CN106919948A - 一种驾驶持续性注意水平的识别方法 - Google Patents

一种驾驶持续性注意水平的识别方法 Download PDF

Info

Publication number
CN106919948A
CN106919948A CN201510999672.2A CN201510999672A CN106919948A CN 106919948 A CN106919948 A CN 106919948A CN 201510999672 A CN201510999672 A CN 201510999672A CN 106919948 A CN106919948 A CN 106919948A
Authority
CN
China
Prior art keywords
parameter
sustained attention
attention level
sample
loc
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.)
Granted
Application number
CN201510999672.2A
Other languages
English (en)
Other versions
CN106919948B (zh
Inventor
张骏
郭孜政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201510999672.2A priority Critical patent/CN106919948B/zh
Publication of CN106919948A publication Critical patent/CN106919948A/zh
Application granted granted Critical
Publication of CN106919948B publication Critical patent/CN106919948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/162—Testing reaction times
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Psychology (AREA)
  • Veterinary Medicine (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种驾驶持续性注意水平的识别方法。该方法包括：通过多个电极采集脑电信号，并记录与所述脑电信号对应的反应时间参数；根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值；确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级；从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标；基于所述持续性注意水平的识别特征指标，建立SVM识别模型；根据所述SVM识别模型，对驾驶持续性注意水平进行识别。通过使用本发明所提供的驾驶持续性注意水平的识别方法，可以较为准确地对驾驶持续性注意水平进行识别。

Description

一种驾驶持续性注意水平的识别方法
技术领域
本发明涉及应激检测技术，特别涉及一种驾驶持续性注意水平的识别方法。
背景技术
时间单调连续驾驶将造成驾驶员持续性注意水平下降，从而会诱发驾驶员对突发随机事件(例如，突然出现行人、车辆等)的反应时间间增加，以及对关键突显信息(例如，标识牌)的遗漏，从而影响驾驶安全。因此，对驾驶员的持续性注意水平状态予以有效识别，是驾驶安全性研究的关键问题之一。
目前，国内外就驾驶持续性注意水平已开展了一系列研究。研究人员已通过实验证实了驾驶员持续性注意水平与驾驶误操作频率具有相关性，即持续性注意水平越低，则驾驶员的误操作率就越高。研究人员还就睡眠不足对持续性注意水平的影响开展了系统研究，结果表明睡眠缺乏组的驾驶员其整体持续性注意水平较低，这也是该类驾驶员事故率较高的原因之一。研究人员基于小波变换提出了一种提取衡量驾驶员持续性注意水平的脑电(EEG)方法，还基于EEG信号和干电极开发了一种便携式持续性注意水平监测系统。
脑电信号作为一种神经电信号与大脑活动状态相关，能够有效反映驾驶员精神状态。因此，亟待研究和提出一种驾驶持续性注意水平的识别方法，从而为车载持续性注意水平监控报警系统的开发提供理论依据。
发明内容
有鉴于此，本发明提供一种驾驶持续性注意水平的识别方法，从而可以较为准确地对驾驶持续性注意水平进行识别。
本发明的技术方案具体是这样实现的：
一种驾驶持续性注意水平的识别方法，该方法包括：
通过多个电极采集脑电信号，并记录与所述脑电信号对应的反应时间参数；
根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值；
确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级；
从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标；
基于所述持续性注意水平的识别特征指标，建立支持向量机SVM识别模型；
根据所述SVM识别模型，对驾驶持续性注意水平进行识别。
较佳的，所述根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值包括：
选择预设时段内的反应时间参数，将所选择的反应时间参数组成一个反应时间序列的集合z；
计算所述集合z的均值与标准差σ，从所述集合z中去除以外的异常数据，并对剩余数据按从小到大顺序排列，得到排序后的序列Z＝{z(1)，z(2)，..，z(n)}(n≤m)；
根据排序后的序列Z的等级划分分位数pk(k＝1，2，3...，l-1)，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值。
较佳的，根据如下的公式确定第k级与第k-1级间的阈值δk(k＝1，2，3...，l-1)：
较佳的，所述确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级包括：
将当前所采集到的反应时间参数划分为M个子集合U1～UM；
对于任意一个子集合依据持续注意水平划分阈值δk，确定其中每个行为绩效点的隶属等级；
统计子集合Ui中各行为绩效点所对应的各级持续性注意水平的分布频数fk，将分布频率最高的等级作为该子集合(即驾驶段)所对应的持续性注意水平等级的C(i)；
依次确定集合U＝{U1，U2，...，UM}中各子集合(即各个驾驶段)所对应的持续性注意水平，并最终得到该次驾驶过程中持续性注意水平等级序列C＝{C1，C2，...，CM}。
较佳的，根据如下的公式确定每个行为绩效点的隶属等级：
较佳的，所述C(i)为：
其中，mk为第k级持续性注意水平所对应的行为绩效点频数。
较佳的，所述从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标包括：
S1、对时段T内从1个电极采集到的脑电信号，以0～80Hz的带宽进行整体滤波处理；
S2、以预设步长为时间窗从左到右逐段滑动，并以预设的时间窗重叠率将采集到的脑电信号分割成多个时间窗信号；
S3、将每一个时间窗信号内乘于等长度的汉明窗，得到中间变量H(n)；
S4、对H(n)进行快速傅里叶变换，得到脑电信号在频域的幅值分布密度函数f(k)；
S5、从幅值分布密度函数f(k)中分别提取预设频段的平均幅值，根据所述平均幅值计算合成参数，并将所述平均幅值和合成参数组成脑电特征参数序列；
S6、对于每一个脑电特征参数序列，去除3倍标准差外的异常值后求平均，作为该电极时间段T内的脑电信号参数；
S7，对于特定时段T内从q个电极采集到的脑电信号，均采用上述的步骤S1～S7进行处理，得到该时段的脑电信号参数集合E＝{e1，e2，...，e8q}；
S8、根据所述脑电信号参数集合，选取持续性注意水平的识别特征指标。
较佳的，所述预设步长为2秒；所述时间窗重叠率为50％。
较佳的，所述中间变量H(n)为：
H(n)＝h(n)·W(n)；
其中，h(n)为时间窗信号，h(n)·W(n)为向量h(n)与W(n)的内积，α+β＝1，α，β＞0，n为信号样本量，N约等于n的二次方。
较佳的，所述幅值分布密度函数f(k)为：
式中，WN＝cos(2π/N)-j sin(2π/N)。
较佳的，所述预设频段为θ、α和β频段；所述θ频段为4～8Hz，α频段为8～13Hz，β频段为13～30Hz。
所述合成参数包括：(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。
较佳的，所述步骤S8包括：
将从各个电极采集的脑电特征参数样本根据持续性注意水平分为L类；
采用Relief算法比较脑电特征参数在同类近邻样本与异类近邻样本之间的差异，将在同类样本之间的差异小而在异类样本之间差异大的脑电特征参数作为持续性注意水平的识别特征指标。
较佳的，通过如下所述步骤得到持续性注意水平的识别特征指标：
将所述脑电信号参数集合作为脑电参数样本集合E＝{E1，E2，...，Em}，每个样本含有8q项脑电特征参数；
定义样本Ei与样本Ej在第r(1≤r≤8q)个脑电特征参数上的差为：
其中，max(r)与min(r)分别为第r(1≤r≤8q)个脑电特征参数在脑电参数样本集合E中的最大值与最小值；
从脑电参数样本集合中随机抽取一个样本Ek；
对与Ek同类及异类的样本，均根据diff值按升序排序，并分别选取前z个样本，用H(k)表示与Ek同类的z个样本组成的集合，用H(c)表示与Ek异类且属于c类的z个样本组成的集合，使用如下所述公式更新脑电参数r的权重sr为：
其中，sr(i)表示第i(1＜i≤N)次迭代脑电特征参数r(1≤r≤8q)的权重；p(·)为所属类型的样本个数在样本总数所占的比率；N为迭代次数；
经过N次迭代之后，求取各个脑电特征参数相应权重的均值，选取其中权重最大的h项脑电参数作为持续性注意水平的识别特征指标向量x＝{x1，x2，...，xh}。
较佳的，所述基于所述持续性注意水平的识别特征指标，建立SVM识别模型包括：
根据所述持续性注意水平的识别特征指标建立线性不可分的持续性注意水平识别指标的样本集其中，xi为持续性注意水平的识别特征指标，yi∈R为相应的输出；
通过非线性变换映射Φ(xi)，将处在低维空间的样本集映射到高维空间，使其线性可分；
建立SVM识别模型
采用粒子群优化算法对所述SVM识别模型进行参数寻优。
较佳的，所述建立SVM识别模型包括：
将高维空间中的线性SVM表示为：
s.t.yi[(w·Φ(xi)+b]-1+ξi≥0，ξi≥0；
其中，w·Φ(xi)为向量w与向量Φ(xi)的内积，ξi为松弛函数，C为惩罚参数，w∈Rh，b∈R；
经对偶问题求解得出最优超平面系数后，构造决策函数f(x)为：
较佳的，选用核函数其中，g为核函数的长度，i＝1，2，...，M)；αi为标量常数。
较佳的，所述采用粒子群优化算法对所述SVM识别模型进行参数寻优包括：
将SVM参数训练样本集(n为样本量)视为一个种群，其中每个粒子代表一组SVM参数，位置与参数一一对应；
以均匀绝对误差为适应度测评参数的性能，即：
其中，yi为相应参数的输出值；为相应参数的实际值；
对PSO初始化随机产生的粒子位置loci＝{loci1，loci2}，速度vi＝{vi1，vi2}(i＝1，2，...，n)；
在2维空间中，搜索粒子最优位置p_loc(i)＝{p_loc(i1)，p_loc(i2)}及粒子群最优位置g_loc＝{g_loc(1)，g_loc(2)}；
计算所有粒子的适应度及粒子群的适应度，采用迭代算法实现寻优，相邻迭代后当第j个粒子的适应度及粒子群最优适应度优于前次适应度p_loc(j)和g_loc，且不满足给定的两者适应度阈值时，按照如下所述公式，对粒子群中所有粒子的速度与位置进行更新：
vi(t+1)＝zvi(t)+c1r1(p_loc(i)(t)-loci(t))+c2r2(g_loc(t)-loci(t))；
loci(t+1)＝loci(t)+vi(t+1)；
其中，i＝1，2，...，n，t为迭代次数，c1，c2为学习因子，z为惯性系数，r1，r2为两个服从(0，1)均匀分布的随机数；
粒子在搜索空间内不断跟踪个体最优与群体最优，直到达到最大迭代次数或者满足给定的适应阈值为止；
迭代结束后，将粒子群最优适应度对应的参数C、g作为最优值代入SVM识别模型。
如上可见，在本发明中的驾驶持续性注意水平的识别方法中，基于实验所采集的脑电信号数据和反应时间参数，将驾驶持续性注意水平划分为l级，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标，并基于持续性注意水平的识别特征指标，建立SVM识别模型，从而可以较为准确地对驾驶持续性注意水平进行识别，而且模型识别的准确率高，可以用于对驾驶员的持续性注意水平的识别，为车载持续性注意水平监控报警系统的开发提供理论依据。
附图说明
图1为本发明实施例中的驾驶持续性注意水平的识别方法的流程示意图。
图2为本发明实施例中的模型识别正确率示意图。
图3为本发明实施例中的模型ROC曲线图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
本实施例提供了一种驾驶持续性注意水平的识别方法。
图1为本发明实施例中的驾驶持续性注意水平的识别方法的流程示意图。如图1所示，本发明实施例中的驾驶持续性注意水平的识别方法主要包括如下所述的步骤：
步骤11，通过多个电极采集脑电信号，并记录与所述脑电信号对应的反应时间参数。
在本发明的技术方案中，为了测试驾驶员对突发时间的简单反应时间，需要对被测试人员(例如，志愿者)进行相应的测试，从而获得相应的脑电信号以及与脑电信号对应的反应时间参数。
例如，较佳的，在本发明的较佳实施例中，可以先召集多个被测试人员，例如，可以选取年龄在25-30岁之间，有5年以上驾龄的20名男性长途货运驾驶员作为被测试人员，然后在大型客运车驾驶模拟器上进行实验。实验场景为一条双向4车道道路，车道宽3.75m，全长200km，背景车流仅为增加实验真实度，不干扰被测试人员的驾驶操作。要求被测试人员驾驶车辆按70±5km/h的速度行驶，驾驶过程中在被测试人员前方5个位置，以随机时间间隔(14±1.5s)呈现红点(代表各种突发随机事件)。要求被测试人员发现红点后尽快点击安装于转向盘上的反应按钮，系统自动记录被测试人员的反应时间参数。整个实验持续60分钟。
同时，在实验过程中采用德国Brain Products公司的32导脑电采集系统，通过多个电极同步记录被测试人员的脑电信号，记录带宽为0.5-100Hz，采样率为1000Hz。
通过上述的方式即可采集到脑电信号以及与所述脑电信号对应的反应时间参数。
步骤12，根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值。
驾驶持续性注意水平下降将造成驾驶员对突发事件反应时间间延长。因此，在一定时段内驾驶员对突发事件的反应时间(例如，对随机信号的反应时间)，可客观量化评定驾驶员持续性注意水平的高低。
因此，在本发明的技术方案中，将根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值。
在本发明的技术方案中，所述步骤12可以有多种具体的实现方式。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行介绍。
例如，较佳的，在本发明的具体实施例中，所述步骤12包括：
步骤121，选择预设时段内的反应时间参数，将所选择的反应时间参数组成一个反应时间序列的集合z。
在本发明的技术方案中，所述预设时段可以是根据实际应用情况的需要而预先设置的时间段。
例如，由于连续长时间的驾驶将引起驾驶员持续性注意水平的降低，因此在本发明的一个较佳实施例中，所述预设时段的时长可以是：交通法规允许的最大连续驾驶时长t，即可以采集t时段内驾驶员对突发事件的反应时间(即反应时间参数)，并将所选择的反应时间参数组成一个反应时间序列的集合z＝{z1，z2，...，zm}。
步骤122，计算所述集合z的均值与标准差σ，从所述集合z中去除以外的异常数据，并对剩余数据按从小到大顺序排列，得到排序后的序列Z＝{z(1)，z(2)，..，z(n)}(n≤m)。
步骤123，根据排序后的序列Z的等级划分分位数pk(k＝1，2，3...，l-1)，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值。
例如，较佳的，在本发明的具体实施例中，可以根据如下所述的公式确定第k级与第k-1级间的阈值δk(k＝1，2，3...，l-1)：
在本发明的技术方案中，所述级数l和等级划分分位数pk均可根据实际应用情况预先设置，在此不再赘述。
通过上述的步骤121～123，即可将驾驶持续性注意水平划分为1级，并确定各个级别之间的阈值。
步骤13，确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级。
在本发明的技术方案中，所述步骤13可以有多种具体的实现方式。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行介绍。
例如，较佳的，在本发明的具体实施例中，所述步骤13包括：
步骤131，将当前所采集到的反应时间参数划分为M个子集合U1～UM。
例如，在本发明的技术方案中，可以将当前所采集到的反应时间参数作为一次特定的驾驶过程所产生的行为绩效序列，然后可以将该行为绩效序列划分为M个子集合U＝{U1，U2，...，UM}。
在本发明的技术方案中，所述M的取值可以根据实际应用情况的需要而预先设置，在此不再赘述。
步骤132，对于任意一个子集合依据持续注意水平划分阈值δk，确定其中每个行为绩效点的隶属等级。
例如，较佳的，在本发明的具体实施例中，可以根据如下所述的公式确定每个行为绩效点的隶属等级：
步骤133，统计子集合Ui中各行为绩效点所对应的各级持续性注意水平的分布频数fk，将分布频率最高的等级作为该子集合(即驾驶段)所对应的持续性注意水平等级的C(i)。
例如，较佳的，在本发明的具体实施例中，所述C(i)为：
其中，mk为第k级持续性注意水平所对应的行为绩效点频数。
步骤134，依次确定集合U＝{U1，U2，...，UM}中各子集合(即各个驾驶段)所对应的持续性注意水平，并最终得到该次驾驶过程中持续性注意水平等级序列C＝{C1，C2，...，CM}。
通过上述的步骤131～134，即可确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级。
例如，在本发明的一个具体实施例中，可以以所有驾驶员(即被测试人员)对随机信号所做出的反应时间的50％分位数为阈值进行持续性注意水平划分，其中，设等级1与等级2之间的阈值为505毫秒(ms)。
根据实验结果可知，随着驾驶时长不断增加，就整体而言，被测试人员对随机信号的反应时间呈现出上升趋势；就局部而言，由于受到环境、心理状态等因素影响，被测试人员对随机信号的反应时间呈现出波动性特征。因此，在本发明的技术方案中，在划分持续性注意水平等级相同的情况下，不同的实验时长各等级之间的阈值将有所不同。
步骤14，从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标。
脑电信号(EEG)能够反映大脑皮层活动状态，当驾驶员处于低觉醒水平时，其脑电频谱分布趋向于低频波段；反之，当觉醒水平较高时，则脑电频谱分布趋向于高频波段。
在本发明的技术方案中，可以使用多种方式从脑电信号中提取脑电特征参数，并根据所得到的脑电特征参数获取持续性注意水平的识别特征指标。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行详细的介绍。
例如，较佳的，在本发明的具体实施例中，所述从脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标包括：
步骤141，对时段T内从1个电极采集到的脑电信号，以0～80Hz的带宽进行整体滤波处理，以去除工频电及部分肌电等伪迹干扰。
步骤142，以预设步长为时间窗从左到右逐段滑动，并以预设的时间窗重叠率将采集到的脑电信号分割成多个时间窗信号。
在本发明的技术方案中，所述预设步长的取值可以根据实际应用情况的需要而预先设置。例如，较佳的，在本发明的具体实施例中，所述预设步长为2秒(s)。
在本发明的技术方案中，所述时间窗重叠率的取值也可以根据实际应用情况的需要而预先设置。例如，较佳的，在本发明的具体实施例中，所述时间窗重叠率为50％。
因此，例如，当采集到的脑电信号的时长为1分钟、预设步长为2秒、时间窗重叠率为50％时，则可以将该脑电信号分割成60个时间窗信号，每个时间窗信号的脑电信号的时长为2秒，且各个时间窗信号之间的重叠率为50％。
步骤143，将每一个时间窗信号内乘于等长度的汉明窗，得到中间变量H(n)。
在本发明的技术方案中，为了消除旁瓣效应对快速傅里叶变换(FFT)的影响，可以将每一个时间窗信号都内乘于等长度的汉明窗，得到中间变量H(n)。
例如，较佳的，在本发明的具体实施例中，对于一个时间窗信号h(n)，为了消除旁瓣效应对快速傅里叶变换的影响，可以用该段信号点乘同等长度的汉明窗W(n)，从而得到中间变量H(n)：
H(n)＝h(n)·W(n) (4)
其中，h(n)·W(n)为向量h(n)与W(n)的内积，α+β＝1，α，β＞0，n为信号样本量，N约等于n的二次方。
步骤144，对H(n)进行快速傅里叶变换，得到脑电信号在频域的幅值分布密度函数f(k)。
例如，较佳的，在本发明的具体实施例中，所述幅值分布密度函数f(k)为：
式中，WN＝cos(2π/N)-j sin(2π/N)。
步骤145，从幅值分布密度函数f(k)中分别提取预设频段的平均幅值，根据所述平均幅值计算合成参数，并将所述平均幅值和合成参数组成脑电特征参数序列。
在本发明的技术方案中，所述预设频段的取值可以根据实际应用情况的需要而预先设置。例如，较佳的，在本发明的具体实施例中，所述预设频段为θ、α和β频段；所述θ频段为4～8Hz，α频段为8～13Hz，β频段为13～30Hz。
较佳的，在本发明的具体实施例中，所述合成参数可以包括：(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。
在本发明的技术方案中，可以对每一个时间窗内信号进行上述的处理，从而得到每一个时间窗内信号的合成参数，并将所述平均幅值和合成参数组成脑电特征参数序列。
例如，较佳的，在本发明的具体实施例中，所述脑电特征参数序列包括：θ、α、β、(α+β)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ等8项脑电特征参数，这8项脑电特征参数可以组成一个脑电特征参数序列。
对从每一个电极采集到的脑电信号进行上述的处理，从而得到从一个电极采集到的脑电信号的脑电特征参数，例如，得到8项脑电特征参数。因此，如果使用了q个电极采集脑电信号，则一共可以得到(8×q)项脑电特征参数。
步骤146，对于每一个脑电特征参数序列，去除3倍标准差外的异常值后求平均，作为该电极时间段T内的脑电信号参数。
步骤147，对于特定时段T内从q个电极采集到的脑电信号，均采用上述的步骤141～147进行处理，得到该时段的脑电信号参数集合E＝{e1，e2，...，e8q}。
步骤148，根据所述脑电信号参数集合，选取持续性注意水平的识别特征指标。
在本发明的技术方案中，为了提高识别精度，减少特征向量维度，降低数据运算负荷量，可以从上述的8q项脑电特征参数中，选取若干项作为持续性注意水平的识别特征指标。
在本发明的技术方案中，可以使用多种方式实现上述的步骤148。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行详细的介绍。
例如，较佳的，在本发明的具体实施例中，所述步骤148包括：
将从各个电极采集的脑电特征参数样本根据持续性注意水平分为L类；
采用Relief算法比较脑电特征参数在同类近邻样本与异类近邻样本之间的差异，将在同类样本之间的差异小而在异类样本之间差异大的脑电特征参数作为持续性注意水平的识别特征指标。
其中，Relief算法是本领域中已经使用的常用算法，因此在此不再赘述。
在本发明的技术方案中，可以通过脑电特征参数在同类近邻样本与异类近邻样本之间的差异来判断该脑电特征参数对持续性注意水平的区分能力。如果某个脑电特征参数在同类样本之间的差异小，而在异类样本之间差异大，则该脑电特征参数具有较强的区分能力，可作为区分不同持续性注意水平的识别特征指标。
具体来说，在本发明的较佳实施例中，可以通过如下所述步骤得到持续性注意水平的识别特征指标：
将所述脑电信号参数集合作为脑电参数样本集合E＝{E1，E2，...，Em}，每个样本含有8q项脑电特征参数；
定义样本Ei与样本Ej在第r(1≤r≤8q)个脑电特征参数上的差为：
其中，max(r)与min(r)分别为第r(1≤r≤8q)个脑电特征参数在脑电参数样本集合E中的最大值与最小值；
从脑电参数样本集合中随机抽取一个样本Ek；
对与Ek同类及异类的样本，均根据diff值按升序排序，并分别选取前z个样本，用H(k)表示与Ek同类的z个样本组成的集合，用H(c)表示与Ek异类且属于c类的z个样本组成的集合，使用如下所述公式更新脑电参数r的权重sr为：
其中，sr(i)表示第i(1＜i≤N)次迭代脑电特征参数r(1≤r≤8q)的权重；p(·)为所属类型的样本个数在样本总数所占的比率；N为迭代次数；
经过N次迭代之后，求取各个脑电特征参数相应权重的均值，选取其中权重最大的h项脑电参数作为持续性注意水平的识别特征指标向量x＝{x1，x2，...，xh}。
通过上述的步骤141～148，即可从采集到的脑电信号中提取脑电特征参数，并根据所得到的脑电特征参数获取持续性注意水平的识别特征指标。
步骤15，基于所述持续性注意水平的识别特征指标，建立支持向量机(SVM)识别模型。
在本发明的技术方案中，可以使用多种方式建立SVM识别模型。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行详细的介绍。
例如，较佳的，在本发明的具体实施例中，所述基于所述持续性注意水平的识别特征指标，建立SVM识别模型包括：
步骤151，根据所述持续性注意水平的识别特征指标建立线性不可分的持续性注意水平识别指标的样本集其中，xi为持续性注意水平的识别特征指标，yi∈R为相应的输出；
步骤152，通过非线性变换映射Φ(xi)，将处在低维空间的样本集映射到高维空间，使其线性可分；
步骤153，建立SVM识别模型。
较佳的，在本发明的具体实施例中，可以将高维空间中的线性SVM表示为：
s.t.yi[(w·Φ(xi)+b]-1+ξi≥0，ξi≥0 (10)
其中，w·Φ(xi)为向量w与向量Φ(xi)的内积，ξi为松弛函数，C为惩罚参数，w∈Rh，b∈R；
经对偶问题求解得出最优超平面系数后，构造决策函数f(x)为：
在本发明的技术方案中，可以选用核函数(g为核函数的长度，i＝1，2，...，M)；αi为标量常数。
在本发明的技术方案中，对于一组未知类型的驾驶持续性注意水平识别特征指标向量样本将其代入式(12)中，若f(Xt)＝-1，判定Xt属于第一类；若f(Xt)＝1，判定Xt属于第二类。对于多级持续注意水平识别问题可划分为多次2分类问题计算。
步骤154，采用粒子群优化(PSO)算法对所述SVM识别模型进行参数寻优。
SVM识别模型性能的优劣主要由惩罚参数与核函数参数决定，因此，在本发明的技术方案中，将采用粒子群优化(PSO)算法对所述SVM识别模型进行参数寻优。
具体来说，在本发明的较佳实施例中，所述步骤154包括：
将SVM参数训练样本集(n为样本量)视为一个种群，其中每个粒子代表一组SVM参数，位置与参数一一对应；
以均匀绝对误差为适应度测评参数的性能，即：
其中，yi为相应参数的输出值；为相应参数的实际值；
对PSO初始化随机产生的粒子位置loci＝{loci1，loci2)，速度vi＝{vi1，vi2}(i＝1，2，...，n)；
在2维空间中，搜索粒子最优位置p_loc(i)＝{p_loc(i1)，p_loc(i2)}及粒子群最优位置g_loc＝{g_loc(1)，g_loc(2)}；
根据公式(12)计算所有粒子的适应度及粒子群的适应度，采用迭代算法实现寻优，相邻迭代后当第j个粒子的适应度及粒子群最优适应度优于前次适应度p_loc(j)和g_loc，且不满足给定的两者适应度阈值时，按照如下所述公式，对粒子群中所有粒子的速度与位置进行更新：
vi(t+1)＝zvi(t)+c1r1(p_loc(i)(t)-loci(t))+c2r2(g_loc(t)-loci(t)) (13)
loci(t+1)＝loci(t)+vi(t+1) (14)
其中，i＝1，2，...，n，t为迭代次数，c1，c2为学习因子，z为惯性系数，r1，r2为两个服从(0，1)均匀分布的随机数；
粒子在搜索空间内不断跟踪个体最优与群体最优，直到达到最大迭代次数或者满足给定的适应阈值为止；
迭代结束后，将粒子群最优适应度对应的参数C、g作为最优值代入SVM识别模型。
通过上述的步骤151～154，即可建立SVM识别模型。
步骤16，根据所述SVM识别模型，对驾驶持续性注意水平进行识别。
在本发明的技术方案中，在建立上述SVM识别模型之后，即可根据所述SVM识别模型，对驾驶持续性注意水平进行识别。
因此，通过上述步骤11～16中所描述的方法，即可通过SVM识别模型对驾驶员的持续性注意水平进行识别。
在本发明的技术方案中，若令持续性注意水平等级1为阴性，持续性注意水平等级2为阳性，则SVM识别模型对某个未知类型的驾驶员持续性注意水平识别特征向量样本的识别可产生4种结果：
①当输入阴性样本，输出阴性结果，为真阴性，记为TN；
②输入阳性样本，输出阴性结果，为伪阴性，记为FN；
③输入阳性样本，输出阳性结果，为真阳性，记为TP；
④输入阴性样本，输出阳性结果，为伪阳性，记为FP。
基于上述假设，可构建以下3项指标对识别效果予以测评，即：
其中，TPR表示SVM识别模型对持续性注意水平为等级1的识别正确率；SPC表示SVM识别模型对持续性注意为等级2的识别正确率；ACC表示SVM识别模型对所有样本的整体识别正确率。
在本发明的技术方案中，为了验证本发明中的上述SVM识别模型的有效性，可以利用实验所得到的脑电信号来对驾驶员的持续性注意水平进行识别。图2为本发明实施例中的模型识别正确率示意图，图3为本发明实施例中的模型ROC曲线图。如图2所示，所述SVM识别模型识别的正确率较好，平均正确率可达93.02％，且对1级注意水平的识别率高于2级。同时，所述SVM识别模型的整体性能较优，如图3所示。
综上可知，在本发明中的驾驶持续性注意水平的识别方法中，基于实验所采集的脑电信号数据和反应时间参数，将驾驶持续性注意水平划分为l级，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标，并基于持续性注意水平的识别特征指标，建立SVM识别模型，从而可以较为准确地对驾驶持续性注意水平进行识别，而且模型识别的准确率高，可以用于对驾驶员的持续性注意水平的识别，为车载持续性注意水平监控报警系统的开发提供理论依据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (17)

1.一种驾驶持续性注意水平的识别方法，其特征在于，该方法包括：
通过多个电极采集脑电信号，并记录与所述脑电信号对应的反应时间参数；
根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值；
确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级；
从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标；
基于所述持续性注意水平的识别特征指标，建立支持向量机SVM识别模型；
根据所述SVM识别模型，对驾驶持续性注意水平进行识别。
2.根据权利要求1所述的方法，其特征在于，所述根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值包括：
选择预设时段内的反应时间参数，将所选择的反应时间参数组成一个反应时间序列的集合z；
计算所述集合z的均值与标准差σ，从所述集合z中去除以外的异常数据，并对剩余数据按从小到大顺序排列，得到排序后的序列Z＝{z(1),z(2),..,z(n)}(n≤m)；
根据排序后的序列Z的等级划分分位数pk(k＝1,2,3…，l-1)，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值。
3.根据权利要求2所述的方法，其特征在于，根据如下的公式确定第k级与第k-1级间的阈值δk(k＝1,2,3…，l-1)：
4.根据权利要求1所述的方法，其特征在于，所述确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级包括：
将当前所采集到的反应时间参数划分为M个子集合U1～UM；
对于任意一个子集合依据持续注意水平划分阈值δk，确定其中每个行为绩效点的隶属等级；
统计子集合Ui中各行为绩效点所对应的各级持续性注意水平的分布频数fk，将分布频率最高的等级作为该子集合(即驾驶段)所对应的持续性注意水平等级的C(i)；
依次确定集合U＝{U1,U2,...,UM}中各子集合(即各个驾驶段)所对应的持续性注意水平，并最终得到该次驾驶过程中持续性注意水平等级序列C＝{C1,C2,...,CM}。
5.根据权利要求4所述的方法，其特征在于，根据如下的公式确定每个行为绩效点的隶属等级：
6.根据权利要求4所述的方法，其特征在于，所述C(i)为：
C ( i ) = { i | f i = m a x 1 ≤ k ≤ n ( f k ) , f k = m k q } ;
其中，mk为第k级持续性注意水平所对应的行为绩效点频数。
7.根据权利要求6所述的方法，其特征在于，所述从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标包括：
S1、对时段T内从1个电极采集到的脑电信号，以0～80Hz的带宽进行整体滤波处理；
S2、以预设步长为时间窗从左到右逐段滑动，并以预设的时间窗重叠率将采集到的脑电信号分割成多个时间窗信号；
S3、将每一个时间窗信号内乘于等长度的汉明窗，得到中间变量H(n)；
S4、对H(n)进行快速傅里叶变换，得到脑电信号在频域的幅值分布密度函数f(k)；
S5、从幅值分布密度函数f(k)中分别提取预设频段的平均幅值，根据所述平均幅值计算合成参数，并将所述平均幅值和合成参数组成脑电特征参数序列；
S6、对于每一个脑电特征参数序列，去除3倍标准差外的异常值后求平均，作为该电极时间段T内的脑电信号参数；
S7，对于特定时段T内从q个电极采集到的脑电信号，均采用上述的步骤S1～S7进行处理，得到该时段的脑电信号参数集合E＝{e1,e2,...,e8q}；
S8、根据所述脑电信号参数集合，选取持续性注意水平的识别特征指标。
8.根据权利要求7所述的方法，其特征在于：
所述预设步长为2秒；所述时间窗重叠率为50％。
9.根据权利要求7所述的方法，其特征在于，所述中间变量H(n)为：
H(n)＝h(n)·W(n)；
W ( n ) = α - β c o s ( 2 π n N - 1 ) ;
其中，h(n)为时间窗信号，h(n)·W(n)为向量h(n)与W(n)的内积，α+β＝1,α,β＞0，n为信号样本量，N约等于n的二次方。
10.根据权利要求9所述的方法，其特征在于，所述幅值分布密度函数f(k)为：
f [ k ] = Σ n = 0 N - 1 H ( n ) W N k n , 0 ≤ k ≤ N - 1 0 , o t h e r ;
式中，WN＝cos(2π/N)-jsin(2π/N)。
11.根据权利要求10所述的方法，其特征在于，
所述预设频段为θ、α和β频段；所述θ频段为4～8Hz，α频段为8～13Hz，β频段为13～30Hz。
所述合成参数包括：(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。
12.根据权利要求11所述的方法，其特征在于，所述步骤S8包括：
将从各个电极采集的脑电特征参数样本根据持续性注意水平分为L类；
采用Relief算法比较脑电特征参数在同类近邻样本与异类近邻样本之间的差异，将在同类样本之间的差异小而在异类样本之间差异大的脑电特征参数作为持续性注意水平的识别特征指标。
13.根据权利要求12所述的方法，其特征在于，通过如下所述步骤得到持续性注意水平的识别特征指标：
将所述脑电信号参数集合作为脑电参数样本集合E＝{E1,E2,...,Em}，每个样本含有8q项脑电特征参数；
定义样本Ei与样本Ej在第r(1≤r≤8q)个脑电特征参数上的差为：
d i f f ( r , E i , E j ) = | E j r - E i r m a x ( r ) - min ( r ) | ;
其中，max(r)与min(r)分别为第r(1≤r≤8q)个脑电特征参数在脑电参数样本集合E中的最大值与最小值；
从脑电参数样本集合中随机抽取一个样本Ek；
对与Ek同类及异类的样本，均根据diff值按升序排序，并分别选取前z个样本，用H(k)表示与Ek同类的z个样本组成的集合，用H(c)表示与Ek异类且属于c类的z个样本组成的集合，使用如下所述公式更新脑电参数r的权重sr为：
s r ( i + 1 ) = s r ( i ) + Σ c ∉ H ( k ) [ p ( c ) 1 - p ( E k ) Σ l ∈ H ( c ) d i f f ( r , E k , l ) ] / N z - Σ l ∈ H ( k ) d i f f ( r , E k , l ) / N z ;
其中，sr(i)表示第i(1＜i≤N)次迭代脑电特征参数r(1≤r≤8q)的权重；p(·)为所属类型的样本个数在样本总数所占的比率；N为迭代次数；
经过N次迭代之后，求取各个脑电特征参数相应权重的均值，选取其中权重最大的h项脑电参数作为持续性注意水平的识别特征指标向量x＝{x1,x2,...,xh}。
14.根据权利要求13所述的方法，其特征在于，所述基于所述持续性注意水平的识别特征指标，建立SVM识别模型包括：
根据所述持续性注意水平的识别特征指标建立线性不可分的持续性注意水平识别指标的样本集其中，xi为持续性注意水平的识别特征指标，yi∈R为相应的输出；
通过非线性变换映射Φ(xi)，将处在低维空间的样本集映射到高维空间，使其线性可分；
建立SVM识别模型
采用粒子群优化算法对所述SVM识别模型进行参数寻优。
15.根据权利要求14所述的方法，其特征在于，所述建立SVM识别模型包括：
将高维空间中的线性SVM表示为：
m i n w , b , ξ i 1 2 | | w | | 2 + C ( Σ i = 1 M ξ i ) ;
s.t.yi[(w·Φ(xi)+b]-1+ξi≥0,ξi≥0；
其中，w·Φ(xi)为向量w与向量Φ(xi)的内积，ξi为松弛函数，C为惩罚参数，w∈Rh,b∈R；
经对偶问题求解得出最优超平面系数后，构造决策函数f(x)为：
f ( x ) = sgn ( Σ t = 1 m y i α i k ( x , x i ) + b ) .
16.根据权利要求15所述的方法，其特征在于：
选用核函数其中，g为核函数的长度，i＝1,2,...,M)；αi为标量常数。
17.根据权利要求16所述的方法，其特征在于，所述采用粒子群优化算法对所述SVM识别模型进行参数寻优包括：
将SVM参数训练样本集(n为样本量)视为一个种群，其中每个粒子代表一组SVM参数，位置与参数一一对应；
以均匀绝对误差为适应度测评参数的性能，即：
M E = 1 n Σ i = 1 n ( y i - y i ‾ ) 2 ;
其中，yi为相应参数的输出值；为相应参数的实际值；
对PSO初始化随机产生的粒子位置loci＝{loci1,loci2},速度vi＝{vi1,vi2}(i＝1,2,...,n)；
在2维空间中，搜索粒子最优位置p_loc(i)＝{p_loc(i1),p_loc(i2)}及粒子群最优位置g_loc＝{g_loc(1),g_loc(2)}；
计算所有粒子的适应度及粒子群的适应度，采用迭代算法实现寻优，相邻迭代后当第j个粒子的适应度及粒子群最优适应度优于前次适应度p_loc(j)和g_loc，且不满足给定的两者适应度阈值时，按照如下所述公式，对粒子群中所有粒子的速度与位置进行更新：
vi(t+1)＝zvi(t)+c1r1(p_loc(i)(t)-loci(t))+c2r2(g_loc(t)-loci(t))；
loci(t+1)＝loci(t)+vi(t+1)；
其中，i＝1,2,...,n，t为迭代次数，c1,c2为学习因子，z为惯性系数，r1,r2为两个服从(0,1)均匀分布的随机数；
粒子在搜索空间内不断跟踪个体最优与群体最优，直到达到最大迭代次数或者满足给定的适应阈值为止；
迭代结束后，将粒子群最优适应度对应的参数C、g作为最优值代入SVM识别模型。
CN201510999672.2A 2015-12-28 2015-12-28 一种驾驶持续性注意水平的识别方法 Active CN106919948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510999672.2A CN106919948B (zh) 2015-12-28 2015-12-28 一种驾驶持续性注意水平的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510999672.2A CN106919948B (zh) 2015-12-28 2015-12-28 一种驾驶持续性注意水平的识别方法

Publications (2)

Publication Number Publication Date
CN106919948A true CN106919948A (zh) 2017-07-04
CN106919948B CN106919948B (zh) 2021-04-06

Family

ID=59455094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510999672.2A Active CN106919948B (zh) 2015-12-28 2015-12-28 一种驾驶持续性注意水平的识别方法

Country Status (1)

Country Link
CN (1) CN106919948B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107928631A (zh) * 2017-12-21 2018-04-20 哈尔滨工业大学 基于差分路径因子估计的近红外脑功能信号处理方法
CN109124625A (zh) * 2018-09-04 2019-01-04 大连理工大学 一种驾驶员疲劳状态水平分级方法
CN109204307A (zh) * 2018-10-30 2019-01-15 吉林大学 获取自适应防碰撞预警距离的方法、存储介质及系统
WO2020186915A1 (zh) * 2019-03-15 2020-09-24 华为技术有限公司 一种注意力检测方法及系统
CN114521903A (zh) * 2022-02-15 2022-05-24 南京邮电大学 一种基于特征选择的脑电注意力识别系统及方法
CN114569130A (zh) * 2022-02-25 2022-06-03 西南交通大学 高速铁路行车调度员监控工作的注意力水平识别方法
CN114521903B (zh) * 2022-02-15 2024-06-28 南京邮电大学 一种基于特征选择的脑电注意力识别系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102361590A (zh) * 2009-10-15 2012-02-22 松下电器产业株式会社 驾驶注意量判别装置、方法以及计算机程序

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102361590A (zh) * 2009-10-15 2012-02-22 松下电器产业株式会社 驾驶注意量判别装置、方法以及计算机程序

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHIN-TENG LIN等: "Wireless and Wearable EEG System for Evaluating Driver Vigilance", 《IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》 *
EIKE A.SCHMIDTA等: "Drivers’ misjudgement of vigilance state during prolonged monotonous", 《ACCIDENT ANALYSIS AND PREVENTION》 *
徐秋晶: "基于脑电熵参数的视觉注意力分级研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107928631A (zh) * 2017-12-21 2018-04-20 哈尔滨工业大学 基于差分路径因子估计的近红外脑功能信号处理方法
CN109124625A (zh) * 2018-09-04 2019-01-04 大连理工大学 一种驾驶员疲劳状态水平分级方法
CN109124625B (zh) * 2018-09-04 2021-07-20 大连理工大学 一种驾驶员疲劳状态水平分级方法
CN109204307A (zh) * 2018-10-30 2019-01-15 吉林大学 获取自适应防碰撞预警距离的方法、存储介质及系统
CN109204307B (zh) * 2018-10-30 2020-06-23 吉林大学 获取自适应防碰撞预警距离的方法、存储介质及系统
WO2020186915A1 (zh) * 2019-03-15 2020-09-24 华为技术有限公司 一种注意力检测方法及系统
CN114521903A (zh) * 2022-02-15 2022-05-24 南京邮电大学 一种基于特征选择的脑电注意力识别系统及方法
CN114521903B (zh) * 2022-02-15 2024-06-28 南京邮电大学 一种基于特征选择的脑电注意力识别系统及方法
CN114569130A (zh) * 2022-02-25 2022-06-03 西南交通大学 高速铁路行车调度员监控工作的注意力水平识别方法

Also Published As

Publication number Publication date
CN106919948B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN106919948A (zh) 一种驾驶持续性注意水平的识别方法
Hsu et al. Automatic sleep stage recurrent neural classifier using energy features of EEG signals
Acharya et al. Automated diagnosis of epileptic EEG using entropies
Correa et al. An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records
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
Das et al. Differentiating alcohol-induced driving behavior using steering wheel signals
CN110772268A (zh) 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法
CN110604565A (zh) 一种基于便携式eeg设备的脑部健康筛查方法
CN102149320A (zh) 用于专注度检测的方法和系统
CN108742517A (zh) 一种基于Stacking单导联脑电睡眠自动分期方法
CN105877766A (zh) 一种基于多生理信号融合的精神状态检测系统及方法
CN106108894A (zh) 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法
CN106919956A (zh) 基于随机森林的脑电波年龄预测系统
CN106963370A (zh) 一种基于支持向量机的脑电放松度识别方法及装置
CN106913351A (zh) 一种脑力负荷水平的识别方法
CN105956623A (zh) 一种基于模糊熵的癫痫脑电信号分类方法
CN103919565A (zh) 一种疲劳驾驶脑电信号特征提取与识别的方法
CN107092887A (zh) 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法
CN107095671A (zh) 驾驶疲劳识别方法及系统
CN110141226A (zh) 自动睡眠分期方法、装置、计算机设备及计算机存储介质
CN107714057A (zh) 一种基于卷积神经网络的三分类情绪识别模型方法
CN113158964B (zh) 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN102940485A (zh) 一种胎心率基线自动识别算法
CN107205652A (zh) 具有特征生成和自动映射的睡眠分析系统
CN112800928B (zh) 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant