首先利用上述方法对驾驶状态下的不同状态段进行特征提取，然后对常态下的脑电信号进行特征提取，最后对两种脑电信号进行特征比对；

(4)根据上面计算进行瞌睡状态进行连续的数值定义；

(5)利用上述特征对受试者建立一个符合自身特征的监视器，实时计算受试者驾驶过程中的瞌睡指数。

本发明的特色在于通过对受试者的脑电信号分析，并通过特征比对可以建立一个较为精确的受试者在驾驶过程中的从清醒到重度瞌睡之间量化关系，并建立一个自身分类器，从而对驾驶员的瞌睡状态进行监控和检测。本发明只需要通过对脑电信号进行分析和特征提取，就可以实现在驾驶员出现可能引发交通事故的瞌睡状态出现时候对驾驶员进行警报，以此降低事故的发生。

附图说明

图1为本发明检测方法系统流程图；

图2为本发明频域特征算法流程图；

图3为本发明二阶盲辨识算法图；

图4为本发明相同步算法流程图；

图5为本发明能量熵算法流程图；

图6为本发明不同状态下脑电信号特征不同映射图。

具体实施方式

以下结合实施例，对本发明上述的和另外的技术特征和优点作更详细的说明。

本发明提出一种基于脑电信号的驾驶员瞌睡状态的监测方法，如图1所示，包括四个步骤：

第一步：利用现有的移动脑电获取设备，采集原始脑电信号，根据不同年龄层次和性别的实验者分别采集脑电信号，在多种路况、天气下建立长期实验采集机制，对每个受试者建立对应的脑电原始信号数据库。

第二步：采用时频域的方法对瞌睡状态进行数据分析，特征提取，结合二阶盲辨识、相位特征和能量熵的方法进行相应特征分析，以更精确的定位驾驶员的状态；

第三步：对第二步提取到的特征进行参数、特征融合处理，以得到驾驶过程中的不同状态的量化指标，这个量化指标分别针对单独的驾驶员，把瞌睡状态根据采集到的脑电信号分析结果均匀的定义为1-50的连续瞌睡指标；

第四步：对于每个驾驶员，利用脑电原始数据库，计算不同状况下的瞌睡状态指标，根据状态指标，设定瞌睡状态警报提醒阈值。

具体过程：第一步：脑电信号采集

利用移动脑电信号采集仪器，分阶段记录驾驶员整个驾驶过程中的连续脑电信号，采样频率为128Hz。

在本实施中采取五个受试者脑电信号作为验证，五个受试者分别采集脑电信号描述如下：

1、采集参数为：利用G-tec移动脑电获取设备，右侧乳突为参考电极，采样频率设置为128Hz，进行1-49Hz带通滤波；

2、车载采样环境设计：在受试者采集脑电信号前一天晚上睡眠时间在8小时以上的情况下，早上7点-8点之间起床，在车载环境下，首先在上午9点进行第一次脑电采集实验，其次在中午1点半进行一次脑电采集实验，第三在没有进行午休的情况下下午四点进行一次脑电采集实验，第四在一直没有进行进行睡眠休息情况下晚上8点进行一次脑电采集实验，每次实验耗时10分钟。

3、常态采样环境设计：在受试者采集脑电信号前一天晚上睡眠时间在8小时以上的情况下，早上7点-8点之间起床，在常态环境下(本实施采用在办公室环境下)从上午9点开始，一直带着脑电采集设备到晚上1点，中间不休息。

4、采集次数说明：本实施中每个受试者采集4天数据。

5、有效数据说明：在数据采集过程中，有受试者因不可测因素中断采集，被人工检验删除数据，最终得到5人有效数据60分钟，其中每个受试者选择其中3天数据，每天的单次实验截取其中5分钟数据，这样总共得到4*3*5＝60分钟有效数据。

采集到的脑电信号样本，针对每个驾驶员建立数据库，这个数据库包括了不同天气、不同路况下的驾驶员从清醒到非常瞌睡状态下的所有脑电信号。

第一步得到人工校验的有效脑电数据，每个人采用60分钟，对每个人的相同时间段的单次实验进行截断，每段3秒数据，例如对受试者1，选择的有效天数是星期2，星期4和星期5，每天进行四次实验，上午9点脑电信号数据共有3个5分钟脑电信号数据，共15分钟，截断后得到300段脑电信号，这就组成了该受试者的上午9点脑电信号样本集，以此计算其他三次获取到的脑电信号样板集，这些样本集和原始脑电信号共同组建了该受试者的数据库。

第二步：瞌睡状态的特征提取

对驾驶员的脑电信号数据库中脑电信号，对每个有效样本截取384个点作为一个样本段，连续的截取样本段作为数据分析的一个对象，分别利用频域比重方法、二阶盲辨识的方法、能量熵的方法和相同步的方法进行特征提取：

频域比重的计算方法如下描述(算法流程图见图2)：

脑电波信号主要成分由δ,θ,α,β四个波段组成，当人的意识清醒时候，α,β占主要成分，当人意识不清醒的时候，则δ,θ占主要成分。不同脑电波段对应的频率范围分别是：α为8-12Hz，β为13-30Hz，δ为4-7Hz，θ为1-3Hz。

利用如下公式计算不同状态下不同频率所占比重S：

$S\left(\mathrm{\ω}\right)=\frac{{\∫}_{\mathrm{\ω}1}^{\mathrm{\ω}2}A\left(t\right)dt}{{\∫}_1^{50}A\left(t\right)dt}$

其中ω表示δ,θ,α,β四个频段，ω1,ω2表示频段的下限和上限，A(t)表示AR模型变换后的脑电信号函数。在本实施中，利用matlab软件提供的函数pburg进行转换，求的脑电信号的频率，具体方法如下：

1、数据库中提取一段脑电信号，此时脑电信号为原始脑电信号，包含384个数据点；

2、设置pburg参数，本实施中设置其中pburg相关样式可描述为pburg(x，1，128，128)，其中x为步骤1提取脑电信号；

3、选择其中频率范围数据段，α为8-12Hz，β为13-30Hz，δ为4-7Hz，θ为1-3Hz。

利用如下公式分别对受试者脑电信号数据库中有效数据计算不同频段比重

$\stackrel{\‾}{S}\left(\mathrm{\ω}\right)=\frac{\underset{1}{\overset{5}{\Σ}}S\left(\mathrm{\ω}\right)}{n}$

其中n表示有效样本数。

利用如下公式计算受试者瞌睡程度AL：

$AL=\frac{S\left(\mathrm{\α}\right)+S\left(\mathrm{\β}\right)}{S\left(\mathrm{\δ}\right)+S\left(\mathrm{\θ}\right)}$

表1和表2分别显示了受试者在清醒状态和瞌睡状态下的频段比重。

表1

	α	β	δ	θ
					1受试者	0.3785	0.4516	0.1093	0.0606
2受试者	0.3223	0.5073	0.1262	0.0442
					3受试者	0.3286	0.4690	0.1458	0.0566
4受试者	0.3052	0.4993	0.1094	0.0861
					5受试者	0.3302	0.4595	0.1288	0.0815
均值	0.33296	0.47734	0.1239	0.0658

表2

	α	β	δ	θ
					1受试者	0.2915	0.4107	0.1985	0.0992
2受试者	0.2949	0.4083	0.2229	0.0740
					3受试者	0.2574	0.4058	0.2290	0.1078
4受试者	0.2671	0.3849	0.2404	0.1078
					5受试者	0.2887	0.3558	0.2420	0.1135
均值	0.27992	0.3931	0.22656	0.10046

对所有的脑电信号数据库样本进行计算，然后计算每个样本的频率段值，最终对每个样本组建了n*4的矩阵，其中n表示样本数，4是四个频率段，这个n*4就是频率比重的特征库，本例中n对每个受试者而言，取值300。

二阶盲辨识的方法计算如下算法流程见图3：

令x(t)的n个列向量对应n个传感器的连续时间脑电信号，则xi(t)对应第i个传感器的脑电信号。每一个xi(t)都可以看成是n个源si(t)的线性瞬时混合，混合矩阵为A，则

x(t)＝As(t)

SOBI仅仅利用传感器测量得到的脑电信号x(t)，得到近似于A-1分解矩阵W，使得

$\hat{s}\left(t\right)=Wx\left(t\right)$

为恢复的连续时间源信号。

SOBI算法有两个步骤：首先对传感器信号进行零均值化，如下式所示：

y(t)＝B(x(t)-<x(t)>)

尖括号<·>表示时间平均，因此y的均值为零。矩阵B的取值使得y的相关矩阵<y(t)y(t)^T>为单位矩阵，其值由下式给出

$B=diag\left({\mathrm{\&lambda;}}_i^{-1/2}\right)U^T$

其中λ_i为相关矩阵<(x(t)-<x(t)>)(x(t)-<x(t)>)^T>的特征值，U的各列则为其对应的特征向量。

第二步，构造一组对角矩阵：选取一组时间延迟τs，计算信号y(t)和它的时间延迟信号y(t+τ)的对称化相关矩阵：

R_τ＝sym(<y(t)y(t+τ)^T>)

其中

sym(M)＝(M+M^T)/2

这是一个将不对称矩阵转变为相关的对称矩阵的函数。对称化的过程丢失了一些信息，但却提供了有效的解决方法。

计算完Rτ，再对Rτ进行对角化：通过旋转矩阵V，运用迭代法，使得

${\mathrm{\&Sigma;}}_{\mathrm{\&tau;}}{\mathrm{\&Sigma;}}_{i\&NotEqual;j}{\left(V^T{R}_{\mathrm{\&tau;}}V\right)}_{ij}^2$

取得极小值，则分离矩阵的估计

W＝V^TB

本实施中x(t)表示的脑电信号数据库中被截取的脑电信号，其中的n个传感器被设置为128，对应脑电信号采集频率，通过上述方法，对样本库中每个样本进行计算，最终得到n*128的特征矩阵，其中n表示样本数，128表示特征数，本例中n对每个受试者而言，取值300.

相同步的方法计算如下，图4所示

测量两个信号同步的量度是锁相值PLV(phaselockingvalue)，此方法仅考虑此信号的相位。

PLV＝|<exp(j{Φ_i(t)-Φ_j(t)})>|

这里，Φ_i(t),Φ_j(t)是电极i，j的瞬时相位。这相位的计算可以通过希尔伯特(Hilbert)变换或复Gabor小波变换。在这里采用Hilbert变换，具体描述如下：

${\tilde{x}}_i\left(t\right)=\frac{1}{\mathrm{\&pi;}}PV{\&Integral;}_{-\mathrm{\&infin;}}^{\mathrm{\&infin;}}\frac{x_i\left(\mathrm{\&tau;}\right)}{t-\mathrm{\&tau;}}d\mathrm{\&tau;}$

在上式定义中，是时间序列xi(t)的Hilbert变换(在这里是指EEG信号)，PV是指柯西主值。然后这相位可按如下计算：

${\mathrm{\&Phi;}}_i\left(t\right)=arctan\frac{{\tilde{x}}_i\left(t\right)}{x_i\left(t\right)}$

在计算每个电极的瞬时相位之前，需要对该电极信号进行带通滤波，这样是可以对包含μ波段进行瞬时相位计算。

根据瞬时相位计算方法，利用方法进行相同步值的计算，根据通用的10-20标准脑区定义，我们选择顶区-左前额，顶区-右前额进行相同步值的计算，分别计算5个受试者的PLV值，然后利用Fisher距离计算四种状态下PLV值的距离函数，其中Fisher距离计算方法采用其中μ是均值，ο是方差。根据计算出的Fisher距离矩阵，我们根据temx＝(|Max(F)|-|Min(F)|)*0.8作为特征选择点，当Fisher矩阵中值大于temx的我们选择这个时间点作为特征，在本例中，temx计算结果18.77，在384个时间点上获得233个时间点作为特征时间点，最终计算得到n*233作为每个受试者的特征矩阵。

能量熵的计算方法，图5所示

短时傅立叶变换是一种时频信号分析方法，它可以在频域和时域同时分析非平稳时变信号，因此可以得到信号在时域的动态变化信息，在此基础上定义的能量熵可以表征信号复杂度在时域的变化情况，也可以表征信号的诸多频域特征，具有良好的时频局部化能力。

设E1，E2，∧Em为信号x(t)在m个频率段上的能量分布，则在频域上的能谱可以形成对信号能量的一种划分。在某一时间窗内信号总能量E等于各分量能量Ej之和，即式中其中Dj为频率j上能谱值，本例中时间窗选择1秒，每隔半秒滑动一次，每个样本3秒钟，这样总共6次计算。

上述中的E1等频率段上能量分布是利用上文中介绍的purg函数获取。

设

Pj＝Ej/E

(2)

则Σp_j＝1，于是定义相应的能量熵为：

$W_e=-\underset{j}{\&Sigma;}{p}_j{\mathrm{logP}}_j$

(3)

对于通过脑机接口系统采集的脑电信号，式(3)定义的能量熵能反映脑电信号频率空间的能量分布信息，同时反映了脑电信号在时域与频域上的能量分布特征。在获取了能量分布特征后，利用上文介绍的Fisher距离方法，对上述方法进行特征提取，最终计算得到n*24特征矩阵，其中24表示选择的特征点。

第三步：对比特征，建立个性监视器。

大脑清醒和打瞌睡的时候，脑电信号会出现明显的不同。

脑电波在相同的情况下，也会带有个人的特征，因此传统的对某种模式下设计通用识别器的方法会造成识别速度和分类不准确的后果，在研究过程中，这些结果在容忍范围内，但是在车辆驾驶过程中，这就有可能造成严重后果，因此，为了提高分类的准确率和识别速度，本发明方法对每个受试者建立单独的分类器，这种分类器，被叫做监视器。

在建立监视器之前，必须先对瞌睡状态进行分级量化，只有进行了量化，才能精确的进行阈值设定，才能在达到某状态时候对驾驶员进行提醒，但是，人从清醒到瞌睡，然后再到睡着是一个连续的精神变化，对这种精神状态进行量化却是个难题，本发明借用时间窗的概念，通过连续对比和迁越量化方法，把受试者的瞌睡状态进行量化，具体方法如下：

首选对脑电信号数据库内的数据进行特征提取，特征提取方法如上文所述，可得到四组不同方法的特征矩阵。从四组不同时间段选择的样本中，选择每个受试者的特征分别包括在驾驶状态下受试者清醒状态、受试者明显瞌睡状态以及受试者睡着状态，也包括受试者在常态下的从清醒到睡着的连续状态，特征比对方法描述如下(因为本发明采用了多特征提取方法，为了介绍方便，下面以特征变量的方式进行介绍)：

设定受试者在清醒状态下脑电信号特征序列表述为EA＝(a1,a2,a3、、、、，an)，那么受试者在脑电信号数据库内多次成功的，较好的样本特征组建成一个清醒状态矩阵EA＝(ea1,ea2,ea3,、、ean)同理可得到受试者在明显瞌睡状态下脑电信号特征矩阵EK和受试者在睡着状态下脑电信号特征矩阵ES，以上脑电信号特征均是3秒为时间段的驾驶状态下的脑电信号特征，假设在常态下采集到的脑电信号被标记为CME。对常态脑电信号CME进行每3秒截取一次，每次往后滑动128个数据点(1秒)，然后按照上述方法进行特征提取，得到该3秒数据段的脑电信号特征CMEt，分别计算CMEt和EA、EK、ES的匹配程度，匹配程度值x计算公式为：

x＝|λEA-CEMt^T|

这里的λ是特征调整系数，当计算结果x在设定的某个阈值范围内的时候，就可以确定该分段脑电信号匹配到了受试者的清醒状态，同样的方法计算出常态下对应于驾驶过程中的EK状态和ES状态，这样原始的常态下连续的脑电信号被以3秒为长度的时间窗给分段成离散的脑电信号，每段的脑电信号在时间序列上又是连续的，这和从清醒到睡着状态的人的连续变化的大脑反应相对应，同时因为EA、EK和ES对应于这个连续的常态分段脑电信号特征的一种映射关系，以EA为起始点，ES为终点，可以确定下驾驶过程中的驾驶员瞌睡状态特征。映射关系可见图6。

通过连续对比建立连续的受试者驾驶状态下映射的脑电信号特征库之后，对相应的脑电信号进行量化根据受试者不同，采集到的脑电信号也不同，因此EA和ES之间的映射宽度也不一样，有的受试者在EA和ES之间，其常态对应宽度有100个，也有的受试者这个宽度有80个，为了便于对受试者进行提醒，本方法统一用50为计量方法，当受试者的宽度少于50，采用均匀的多对一映射，当宽度大于50，则采用均匀的一对多映射。

第四步：通过上述的映射方法建立受试者的瞌睡状态特征库，由于没有反应出受试者本身特异性，因此通用的方法提取的脑电信号特征包含了很多冗余和杂音，对于单独的受试者而言，用更少的特征可能也很好的起到了分类的效果，而少的特征则意味着更快的速度，因此本方法针对每个受试者，建立自身的监视器。建立自身监视器方法如下：

1、对受试者的脑电信号特征库特征，按照不同提取方法组建不同的特征向量集合，并输入BP神经网络；

2、对每个受试者的不同方法提取特征进行分类器设计，其中BP神经网络选择经典的三层BP神经网络，这样每个受试者根据特征提取不同，有四个BP分类器与之对应；

3、在对于在线采集到的样本，按照本发明的方法分别进行计算，并输入到2的分类器中，进行分类计算；

4、对输出结果进行均一化；

5、根据设定的阈值，可以判断出受试者此时的脑电状态。

利用采集到的脑电信号，根据建立的脑电信号数据库，可以建立一个通过智能手机的车载瞌睡警报装置。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (2)

1.一种基于脑电信号的驾驶员瞌睡状态监测方法，其特征在于，该方法包括以下步骤：

(1)结合便携式脑电采集装置，获取原始脑电信号；采集得到驾驶员受试者的脑电样本，记录受试者由清醒到深度睡眠整个过程中的脑电信号；采集不同性别、不同年龄层的实验者的数据，建立瞌睡脑电数据库；

(2)采用时频域方法和多特征分类器对瞌睡脑电数据库中的脑电信号进行特征参数提取，待提取的特征参数包括时频域参数；

(3)对提取得到的特征参数做多分类器处理，以得到能反映瞌睡程度指标的量化方法；针对个体建立符合自身的分类器，以提高分类准确率和计算速度；

(4)使用(3)中得到的瞌睡指数，根据驾驶员此时的驾驶速度，选择是否对驾驶员进行报警提醒；

(5)以上参数通过手机APP设置；

(6)瞌睡脑电数据库在服务器端，根据自学习算法对驾驶员的脑电信号添加完善特征库。

2.根据权利要求1所述的一种基于脑电信号的驾驶员瞌睡状态监测方法，其特征在于，步骤(4)中，当时速超过90码，则认定速度快，瞌睡指数达到40-50即可报警，报警声逐步加大；当时速低于90码，则认定速度不快，瞌睡指数达到60-70即可报警，报警声逐步加大。