CN107320115A - 一种自适应的精神疲劳评估装置及方法 - Google Patents
一种自适应的精神疲劳评估装置及方法 Download PDFInfo
- Publication number
- CN107320115A CN107320115A CN201710538724.5A CN201710538724A CN107320115A CN 107320115 A CN107320115 A CN 107320115A CN 201710538724 A CN201710538724 A CN 201710538724A CN 107320115 A CN107320115 A CN 107320115A
- Authority
- CN
- China
- Prior art keywords
- sample
- brain
- grader
- training
- electric
- 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
Links
Classifications
-
- 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
-
- 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
-
- 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种自适应的精神疲劳评估方法,包括:1)采集脑电信号构成脑电样本;2)对采集到的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;3)利用训练好的初始基分类器对在线采集到的脑电样本进行预测,通过多数投票的策略选择预测结果,对样本进行标记,给出当前的疲劳状态评估结果。本发明提出利用选择性集成技术为半监督评估模型训练一组速度快、具有差异性的基分类器作为初始分类器,在线并行更新,进而集成强分类器,以保障分类器在更新过程中泛化能力的增强,同时取得高的分类精度和快的运行速度。
Description
技术领域
本发明属于生物医学与信息学的交叉领域,具体涉及一种基于集成学习和半监督学习的在线精神疲劳评估装置及方法。
背景技术
由于社会竞争压力大,精神疲劳逐渐成为了影响人体健康的主要原因之一。精神疲劳会引起人在生理与心理状态上的变化,导致警觉性、持续性注意力、工作记忆力,判断力、决策制定等能力的下降。在现代社会中,特别是诸如实时监控、交通运输、高危作业、航空航天等作业情况下,工作人员如果处于疲劳的状态,非常容易出现随意操作和违章行为,从而引发安全事故。因此,研究客观、可靠、准确的精神疲劳检测方法对于防范由精神疲劳引发的安全事故和维护人体的健康状态是十分必要的,具有极大的经济和社会价值。
脑电信号能够客观的记录大脑机能状态的连续变化,是人脑思维活动、认知和意识状态的一种外在表现。采用各种高效的信号处理技术可以挖掘脑电信号所蕴涵的丰富信息,实现对疲劳状态的判定与评估。因此基于脑电信号分析的客观评估方法被认为是最有前途、最可预报和最可靠的途径。
围绕基于脑电信号实现人的精神疲劳状态检测的这一思路,研究者们已经开展了广泛的研究。但发明人在实现本发明的过程中,发现现有技术中存在以下的不足:
对疲劳状态的评估,传统上是采用基于监督学习的分类器来实现,这就需要对受试者进行长时间的训练来获取大量标记的脑电样本,以构建可靠的分类器。并且当标记的训练样本较少时,所获得的分类器的泛化能力往往较差。此外,在训练期间构建的分类器在工作期间是固化的,不具有自适应性。
发明内容
鉴于此,本发明的目的是提供一种自适应的精神疲劳评估装置及方法。本发明提出利用选择性集成技术为半监督评估模型训练一组速度快、具有差异性的基分类器作为初始分类器,在线并行更新,进而集成强分类器,以保障分类器在更新过程中泛化能力的增强,同时取得高的分类精度和快的运行速度。
本发明的目的之一是通过以下技术方案实现的,一种自适应的精神疲劳评估方法,包括
1)采集脑电信号构成脑电样本;
2)对采集到的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
3)利用训练好的初始基分类器对在线采集到的脑电样本进行预测,通过多数投票的策略选择预测结果,对样本进行标记,给出当前的疲劳状态评估结果。
进一步,还包括:
4)计算步骤3)中标记过的样本的置信度,从标记过的样本中选择具有高置信度的样本加入到临时训练集中;
5)利用更新的训练集重新训练三个基分类器,再利用更新后的基分类器对新采集的未标记脑电样本进行预测和标记。
进一步,利用训练好的初始基分类器对在线采集到的脑电样本进行预测,其中所述基分类器通过以下方式获取:
1)在疲劳或者不疲劳状态下采集脑电信号构成脑电样本,并对脑电信号所属状态进行标记,所属状态包括疲劳状态和非疲劳状态;
2)对采集到的标记了所属状态的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
3)对有标记的脑电样本组成的训练数据集进行多次样本抽取,产生不同的子训练集;选择Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析作为基分类器,利用不同的子训练集分别对三种基分类器进行训练,得到初始基分类器。
进一步,置信度高低的判别方法为:利用训练集中的样本确定类别1和类别2的置信度阈值,计算过程为:
a)分别按照由Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析所决定的投影方向对训练集中的样本进行投影,再分别计算投影空间中两类样本的均值Mji,其中j=1,2,3,分别代表三种投影方向,i=1,2,代表两种类别;
b)分别在三种投影空间中,计算当前训练集中的各个样本与所属类别的类均值Mji之间的欧式距离,然后分别计算两种类别的样本与所属类别的类均值之间的平均欧式距离Dj1和Dj2;
c)在各个投影空间中,计算类别1和类别2各自的置信度阈值Cji=Wji ●Dji,其中,Wji表示权系数;
在由对未标记样本进行预测时取得相同预测结果的两种分类器所决定的两个投影空间中,分别计算该样本的投影与投影空间中两类类均值之间的欧氏距离dji,如果在两个投影空间中,均有dji≤Cji成立,则该样本属于高置信度样本;反之,如果在其中的任意一个投影空间中,有dji﹥Cji成立,则认为该样本属于低置信度样本。
本发明的目的之二是通过以下技术方案实现的,一种自适应的精神疲劳评估装置,包括第一脑电样本采集模块、第一特征信息提取模块和状态评估模块;
所述第一脑电样本采集模块,采集脑电信号构成脑电样本;
所述第一特征信息提取模块,对采集到的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
所述状态评估模块,利用训练好的初始基分类器对在线采集到的脑电样本进行预测,通过多数投票的策略选择预测结果,对样本进行标记,给出当前的疲劳状态评估结果。
进一步,还包括训练集更新模块和分类器更新模块,
所述训练集更新模块,用于计算标记过的样本的置信度,从标记过的样本中选择具有高置信度的样本加入到训练集中;
所述分类器更新模块,利用更新的训练集重新训练三个基分类器,再利用更新后的基分类器对新采集的未标记脑电样本进行预测和标记。
进一步,还包括第二脑电样本采集模块、第二特征信息提取模块和基分类器训练模块;
所述第二脑电样本采集模块,在疲劳或者不疲劳状态下采集脑电信号构成脑电样本,并对脑电信号所属状态进行标记,所属状态包括疲劳状态和非疲劳状态;
所述第二特征信息提取模块,对采集到的标记了所属状态的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
所述基分类器训练模块,通过对由有标记的脑电样本组成的训练数据集进行多次样本抽取,产生不同的子训练集;选择Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析作为基分类器,利用不同的子训练集分别对三种基分类器进行训练,得到初始基分类器。
进一步,所述训练集更新模块包括置信度计算模块,所述置信度计算模块利用训练集中的样本确定类别1和类别2的置信度阈值,计算过程为:
a)分别按照由Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析所决定的投影方向对训练集中的样本进行投影,再分别计算投影空间中两类样本的均值Mji,其中j=1,2,3,分别代表三种投影方向,i=1,2,代表两种类别;
b)分别在三种投影空间中,计算当前训练集中的各个样本与所属类别的类均值Mji之间的欧式距离,然后分别计算两种类别的样本与所属类别的类均值之间的平均欧式距离Dj1和Dj2;
c)在各个投影空间中,计算类别1和类别2各自的置信度阈值Cji=Wji ●Dji,其中,Wji表示权系数;
在由对未标记样本进行预测时取得相同预测结果的两种分类器所决定的两个投影空间中,分别计算该样本的投影与投影空间中两类类均值之间的欧氏距离dji,如果在两个投影空间中,均有dji≤Cji成立,则该样本属于高置信度样本;反之,如果在其中的任意一个投影空间中,有dji﹥Cji成立,则认为该样本属于低置信度样本。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提供了一种基于集成和半监督学习的自适应精神疲劳评估方法,其优点主要体现在以下三个方面:
1)本发明可利用未标记脑电样本对分类器进行训练,降低了疲劳评估模型对有标记脑电样本的需求数量,从而大大缩短了受试者的训练时间;
2)本发明基于集成学习的思想来训练基分类器,并将弱分类器集成为强分类器,获得比单一分类器更高的分类正确率和更好的泛化能力;
3)本发明可从在线采集的未标记脑电样本中,选择具有高置信度的样本来更新训练集,进而对分类器进行更新,具有在线自适应的特点。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明所述的精神疲劳评估方法框图;
图2为实现本发明所述方法的训练阶段的程序流程图;
图3为实现本发明所述方法的评估阶段的程序流程图。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
本发明提出了一种自适应的在线评估装置及方法,利用半监督学习模式使分类器在仅需要少量标记样本,并充分利用大量未标记样本的同时,又具有在线自适应的特点。半监督学习模式虽然可以利用未标记样本进行学习,但利用未标记样本训练分类器也可能造成泛化能力降低。鉴于此,本发明提出利用选择性集成技术为半监督评估模型训练一组速度快、具有差异性的基分类器作为初始分类器,在线并行更新,进而集成强分类器,以保障分类器在更新过程中泛化能力的增强,同时取得高的分类精度和快的运行速度。
参见图1,本发明所述精神疲劳评估方法包括了训练和评估两个实现阶段。
在训练阶段,首先需要在疲劳或者不疲劳状态下,从Fp1、Fp2、Fpz处采集标记了所属状态的两类脑电信号构成脑电样本,利用标记样本构成的训练集来训练基分类器(基本流程如图2所示),训练过程如下:
1)对训练集中的脑电样本进行带通滤波,滤波截止频率为30Hz,提取δ(0-4Hz)、θ(4-8Hz)、α(8-13Hz)和β(13-30Hz)这四个脑电节律信号。
2)计算δ、θ、α和β四个节律的能量Eδ,Eθ,Eα,Eβ,计算总能量:
j=δ,θ,α,β
计算θ、α、β的相对能量:
pj=Ej/Etotal,j=δ,θ,α,β
以及能量比值:(Eθ+Eα)/Eβ
以δ、θ、α三个节律相对能量和能量比值作为各通道脑电信号的特征信息,从三通道脑电数据可得到包含12个特征值的特征向量。
3)为保证基分类器之间的差异性,对有标记的脑电样本组成的训练数据集进行多次样本抽取,产生三个不同的子训练集,用于训练初始基分类器,以保证基分类器之间的差异性。采用步骤1)和步骤2)所述方法对各子训练集中的样本进行滤波和特征提取后,分别用于训练Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析这三种分类器。训练好的三个基分类器将作为实际评估过程中的初始基分类器。
Fisher辨别分析找出使类间离散度最大而类内离散度最小的投影方向对样本进行投影后分类。基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析通过核函数所定义的映射关系,将提取的12个特征值的特征向量映射到一个高维特征空间中,然后在高维空间中利用Fisher辨别分析进行分类。
在评估阶段,利用训练的分类器对采集的未标记脑电样本进行预测,并选择其中具有高置信度的样本用于更新训练集和分类器(基本流程如图3所示),具体的评估过程如下所述:
1)对采集的未标记脑电样本进行如训练阶段的步骤1)和步骤2)所述的带通滤波和特征提取。
2)利用训练好的三个基分类器分别对在上一步中提取的未标记脑电样本的特征进行分类,即对采集的未标记脑电样本进行预测。按照多数投票的策略确定最终的预测结果,并对该脑电样本做相应的标记,给出当前的疲劳状态评估结果。
3)计算标记后的样本的置信度,选择高置信度的样本加入到训练集中。
首先需要利用训练集中的样本确定类别1和类别2的置信度阈值,计算过程为:
a)分别按照由Fisher辨别分析,基于高斯径向基核函数的核Fisher辨别分析,和基于线性核函数的核Fisher辨别分析所决定的投影方向对训练集中的样本进行投影,再分别计算投影空间中两类样本的均值Mji,其中j=1,2,3,分别代表三种投影方向,i=1,2,代表两种类别;
b)分别在三种投影空间中,计算当前训练集中的各个样本与所属类别的类均值Mji之间的欧式距离,然后分别计算两种类别的样本与所属类别的类均值之间的平均欧式距离Dj1和Dj2(j=1,2,3);
c)在各个投影空间中,计算类别1和类别2各自的置信度阈值Cji=Wji ●Dji,其中,权系数Wji的值是通过k折-交叉验证的方法来确定的。
在由对未标记样本进行预测时取得相同预测结果的两种分类器所决定的两个投影空间中(如果三种分类器的预测结果均相同,也只选其中两种分类器决定的两个投影空间),分别计算该样本的投影与投影空间中两类类均值之间的欧氏距离dji(j=1,2,3;i=1,2),并与相应的两个类别的置信度阈值Cji进行比较。如果在两个投影空间中,均有dji≤Cji成立,则该样本属于高置信度样本。样本及其对应预测类别将被放入临时样本集G中,用于扩大训练集。反之,如果在其中的任意一个投影空间中,有dji﹥Cji成立,则认为该样本属于低置信度样本,将不被选用。
4)训练集和基分类器的更新。当临时样本集G中的高置信度样本的数量达到设定的数量值k时,将临时样本集G中标记过的样本全部加入到训练集中,利用更新后的训练集重新训练三个基分类器。
利用更新后的基分类器预测新采集的未标记脑电样本,重复如前所述的评估过程。
根据上述方法,本发明还提供一种自适应的精神疲劳评估装置,包括第一脑电样本采集模块、第一特征信息提取模块、状态评估模块、训练集更新模块、分类器更新模块、第二脑电样本采集模块、第二特征信息提取模块和基分类器训练模块。
所述第一脑电样本采集模块,采集脑电信号构成脑电样本。
所述第一特征信息提取模块,对采集到的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息。
在本实施例中,滤波截止频率为30Hz,提取δ(0-4Hz)、θ(4-8Hz)、α(8-13Hz)和β(13-30Hz)这四个脑电节律信号。
利用δ、θ、α和β四个节律的能量Eδ,Eθ,Eα,Eβ,计算总能量:
j=δ,θ,α,β
θ、α、β的相对能量:
pj=Ej/Etotal,j=δ,θ,α,β
以及能量比值:(Eθ+Eα)/Eβ。
所述状态评估模块,利用训练好的初始基分类器对在线采集到的脑电样本进行预测,通过多数投票的策略选择预测结果,对样本进行标记,给出当前的疲劳状态评估结果。
所述训练集更新模块,用于计算标记过的样本的置信度,从标记过的样本中选择具有高置信度的样本加入到训练集中。
所述分类器更新模块,利用更新的训练集重新训练三个基分类器,再利用更新后的基分类器对新采集的未标记脑电样本进行预测和标记。
所述第二脑电样本采集模块,在疲劳或者不疲劳状态下采集脑电信号构成脑电样本,并对脑电信号所属状态进行标记,所属状态包括疲劳状态和非疲劳状态。
所述第二特征信息提取模块,对采集到的标记了所属状态的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息。
所述基分类器训练模块,通过对由有标记的脑电样本组成的训练数据集进行多次样本抽取,产生不同的子训练集;选择Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析作为基分类器,利用不同的子训练集分别对三种基分类器进行训练,得到初始基分类器。
所述训练集更新模块包括置信度计算模块,所述置信度计算模块利用训练集中的样本确定类别1和类别2的置信度阈值,计算过程为:
a)分别按照由Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析所决定的投影方向对训练集中的样本进行投影,再分别计算投影空间中两类样本的均值Mji,其中j=1,2,3,分别代表三种投影方向,i=1,2,代表两种类别;
b)分别在三种投影空间中,计算当前训练集中的各个样本与所属类别的类均值Mji之间的欧式距离,然后分别计算两种类别的样本与所属类别的类均值之间的平均欧式距离Dj1和Dj2;
c)在各个投影空间中,计算类别1和类别2各自的置信度阈值Cji=Wji·Dji,其中,Wji表示权系数;
在由对未标记样本进行预测时取得相同预测结果的两种分类器所决定的两个投影空间中,分别计算该样本的投影与投影空间中两类类均值之间的欧氏距离dji,如果在两个投影空间中,均有dji≤Cji成立,则该样本属于高置信度样本;反之,如果在其中的任意一个投影空间中,有dji﹥Cji成立,则认为该样本属于低置信度样本。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种自适应的精神疲劳评估方法,其特征在于:包括
1)采集脑电信号构成脑电样本;
2)对采集到的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
3)利用训练好的初始基分类器对在线采集到的脑电样本进行预测,通过多数投票的策略选择预测结果,对样本进行标记,给出当前的疲劳状态评估结果。
2.根据权利要求1所述的一种自适应的精神疲劳评估方法,其特征在于:还包括:
4)计算步骤3)中标记过的样本的置信度,从标记过的样本中选择具有高置信度的样本加入到临时训练集中;
5)利用更新的训练集重新训练三个基分类器,再利用更新后的基分类器对新采集的未标记脑电样本进行预测和标记。
3.根据权利要求1或2所述的一种自适应的精神疲劳评估方法,其特征在于:利用训练好的初始基分类器对在线采集到的脑电样本进行预测,其中所述基分类器通过以下方式获取:
1)在疲劳或者不疲劳状态下采集脑电信号构成脑电样本,并对脑电信号所属状态进行标记,所属状态包括疲劳状态和非疲劳状态;
2)对采集到的标记了所属状态的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
3)对有标记的脑电样本组成的训练数据集进行多次样本抽取,产生不同的子训练集;选择Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析作为基分类器,利用不同的子训练集分别对三种基分类器进行训练,得到初始基分类器。
4.根据权利要求3所述的一种自适应的精神疲劳评估方法,其特征在于:置信度高低的判别方法为:
利用训练集中的样本确定类别1和类别2的置信度阈值,计算过程为:
a)分别按照由Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析所决定的投影方向对训练集中的样本进行投影,再分别计算投影空间中两类样本的均值Mji,其中j=1,2,3,分别代表三种投影方向,i=1,2,代表两种类别;
b)分别在三种投影空间中,计算当前训练集中的各个样本与所属类别的类均值Mji之间的欧式距离,然后分别计算两种类别的样本与所属类别的类均值之间的平均欧式距离Dj1和Dj2;
c)在各个投影空间中,计算类别1和类别2各自的置信度阈值Cji=Wji ●Dji,其中,Wji表示权系数;
在由对未标记样本进行预测时取得相同预测结果的两种分类器所决定的两个投影空间中,分别计算该样本的投影与投影空间中两类类均值之间的欧氏距离dji,如果在两个投影空间中,均有dji≤Cji成立,则该样本属于高置信度样本;反之,如果在其中的任意一个投影空间中,有dji﹥Cji成立,则认为该样本属于低置信度样本。
5.一种自适应的精神疲劳评估装置,其特征在于:包括第一脑电样本采集模块、第一特征信息提取模块和状态评估模块;
所述第一脑电样本采集模块,采集脑电信号构成脑电样本;
所述第一特征信息提取模块,对采集到的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
所述状态评估模块,利用训练好的初始基分类器对在线采集到的脑电样本进行预测,通过多数投票的策略选择预测结果,对样本进行标记,给出当前的疲劳状态评估结果。
6.根据权利要求5所述的一种自适应的精神疲劳评估装置,其特征在于:还包括训练集更新模块和分类器更新模块,
所述训练集更新模块,用于计算标记过的样本的置信度,从标记过的样本中选择具有高置信度的样本加入到训练集中;
所述分类器更新模块,利用更新的训练集重新训练三个基分类器,再利用更新后的基分类器对新采集的未标记脑电样本进行预测和标记。
7.根据权利要求6所述的一种自适应的精神疲劳评估装置,其特征在于:还包括第二脑电样本采集模块、第二特征信息提取模块和基分类器训练模块;
所述第二脑电样本采集模块,在疲劳或者不疲劳状态下采集脑电信号构成脑电样本,并对脑电信号所属状态进行标记,所属状态包括疲劳状态和非疲劳状态;
所述第二特征信息提取模块,对采集到的标记了所属状态的脑电信号进行低通滤波,提取δ、θ、α和β四个不同的脑电节律信号,然后以δ、θ、α三个节律信号的相对能量和能量比值作为各通道脑电信号的特征信息;
所述基分类器训练模块,通过对由有标记的脑电样本组成的训练数据集进行多次样本抽取,产生不同的子训练集;选择Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析作为基分类器,利用不同的子训练集分别对三种基分类器进行训练,得到初始基分类器。
8.根据权利要求7所述的一种自适应的精神疲劳评估装置,其特征在于:所述训练集更新模块包括置信度计算模块,所述置信度计算模块利用训练集中的样本确定类别1和类别2的置信度阈值,计算过程为:
a)分别按照由Fisher辨别分析、基于高斯径向基核函数的核Fisher辨别分析和基于线性核函数的核Fisher辨别分析所决定的投影方向对训练集中的样本进行投影,再分别计算投影空间中两类样本的均值Mji,其中j=1,2,3,分别代表三种投影方向,i=1,2,代表两种类别;
b)分别在三种投影空间中,计算当前训练集中的各个样本与所属类别的类均值Mji之间的欧式距离,然后分别计算两种类别的样本与所属类别的类均值之间的平均欧式距离Dj1和Dj2;
c)在各个投影空间中,计算类别1和类别2各自的置信度阈值Cji=Wji ●Dji,其中,Wji表示权系数;
在由对未标记样本进行预测时取得相同预测结果的两种分类器所决定的两个投影空间中,分别计算该样本的投影与投影空间中两类类均值之间的欧氏距离dji,如果在两个投影空间中,均有dji≤Cji成立,则该样本属于高置信度样本;反之,如果在其中的任意一个投影空间中,有dji﹥Cji成立,则认为该样本属于低置信度样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538724.5A CN107320115B (zh) | 2017-07-04 | 2017-07-04 | 一种自适应的精神疲劳评估装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538724.5A CN107320115B (zh) | 2017-07-04 | 2017-07-04 | 一种自适应的精神疲劳评估装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107320115A true CN107320115A (zh) | 2017-11-07 |
CN107320115B CN107320115B (zh) | 2020-03-17 |
Family
ID=60195824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710538724.5A Expired - Fee Related CN107320115B (zh) | 2017-07-04 | 2017-07-04 | 一种自适应的精神疲劳评估装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107320115B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836364A (zh) * | 2018-04-19 | 2018-11-20 | 中国人民解放军陆军工程大学 | 基于脑波能量聚类分析的心理状态判定方法及系统 |
CN109009017A (zh) * | 2018-07-03 | 2018-12-18 | 中南大学 | 一种智能健康监测系统及其数据处理方法 |
CN109729332A (zh) * | 2018-12-12 | 2019-05-07 | 珠海亿智电子科技有限公司 | 一种自动白平衡矫正方法和系统 |
CN110263606A (zh) * | 2018-08-30 | 2019-09-20 | 周军 | 基于端到端卷积神经网络的头皮脑电特征提取分类方法 |
CN110660479A (zh) * | 2019-09-18 | 2020-01-07 | 苏州晗林信息技术发展有限公司 | 一种动态医学影像ai训练诊断系统 |
CN113017646A (zh) * | 2021-02-26 | 2021-06-25 | 河北省科学院应用数学研究所 | 一种基于统计的脑电节律占比分布区间计算方法 |
CN113780394A (zh) * | 2021-08-31 | 2021-12-10 | 厦门理工学院 | 一种强分类器模型的训练方法、装置及设备 |
CN114343670A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 解释信息生成方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
US20160090097A1 (en) * | 2014-09-29 | 2016-03-31 | The Boeing Company | System for fatigue detection using a suite of physiological measurement devices |
CN106504475A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 基于脑电信号的疲劳驾驶检测方法 |
-
2017
- 2017-07-04 CN CN201710538724.5A patent/CN107320115B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
US20160090097A1 (en) * | 2014-09-29 | 2016-03-31 | The Boeing Company | System for fatigue detection using a suite of physiological measurement devices |
CN106504475A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 基于脑电信号的疲劳驾驶检测方法 |
Non-Patent Citations (1)
Title |
---|
谭学敏: "基于半监督学习的运动想象脑-机接口研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836364A (zh) * | 2018-04-19 | 2018-11-20 | 中国人民解放军陆军工程大学 | 基于脑波能量聚类分析的心理状态判定方法及系统 |
CN109009017A (zh) * | 2018-07-03 | 2018-12-18 | 中南大学 | 一种智能健康监测系统及其数据处理方法 |
CN109009017B (zh) * | 2018-07-03 | 2021-05-07 | 中南大学 | 一种智能健康监测系统及其数据处理方法 |
CN110263606A (zh) * | 2018-08-30 | 2019-09-20 | 周军 | 基于端到端卷积神经网络的头皮脑电特征提取分类方法 |
CN110263606B (zh) * | 2018-08-30 | 2020-09-25 | 周军 | 基于端到端卷积神经网络的头皮脑电特征提取分类方法 |
CN109729332A (zh) * | 2018-12-12 | 2019-05-07 | 珠海亿智电子科技有限公司 | 一种自动白平衡矫正方法和系统 |
CN109729332B (zh) * | 2018-12-12 | 2021-06-15 | 珠海亿智电子科技有限公司 | 一种自动白平衡矫正方法和系统 |
CN110660479A (zh) * | 2019-09-18 | 2020-01-07 | 苏州晗林信息技术发展有限公司 | 一种动态医学影像ai训练诊断系统 |
CN113017646A (zh) * | 2021-02-26 | 2021-06-25 | 河北省科学院应用数学研究所 | 一种基于统计的脑电节律占比分布区间计算方法 |
CN113780394A (zh) * | 2021-08-31 | 2021-12-10 | 厦门理工学院 | 一种强分类器模型的训练方法、装置及设备 |
CN113780394B (zh) * | 2021-08-31 | 2023-05-09 | 厦门理工学院 | 一种强分类器模型的训练方法、装置及设备 |
CN114343670A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 解释信息生成方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107320115B (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107320115A (zh) | 一种自适应的精神疲劳评估装置及方法 | |
CN110674772B (zh) | 电力作业现场智能安全管控辅助系统及方法 | |
CN108198615B (zh) | 一种在线认知评估系统 | |
CN107822623A (zh) | 一种基于多源生理信息的驾驶员疲劳及情绪评价方法 | |
Nuntalid et al. | EEG classification with BSA spike encoding algorithm and evolving probabilistic spiking neural network | |
CN109034632B (zh) | 一种基于对抗样本的深度学习模型安全风险评估方法 | |
CN113743471B (zh) | 一种驾驶评估方法及其系统 | |
CN105740767A (zh) | 一种基于脸部特征的驾驶员路怒症实时识别和预警方法 | |
CN106934199A (zh) | 一种心理压力评估方法及装置 | |
CN107095671A (zh) | 驾驶疲劳识别方法及系统 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN107180283A (zh) | 一种基于最优特征组合的再住院行为预测系统及方法 | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN103425884B (zh) | 一种地铁换乘通道通行状态的模糊预测方法 | |
CN109512423A (zh) | 一种基于确定学习与深度学习的心肌缺血危险分层方法 | |
CN107292517A (zh) | 基于大数据分析的民航安保信息服务系统 | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN107590473A (zh) | 一种人脸活体检测方法、介质和相关装置 | |
CN108446673A (zh) | 一种基于面部识别的管制员疲劳预警方法 | |
Zou et al. | A novel network security algorithm based on improved support vector machine from smart city perspective | |
CN106580350A (zh) | 一种疲劳状况监测方法及装置 | |
CN112863685A (zh) | 基于大数据人工智能的传染病应对方法和机器人 | |
CN117875517A (zh) | 黄河防汛指挥决策支持系统及方法 | |
CN106446552A (zh) | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测系统 | |
CN105975952A (zh) | 一种视频图像中大胡子检测的方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200317 Termination date: 20210704 |
|
CF01 | Termination of patent right due to non-payment of annual fee |