CN109480872B - 基于脑电信号频带能量比特征的驾驶疲劳检测方法 - Google Patents

Abstract

基于脑电信号频带能量比特征的驾驶疲劳检测方法，本发明涉及一种脑电信号分析方法。本发明目的是为解决现有的检测技术多以人的外部行为特征作为依据，难以准确地了解驾驶员的心理、生理属性，不易客观地评价驾驶员的疲劳状态，主观性过强，导致驾驶疲劳检测结果准确率低的问题。过程为：一、采集驾驶者脑电信号；二、进行预处理；三、得到局部均值分解后的乘积函数；四、得到重构的脑电信号；五、求解功率谱密度；六、求解脑电信号不同波段的频带能量比；七、对四进行归一化处理；八、求取标准差，将标准差、脑电信号不同波段的频带能量比作为BP神经网络的输入参数，输出疲劳状态。本发明用于驾驶疲劳检测领域。

Description

基于脑电信号频带能量比特征的驾驶疲劳检测方法

技术领域

本发明涉及一种脑电信号分析方法，具体涉及驾驶疲劳检测方法。

背景技术

疲劳驾驶所引发的交通问题是造成交通事故的主要原因之一，疲劳驾驶，是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面，开展对驾驶员疲劳检测和预测研究具有广泛需求和重大的社会、经济效益。现有的检测技术多以人的外部行为特征作为依据，如眨眼、低头、手的握力等，这些方式难以准确地了解驾驶员的心理、生理属性，不易客观地评价驾驶员的疲劳状态，导致驾驶疲劳检测结果准确率低。

发明内容

本发明目的是为解决现有的检测技术多以人的外部行为特征作为依据，难以准确地了解驾驶员的心理、生理属性，不易客观地评价驾驶员的疲劳状态，导致驾驶疲劳检测结果准确率低的问题，而提出基于脑电信号频带能量比特征的驾驶疲劳检测方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、使用脑电采集设备采集驾驶者l个信道的驾驶脑电信号；

l表示脑电信号的通道个数；

步骤二、对采集到的脑电信号进行预处理，得到预处理后的脑电信号；过程为：

对采集到的脑电信号去除基线漂移，对去除基线漂移后的脑电信号再进行工频干扰剔除；

步骤三、对预处理后的脑电信号进行局部均值分解，得到局部均值分解后的乘积函数；

步骤四、对局部均值分解后的乘积函数进行瞬时频率求解，获得瞬时频率均值，根据瞬时频率均值将频带范围在1～30Hz的乘积函数分量重构，得到重构的脑电信号；

频带范围1～30Hz包含δ波、θ波、α波和β波；

步骤五、对步骤四得到的重构的脑电信号数据进行离散傅里叶变换，求解功率谱密度，根据重构的脑电信号的频带进行频带划分，分为δ波、θ波、α波和β波；具体过程为：

重构的脑电信号的频带为1～30Hz，对重构的脑电信号的频带进行频带划分，

其中δ波的频带为1≤δ≤4Hz，θ波的频带为4＜θ≤8Hz，α波的频带为8＜α≤13Hz，β波的频带为13＜β≤30Hz；

步骤六、根据功率谱密度，求解脑电信号不同波段的频带能量比D_k；k＝δ,θ,α,β；

步骤七、对步骤四得到的重构的脑电信号数据进行归一化处理，得到归一化处理后的脑电信号；

步骤八、对归一化处理后的脑电信号求取标准差std，将标准差std、脑电信号不同波段的频带能量比D_δ、D_θ、D_α、D_β作为BP神经网络的输入参数，即输入层总共5个节点；

其中，D_δ为脑电信号δ波段的频带能量比、D_θ为脑电信号θ波段的频带能量比、D_α为脑电信号α波段的频带能量比、D_β为脑电信号β波段的频带能量比；

BP神经网络选择3层神经网络结构，即1个输入层，1个隐层，1个输出层；

输出层节点数选择为5，输出层5个节点分别为清醒、轻微疲劳、严重疲劳、极度疲劳和闭眼状态；

对BP神经网络进行训练，确定隐层节点数。

发明效果

本发明通过检测人体脑电的节律变化，从而分析驾驶员的精神状态，是一种更为直接的分析方法。利用相关数据处理方法提取脑电特征信号来分析判断其与驾驶状态之间的关联性，从而得到脑状态指标参数，实现对驾驶员疲劳状态的检测，以便采取相应技术手段以保证行车安全。

1、解决了脑电信号中噪声干扰的问题

本发明通过脑电技术分析驾驶疲劳状态，有效解决脑电信号的噪声干扰问题；脑电信号(Electroencephalogram，EEG)是一种反映大脑活动的生物电信号，在医学临床、大脑意识以及认识等研究活动方面发挥着越来越大的作用，脑电信号中常见的干扰问题包括基线漂移、工频干扰和生理伪迹，针对脑电数据分别使用中值滤波、陷波滤波和局部均值分解进行处理，实现对脑电信号中基线漂移、工频干扰进行剔除，完成脑电信号噪声的抑制，并准确提取δ波、θ波、α波以及β波段的脑电信号，提高了驾驶疲劳检测结果准确率。

2、建立了基于百分比功率谱密度和归一化方差驾驶疲劳估计模型

本发明通过建立基于脑电特征信号，设计了客观疲劳测试系统，并根据困睡度量表将疲劳状态划分为四个等级。将δ波、θ波、α波以及β波段的频带能量比及归一化方差std作为BP神经网络节点，获取驾驶疲劳度，有效解决了因驾驶人个体差异性导致的疲劳判别标准不同的问题，提高了驾驶疲劳检测结果准确率。

综上，本发明解决了现有的检测技术多以人的外部行为特征作为依据，难以准确地了解驾驶员的心理、生理属性，不易客观地评价驾驶员的疲劳状态，导致驾驶疲劳检测结果准确率低的问题。

本发明非闭眼状态下的疲劳分类准确率可达到85％以上，闭眼状态的分类正确率可达到95％。

附图说明

图1是本发明流程图。

具体实施方式

具体实施方式一：本实施方式的基于脑电信号频带能量比特征的驾驶疲劳检测方法，具体是按照以下步骤制备的：

步骤一、使用脑电采集设备采集驾驶者l个信道的驾驶脑电信号；

l表示脑电信号的通道个数；

步骤二、对采集到的脑电信号进行预处理，得到预处理后的脑电信号；过程为：

对采集到的脑电信号去除基线漂移，对去除基线漂移后的脑电信号再进行工频干扰剔除；

步骤三、对预处理后的脑电信号进行局部均值分解，得到局部均值分解后的乘积函数(Production Function，PF)；

步骤四、对局部均值分解后的乘积函数(Production Function，PF)进行瞬时频率求解，获得瞬时频率均值，根据瞬时频率均值将频带范围在1～30Hz的乘积函数分量重构，得到重构的脑电信号；

频带范围1～30Hz包含δ波、θ波、α波和β波；

步骤五、对步骤四得到的重构的脑电信号数据进行离散傅里叶变换，求解功率谱密度，根据重构的脑电信号的频带进行频带划分，分为δ波、θ波、α波和β波；具体过程为：

重构的脑电信号的频带为1～30Hz，对重构的脑电信号的频带进行频带划分，

其中δ波的频带为1≤δ≤4Hz，θ波的频带为4＜θ≤8Hz，α波的频带为8＜α≤13Hz，β波的频带为13＜β≤30Hz；

步骤六、根据功率谱密度，求解脑电信号不同波段的频带能量比D_k；k＝δ,θ,α,β；

步骤七、对步骤四得到的重构的脑电信号数据进行归一化处理，得到归一化处理后的脑电信号；

步骤八、对归一化处理后的脑电信号求取标准差std，将标准差std、脑电信号不同波段的频带能量比D_δ、D_θ、D_α、D_β作为BP神经网络的输入参数，即输入层总共5个节点；

其中，D_δ为脑电信号δ波段的频带能量比、D_θ为脑电信号θ波段的频带能量比、D_α为脑电信号α波段的频带能量比、D_β为脑电信号β波段的频带能量比；

BP神经网络选择3层神经网络结构，即1个输入层，1个隐层，1个输出层；

输出层节点数选择为5，输出层5个节点分别为清醒、轻微疲劳、严重疲劳、极度疲劳和闭眼状态；

对BP神经网络进行训练，确定隐层节点数。

具体实施方式二、本实施方式与具体实施方式一不同的是：所述步骤一中脑电信号的通道个数l＝8。

其它步骤及参数与具体实施方式一相同。

具体实施方式三、本实施方式与具体实施方式一或二不同的是：所述步骤二中对采集到的脑电信号去除基线漂移采用中值滤波法，具体过程为：

设一个通道脑电信号s＝{s(n)|n＝0，1，…，N-1}，中值滤波滑动窗口的长度为L，L<<N；N为脑电信号样本总数；

v_j＝med{s_j-M,s_j-M+1,…,s_j,…,s_j+M-1,s_j+M}

式中med(·)为脑电信号s中元素按从小到大排列的中间值，窗口长度L＝2M+1，M为正整数，s_j为窗口中间点对应的脑电信号，s_j+M-1为窗口内倒数第二个数据点对应的脑电信号，s_j+M为窗口内最后一个数据点对应的脑电信号，s_j-M+1为窗口内第二个数据点对应的脑电信号，s_j-M为窗口内第一个数据点对应的脑电信号，v_j为该窗口内数据的中间值对应的脑电信号；窗口长度L越长，其滤波效果越好，运算量也越大，可以根据脑电信号质量选择合适的L值，经过中值滤波后，原始信号严重的基线漂移问题得到了较好的处理。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二中工频干扰剔除方法采用陷波滤波算法；

所述陷波滤波算具体为：采用50Hz陷波滤波器完成脑电信号工频干扰剔除。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤三中对预处理后的脑电信号进行局部均值分解，得到局部均值分解后的乘积函数分量；具体过程为：

对预处理后的脑电信号进行局部均值分解，将预处理后的脑电信号x(t)分解为k个乘积函数分量F_m(t)和一个单调函数y_k(t)；表达式为：

式中，k为将预处理后的脑电信号x(t)分解为乘积函数分量F_m(t)的个数；

得到局部均值分解后的乘积函数分量F_m(t)。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤四中对局部均值分解后的乘积函数(Production Function，PF)进行瞬时频率求解，获得瞬时频率均值，根据瞬时频率均值将频带范围在1～30Hz的乘积函数分量重构，得到重构的脑电信号y(t)；

具体过程为：

瞬时频率求解的具体过程为：

将乘积函数分量F_m(t)希尔伯特变换为

式中：P表示柯西(Cauchy)主值；τ表示积分变量，t表示时间；

由F_m(t)和

得到解析信号z(t)

其中

定义瞬时频率为

式中：j为虚数单位，a(t)为瞬时幅度，θ(t)为相位函数；

对局部均值分解后的k个乘积函数分量计算瞬时频率均值，根据瞬时频率均值将频带范围在1～30Hz的乘积函数分量重构，得到重构的脑电信号y(t)；

频带范围1～30Hz包含δ波、θ波、α波和β波。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤五中对步骤四得到的重构的脑电信号数据进行离散傅里叶变换，求解功率谱密度；

具体过程为：

对步骤四得到的重构的脑电信号数据y(t)进行离散傅里叶变换，求解离散傅里叶变换后的脑电信号y(t)的功率谱密度，公式为：

PSD(ω)＝|FFT(y(t))|²

式中，|FFT(y(t))|²为对步骤四得到的重构的脑电信号数据y(t)进行离散傅里叶变换；PSD(ω)为离散傅里叶变换后的脑电信号y(t)的功率谱密度；

重构的脑电信号的频带为1～30Hz，对重构的脑电信号的频带进行频带划分，δ波的频带为1≤δ≤4Hz，θ波的频带为4＜θ≤8Hz，α波的频带为8＜α≤13Hz，β波的频带为13＜β≤30Hz；

根据脑电信号中各种节律波的定义，δ波、θ波、α波以及β波的能量分别为：

E_k＝∑PSD(ω),k＝δ,θ,α,β

式中，E_k为第k种脑电节律波的功率谱密度，k＝δ,θ,α,β，E_δ为δ波的频带能量，E_θ为θ波的频带能量，E_α为α波的频带能量，E_β为β波的频带能量，f_δ为δ波的频率，f_θ为θ波的频率，f_α为α波的频率，f_β为β波的频率。

其它步骤及参数与具体实施方式一至六之一相同。

具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤六中根据功率谱密度，求解脑电信号不同波段的频带能量比D_k；具体过程为：

脑电信号的强度随着被测试者的年龄、性别、人种、以及电极吻合度的变化而变化，因此使用一个绝对的功率谱密度值来衡量脑电状态意义不大，为此本发明定义频带能量比D_k：

其中D_k表示第k种脑电节律波的频带能量比，E_all＝E_δ+E_θ+E_α+E_β表示各频带的信号能量和。

其它步骤及参数与具体实施方式一至七之一相同。

具体实施方式九：本实施方式与具体实施方式一至八之一不同的是：所述步骤七中对步骤四得到的重构的脑电信号数据进行归一化处理，得到归一化处理后的脑电信号；

式中y(t)为步骤四得到的重构的脑电信号，peak(y(t))为序列y(t)的所有极大值。

其它步骤及参数与具体实施方式一至八之一相同。

具体实施方式十：本实施方式与具体实施方式一至九之一不同的是：所述步骤八中BP神经网络选取radbas径向基传递函数作为输入层到隐层的传递函数，选取trasig(双曲正切S型传递函数)作为隐层到输出层的传递函数。

所述步骤八中BP神经网络输出层所有节点均为二值输出，即输出值为0或1，依次对应清醒、轻微疲劳、严重疲劳和极度疲劳。例如轻度疲劳并闭眼状态，正确的输出结果应为[0 1 0 0 1]。

所述步骤八中使用Levenberg-Marquardt算法对BP神经网络进行训练，其中训练样本占80％，测试样本占20％，由于输入层和输出层节点数均为5，经过试验分析确定隐层节点数为13，结果较为准确。

其它步骤及参数与具体实施方式一至九之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

通过脑电设备，实现对脑电信号的采集，将每个通道的脑电信号进行中值滤波去除基线漂移，中值滤波滑动窗口的长度为L取为99，随后通过50Hz陷波滤波滤除工频干扰，针对脑电信号中可能存在心电、眼动等生理伪迹，采用局部均值分解算法将脑电信号进一步分解为多个PF分量，并根据瞬时频率将1-30Hz的频率成分包含进来，其余成分剔除重构脑电信号，接着，按照δ波(1-4Hz)、θ波(4－8Hz)、α波(8－13Hz)以及β波(13－30Hz)求取不同波段的功率谱密度，为了消除个体差异产生的功率谱密度差异，将功率谱密度转换为δ波、θ波、α波以及β波的百分比功率谱密度，和归一化标准差std，通过BP神经网络将δ波、θ波、α波以及β波的百分比功率谱密度D_δ、D_θ、D_α、D_β以及std作为输入参数，将隐层节点数选为13，通过训练可以求解对应5个输出层节点，其中前4个节点输出代表驾驶员疲劳状态，依次对应清醒、轻微疲劳、严重疲劳和极度疲劳，最后一个节点输出表示闭眼状态，输出层所有节点均为二值输出，即输出值为0或1，例如输出结果应为[0 1 0 0 1]，代表轻度疲劳并闭眼状态。

Claims (10)

1.基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述方法具体过程为：

步骤一、使用脑电采集设备采集驾驶者l个信道的驾驶脑电信号；

l表示脑电信号的通道个数；

步骤二、对采集到的脑电信号进行预处理，得到预处理后的脑电信号；过程为：

对采集到的脑电信号去除基线漂移，对去除基线漂移后的脑电信号再进行工频干扰剔除；

步骤三、对预处理后的脑电信号进行局部均值分解，得到局部均值分解后的乘积函数；

步骤四、对局部均值分解后的乘积函数进行瞬时频率求解，获得瞬时频率均值，根据瞬时频率均值将频带范围在1～30Hz的乘积函数分量重构，得到重构的脑电信号；

频带范围1～30Hz包含δ波、θ波、α波和β波；

步骤五、对步骤四得到的重构的脑电信号数据进行离散傅里叶变换，求解功率谱密度，根据重构的脑电信号的频带进行频带划分，分为δ波、θ波、α波和β波；过程为：

重构的脑电信号的频带为1～30Hz，对重构的脑电信号的频带进行频带划分，

其中δ波的频带为1≤δ≤4Hz，θ波的频带为4＜θ≤8Hz，α波的频带为8＜α≤13Hz，β波的频带为13＜β≤30Hz；

步骤六、根据功率谱密度，求解脑电信号不同波段的频带能量比D_k；k＝δ,θ,α,β；

步骤七、对步骤四得到的重构的脑电信号数据进行归一化处理，得到归一化处理后的脑电信号；

步骤八、对归一化处理后的脑电信号求取标准差std，将标准差std、脑电信号不同波段的频带能量比D_δ、D_θ、D_α、D_β作为BP神经网络的输入参数，即输入层总共5个节点；

其中，D_δ为脑电信号δ波段的频带能量比、D_θ为脑电信号θ波段的频带能量比、D_α为脑电信号α波段的频带能量比、D_β为脑电信号β波段的频带能量比；

BP神经网络选择3层神经网络结构，即1个输入层，1个隐层，1个输出层；

输出层节点数选择为5，输出层5个节点分别为清醒、轻微疲劳、严重疲劳、极度疲劳和闭眼状态；

对BP神经网络进行训练，确定隐层节点数。

2.根据权利要求1所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤一中脑电信号的通道个数l＝8。

3.根据权利要求1或2所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤二中对采集到的脑电信号去除基线漂移采用中值滤波法，具体过程为：

设一个通道脑电信号s＝{s(n)|n＝0，1，…，N-1}，中值滤波滑动窗口的长度为L，L<<N；N为脑电信号样本总数；

v_j＝med{s_j-M,s_j-M+1,…,s_j,…,s_j+M-1,s_j+M}

式中med(·)为脑电信号s中元素按从小到大排列的中间值，窗口长度L＝2M+1，M为正整数，s_j为窗口中间点对应的脑电信号，s_j+M-1为窗口内倒数第二个数据点对应的脑电信号，s_j+M为窗口内最后一个数据点对应的脑电信号，s_j-M+1为窗口内第二个数据点对应的脑电信号，s_j-M为窗口内第一个数据点对应的脑电信号，v_j为该窗口内数据的中间值对应的脑电信号。

4.根据权利要求3所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤二中工频干扰剔除方法采用陷波滤波算法；过程为：

采用50Hz陷波滤波器完成脑电信号工频干扰剔除。

5.根据权利要求4所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤三中对预处理后的脑电信号进行局部均值分解，得到局部均值分解后的乘积函数分量；具体过程为：

对预处理后的脑电信号进行局部均值分解，将预处理后的脑电信号x(t)分解为k′个乘积函数分量F_m(t)和一个单调函数y_k′(t)；表达式为：

式中，k′为将预处理后的脑电信号x(t)分解为乘积函数分量F_m(t)的个数；

得到局部均值分解后的乘积函数分量F_m(t)。

6.根据权利要求5所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤四中对局部均值分解后的乘积函数进行瞬时频率求解，获得瞬时频率均值，根据瞬时频率均值将频带范围在1－30Hz的乘积函数分量重构，得到重构的脑电信号y(t)；

具体过程为：

瞬时频率求解的具体过程为：

将乘积函数分量F_m(t)希尔伯特变换为

式中：P表示柯西(Cauchy)主值；τ表示积分变量，t表示时间；

由F_m(t)和

得到解析信号z(t)

其中

定义瞬时频率为

式中：j为虚数单位，a(t)为瞬时幅度，θ(t)为相位函数；

对局部均值分解后的k个乘积函数分量计算瞬时频率均值，根据瞬时频率均值将频带范围在1～30Hz的乘积函数分量重构，得到重构的脑电信号y(t)；

频带范围1～30Hz包含δ波、θ波、α波和β波。

7.根据权利要求6所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤五中对步骤四得到的重构的脑电信号数据进行离散傅里叶变换，求解功率谱密度；

具体过程为：

对步骤四得到的重构的脑电信号数据y(t)进行离散傅里叶变换，求解离散傅里叶变换后的脑电信号y(t)的功率谱密度，公式为：

PSD(ω)＝|FFT(y(t))|²

式中，|FFT(y(t))|²为对步骤四得到的重构的脑电信号数据y(t)进行离散傅里叶变换；PSD(ω)为离散傅里叶变换后的脑电信号y(t)的功率谱密度；

重构的脑电信号的频带为1～30Hz，对重构的脑电信号的频带进行频带划分，δ波的频带为1≤δ≤4Hz，θ波的频带为4＜θ≤8Hz，α波的频带为8＜α≤13Hz，β波的频带为13＜β≤30Hz；

δ波、θ波、α波以及β波的能量分别为：

E_k＝∑PSD(ω),k＝δ,θ,α,β

式中，E_k为第k种脑电节律波的功率谱密度，k＝δ,θ,α,β，E_δ为δ波的频带能量，E_θ为θ波的频带能量，E_α为α波的频带能量，E_β为β波的频带能量，f_δ为δ波的频率，f_θ为θ波的频率，f_α为α波的频率，f_β为β波的频率。

8.根据权利要求7所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤六中根据功率谱密度，求解脑电信号不同波段的频带能量比D_k；具体过程为：

频带能量比

其中D_k表示第k种脑电节律波的频带能量比，E_all＝E_δ+E_θ+E_α+E_β表示各频带的信号能量和。

9.根据权利要求8所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤七中对步骤四得到的重构的脑电信号数据进行归一化处理，得到归一化处理后的脑电信号；

式中y(t)为步骤四得到的重构的脑电信号，peak(y(t))为序列y(t)的所有极大值。

10.根据权利要求9所述基于脑电信号频带能量比特征的驾驶疲劳检测方法，其特征在于：所述步骤八中BP神经网络选取radbas径向基传递函数作为输入层到隐层的传递函数，选取trasig作为隐层到输出层的传递函数；

trasig为双曲正切S型传递函数；

所述步骤八中BP神经网络输出层所有节点均为二值输出，即输出值为0或1，依次对应清醒、轻微疲劳、严重疲劳和极度疲劳；

所述步骤八中使用Levenberg-Marquardt算法对BP神经网络进行训练，其中训练样本占80％，测试样本占20％，输入层和输出层节点数均为5，确定隐层节点数为13。

Images