CN110427840A - 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 - Google Patents
一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 Download PDFInfo
- Publication number
- CN110427840A CN110427840A CN201910634786.5A CN201910634786A CN110427840A CN 110427840 A CN110427840 A CN 110427840A CN 201910634786 A CN201910634786 A CN 201910634786A CN 110427840 A CN110427840 A CN 110427840A
- Authority
- CN
- China
- Prior art keywords
- electrical signal
- sample
- vector
- skin electrical
- feature vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 49
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 9
- 210000002683 foot Anatomy 0.000 claims description 8
- 230000003340 mental effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 210000003423 ankle Anatomy 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 230000014509 gene expression Effects 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000010181 skin prick test Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003236 psychic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,该方法包括如下步骤:首先,采用多导生理记录仪MP150实时采集驾驶员的足部皮肤电信号;之后每间隔10s截取一段时长为100s的信号,经巴特沃斯滤波器降噪后提取信号的统计特征及特有的四个特征,应用Fisher投影算法对特征向量进行降维;最后将预处理获得的特征向量作为SVM的输入矢量,以此来训练出一个SVM模型,然后利用训练出来的SVM模型对驾驶员的心理应激低中高状态进行实时预测,以做出相应反馈和干预,缓解驾驶员的心理应激,保证驾驶安全。本发明相比多生理信号系统,设计简单、系统负载低,且识别有效可靠。
Description
技术领域
本发明属于智能驾驶安全以及智能识别技术领域,尤其涉及一种基于皮肤电信号的驾驶员心理应激强度智能识别方法。
背景技术
随着经济的发展以及人民生活水平的提高,汽车已经成为人们出行的常用交通工具之一,但在带给人们方便的同时也带来不少交通事故。研究表明,有不少的交通事故是由于驾驶员心理过度应激而致,因此检测驾驶员的心理应激以便对驾驶人的应激强度进行适时调节,可以有效地减少交通事故的发生。同时驾驶员的心理应激检测也是汽车智能驾驶(人机交互)系统的一个重要问题。情绪与心理应激之间有着极其密切的关系,过强的心理应激会诱发驾驶员注意力不集中、烦躁、甚至愤怒等情绪。情绪是一种个体内在的多种生理反应的结果,可以通过表情、姿态、语调、语言等身体的外在表现显现出来。
目前,学者的研究主要集中在根据多生理信号对实验被试心理应激的低中高3种等级识别以及根据单模态生理信号对心理应激的有无两种状态进行识别。但显而易见的是,基于多生理信号的心理应激识别必然涉及到应用多种信号传感器,导致能耗过多,设备数量过多且体积庞大,从而影响驾驶方便和安全。第二种情况,基于单模态生理信号若只能识别应激的有无两种状态,显然不能准确预测驾驶员的心理应激状态,以致无法更好地满足现实的场景应用需求,即根据不同的心理应激强度给予提醒、预警和干预,以达到有效缓解驾驶压力确保驾驶安全。
发明内容
发明目的:本发明的目的针对上述问题,为达到驾驶员心理应激强度的方便、快速和有效的识别,本文发明提出一种基于单一皮肤电信号的驾驶员心理应激强度智能识别方法。
技术方案:本发明提出一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,所述智能识别模型包括1个皮肤电信号的采集设备MP150、1个信号预处理单元、1个支持向量机(SVM)训练单元和一个SVM试别单元所;所述智能识别模型,其操作步骤具体包括:
(1)首先将MP150(无线的多导生理记录仪设备)的皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号;
(2)然后通过巴特沃斯滤波器(Butterworth filter)对皮肤电信号片段进行降噪至0.2Hz以下(皮肤电信号的有效频率低于0.2Hz以下),以此提取有效的皮肤电信号;
(3)再对降噪的信号进行统计特征以及皮肤电信号特有特征的提取,这些特征组成特征向量,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模结果最优的低维特征向量;
(4)然后将上述步骤得到的低维特征向量作为SVM的训练矢量,训练出不同应激强度的SVM模型;
(5)最后再利用此训练模型对驾驶员的心理应激等级进行预测。
进一步的,步骤(2)中,巴特沃斯滤波器是电子滤波器的一种,滤波器可以将有用的信号与噪声分离,提高信号的抗干扰性及信噪比,滤掉不感兴趣的频率成分;巴特沃斯滤波器最先由英国工程师斯蒂芬·巴特沃斯(StephenButterworth)在1930年提出,其特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。
进一步的,步骤(3)中皮肤电信号的特征以及Fisher投影算法等处理过程,具体如下:
皮肤电信号的统计特征包括:皮肤电导均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,皮肤电导一阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,以及皮肤电导二阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率。
皮肤电信号的特有特征有:单位时间内有效的皮肤电反应发生次数、皮肤电信号波峰的上升时间和皮肤电信号上升波峰的面积。
在提取完上述特征后,将得到的每个信号片段的特征向量划分为低中高3种水平的集合,分别计算各个集合的均值μi和方差σi,利用式(1)对其进行归一化处理以此消除个体间差异带来的影响。
其中,s是步骤(3)中的特征向量,s,是归一化后得到的皮肤电信号特征向量。
所述的Fisher投影算法具体如下:此模型采取把归一化后的特征向量s,投影到2维的数据特征向量空间中,因此根据Fisher线性判别准则,可以找到两个最优的特征空间,当归一化后的数据特征向量向该“最优”方向(即2维特征空间)投影时,使样本的类间离散度Sb与类内离散度Sw的比值最大。
假设共有m个待分类的类别,即3种不同的心理应激强度等级,表示第i类中的第j个归一化之后的皮肤电信号特征向量样本,样本的类间离散度Sb可表示为:
式(1)中,m为3,其表示低中高3种心理应激等级,下文中的m和此处一致,x(i)表示第i类样本的均值,i=1,2,3,为所有的样本的均值,Ni表示i类样本的样本数,N表示样本的总数,即
对于该样本,类内离散度Sw表示为:
式(2)中,m为3,N为训练样本的数量,N1、N2和N3分别为各类训练样本的样本数。
Fisher线性判别的准则函数为:
如果投影后得到的样本类内离散度越小、类间离散度越大,则样本间的类别可分离性就越好,越容易进行数据的分类。使函数J(W)达到最大的W*就是最佳的投影向量,由数学计算可得W*=[w1,…,wn],其中,w1,…,wn分别是的n个最大特征对应的特征向量。此模型中n为2。至此可获得使25维的数据空间降维至2维的数据空间的投影向量,使2维特征向量对心理应激模型识别率达到最大的效率。
最后根据Fisher投影法则得到的投影向量,将采集的皮肤电信号的归一化之后的特征向量x投影到2维数据空间的样本表示为:
v=(W*)Tx (5)
其中,v表示经过Fisher线性判别法投影后得到的特征向量。
步骤(4)中的SVM的训练过程,SVM训练的具体过程如下:
单个支持向量机是一个二分类的分类器,对SVM的训练是在训练样本中寻找支持向量gi,i=1,2,…,f、支持向量权值系数αi和偏移系数b;
SVM的训练步骤:
(1)选择应激强度为低水平状态作为识别目标,对于第i个训练样本,提取其特征参数构成一个特征向量,采用符号函数作为判决函数,如果该样本属于该类应激强度水平,则令SVM输出yi=1,否则yi=-1;
(2)利用训练样本的特征向量作为训练集,核函数是高斯(径向基)函数,采用已有的分解算法对此心理应激强度的支持向量机进行训练,得到该训练集的支持向量gi,i=1,2,…,f,f为支持向量机的个数、支持向量权值系数αi和偏移系数b;
(3)中、高心理应激强度分别采用上述方法进行训,得到两个对应的支持向量机。
步骤(5)中的心理应激强度识别,SVM心理应激强度识别的具体过程如下:
(1)单个心理应激强度水平识别
提取待识别样本的特征向量输入到步骤4已训练好的支持向量机中,经输出判别函数(符号函数)对该样本进行判别。如果yi=1,则该样本属于该类心理应激等级,否则不属于该类心理应激等级;
(2)多心理应激强度水平识别
采用One-Against-All支持向量机对低、中、高3种心理应激强度水平进行试别,与步骤4中建立的三个支持向量机相对应,对每一个支持向量机,采用具有连续输出的函数作为软判决函数,将具有最大输出的值的类别作为最终的输出:
其中,j为测试样本的标号,k为不同心理应激压力强度的等级,K(gik,v)为待识别样本v(经过Fisher投影之后得到向量)与第k类心理应激压力强度的第i个支持向量gik的核函数,sv是支持向量集,是训练样本集的一个子集,αik表示第k种心理应激压力强度的第i个支持向量的权重系数,yik表示第i个支持向量的第k种心理应激压力的标签即为1或者-1。在计算出每个样本相对于不同心理应激压力强度水平的判别结果后,识别心理应激强度等级为使式(6)取得最大值的k值。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
本发明提供的一种基于单一皮肤电信号的汽车驾驶员心理应激强度智能识别的模型,更加适用于现实场景的汽车驾驶员的心理应激强度识别,可以很好地在设备功耗节省以及模型识别率之间做一个平衡。并且皮肤电信号是情感识别中最具典型的生理信号之一,相比较表情、语音、眼神或其他行为表现,它不容易被掩盖和控制,且采集极为方便,因此该模型具有很强的实用价值。本发明相比多生理信号系统,设计简单、系统负载低,且识别有效可靠。
附图说明
图1是本发明中一种基于皮肤电信号的驾驶员心理应激强度智能识别模型的系统框图;
图2是3个支持向量机子网络训练图;
图3是支持向量机子网络原理示意图;
图4是支持向量机应激水平识别图。
具体实施方式
如图1所示,一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,所述智能识别方法包括1个皮肤电信号的采集单元、1个信号预处理单元、1个支持向量机(SVM)训练单元和一个SVM识别单元。其具体方法如下:
(1)首先将MP150(无线的多导生理记录仪设备)的皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号;
(2)然后通过巴特沃斯滤波器(Butterworth filter)对皮肤电信号片段进行降噪至0.2Hz以下(皮肤电信号的有效频率低于0.2Hz以下),以此提取有效的皮肤电信号;
(3)再对降噪的信号进行统计特征以及皮肤电特有特征的提取,并进行特征向量的降维处理,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模结果最优的低维特征向量;
(4)然后将上述步骤得到的低维特征向量作为SVM的训练矢量,训练出不同应激强度的SVM模型;
(5)再利用此训练模型对驾驶员的心理应激等级进行预测。
步骤(2)中,巴特沃斯滤波器是电子滤波器的一种,滤波器可以将有用的信号与噪声分离,提高信号的抗干扰性及信噪比,滤掉不感兴趣的频率成分;巴特沃斯滤波器最先由英国工程师斯蒂芬·巴特沃斯(Stephen Butterworth)在1930年提出,其特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。
步骤(3)中皮肤电信号的特征以及Fisher投影算法等处理过程,具体如下:
皮肤电信号的统计特征包括:皮肤电导均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,皮肤电导一阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,以及皮肤电导二阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率;
皮肤电信号的特有特征有:单位时间内有效的皮肤电反应发生次数、皮肤电信号波峰的上升时间和皮肤电信号上升波峰的面积。
在提取完上述特征后,将得到的每个信号的特征参数划分为低中高3种水平的集合,分别计算各个集合的均值(μi)和方差(σi),利用式1对其进行归一化处理以此消除个体间差异带来的影响。
其中s是步骤(3)中的特征向量,s,是归一化后得到的特征向量。
所述的Fisher投影算法具体如下:此模型采取把特征向量投影到2维的数据特征向量空间中,因此根据Fisher线性判别准则,可以找到两个最优的特征空间,当原始的25维的数据特征向量向该“最优”方向(即2维特征空间)投影时,使样本的类间离散度Sb与类内离散度Sw的比值最大;假设共有m个待分类的类别,表示第i类中的第j个样本。样本的类间离散度Sb可表示为:
式(1)中,m为类别数;x(i)表示第i类样本的均值;为所有的样本的均值;Ni表示i类样本的样本数;N表示样本的总数,即
对于该样本,类内离散度Sw表示为:
式(2)中,m为3,N为训练样本的数量,N1、N2和N3分别为各类训练样本的样本数;
Fisher线性判别的准则函数为:
如果投影后得到的样本类内离散度越小、类间离散度越大,则样本间的类别可分离性就越好,越容易进行数据的分类。使函数J(W)达到最大的W*就是最佳的投影向量,由数学计算可得W*=[w1,…,wn],其中,w1,...,wn分别是的n个最大特征对应的特征向量。此模型中n为2。至此可获得使25维的数据空间降维至2维的数据空间的投影向量,使2维特征向量对心理应激模型识别率达到最大的效率;
最后根据Fisher投影法则得到的投影向量,将采集的皮肤电信号的特征向量x投影到2维数据空间的样本表示为:
v=(W*)Tx (4)
其中,v表示经过Fisher线性判别法投影后得到的特征向量。
步骤(4)中的SVM的训练过程:
单个支持向量机本质上是一个二分模式的分类器,判决函数为:
支持向量机子网络原理示意图如图3所示,其中K(gi,v),i=1,2,…,n为核函数,v为待分样本(经过Fisher投影之后得到的向量),训练样本集为(vi,yi),i=1,2,…,n。vi为训练样本,yi是vi的类标记,vi是v中的元素。sv是支持向量集,是训练样本集的一个子集,n为训练样本的数量,N为支持向量的数目。支持向量机的训练就是寻找支持向量集gi(i=1,2,…,N)、支持向量权值系数αi和偏移系数b。b的具体计算由式(6)可得:
训练前,训练样本中选取低、中和高3种水平的心理应激强度水平的皮肤电信号,经过信号预处理单元处理,得到各自特征向量作为支持向量机的训练样本。训练时,首先选择其中一种心理应激水平作为目标,对于第i个训练样本,采用符号函数作为判决函数,如果这个样本属于此类的应激水平,则yi为1,否则为-1。利用训练样本的特征向量和类别作为训练样本集,选用符合Mercer条件的高斯函数作为核函数,采用分解算法对该应激水平的支持向量机进行训练,其思想是通过多次的迭代解决对偶寻优问题:将原有的问题分解成更易处理的若干子问题,即设法减小寻优算法要解决问题的规模,按照迭代的思想,通过反复的求解子问题,最终使结果收敛到原问题的最优解。这是目前支持向量机的训练算法的一种解决方法,当支持向量数目远小于训练样本集数目时,算法具有很高的效率。最后得到该训练集关于某种应激水平的支持向量集gi(i=1,2,…,N),支持向量权值系数αi和偏移系数b。3种心理应激水平分别训练3个支持向量机,图2是训练3个支持向量机对应的3种心理应激水平。
步骤(5)中的心理应激强度识别,SVM心理应激强度识别的具体过程如下:
(1)单个心理应激强度水平识别
提取待识别样本的特征向量输入到步骤4已训练的支持向量机中,经输出判别函数(符号函数)对该样本进行判别。如果yi=1,则该样本属于该类情感,否则不属于该类情感。
(2)多心理应激强度水平识别
采用One-Against-All支持向量机对低、中、高3种心理应激强度水平进行试别,与步骤4中建立的三个支持向量机相对应,对每一个支持向量机,采用具有连续输出的函数作为软判决函数,将具有最大输出的值的类别作为最终的输出;
其中,j为测试样本的标号,k为不同心理应激压力强度的等级,K(gik,v)为待识别样本v(Fisher投影之后得到的向量)与第k种心理应激压力强度的第i个支持向量gik的核函数,αik表示第k种心理应激压力强度的第i个支持向量的权重系数,yik表示第i个支持向量的第k种心理应激压力的标签即为1或者-1,sv是支持向量集,是训练样本集的一个子集。在计算出每个样本相对于不同心理应激压力强度水平的判别结果后,识别心理应激强度等级为使式(7)取得最大值的k值。
首先采用MP150(多导生理记录仪),将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号。通过巴特沃斯滤波器对皮肤电信号片段进行降噪至0.2Hz以下,接着对降噪的信号进行统计特征以及皮肤电特有特征的提取,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模最有效的低维特征向量。最后将预处理获得的特征向量作为SVM的输入矢量,以及来训练出一个SVM模型,然后利用训练出来的SVM模型对驾驶员的心理应激低中高状态进行实时预测。
实施例1:
采集驾驶员足部的皮肤电信号。之所以没有采集手部,是考虑到驾驶汽车时,驾驶员由于需要频繁操控方向盘,手部活动较多,容易产生更多的运动伪迹;且城市交通中自动挡汽车使用较多,因此选择将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处。
需要通过巴特沃斯滤波器对皮肤电信号片段进行降噪至0.2Hz以下(皮肤电信号的有效频率低于0.2Hz以下),以此提取有效的皮肤电信号。
具体是对降噪的信号进行统计特征以及皮肤电特有特征的提取,并且进行归一化操作得到特征向量x,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模最有效的低维特征向量y,具体公式如下所示:
v=(W*)Tx
其中,W*为步骤(3)中的投影向量。
所述第4步骤中,具体是指利用上述步骤得到的低维特征向量作为SVM的训练矢量,分别训练出3种应激水平的SVM模型;
所述第5步骤中,具体是指利用把待测样本的特征向量vi分别作为3种支持向量机的输入,然后求出输出值yjk,找到其最大值对应的k即为对应的心理应激水平。
本发明提供的一种基于单一皮肤电信号的汽车驾驶员心理应激强度智能识别的方法,更加适用于现实场景的汽车驾驶员的心理应激强度识别,可以很好地在设备功耗节省以及模型识别率之间做一个平衡。并且皮肤电信号是情感识别中最具典型的生理信号之一,相比较表情、语音、眼神或其他行为表现,它不容易被掩盖和控制,且采集极为方便,因此该模型具有很强的实用价值。本发明相比多生理信号系统,设计简单、系统负载低,且识别有效可靠。
Claims (5)
1.一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,其特征在于,该方法包括如下步骤:
(1)将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,采集每间隔一定时间t1采集时长为t2的驾驶员的皮肤电信号;
(2)通过巴特沃斯滤波器对皮肤电信号片段进行降噪至0.2Hz以下,以此提取有效的皮肤电信号;
(3)对降噪的皮肤电信号进行统计特征以及皮肤电信号特有特征提取,以上述特征组成特征向量,然后通过Fisher投影算法,对特征向量进行降维以获取低维特征向量;
(4)然后将上述步骤得到的低维特征向量作为SVM的训练矢量,训练出不同应激强度的SVM模型;
(5)利用上述训练模型对驾驶员的心理应激等级进行预测。
2.根据权利要求1所述的一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,步骤(3)中的皮肤电信号进行统计特征以及皮肤电信号特有特征具体包括:
皮肤电信号的统计特征包括:皮肤电导均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,皮肤电导一阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,以及皮肤电导二阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率;
皮肤电信号的特有特征有:单位时间内有效的皮肤电反应发生次数、皮肤电信号波峰的上升时间和皮肤电信号上升波峰的面积。
3.根据权利要求1或2所述的一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,步骤(3)中通过Fisher投影算法,对特征向量进行降维以获取低维特征向量,方法如下:
(3.1)在提取完上述特征后,将得到的每个信号片段的特征向量划分为低中高3种水平的集合,分别计算各个集合的均值μi和方差σi,利用式(1)对其进行归一化处理:
其中,s是步骤(3)中的特征向量,s’是归一化后得到的皮肤电信号特征向量;
(3.2)假设共有m个待分类的类别,即m种不同的心理应激强度等级,表示第i类中的第j个归一化之后的皮肤电信号特征向量样本,样本的类间离散度Sb表示为:
式中,m为3,其表示低中高3种心理应激等级,x(i)表示第i类样本的均值,i=1,2,3,为所有的样本的均值,Ni表示i类样本的样本数,N表示样本的总数,即
对于该样本,类内离散度Sw表示为:
式(2)中,m为3,N为训练样本的数量,N1、N2和N3分别为各类训练样本的样本数;
(3.3)Fisher线性判别的准则函数为:
使函数J(W)达到最大的W*即是最佳的投影向量,由计算可得W*=[w1,…,wn],其中,w1,…,wn分别是的n个最大特征对应的特征向量;
(3.4)最后根据Fisher投影法则得到的投影向量,将采集的皮肤电信号的归一化之后的特征向量x投影到2维数据空间的样本表示为:
v=(W*)Tx (5)
其中,v表示经过Fisher线性判别法投影后得到的特征向量。
4.根据权利要求1或2所述的一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,步骤(4)中的SVM的训练过程,SVM训练的具体过程如下:
(1)选择应激强度为低水平状态作为识别目标样本,对于该低水平识别目标样本所计算的特征向量v,采用符号函数作为判决函数,如果目标样本属于该类应激强度水平,则令SVM输出yi=1,否则yi=-1;
(2)利用训练样本的特征向量作为训练集,核函数是高斯函数,采用分解算法对此应激强度的支持向量机进行训练,得到该训练集的支持向量gi,i=1,2,…,f,f为支持向量机的个数、支持向量权值系数αi和偏移系数b;
(3)中、高应激强度识别目标样本的特征向量分别采用上述方法进行训练,得到两个对应的支持向量机。
5.根据权利要求4所述的一种基于皮肤电信号的驾驶员心理应激强度智能识别的方法,其特征在于,步骤(5)利用此训练模型对驾驶员的心理应激等级进行预测,具体方法如下:
(5.1)单个心理应激强度水平识别
提取待识别样本的特征向量输入到步骤(4)已训练好的支持向量机中,经输出判别函数对该样本进行判别,如果yi=1,则该样本属于该类应激强度等级,否则不属于该类应激强度等级;
(5.2)多心理应激强度水平识别
采用One-Against-All支持向量机对低、中、高3种心理应激强度水平进行识别,与步骤(4)中建立的三个支持向量机相对应,对每一个支持向量机,采用具有连续输出的函数作为软判决函数,将具有最大输出的值的类别作为最终的输出:
其中,j为测试样本的标号,k为不同心理应激压力强度的等级,K(gik,v)为待识别样本v即经过Fisher投影之后得到向量,与第k类心理应激压力强度的第i个支持向量gik的核函数,sv是支持向量集,是训练样本集的一个子集,αik表示第k种心理应激压力强度的第i个支持向量的权重系数,yik表示第i个支持向量的第k种心理应激压力的标签即为1或者-1,在计算出每个样本相对于不同心理应激压力强度水平的判别结果后,识别心理应激强度等级为使式(6)取得最大值的k值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910634786.5A CN110427840A (zh) | 2019-07-15 | 2019-07-15 | 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910634786.5A CN110427840A (zh) | 2019-07-15 | 2019-07-15 | 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427840A true CN110427840A (zh) | 2019-11-08 |
Family
ID=68410643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910634786.5A Pending CN110427840A (zh) | 2019-07-15 | 2019-07-15 | 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111714142A (zh) * | 2020-06-12 | 2020-09-29 | 京东数字科技控股有限公司 | 心理状态测评方法、装置、设备和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1975856A (zh) * | 2006-10-30 | 2007-06-06 | 邹采荣 | 一种基于支持向量机的语音情感识别方法 |
CN109145890A (zh) * | 2018-11-19 | 2019-01-04 | 东南大学 | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 |
-
2019
- 2019-07-15 CN CN201910634786.5A patent/CN110427840A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1975856A (zh) * | 2006-10-30 | 2007-06-06 | 邹采荣 | 一种基于支持向量机的语音情感识别方法 |
CN109145890A (zh) * | 2018-11-19 | 2019-01-04 | 东南大学 | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111714142A (zh) * | 2020-06-12 | 2020-09-29 | 京东数字科技控股有限公司 | 心理状态测评方法、装置、设备和计算机可读存储介质 |
CN111714142B (zh) * | 2020-06-12 | 2023-12-08 | 京东科技控股股份有限公司 | 心理状态测评方法、装置、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109512442A (zh) | 一种基于LightGBM的EEG疲劳状态分类方法 | |
CN104173045B (zh) | 一种癫痫发作预警系统 | |
CN104461007B (zh) | 一种基于脑电信号的驾驶员辅助人车交互系统 | |
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 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
Ahmad et al. | Drowsy driver identification using eye blink detection | |
CN104828062B (zh) | 一种基于驾驶员制动意图识别的制动控制方法 | |
CN105446484A (zh) | 一种基于隐马尔科夫模型的肌电信号手势识别方法 | |
CN109498041A (zh) | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 | |
CN110236533A (zh) | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 | |
CN103400471A (zh) | 一种驾驶员疲劳驾驶检测系统及检测方法 | |
CN103824420A (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
Halkias et al. | Classification of mysticete sounds using machine learning techniques | |
Li et al. | Analysis and classification of EEG signals using a hybrid clustering technique | |
CN107616880B (zh) | 一种基于脑电意念和深度学习的智能电动轮椅实现方法 | |
CN110495893A (zh) | 一种运动意图连续脑肌电多层次动态融合识别系统及方法 | |
CN107766898A (zh) | 基于svm的三分类情绪概率判断方法 | |
CN113628448B (zh) | 车辆及其缓解疲劳驾驶的装置 | |
CN103190904A (zh) | 基于缺项特征的脑电图分类检测装置 | |
CN107292296A (zh) | 一种使用脑电信号的人类情感唤醒度分类识别方法 | |
CN109222966A (zh) | 一种基于变分自编码器的脑电信号情感分类方法 | |
CN106919948A (zh) | 一种驾驶持续性注意水平的识别方法 | |
CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
Lv et al. | Compact vehicle driver fatigue recognition technology based on EEG signal | |
CN109145890A (zh) | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |