CN109254654B - 一种结合PCA和PCANet的驾驶疲劳特征提取方法 - Google Patents

Abstract

本发明公开了一种结合PCA和PCANet的驾驶疲劳特征提取方法。本发明包含以下步骤：1、使用脑电采集设备采集驾驶脑电信号；2、对采集到的脑电信号进行预处理，包括降频、降噪；3、对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征；4、对提取的特征使用分类器进行分类学习、识别。本发明使用结合PCA和PCANet的驾驶疲劳特征提取方法，相比单独使用PCANet产生的维度爆炸，一方面可以降低对计算机的运算要求，同时加快了计算速度，减少了运算的时间，有利于后续的实时监测；另一方面PCANet这个图像的处理方法跨领域使用在驾驶疲劳特征的提取，也使分类的准确率有了有效的提升。

Description

一种结合PCA和PCANet的驾驶疲劳特征提取方法

技术领域

本发明涉及驾驶疲劳的特征提取方法，特别涉及一种结合PCA和PCANet的驾驶疲劳特征提取方法，将原本运用在图像处理的方法PCANet运用到BCI的领域，并运用在疲劳驾驶的研究方向。

背景技术

主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析首先是由K.皮尔森(Karl Pearson)对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。

PCANet是关于图像分类的深度学习框架，这个框架主要依赖几个基本的数据处理方法：1)主成分分析PCA。2)二值化哈希编码。3)分块直方图。在这个框架中，首先通过PCA方法来学习多层滤波器核，然后使用二值化哈希编码以及块直方图特征来进行下采样和编码操作。

发明内容

本发明的目的一方面是解决由于PCANet导致维度的升高，并且使计算复杂度上升，计算速度变慢的问题，另一方面可以提高在疲劳检测的分类准确率。从而提出了一种结合PCA和PCANet的疲劳驾驶检测方法。

按照本发明提供的技术方案，提出了一种结合PCA和PCANet的驾驶疲劳特征提取方法，包括如下步骤：

步骤1、使用脑电采集设备采集模拟驾驶脑电信号；

步骤2、对采集到的脑电信号进行预处理，包括降频、降噪；

步骤3、对预处理后的信号通过结合PCA和PCANet提取方法提取特征；

步骤4、对提取的特征使用分类器进行分类学习、识别；

所述的步骤1中，脑电信号采集包括记录驾驶者脑电信号的实时变化，因为脑电的主要频段是0.1-50Hz,所以确定10秒作为每段脑电信号片段的长度，并对每段脑电信号片段进行分析处理。

所述的步骤3中，对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征的步骤具体为：

步骤3-1：对预处理后信号首先采用PCA进行降维处理，为保持原信号足够信息量同时起到尽可能的降维处理，设定一个保持原信号99％的阈值，对每段信号进行处理，最后根据每段信号特征确定所降的维数；

步骤3-2：对由3-1所得的降维处理后的信号进行PCANet的运算，以运算结果作为特征。

所述的步骤3中，对预处理后信号通过PCA运算得到降维信号的步骤具体为：

(1)对采集的脑电信号进行特征中心化处理，即每一维的样本都减去它的均值；

(2)计算中心化后的协方差矩阵C；

(3)计算C的特征值和特征向量，同时将特征值按照从大到小排列；

(4)选取k值，k表示的是所选取的前k个特征向量，k从1开始，直到前k个特征向量所组成的信号所含信息量占原信号的99％以上，然后提取这个k；

(5)对所有组别的信号重复上述步骤，然后选取所有k值最大值作为最后的降维数。

所述的步骤3中得到了处理后的降维信号，并以此信号代替原信号进行PCANet处理提取所需要的特征，在进行分类识别的具体步骤如下：

(1)将原本一维的脑电信号转化为二维信号,类似于图片信号，设置为：通道数X采样点数；

(2)选取一个适当的采样块k₁×k₂对样本进行采样处理，其中得设置滑窗的大小和移动的步长，设输入的第i张图片为I_i，采样并进行特征中心化的输入数据X_i为：

其中m,n为原图片的长宽。

则总体的样本矩阵表示为：

(3)对上述X进行主成分分析，求取协方差矩阵，然后选取前L1个最大特征值和特征向量，并且设置滤波器数量，滤波器的表示：

以此L1个特征向量组成特征映射矩阵，进行卷积运算：

第二层和上述步骤类似，且以第一层输作为输入；

(4)对输出矩阵进行二值化处理，再进行哈希编码：

最后将输出分成B块，计算每一块的直方图信息，然后将各个块的直方图进行级联，最终扩展直方图特征：

以此作为特征进行分类计算准确率。

本发明有益效果如下：先利用PCA对原始数据进行降维处理，一方面在保证信息完整性的条件下减小维度可以加快算法运算的速度，减小算法运算的时间，对于信号的实时处理是一种优化，相比直接应用PCANet产生的维度爆炸，更具有优越性；另一方面PCANet方法从图像领域应用到脑电领域来检测疲劳，在疲劳检测方面，分类准确率也得到了有效的提升。

附图说明

图1为PCANet原理图；

图2为特征的选择及提取流程图。

具体实施方式：

下面结合具体实施例对本发明作进一步说明。以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。

如图1与图2所示本发明实现的步骤如下：

步骤1、使用脑电采集设备采集驾驶脑电信号。其中采集到的脑电信号源自6名受试者佩戴的国际10-20导联系统电极帽，通道数为32通道,频率为500Hz。分别记录20分钟正常驾驶和20分钟疲劳驾驶时的脑电信号，以每10秒的信号作为样本，6名受试者共计采集1440个样本。其中以1200个样本为训练样本，240个脑电样本为测试样本；

步骤2、对采集到的脑电信号进行预处理，包括降频、降噪。预处理后的信号采样频率降为200Hz，主要频率范围为0.1Hz-50Hz。每个样本的采样点从5000变为2000；

步骤3、对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征；

步骤4、用不同的特征提取方法对原信号进行特征提取，本例中采用的是功率谱(PSD),经验模态分解和能量谱密度的结合(EMD+ESD)和主成分分析结合PCANet的方法，再使用分类器进行分类学习、识别，本例中使用支持向量机(SVM)；

所述的步骤1中，脑电信号采集包括记录驾驶者脑电信号的实时变化，以10秒作为每段脑电信号片段的长度，并对每段脑电信号片段进行分析处理。

所述的步骤3中，对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征的步骤具体为：

步骤3-1：对预处理后信号首先采用PCA进行降维处理，为保持原信号足够信息量同时起到尽可能的降维处理，设定一个保持原信号99％的阈值，对每段信号进行处理，最后根据梅段信号特征确定所降的维数；

步骤3-2：对由3-1所得的降维处理后的信号进行PCANet的运算，以运算结果作为特征。

所述的步骤3中，对预处理后信号通过PCA运算得到降维信号的步骤具体为：

(1)对采集的脑电信号进行特征中心化处理，即每一维的样本都减去它的均值；

(2)计算中心化后的协方差矩阵C；

(3)计算C的特征值和特征向量，同时将特征值按照从大到小排列；

(4)选取k值，k表示的是所选取的前k个特征向量，k从1开始，直到前k个特征向量所组成的信号所含信息量占原信号的99％以上，然后提取这个k；

(5)对所有组别的信号重复上述步骤，然后选取所有k值最大值作为最后的降维数。

所述的步骤3中得到了处理后的降维信号，并以此信号代替原信号进行PCANet处理提取所需要的特征，在进行分类识别的具体步骤如下：

(1)将原本一维的脑电信号转化为二维信号，类似于图片信号，设置为：通道数X采样点数；

(2)选取一个适当的采样块对样本进行采样处理，其中得设置滑窗的大小和移动的步长，设输入的第i张图片为I_i，采样并进行特征中心化的输入数据为：

其中m,n为原图片的长宽。

则总体的样本矩阵表示为：

(3)对上述X进行主成分分析，求取协方差矩阵，然后选取前L1个最大特征值和特征向量，并且设置滤波器数量，滤波器的表示：

以此L1个特征向量组成特征映射矩阵，进行卷积运算：

第二层和上述步骤类似，且以第一层输作为输入；

(4)对输出矩阵进行二值话处理，再进行哈希编码：

最后将输出分成B块，计算每一块的直方图信息，然后将各个块的直方图进行级联，最终扩展直方图特征：

以此作为特征进行分类计算准确率。

分别使用结合PCA和PCANet的方法与传统的能量谱方法进行特征提取，其分类结果如下表1所示。

表1三种特征提取算法分类准确率对比

通过对比三种算法的分类识别率，可以明显看出在使用相同的分类算法的情况下结合PCA和PCANet的方法比传统的能量谱方法有更好的分类效果，在使用PCA和PCANet结合的特征提取的算法的情况下，平均分类准确率达到了98.81％。表明结合PCA和PCANet的方法在驾驶疲劳脑电信号的检测分析应用中具有极大的优势。

Claims (3)

1.一种结合PCA和PCANet的驾驶疲劳特征提取方法，其特征在于包括如下步骤：

步骤1、使用脑电采集设备采集驾驶者脑电信号；

步骤2、对采集到的脑电信号进行预处理，包括降频、降噪；

步骤3、对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征；

步骤3-1：对预处理后信号首先采用PCA进行降维处理，为保持原信号足够信息量同时起到尽可能的降维处理，设定一个保持原信号99％的阈值，对信号进行处理，最后根据信号特征确定所降的维数；

步骤3-2：对由3-1所得的降维处理后的信号进行PCANet的运算，以运算结果作为特征，具体步骤为：

将原本一维的脑电信号转化为二维信号，设置为：通道数X采样点数；

(1)选取一个采样块k₁×k₂对样本进行采样处理，其中得设置滑窗的大小和移动的步长，设输入的第i张图片为I_i，采样并进行特征中心化的输入数据X_i为：

其中m,n为原图片的长宽；

则总体的样本矩阵表示为：

(2)对上述X进行主成分分析，求取协方差矩阵，然后选取前L1个最大特征值和特征向量，并且设置滤波器数量，第一层滤波器W¹的表示：

以此L1个特征向量组成特征映射矩阵，进行卷积运算：

第二层和上述步骤类似，且以第一层输出作为输入；

(3)对输出矩阵进行二值话处理，再进行哈希编码：

最后将输出分成B块，计算每一块的直方图信息，然后将各个块的直方图进行级联，最终扩展直方图特征：

以此作为特征进行分类计算准确率；

步骤4、对提取的特征使用分类器进行分类学习、识别。

2.如权利要求1所述的结合PCA和PCANet的驾驶疲劳特征提取方法，其特征在于，步骤1具体为：所述采集驾驶者脑电信号，包括记录驾驶者脑电信号的实时变化，以10秒作为每段脑电信号片段的长度，并对每段脑电信号片段进行分析处理；对于之后研究的实时检测，以500ms作为窗口滑动的步长，保存前一步9.5s的数据，加上后一步500ms的信号，组成10s信号段，再进行分类判断。

3.根据权利要求1所述的一种结合PCA和PCANet的驾驶疲劳特征提取方法，其特征在于：对预处理后信号通过PCA运算得到降维信号的步骤具体为：

(1)对采集的脑电信号进行特征中心化处理，即每一维的样本都减去它的均值；

(2)计算中心化后的协方差矩阵C；

(3)计算C的特征值和特征向量，同时将特征值按照从大到小排列；

(4)选取k值，k表示的是所选取的前k个特征向量，k从1开始，直到前k个特征向量所组成的信号所含信息量占原信号的99％以上，然后提取这个k；

(5)对每一维的信号重复上述步骤，然后选取所有k值最大值作为最后的降维数。

Images