CN110772267B - 一种人体生理疲劳数据标记方法及疲劳识别模型 - Google Patents

Abstract

本发明提供了一种人体生理疲劳数据标记方法及疲劳识别模型，其中方法包括将脑电信号数据集根据聚类算法确定簇类别数的步骤、根据簇类别数对脑电信号数据集进行数据聚类与标记的步骤。簇类别数确定过程依据DPCA决策图绘制原理绘制出聚类决策图，用来初步判断簇类别数与聚类中心点，然后应用BIC选择准则对簇类别数进一步选择与确认。本发明可以代替手动标记，降低了人力资源的消耗；另外，应用DPCA算法与BIC选择准则进行簇类别数确定可以弥补传统聚类算法无法自动确定待标记数据簇的类别数的缺陷，提高了聚类算法的自动化程度。

Description

一种人体生理疲劳数据标记方法及疲劳识别模型

技术领域

本发明涉及基于人工智能的数据分析领域，特别涉及一种人体生理疲劳数据标记方法及疲劳识别模型。

背景技术

在各行各业，生理疲劳问题不仅影响着作业人员完成任务的质量，也容易引发安全事故；疲劳识别技术可以有效的预防因人员生理疲劳所造成的生命与财产损失。目前的疲劳识别技术大多应用机器学习中的有监督学习技术，该类技术需要应用大量标记好的数据对疲劳识别模型进行训练以提高其识别精度。

一篇于2017年发表于“北京工业大学学报”第43卷第6期的名称为“基于EEG的驾驶疲劳识别算法及其有效性验证”的文章提出了一种利用快速傅里叶变换对脑电信号进行特征选取，并应用核主源分析结合支持向量机搭建疲劳识别模型的方法；于2017年发表于“计算机工程”第43卷第2期的名称为“基于脑电与眨眼频率的可穿戴疲劳驾驶检测系统”、于2018年发表于“现代信息科技”第2卷第4期的名称为“基于便携式脑电数据的实时疲劳驾驶检测系统”两篇文章，均描述了基于KNN算法、可以安装在安卓智能手持设备上的驾驶员疲劳检测系统的实现方法。这些方法对人体生理数据的采集、特征选取、分类模型训练以及最终系统实现都有了详尽的描述。但是这些技术尤其是分类算法模型的训练需要依赖大量标记好的人体生理数据；应用人工对数据进行手动标记的方法会消耗大量的人力与物力，因此需要一种智能高效的数据标记方法来对未知类别的人体生理数据进行标记，从而为疲劳识别模型的训练提供数据支持。

发明内容

有鉴于此，为了解决现有技术的问题，本发明提供一种人体生理疲劳数据标记方法及疲劳识别模型，应用聚类算法代替手动标记，降低了人力资源的消耗。

聚类算法是典型的无监督学习算法，它可以通过数据内在的规律将整个数据集划分为不同类别的簇，并对每个数据点进行标记：同一簇内的数据点标记相同，不同簇内的数据点标记不同；可以应用于人体疲劳数据的标记。传统的聚类算法，需要确定待标记数据集中簇的类别数；而在实际的生产生活中产生的数据往往无法在标记前预知其数据所包含的簇类别数，这是在应用聚类算法进行数据标记过程中需要解决的。

而本发明很好的解决了这个问题，本发明的技术方案如下：

第一方面，本发明提供了一种人体生理疲劳数据标记方法，包括将脑电信号数据集根据聚类算法确定簇类别数的步骤、根据簇类别数对脑电信号数据集进行数据聚类与标记的步骤。

进一步的，所述的确定簇类别数的步骤包括：

步骤S1、采集脑电信号的数据；

步骤S2、对脑电信号去噪；

步骤S3、利用小波包变换进行脑电信号的特征提取；

步骤S4、应用DPCA算法画出聚类决策图，初步确定簇类别数；

步骤S5、应用BIC选择准则确定最终簇类别数。

进一步的，所述的对脑电信号数据集进行数据聚类与标记的步骤包括：

步骤S6、脑电特征数据集聚类分析及聚类中心疲劳等级确认；

步骤S7、对脑电数据进行标记，形成带标签的数据。

进一步的，所述的步骤S2中对脑电信号去噪的方法为：从混合的脑电信号中分离出每一个信号的信号源，去除其中的干扰信号。

进一步的，所述的步骤S4中初步确定簇类别数的步骤包括：

步骤S401、确定数据点之间的截断距离d_cut，使得数据集中平均每个数据点在以d_cut为半径的领域内，数据点的个数占数据点总数的2％；

步骤S402、通过d_cut来计算每个数据点的局部密度ρ及距离δ；

步骤S403、以局部密度为ρ为x轴，距离δ为y轴画出聚类中心决策图；

步骤S404、对非聚类中心点归类；

步骤S405、为每一个簇生成一个平均密度上界；

步骤S406、标记每一个簇。

进一步的，所述的步骤S5中BIC选择准则的计算公式为：BIC＝k ln(n)-2ln(L)，其中k为簇类别数，n为数据点总数，L为似然函数。

进一步的，所述的步骤S6中的疲劳等级包括清醒、轻微疲劳、中度疲劳、重度疲劳和瞌睡。

进一步的，同一簇内的数据标记相同，不同簇内的数据标记相异。

第二方面，本发明提供一种疲劳识别模型，利用上述人体生理疲劳数据标记方法得到的带标签的数据进行训练。

本发明提出的应用聚类算法可以代替手动标记，应用聚类算法对生产生活中产生的人体生理疲劳数据进行标记，降低了人力资源的消耗；另外，本发明提出的应用DPCA算法与BIC选择准则进行待标记数据集簇类别数确定可以弥补传统聚类算法无法自动确定待标记数据簇类别数的缺陷，提高了聚类算法的自动化程度。

附图说明

图1为本发明的应用B-DPCA算法对数据进行数据标记的流程图；

图2为DPCA算法的流程图；

图3a、图3b为DPCA算法决策图绘制原理；

图4为DPCA算法画出的Aggregation数据集决策图；

图5为k取1～10的Aggregation数据集BIC值计算结果；

图6a、图6b为Aggregation数据集聚类结果；

图7为对脑电数据进行标记的应用实例流程图；

图8为脑电数据经ICA处理后的各分量脑地形图；

图9a为三层小波包分解树示意图；

图9b为经小波包变换后得到的各层细节系数示意图；

图10为疲劳等级确认示例的驾驶员疲劳等级划分详情图；

图11为脑电特征数据聚类决策图；

图12为聚类与标记准确率表示图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

实施例一

下面结合实例与附图详细说明本发明提出的基于B-DPCA算法的人体生理数据标记方法原理并以脑电疲劳数据为例演示其工作流程。

如图1所示，本方法的重点在于簇类别数确定、数据聚类与标记两部分。簇类别数确定过程依据DPCA决策图绘制原理绘制出聚类决策图，用以初步判断簇类别数与聚类中心点，然后应用BIC选择准则对簇类别数进行进一步选择与确认。数据聚类过程应用上一步得到的簇类别数，依据DPCA聚类方法将整个数据集划分为不同的簇，再对全部数据进行标记：同一簇内的数据标记相同，不同簇内的数据标记相异。

应用DPCA算法进行数据分类与标记，如图7为B-DPCA算法对脑电疲劳数据进行标记的工作流程，包括将脑电信号数据集根据聚类算法确定簇类别数的步骤、根据簇类别数对脑电信号数据集进行数据聚类与标记的步骤。

其中，确定簇类别数的步骤包括：

步骤S1、采集脑电信号的数据。

步骤S2、脑电信号的独立成分分析，对脑电信号去噪。

由于脑电信号易受噪声干扰，且时变性很强，所以应对其进行去除噪声处理。

独立成分分析(ICA)可以从混合信号中分离出每一个信号的信号源，适用于去除EEG信号(脑电信号)中工频、眼电等干扰信号。假设采集到的EEG与其它噪声的混合信号样本集A＝{aⁱ；i＝1,2,......,m}；

其中aⁱ表示混合信号在i时刻的样本，1～n表示混合信号中共有n个信号源，m表示样本集中样本总数量。假设最后被分离出的信号s＝{s₁,s₂,......s_n}为需要分离出的n个分量；

为系数；以矩阵形式可以表示为A＝Xs。对矩阵X进行估算后可以求出X的逆矩阵W，根据W可以求出被分离出的信号s＝WA。

如图8所示为应用ICA算法对原始脑电信号进行处理后得到的各分量脑地形图，其中除IC2外的其余分量均为噪声分量，需要去除。

步骤S3、利用小波包变换进行脑电信号的特征提取。

EEG信号中包含四种节律的波形，波形的基本特性如表1所示：

表1 EEG信号四种节律波形的基本特性

在对EEG信号进行进一步分析之前需要从EEG信号中将四种节律的波形提取出来。

小波变换可将采集得到的时域脑电信号逐层分解为低频信息与高频信息两个部分，每一层的高频部分可以捕获低频部分损失的信息；下一层将继续对上一层的低频分量进行分解。因此，小波变换虽然能够表征出EEG信号的非平稳特性，却无法对信号中的高频分量进一步分解。小波包变换继承了小波变换对非平稳信号的表现能力，并且能够对信号的高频及低频部分进行分解，更适用于EEG信号的处理。图9a为三层小波包分解树示意图。其中s为原始信号，L表示低频，H表示高频，数字代表小波分解的层数。分解关系公式为：s＝LLL3+HLLE+LHL3+HHL3+LLH3+HLH3+LHH3+HLH3+LHH3+HHH3驾驶员从正常状态向疲劳状态转变的过程中各节律相对能量比值参数(α+θ)/β、α/β、(α+θ)/(α+β)均会发生变化。

如图9b所示为应用小波包分解得到的脑电信号各层细节系数示意图，经过小波包分解后，可以根据各节律波形的特性从脑电信号中提取出(α，β，θ，δ)四种不同节律的波形。选取(α+θ)/β、α/β、(α+θ)/(α+β)三个参数做为脑电疲劳特征。

步骤S4、应用DPCA算法画出聚类决策图，初步确定簇类别数。

DPCA算法是Alex Rodriguez和Alessandro Laio在Science上发表的一篇名为《Clustering by fast search and find of density peaks》的文章中提出的，其核心思想为聚类中心具有局部密度大，且与其它聚类中心距离较远的特点。其算法流程如图2所示，具体算法步骤为：

步骤S401、确定截断距离d_cut，使得数据集中平均每个数据点在以d_cut为半径的邻域内，点的个数为数据点总数的2％；

步骤S402、通过d_cut来计算每个数据点的局部密度ρ及距离δ；

步骤S403、以局部密度为ρ为x轴，距离δ为y轴画出如图3a和图3b所示的聚类中心决策图，图中1号点与10号点均为聚类中心点；图3a为原始数据图，图3b为聚类中心决策图。

步骤S404、对非聚类中心点归类；

步骤S405、为每一个簇生成一个平均密度上界；

步骤S406、标记每一个簇。

如图4为DPCA算法对含有7个簇的Aggregation数据集分析后画出的决策图，图中方框的位置所包含的点均有可能成为聚类中心点，因此需要用BIC选择准则进行确定。

步骤S5、应用BIC选择准则确定最终簇类别数。

BIC选择准则的计算公式为：BIC＝k ln(n)-2ln(L)，其中k为簇类别数，n为数据集中数据点总数量，L为似然函数；分别计算k取1～10的BIC值，选取BIC值最小时k的取值作为最终的簇类别数。Aggregation数据集BIC值计算结果如图5所示。

对脑电信号数据集进行数据聚类与标记的步骤包括：

步骤S6、脑电特征数据集聚类分析及聚类中心疲劳等级确认；

本发明依托模拟驾驶软件设计了一套数据采集实验流程，并制定了相应的驾驶质量评价体系，实验流程为：

1、热身驾驶，驾驶员根据自己喜好选择驾驶模式进行热身直至进入最佳驾驶状态，最佳驾驶状态以被试者能够于15分钟内完成12项专项测试为评判标准；

2、进行20次八字弯测试对驾驶员精细操作能力进行评估，其中10次要求高速(15km/h以上)通过，10次要求低速(15km/h以下)通过，分别记录高速与低速驾驶时顺利通过测试的次数MHP、MLP；

3、进行20次麋鹿测试(车辆加速至40km/h以上，然后根据前方液晶显示牌显示的箭头方向进行转向，并于停止线位置停车，期间不得与任何障碍物发生碰撞)对驾驶员应急反应能力进行评估，其中10次要求加速至60km/h以上，10次加速至40km/h即可，分别记录高速与低速驾驶时顺利通过测试的次数EHP、ELP；

4、改变自由驾驶状态的交通状况设置，使路面上行驶的汽车有几率不按交规行驶，出现急刹、强行变道等状况，被试者在该交通环境下行驶半个小时，以加重被试者疲劳状态并降低肌肉记忆对测试结果的影响。

5、交替重复步骤2至步骤4，直至被试人员主观疲劳感严重无法继续驾驶为止。驾驶质量评价体系如表2所示。

表2驾驶质量评价体系

根据驾驶质量评价体系可将疲劳状态划分为5个等级，等级划分详情如图10所示。

对脑电特征数据集进行聚类分析的过程与对Aggregation数据集进行聚类的过程相同，即步骤S1～S5。

由于每种疲劳等级对应的脑电信号特征数据向量(即V＝((α+β)/β,α/β,(α+θ)/(α+β)))均不相同，假设疲劳等级1至疲劳等级5对应的平均脑电信号特征数据向量分别为V_i；i＝1,2,3,4,5(i为疲劳等级编号)；聚类中心点对应的脑电信号特征数据向量为C_j；j＝1,2,3,4,5(j为聚类中心点编号)；min{dist(C_jV_i)}(dist{C_jV_i}为两个向量之间的欧氏距离)所对应的i值即为聚类中心点j脑电信号表征的疲劳等级。

最终聚类结果如图6a和图6b所示，图6a为簇类别数及聚类中心确认，图6b为聚类及标记结果，不同数字代表不同簇的标记。

本实施例中脑电疲劳共分为5个等级，分别为清醒、轻微疲劳、中度疲劳、重度疲劳和瞌睡。因此数据集中包含5个簇，不同的簇代表不同的疲劳等级。

步骤S7、完成标记，形成带标签的数据。

同一簇内的数据标记相同，不同簇内的数据标记相异。

实施例二

本发明的实施例二提供了一种疲劳识别模型，利用实施例一所述的标记方法得到的数据训练该疲劳识别模型，以提高其识别精度。

如图11所示为利用疲劳识别模型识别并画出的脑电疲劳数据决策图，不同数字代表了聚类中心点的编号；

如图12所示为脑电疲劳特征数据标记准确率示意图，“○”代表数真实的数据标记，“*”代表应用B-DPCA算法做出的数据标记，其准确率为93.5％。图中由于所有“○”都挨得非常紧凑，因此看起来就像是一条很粗的直线。

以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种人体生理疲劳数据标记方法，其特征在于：包括将脑电信号数据集根据聚类算法确定簇类别数的步骤、根据簇类别数对脑电信号数据集进行数据聚类与标记的步骤；

所述的确定簇类别数的步骤包括：

步骤S1、采集脑电信号的数据；

步骤S2、对脑电信号去噪；

步骤S3、利用小波包变换进行脑电信号的特征提取；

步骤S4、应用DPCA算法画出聚类决策图，初步确定簇类别数；

步骤S5、应用BIC选择准则确定最终簇类别数；

所述的对脑电信号数据集进行数据聚类与标记的步骤包括：

步骤S6、脑电特征数据集聚类分析及聚类中心疲劳等级确认；

步骤S7、对脑电数据进行标记，形成带标签的数据；

所述的步骤S4中初步确定簇类别数的步骤包括：

步骤S401、确定数据点之间的截断距离d_cut，使得数据集中平均每个数据点在以d_cut为半径的领域内，数据点的个数占数据点总数的2％；

步骤S402、通过d_cut来计算每个数据点的局部密度ρ及距离δ；

步骤S403、以局部密度为ρ为x轴，距离δ为y轴画出聚类中心决策图；

步骤S404、对非聚类中心点归类；

步骤S405、为每一个簇生成一个平均密度上界；

步骤S406、标记每一个簇；

所述的步骤S5中BIC选择准则的计算公式为：BIC＝kln(n)-2ln(L)，其中k为簇类别数，n为数据点总数，L为似然函数。

2.根据权利要求1所述的一种人体生理疲劳数据标记方法，其特征在于：所述的步骤S2中对脑电信号去噪的方法为：从混合的脑电信号中分离出每一个信号的信号源，去除其中的干扰信号。

3.根据权利要求1所述的一种人体生理疲劳数据标记方法，其特征在于：所述的步骤S6中的疲劳等级包括清醒、轻微疲劳、中度疲劳、重度疲劳和瞌睡。

4.根据权利要求1所述的一种人体生理疲劳数据标记方法，其特征在于：同一簇内的数据标记相同，不同簇内的数据标记相异。

5.一种疲劳识别模型，其特征在于：利用权利要求1至4任意一项所述的一种人体生理疲劳数据标记方法得到的带标签的数据进行训练。

Images