CN111643077A - 一种基于脑电数据的交通动态因素复杂度的辨识方法 - Google Patents
一种基于脑电数据的交通动态因素复杂度的辨识方法 Download PDFInfo
- Publication number
- CN111643077A CN111643077A CN202010565232.7A CN202010565232A CN111643077A CN 111643077 A CN111643077 A CN 111643077A CN 202010565232 A CN202010565232 A CN 202010565232A CN 111643077 A CN111643077 A CN 111643077A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- traffic
- electroencephalogram data
- factor
- model
- 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 101
- 230000008859 change Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 210000004556 brain Anatomy 0.000 claims description 60
- 230000003595 spectral effect Effects 0.000 claims description 55
- 230000033764 rhythmic process Effects 0.000 claims description 48
- 238000001228 spectrum Methods 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 42
- 230000000638 stimulation Effects 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 230000003340 mental effect Effects 0.000 claims description 17
- 238000012880 independent component analysis Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 210000001652 frontal lobe Anatomy 0.000 claims description 5
- 210000000869 occipital lobe Anatomy 0.000 claims description 5
- 210000001152 parietal lobe Anatomy 0.000 claims description 5
- 210000003478 temporal lobe Anatomy 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001020 rhythmical effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 210000002442 prefrontal cortex Anatomy 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 description 11
- 238000000537 electroencephalography Methods 0.000 description 10
- 206010039203 Road traffic accident Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000000556 factor analysis Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012352 Spearman correlation analysis Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 230000036624 brainpower Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002746 orthostatic effect Effects 0.000 description 2
- 230000001936 parietal effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 238000012313 Kruskal-Wallis test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003889 eye drop Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002085 irritant Substances 0.000 description 1
- 231100000021 irritant Toxicity 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Abstract
本申请公开了一种基于脑电数据的交通动态因素复杂度的辨识方法,所述方法通过采集驾驶员驾驶过程中的脑电数据进行预处理,从预处理过的脑电数据中得到显著性指标进行交通因素复杂度辨识模型的搭建;所述交通因素复杂度辨识模型包括行人过街因素辨识模型、车辆变速因素辨识模型、车辆变道因素辨识模型。本发明建立了基于驾驶员脑电数据的交通环境因素复杂度的辨识模型,对驾驶安全具有十分重要的意义,解决了驾驶安全研究中,复杂交通因素、复杂交通场景的辨识和预警缺乏理论依据的问题。
Description
技术领域
本发明涉及交通驾驶安全技术领域,具体提供一种基于脑电数据的交通动态因素复杂度的辨识方法。
背景技术
随着经济的快速增长,我国汽车保有量也不断增长,据公安部交通管理局发布的消息,截止到2019年上半年,国内汽车保有量已经达到2.5亿辆。为满足人们的出行需求,中国乃至全世界不断地推进道路建设,从而导致交通场景日益丰富,道路交通环境愈加复杂,交通安全事故率更是与日俱增。根据世界卫生组织提供的数据显示,全世界每年有几千万人因道路交通事故受伤或致残,有高达125万人因交通事故致死。大约91%的死亡交通事故发生在低收入和中等收入国家,其中,我国是世界上受道路交通安全伤害最严重的国家之一。
在复杂的交通环境中,驾驶员会面临各种各样的刺激,这些刺激可能会对驾驶安全造成风险,并对其心理健康造成影响。Yerkes-Dodson定律表示,当驾驶员处于较为复杂的交通场景时,所承受的精神负荷较大,容易产生生理上的应激反应,并致使驾驶人出现身体紊乱、决策迟缓、操作错误的现象,极易引起交通事故。因此,面对日益复杂的道路交通场景,准确评估驾驶人精神负荷、科学度量交通场景复杂程度成为了人们愈发关注与重视的问题。
对于交通参与者而言,通过深入研究交通环境中的复杂因素对驾驶行为表现和精神负荷的影响,可以使驾驶员更为全面的了解交通环境中不同复杂因素对驾驶的影响方式及影响程度,有助于提高驾驶员对潜在的复杂因素的重视和驾驶的安全性。对于交通管理者而言,通过对驾驶员的心理负荷的评估,交通控制中心可以通过调节道路交通运行情况、合理优化道路交通环境使驾驶员保持适当的心理负荷,从而减少交通事故发生率,提高交通控制管理水平,保证交通系统安全的运营。
现有关于交通场景复杂度的研究方法主要是从交通环境的因素端出发,选取相关专业人士的主观看法、道路交通事故数据、反映车辆或驾驶员运动状态的指标作为评价基础,对交通环境因素和交通场景驾驶难度进行描述。这些指标易于得到,但均不能从驾驶员的视角定量性的描述交通场景复杂度,缺乏客观性。
发明内容
本发明的技术任务是针对上述存在的问题,提供一种基于脑电数据的交通动态因素复杂度的辨识方法,从驾驶员的视角量化交通系统的复杂程度,更为客观的分析交通场景的复杂程度,通过合理的分类,有针对性的分析交通环境中的交通因素,并判别交通环境的复杂度。
为实现上述目的,本发明提供了如下技术方案:
一种基于脑电数据的交通动态因素复杂度的辨识方法,所述方法通过采集驾驶员驾驶过程中的脑电数据进行预处理,从预处理过的脑电数据中得到显著性指标进行交通因素复杂度辨识模型的搭建;
所述交通因素复杂度辨识模型包括行人过街因素辨识模型、车辆变速因素辨识模型、车辆变道因素辨识模型。
所述脑电数据预处理过程包括四个过程:
陷波和带通滤波去噪、基于ICA法的眼电去噪、刺激段数据提取、基线校正,以去除脑电信号中的噪音,其中:
陷波和带通滤波去噪,去除特定频率分量,运用陷波去除50HZ的工频噪音,而尽可能避免对其他有用频率分量的影响,采用带宽为1-50Hz的带通FIR滤波器去除高频噪音,保留 1-50HZ的频带信号,FIR滤波器可以在保证任意幅频特性的同时具有严格的线性相频特性,利用FIR滤波器可以直接去除部分伪迹;
基于ICA法的眼电去噪,采用独立分量分析方法(ICA)去除眼电伪迹,将脑电数据分解为32个通道独立分量,然后计算各个独立成分与眼电之间的相关系数,去除相关系数较大的独立成分,再将其余无关的独立成分进行ICA逆运算重构为纯净的脑电信号;
刺激段数据提取,是将脑电信号按事件刺激段和非事件刺激段进行划分,将同类刺激诱发的脑电数据从连续的脑电数据中提取出来,划分为若干段等长的刺激事件数据段,以刺激出现的时间起点为零时刻,以时间窗为长度截取数据段;
所述基线校正,以驾驶员未受到刺激时的脑电信号作为参考基础值对刺激段脑电信号的漂移进行校准,将刺激段的所有信号值与参考时间(零时刻)的基础幅值逐一相减,得到了新的平稳电位值,消除由驾驶员动作或伪迹产生的脑电波漂移趋势,消除脑电信号相对于基线的偏离。
所述方法对预处理后的脑电数据进行分析,分别采用功率谱估计、频带能量占比、样本熵三种方法从线性和非线性角度,分析驾驶过程中驾驶员的脑电信号,并从中提取显著性指标,用于辨识模型搭建。
所述功率谱估计方法从预处理后的脑电数据中提取了20个基本脑电特征指标,提取过程如下:
首先计算全脑32个通道的脑电信号的功率谱密度,并将32个通道的功率谱密度进行平均;
再提取δ波、θ波、α波和β波的功率谱密度作为全脑平均功率谱密度的4个特征指标;
然后将脑通道按额叶、顶叶、枕叶颞叶划分为四个脑区,分别对四个脑区提取脑电δ波、θ波、α波和β波的功率谱密度,得到了16个功率谱密度特征指标。
所述功率谱估计采用AR模型方法,其中AR模型功率谱估计公式为:
其中,AR功率谱估计模型中的阶数p使用代价函数来估计,本发明中选p=20,AR功率谱估计模型的系数cpi和σ2使用Burg算法进行求取,使AR模型前后项预测误差的功率之和为最小;反射系数Kp从已知信号数据{x(1),x(2),...,x(n-1)}中求得,然后利用Levinson递推算法由反射系数来求得AR参数。
所述功率谱密度特征指标的提取过程如下:从预处理后的脑电数据分别提取出四种节律波的功率谱密度(α波、β波、θ波、δ波)作为特征指标:
其中,fup表示节律波对应的频率上界,fdown表示节律波对应的频率下界。
所述频带能量占比方法的实现包括过程如下:
通过小波包变换方法提取预处理过的脑电数据中的节律,并对各节律的频带能量比例 (FBER)进行计算,选用“db15”作为小波基,利用小波包变换算法,进行8层分解,最小频率分辨率约为1,计算公式为:
将分解后的第8层小波包的前31个节点进行重构、叠加,提取出脑电数据中的δ波(1-3HZ)、θ波(4-7HZ)、α波(8-13HZ)、β波(14-30HZ);
利用变换后的小波包变换系数p(s,i,k)计算各节律的频带能量,计算公式如下:
Eall(k)=∑E(p)(k)
其中,k=1,2,...,N-1;p=δ,θ,α,β,i的取值范围由p代表的节律频带决定;
分别计算4个节律频段对应节点能量的和,构成4个节律频段的能量,再对4个节律的能量求和,然后分别用各个节律的能量除以总的能量,得到各个节律能量在总节律能量中的比重。
本发明采用小波包变换法对全脑EEG信号分析,共得到4个特征指标以表征平均频带能量占比。
所述方法采用样本熵方法,首先对全脑32个通道的脑电数据求取平均样本熵,得到了一个特征指标,然后对驾驶过程中负责决策的顶区和前额叶皮层包含的6个通道(Fz、F3、F4、 Cz、C3、C4)分别计算样本熵,得到了6个特征指标。因此,本发明基于信息熵分析方法共提取了7个EEG特征指标。
所述样本熵方法是用来提取信号随时间变化的波形特征,是时间序列复杂度的度量,其计算过程包括步骤如下:
将一组序列x(1),x(2),...,x(N)组成N-m+1个m维向量:
Xm(i)={x(i),x(i+1),...,x(i+m-1)|1≤i≤N-m+1}
将任意2个向量之间的距离定义为d[X(i),X(j)]:
d[X(i),X(j)]=max{|x(i+k)-x(j+k)|0≤k≤m-1}
当脑电信号的序列为N个有限值,则样本熵定义为:
SampEn(m,r,N)=-ln[Am(r)/Bm(r)]}
其中,取嵌入维数m=2,相似容限r=0.2SD,提取出刺激段脑电四种节律波(δ、θ、α、β)的样本熵值作为度量复杂性的特征。
所述方法通过采用正态性检验(采用Shapiro-Wilk法,样本量n<2000)、方差齐性检验 (Levene检验)对采集到的脑电特征指标的差异性进行检验分析,根据正态性检验和方差齐性检验结果,对服从正态分布和方差齐性要求的特征指标进行单因素方差分析(F检验),对不服从正态分布或不满足方差齐性要求的特征指标进行非参数方差分析(Kruskal-Wallis检验);
然后,确定交通因素影响下表征驾驶员精神负荷和驾驶稳定性的显著性脑电特征指标;
最后,对确定的显著性脑电特征指标进行相关性分析,了解各指标之间的相关程度,然后对相关程度较高的指标进行降维,构造交通复杂度影响因素的最优脑电特征指标,用于交通因素复杂度辨识模型的搭建。
所述方法采用二元logistic回归分析方法,基于所述最优脑电特征指标,建立交通因素复杂度辨识模型;
所述交通因素复杂度辨识模型设置两个判定类别:处于复杂交通环境中的驾驶员有无分心、是否正常感知到了复杂的驾驶环境因素;
将两个判定类别分别表示为正例和负例,将样本根据真实类别与预测类别组合为一个混淆矩阵;
将混淆矩阵划分为TP、FP、TN、FN四种情况,由混淆矩阵中的指标计算得到TPR(灵敏度,也称真阳性率)和FPR(特异度,也称假阳性率)等指标;
其中TPR表示在所有实际为正例的样本中被正确地判断为正例的比率,描述分类器对正例类别的敏感程度:
FPR表示在所有实际为反例的样本中被错误地判断为正例的比率:
其中,TP表示样本的真实类别是正例,并且模型预判的结果也是正例;TN表示样本的真实类别是负例,并且模型将其预判成为负例;FP表示样本的真实类别是负例,但模型将其预判成为正例;FN表示样本的真实类别是正例,但是模型将其预判成为负例。
所述方法通过引入受试者工作特性曲线(ROC)作为二元Logistic回归模型最佳阈值的判定方法,其中受试者工作特性曲线(ROC)空间将FPR定义为X轴,将TPR定义为Y轴,横轴与纵轴构成长度相等的正方形,通过不断移动Logistic回归模型的“阈值”来生成曲线上的一组关键点,在图中将ROC工作点逐个标出得到ROC曲线,在同一条受试者工作特性曲线(ROC)曲线上,TPR越高、FPR越低的坐标点对应的阈值越好。
所述方法采用ISO精度线从受试者工作特性曲线(ROC)上选取最优阈值点,所述ISO 精度线是一类斜率确定而截距可变的直线,其方程为y=ax+b,其中a为样本的正例与反例的比值,初始化截距b为0;逐渐增大截距b,即把直线向左上角移动,寻找ROC曲线上最靠近 (0,1)的点,直到ISO精度线与ROC曲线只有一个交点,则这个最优点对应的分类阈值即为使得当前模型性能最优的分类阈值。本发明从0到1,以0.01为步长,生成101个实验阈值,并从中选取最优阈值。
与现有技术相比,本发明一种基于脑电数据的交通动态因素复杂度的辨识方法具有以下突出的有益效果:
本发明通过对采集到的脑电数据进行脑电四步预处理,再通过功率谱攻击、频带能量占比、样本熵三种分析方法得到脑电特征指标,用于分析交通因素的复杂度。对基于驾驶员脑电信号得到的脑电特征指标进行概率统计分析,优选具有显著性的脑电指标,构造最优指标集。最后,运用二元logistic回归模型建立了交通场景因素复杂度辨识模型,并对模型确定了最优阈值。本发明建立了基于驾驶员脑电数据的交通环境因素复杂度的辨识模型,对驾驶安全具有十分重要的意义,解决了驾驶安全研究中,复杂交通因素、复杂交通场景的辨识和预警缺乏理论依据的问题。
附图说明
图1为实施例一中行人过街场景示意图;
图2为实施例一中脑电信号的预处理流程图;
图3为实施例一中某驾驶员脑电的32个IC分量与眼电信号相关性图;
图4-1为实施例一中某驾驶员脑电的某一通道去眼电前的EEG信号图;
图4-2为实施例一中某驾驶员脑电的某一通道去眼电后的EEG信号图;
图5-1为实施例一中某驾驶员脑电信号去基线漂移前对比图;
图5-2为实施例一中某驾驶员脑电信号去基线漂移后对比图;
图6-1为实施例一中某驾驶员经过预处理前的脑电波形对比图;
图6-2为实施例一中某驾驶员经过预处理后的脑电波形对比图;
图7为实施例一中某一驾驶员的全脑功率谱密度分布图;
图8为实施例一中某一驾驶员提取的各个节律的时域波形图;
图9为实施例一中驾驶员的顶区α波功率谱估计分析图;
图10为实施例一中驾驶员的α波能量占比分析图;
图11为实施例一中驾驶员的Cz电极样本熵分析图;
图12为实施例一中行人过街因素辨识模型的阈值分析图;
图13为实施例二中车辆变速场景示意图;;
图14为实施例二中驾驶员的顶区α波功率谱估计分析图;
图15为实施例二中驾驶员的α波能量占比分析图;
图16为实施例二中车辆变速因素辨识模型的阈值分析图;
图17为实施例三中车辆变道场景示意图;
图18为实施例三中驾驶员的顶区α波功率谱估计分析图;
图19为实施例三中车辆变道因素辨识模型的阈值分析图。
具体实施方式
下面将结合附图和实施例,对本发明作进一步详细说明。
本发明采用NeurOne32导脑电采集设备,以非侵入性采集方法从32导脑电通道收集驾驶员EEG数据。以国际脑电图学会联合会的10-20国际标准导联体系为脑电极的安放标准,参考电极位于Cz点,采样频率为500Hz。EEG是脑电图的英文名的简称。
实施例一
本实施例针对行人过街动态交通因素,构建了辨识模型,具体步骤如下:
本实施例采集了30名被试在行人过街动态交通因素影响下的脑电数据,依据实验被试的脑电信号进行功率谱估计分析、频带能量占比分析和样本熵分析,从31个表征指标中优选出具有显著性的脑电指标。
本实施例中设置的极端实验场景均为双向4车道直线道路,全长2.5km,纵坡为0,在道路500m、1200m、2000m处设置了刺激事件的触发点,且将实验场景设置为事件刺激时段与对照时段的组合。驾驶过程中要求被试沿场景中的最右侧车道驾驶,最高限速80km/h,当遇到危险驾驶情况需要及时做出反应,避免发生交通事故。实验时30名被试需要分别在三个场景中进行驾驶实验,为平衡组间的顺序效应,每一名被试的场景测试出现顺序随机生成。正式实验时,被试测试完成一个场景的所用时间约为5-6min,实验过程中同时采集驾驶员脑电数据。
行人过街场景共设置3处无过街标线标牌提示的行人过街刺激事件,当被试车辆行驶到事件触发点时,车辆前方60m处出现突然横穿行车道的过街行人,设置过街行人的速度为4km/h,场景设置情况如图1所示。
对采集到的原始脑电信号进行预处理,去除信号噪音。脑电信号的预处理过程可分为四个主要步骤,如图2所示,具体流程包括:
Step1.陷波和带通滤波去噪:
陷波器可去除特定频率分量,首先运用陷波去除50HZ的工频噪音,而尽可能避免对其他有用频率分量的影响:
其中,ω0为限波器截止频率,即为本实施例中50Hz的工频信号。
然后采用一个带宽为1-50Hz的带通FIR滤波器去除高频噪音,保留1-50HZ的频带信号。
Step2.基于ICA法去除眼电噪音:
本实施例中运用独立分量分析方法(ICA)去除眼电伪迹。如图3所示,为某一驾驶员ICA 法去眼电的分析过程。分量IC18和IC27与眼电信号之间的相关性较大,是造成原始信号干扰的眼电伪迹成分,因此,去除IC18分量与IC27分量,再通过重构脑电信号,就能得到分离眼动伪迹后的脑电信号。如图4-1、4-2所示,为去眼电前、后的EEG信号,从时域上可以观察到波形的毛刺减少,眼电伪迹基本被清除。
Step3.刺激段数据提取:
得到纯净的脑电数据后,再将脑电信号按事件刺激段和非事件刺激段进行划分,将同类刺激诱发的脑电数据从连续的脑电数据中提取出来,划分为若干段等长的刺激事件数据段。本文中分别设置了3s时间窗长度,并在一个场景中设置了三次同类的刺激事件。
Step4.基线校正:
基线校正使得脑电数据从偏向横轴的某一侧变成围绕横轴上下波动。如图5-1、5-2所示,为某一通道去基线漂移前后的脑电数据对比图。
最终,经过上述四个预处理步骤得出的脑电图波形呈现正常,且具备分析的状态。如图 6-1、6-2所示,驾驶员经过预处理前后的脑电波形对比图。
采用AR模型方法进行功率谱估计,只需要短程数据就可以获得较高地功率谱并能方便地转化成特征向量:
AR功率谱估计模型中的阶数p=20,系数cpi和σ2本文使用Burg算法进行求取。如图7所示,为驾驶过程中某一驾驶员的全脑功率谱密度分布图。
为提取出脑电波中有用的信息,本实施例从全部脑电信号中分别提取出四种节律波的功率谱密度(α波、β波、θ波、δ波)作为特征指标:
其中,fup表示节律波对应的频率上界,fdown表示节律波对应的频率下界。
利用小波包变换的等频带分解特点,提取脑电信号中的不同节律。考虑到4个节律的频率范围及EEG信号的采样频率,本实施例选用“db15”作为小波基,利用小波包变换算法,进行8层分解,最小频率分辨率:
小波包分解的层数为8层时,恰好可以提取出脑电信号的各个节律(δ、θ、α、β)。第8层小波包的前31个节点对应的频段范围刚好对应脑电波的频率,根据脑电各个节律波所包含的频段范围,可以得到它们所包含的节点。将各节律波所包含的节点进行重构、叠加就可以提取出脑电信号中的δ波(1-3HZ)、θ波(4-7HZ)、α波(8-13HZ)、β波(14-30HZ)。如图8所示,为提取的各个节律的时域波形图。
节律的能量随时间变化的情况可以由小波系数计算得出,因此利用变换后的小波包变换系数p(s,i,k)计算各节律的频带能:
Eall(k)=∑E(p)(k)
其中,k=1,2,...,N-1;p=δ,θ,α,β,i的取值范围由p代表的节律频带决定。分别计算4 个节律频段对应节点能量的和,构成4个节律频段的能量,再对4个节律的能量求和,然后分别用各个节律的能量比总的能量,即可得到各个节律能量在总节律能量中的比重。
本实施例使用样本熵分析驾驶员受到驾驶环境影响时的脑电信号,具体的算法描述如下:
Step1.将一组序列x(1),x(2),...,x(N)组成N-m+1个m维向量:
Xm(i)={x(i),x(i+1),...,x(i+m-1)|1≤i≤N-m+1}
Step2.任意2个向量之间的距离定义为d[X(i),X(j)]:
d[X(i),X(j)]=max{|x(i+k)-x(j+k)|0≤k≤m-1}
Step6.当脑电信号的序列为N个有限值,则样本熵定义为:
SampEn(m,r,N)=-ln[Am(r)/Bm(r)]}
在样本熵计算过程中,取嵌入维数m=2,相似容限r=0.2SD。提取出刺激段脑电四种节律波(δ、θ、α、β)的样本熵值作为度量复杂性的特征。
分析关于全脑平均功率谱密度的4个指标:在3s时间窗下,全脑平均α波功率谱密度和全脑平均β波功率谱密度均服从正态分布,但经检验只有全脑平均β波功率谱密度服从方差齐性(p=0.258>0.05),因此对全脑平均β波功率谱密度的样本数据进行方差分析(F检验),对另外三个指标的样本数据进行非参数检验(H检验)。
经方差分析,在3s时间窗下,全脑平均功率谱密度在四个频段均不存在显著性差异,因此各个频段的全脑平均功率谱密度指标均不能作为驾驶人精神负荷的表征指标。
分析从额叶、顶叶、枕叶、颞叶四个脑区提取的δ波、θ波、α波和β波的功率谱密度指标。在3s时间窗下,顶区平均δ功率谱密度、顶区平均β功率谱密度、枕区平均δ功率谱密度和颞区平均α功率谱密度4个指标满足正态分布和方差齐次性,因此对它们进行单因素分析,对不满足正态分布或方差齐次性的其余指标进行非参数检验。结果表明,顶区平均α波功率谱密度存在显著性差异(p=0.011<0.05),可以作为驾驶人精神负荷的表征指标,其余的指标均无显著性。
分析全脑平均频带能量占比的4个指标,在3s时间窗下均服从正态分布和方差齐次性,因此对样本数据的能量占比指标进行单因素方差分析(F检验)。在3s时间窗下,全脑平均α波能量占比在有无行人过街刺激影响下存在着显著性差异(p=0.023<0.05),其余各指标无显著性差异。因此,选取3s时间窗下的全脑α波功率谱密度作为驾驶人精神负荷的表征指标。
分析全脑平均样本熵,在3s时间窗下,服从正态分布和方差齐次性,因此对该指标进行单因素方差分析(F检验),行人过街刺激对全脑平均样本熵指标的影响不显著。
分析负责决策的6个通道的样本熵,Fz通道的样本熵服从正态分布和方差齐次性,因此对该指标进行单因素方差分析(F检验)。F3、F4通道的样本熵不满足方差齐次性,Cz、C3、 C4通道的样本熵不满足正态分布,因此对这5个指标进行非参数方差分析。
分析结果为,在3s时间窗下,指标Cz通道的样本熵在有无行人过街刺激影响下存在显著性差异(p<0.05),可以作为驾驶人精神负荷的表征指标,其余的指标均无显著性。
在行人过街场景中,以3s为时间窗,选取出了顶区α波功率谱密度、α波能量占比、Cz 电极样本熵三项显著性指标,指标分布的情况如图9-11所示。顶区α波功率谱密度、α波能量占比两项脑电指标,在行人过街因素刺激下的平均数值低于正常驾驶下的平均数值。驾驶员α波在行人过街因素刺激下受到抑制,活性和波动较小,表明驾驶员受刺激影响时情绪紧张、注意力集中。当驾驶员处于正常驾驶状态时,身体放松、大脑比较活跃,就出现了α波。Cz 电极在行人过街因素刺激下和正常驾驶下的平均样本熵相关系数分别为0.56和0.51。在行人过街因素影响下产生的样本熵较高,表明行人刺激交通因素能对驾驶产生较大的脑负荷,存在该因素的交通场景较为复杂。
建立模型前先对顶区α波功率谱密度、全脑α波能量占比、Cz电极样本熵三个指标进行 Spearman相关性分析。其中,全脑α波能量占比特征指标与其余两个指标之间均存在显著的相关性,且相关系数较高,不能用于构建状态识别模型,因此选取顶区α波功率谱密度、Cz 电极样本熵为构建行人过街因素辨识模型的最优脑电指标。
输入顶区α波功率谱密度、Cz电极样本熵为模型的自变量,运用逐步向前回归方法,建立logistic回归方程。顶区α波功率谱密度、Cz电极点的样本熵作为模型变量时,对模型具有统计学意义。根据统计结果可知,当顶区α波功率谱密度每增加1μV2/Hz时,驾驶员受过街行人复杂因素影响的可能性增加0.422倍;当Cz电极点的样本熵增加或减少1Nat/State时,驾驶员受过街行人复杂因素影响的可能性变化不明显。
根据二元回归结果得到行人过街交通因素的辨识模型:
其中x1表示驾驶员顶区α波功率谱密度,x2表示驾驶员Cz电极点的样本熵。变量取值为 0时表示驾驶员处在无刺激的正常驾驶状态,取1时表示驾驶员受到行人过街交通因素的刺激。当辨识模型以0.5为划分阈值进行预测时,得到行人刺激的预判正确率为75%,未受到刺激的预判正确率为66.7%,综合预判准确率为70.8%。该模型的综合预判结果较好,因此认为行人过街交通因素的辨识模型有较强的可信度。
本实施例基于ROC曲线和ISO精度线,对行人过街因素辨识模型求最优阈值,如图12 所示。首先从101个实验阈值中得到24组不同的(FPR,TPR)坐标点,连接24组坐标点形成ROC曲线,图中用折线表示。采集到的受行人刺激的脑电样本数与正常驾驶下的脑电样本数相同,则令a=1为斜率,然后逐渐增大截距b,绘制ISO精度线,图中用斜直线表示。当ISO 精度线与ROC曲线只有一个交点(FPR,TPR)=(0,0.58)时,该点对应的分类阈值0.82即为最优分类阈值。当最优阈值为0.82时,行人过街因素辨识模型的预判结果与取初始阈值0.5相比,行人过街因素辨识模型的综合预判准确率提高了8.4%。
通过确定脑电信号的阈值可以有效的区分驾驶员是否受到交通复杂因素的影响。当驾驶员受到交通复杂因素的影响,但脑电信号P指标在阈值范围以下时,表明驾驶员未及时对交通刺激因素做出相应反应,此时需要对驾驶员采取预警,从而减少交通事故的发生。当驾驶员的脑电信号P指标在阈值范围以上时,表明驾驶员处于过紧张状态,此时同样需要对驾驶员采取预警,来减少因驾驶员的应激反应而引发的交通事故的概率。
实施例二:
本实施例针对车辆变速动态交通因素,构建了辨识模型,具体步骤如下:
车辆减速场景共设置3处车辆减速刺激事件,当被试车辆行驶到事件触发点时,触发本车前方50m处行驶的车辆进行减速操作,设置前方车辆的减速度为-5m/s2,车辆减速行驶3s后加速驶离场景。为防止被试车辆在未到达事件触发点就过早地换道超越前方的减速车辆,而不能完成前方车辆的减速刺激事件。所以,本实验在被试车辆的左侧车道设置了一辆平行驾驶的车辆,阻止被试车辆的换道行为,场景设置情况如图13所示。
本实施例采集了30名被试在车辆变速动态交通因素影响下的脑电数据,依据实验被试的脑电信号进行功率谱估计分析、频带能量占比分析和样本熵分析,从31个表征指标中优选出具有显著性的脑电指标。
本实施例与实施例一相同的数据预处理过程不再赘述,本实施例与实施例一不同的特征在于基于预处理脑电数据分析:
分析关于全脑平均功率谱密度的4个指标。在3s时间窗下,全脑平均α波功率谱密度服从正态分布,但不满足方差齐次性。全脑平均δ波、θ波、β波的功率谱密度均不服从正态分布,但满足方差齐性,因此对全脑4种节律波的功率谱密度指标进行非参数检验。全脑平均功率谱密度在四个频段均不存在显著性差异,因此各个频段的全脑平均功率谱密度均不能作为驾驶人精神负荷的表征指标。
分别分析额叶、顶叶、枕叶、颞叶四个脑区中的四种节律波的功率谱密度。当以3s为时间窗提取样本数据时,得到顶区平均δ波和β波、颞区平均δ波和α波的功率谱密度服从正态分布和方差齐次性,对这4项指标进行单因素分析,对其余12项指标进行非参数检验。得到存在显著性差异的唯一指标——顶区平均α波的功率谱密度,因此将该指标作为驾驶人精神负荷的表征指标。
分析全脑平均δ波、α波的能量占比,在3s时间窗下,服从正态分布和方差齐次性,因此对它们进行单因素方差分析,对其余两项指标进行非参数检验。在3s时间窗下,全脑平均α波能量占比在有无车辆变速刺激影响下存在着显著性差异(p=0.033<0.05),其余各指标无显著性差异。因此,选取3s时间窗下的全脑α波功率谱密度为驾驶人精神负荷的表征指标。
分析全脑平均样本熵,在3s时间窗下,服从正态分布和方差齐次性,因此对该指标进行单因素方差分析(F检验)。车辆变速刺激对全脑平均样本熵指标的影响不显著。分析负责决策的6个通道的样本熵。在3s时间窗下,Fz、F3、F4、C3、C4通道的样本熵满足正态分布和方差齐次性,因此对它们进行单因素方差分析,对不满足正态分布的Cz通道样本熵进行非参数方差分析。得到6个通道的样本熵在有无车辆变速刺激影响下不存在显著性差异,因此关于样本熵的指标均不能作为驾驶人精神负荷的表征指标。
驾驶员在车辆变速场景中,以3s为时间窗提取了顶区α波功率谱密度和α波能量占比两项具有显著性的指标,指标分布的情况如图14和图15所示。顶区α波功率谱密度和α波能量占比指标在车辆变速因素影响下得到的数值低于正常驾驶中的数值。驾驶员的脑电信号α波在车辆变速因素影响下受到抑制,说明驾驶员此时处于紧张和疲劳状态。当驾驶员处于正常驾驶状态时,脑电信号α波升高,表明驾驶员身心较为放松。综上,存在车辆变速因素的交通环境对驾驶员的负荷较大,这种场景较为复杂。
在建立模型前先对顶区α波功率谱密度、全脑α波能量占比这两个指标进行Spearman相关性分析。根据分析可知两个指标之间存在显著的相关性,且相关系数较高,不能同时用于构建状态识别模型,因此需要在两个指标中选取其中一个作为模型的最优脑电指标。
当顶区α波功率谱密度作为输入的方程自变量时,该指标具有统计学意义;而当α波能量占比作为方程输入的自变量时,整个模型的拟合优度未改变。因此,车辆变速因素辨识模型中的自变量选取顶区α波功率谱密度指标,根据模型指标的统计结果可知,当顶区α波功率谱密度每增加1μV2/Hz时,驾驶员受到车辆变速复杂交通因素影响的可能性就会增加0.595倍。
根据二元回归结果可以得到车辆变速交通因素的辨识函数:
其中,自变量x为驾驶员的顶区α波功率谱密度。当模型的划分阈值为0.5时,受到车辆变速刺激的预判正确率为86.7%,未受到刺激的预判正确率为66.7%,综合预判准确率为76.7%。该模型的综合预判结果较好,因此认为车辆变速场景因素的辨识模型有较强的可信度。
本实施例对车辆变速因素辨识模型求最优阈值,得到分析图如图16所示。首先连接26 组不同的(FPR,TPR)坐标点,得到ROC曲线。然后以a=1为斜率,变化的b为截距,绘制ISO精度线。最后令ISO精度线截距最大的交点(FPR,TPR)=(0.33,0.87)其对应的分类阈值为模型最优阈值,最优阈值的取值范围为[0.48,0.54]。当模型的最优阈值区间为[0.48,0.54],车辆变速因素辨识模型的预判结果不变。初始阈值为0.5,其处于最优阈值区间内,因此模型的准确率与误判率未发生变化。
实施例三:
本实验例针对车辆变道动态交通因素,构建了辨识模型,具体步骤如下:
车辆变道场景共设置3处车辆变道刺激事件,当被试车辆行驶到事件触发点时,触发左侧车道并行的车辆进行变道刺激。左侧车辆首先闪烁车灯对被试驾驶员进行变道提示,然后加速行驶至被试车辆斜前方约20m处开始执行变道操作,左侧车辆整个变道过程的直线行驶距离为50m。当车辆变道至被试车辆的车道,以80km/h车速行驶15s后加速驶离场景。场景设置情况如图17所示。
本实施例采集了30名被试在车辆变道动态交通因素影响下的脑电数据,依据实验被试的脑电信号进行功率谱估计分析、频带能量占比分析和样本熵分析,从31个表征指标中优选出具有显著性的脑电指标。
本实施例与实施例一、二相同的数据预处理过程不再赘述,本实施例与实施例一、二不同的特征在于基于预处理脑电数据分析:
分析全脑平均功率谱密度的4个指标,在3s时间窗下,全脑平均δ波、θ波、α波功率谱密度服从正态分布和方差齐次性,进行单因素分析。全脑平均β波功率谱密度均不服从正态分布,进行非参数检验。经方差分析得到全脑平均功率谱密度在四个频段均不存在显著性差异。分别分析额叶、顶叶、枕叶、颞叶四个脑区中的四种节律波的功率谱密度。当以3s为时间窗提取样本数据时,平均δ波、θ波功率谱密度在顶区、枕区均服从正态分布和方差齐次性,颞区的平均δ波、α波的功率谱密度服从正态分布和方差齐次性,枕区的平均β波功率谱密度服从正态分布和方差齐次性,对这7项指标进行单因素分析,对其余指标进行非参数检验。当以 3s时间窗提取驾驶员脑电数据进行分析时,顶区平均α波的功率谱密度是唯一具有显著性的指标(p=0.033<0.050),因此将该指标作为表征驾驶人精神负荷的显著性指标。
分析全脑平均θ波、β波的能量占比,在3s时间窗下,服从正态分布和方差齐次性,因此对它们进行单因素方差分析,对其余两项指标进行非参数检验。得到全脑平均频带能量占比在四个频段均不存在显著性,因此关于能量占比的四项指标均不能作为驾驶人精神负荷的表征指标。
分析全脑平均样本熵和6个通道的样本熵,在3s时间窗下,均服从正态分布和方差齐次性,因此对该7项指标进行单因素方差分析。得到3s时间窗下,车辆变道刺激对全脑平均样本熵及6个通道的样本熵的影响不显著,因此关于样本熵的7项指标均不能作为驾驶人精神负荷的表征指标。
驾驶员在车辆变道场景中,以3s为时间窗提取脑电信号,分析顶区α波功率谱密度的分布情况,如图18所示。顶区α波功率谱密度在车辆变道场景中是唯一的显著性指标,该指标在受到车辆变道因素刺激时数值明显下降。在车辆变道因素影响下的驾驶员顶区α波功率谱密度平均值低于正常驾驶状态下,说明道路中的变道车辆对驾驶员的驾驶操作有一定的影响,驾驶员在受到变道影响时会变得紧张,驾驶员的脑电信号α波受到抑制。因此,车辆变道因素会对驾驶员造成较大的精神负荷较大,存在这种因素的场景对于驾驶员来说较为复杂。
对于车辆变道交通因素,特征指标选取时只有顶区α波功率谱密度这一唯一指标,因此输入模型的自变量为顶区α波功率谱密度。该指标作为方程自变量时具有统计学意义,由辨识模型指标的统计结果可知,当顶区α波功率谱密度的数值增加1μV2/Hz时,驾驶员受到车辆变道复杂交通因素影响的可能性增加0.613倍。
根据二元回归结果可以得到车辆变道因素的辨识函数:
其中自变量x为驾驶员顶区α波功率谱密度。当辨识模型的划分阈值为0.5时,得到受到车辆变道刺激的预判正确率为86.7%,未受到刺激的预判正确率为66.7%,综合预判准确率为 76.7%。该模型的综合预判结果较好,因此认为车辆变道复杂因素的辨识模型有较强的可信度。
本实施例对车辆变道复杂因素的辨识模型求最优阈值,得到分析图如图19所示。首先连接24组不同的(FPR,TPR)坐标点,得到ROC曲线。然后以a=1为斜率,变化的b为截距,绘制ISO精度线。最后令ISO精度线截距最大的交点(FPR,TPR)=(0.33,0.80)其对应的分类阈值为模型最优阈值,最优阈值的范围为[0.48,0.55]。模型建立时的初始阈值选取了0.5,落在了最优阈值[0.48,0.55]之内,因此模型的准确率的与误判率未发生变化。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于,所述方法通过采集驾驶员驾驶过程中的脑电数据进行预处理,从预处理过的脑电数据中得到显著性指标进行交通因素复杂度辨识模型的搭建;
所述交通因素复杂度辨识模型包括行人过街因素辨识模型、车辆变速因素辨识模型、车辆变道因素辨识模型。
2.根据权利要求1所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于,所述脑电数据预处理过程包括四个过程:
陷波和带通滤波去噪、基于ICA法的眼电去噪、刺激段数据提取、基线校正,以去除脑电信号中的噪音,其中:
陷波和带通滤波去噪,去除特定频率分量;
基于ICA法的眼电去噪,采用独立分量分析方法去除眼电伪迹,将脑电数据分解为32个通道独立分量,然后计算各个独立成分与眼电之间的相关系数,去除相关系数较大的独立成分,再将其余无关的独立成分进行ICA逆运算重构为纯净的脑电信号;
刺激段数据提取,是将脑电信号按事件刺激段和非事件刺激段进行划分,将同类刺激诱发的脑电数据从连续的脑电数据中提取出来,划分为若干段等长的刺激事件数据段,以刺激出现的时间起点为零时刻,以时间窗为长度截取数据段;
基线校正,以驾驶员未受到刺激时的脑电信号作为参考基础值对刺激段脑电信号的漂移进行校准,将刺激段的所有信号值与参考时间的基础幅值逐一相减,得到了新的平稳电位值,消除由驾驶员动作或伪迹产生的脑电波漂移趋势,消除脑电信号相对于基线的偏离。
3.根据权利要求2所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述方法对预处理后的脑电数据进行分析,分别采用功率谱估计、频带能量占比、样本熵三种方法,分析驾驶过程中驾驶员的脑电信号,并从中提取显著性指标,用于辨识模型搭建。
4.根据权利要求3所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述功率谱估计方法从预处理后的脑电数据中提取了20个基本脑电特征指标,提取过程如下:
首先计算全脑32个通道的脑电信号的功率谱密度,并将32个通道的功率谱密度进行平均;
再提取δ波、θ波、α波和β波的功率谱密度作为全脑平均功率谱密度的4个特征指标;
然后将脑通道按额叶、顶叶、枕叶颞叶划分为四个脑区,分别对四个脑区提取脑电δ波、θ波、α波和β波的功率谱密度,得到了16个功率谱密度特征指标。
7.根据权利要求3所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述频带能量占比方法的实现包括过程如下:
通过小波包变换方法提取预处理过的脑电数据中的节律,并对各节律的频带能量比例进行计算,选用“db15”作为小波基,利用小波包变换算法,进行8层分解,最小频率分辨率约为1,计算公式为:
将分解后的第8层小波包的前31个节点进行重构、叠加,提取出脑电数据中的δ波(1-3HZ)、θ波(4-7HZ)、α波(8-13HZ)、β波(14-30HZ);
利用变换后的小波包变换系数p(s,i,k)计算各节律的频带能量,计算公式如下:
Eall(k)=∑E(p)(k)
其中,k=1,2,...,N-1;p=δ,θ,α,β,i的取值范围由p代表的节律频带决定;
分别计算4个节律频段对应节点能量的和,构成4个节律频段的能量,再对4个节律的能量求和,然后分别用各个节律的能量除以总的能量,得到各个节律能量在总节律能量中的比重。
8.根据权利要求3所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述方法采用样本熵方法,首先对全脑32个通道的脑电数据求取平均样本熵,得到了一个特征指标,然后对驾驶过程中负责决策的顶区和前额叶皮层包含的6个通道(Fz、F3、F4、Cz、C3、C4)分别计算样本熵,得到了6个特征指标。
9.根据权利要求8所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于,所述样本熵方法是用来提取信号随时间变化的波形特征,是时间序列复杂度的度量,其计算过程包括步骤如下:
将一组序列x(1),x(2),...,x(N)组成N-m+1个m维向量:
Xm(i)={x(i),x(i+1),...,x(i+m-1)|1≤i≤N-m+1}
将任意2个向量之间的距离定义为d[X(i),X(j)]:
d[X(i),X(j)]=max{|x(i+k)-x(j+k)|0≤k≤m-1}
当脑电信号的序列为N个有限值,则样本熵定义为:
SampEn(m,r,N)=-ln[Am(r)/Bm(r)]}
其中,取嵌入维数m=2,相似容限r=0.2SD,提取出刺激段脑电四种节律波(δ、θ、α、β)的样本熵值作为度量复杂性的特征。
10.根据权利要求4所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述方法通过采用正态性检验、方差齐性检验,对采集到的脑电特征指标的差异性进行检验分析,根据正态性检验和方差齐性检验结果,对服从正态分布和方差齐性要求的特征指标进行单因素方差分析,对不服从正态分布或不满足方差齐性要求的特征指标进行非参数方差分析;
然后,确定交通因素影响下表征驾驶员精神负荷和驾驶稳定性的显著性脑电特征指标;
最后,对确定的显著性脑电特征指标进行相关性分析,了解各指标之间的相关程度,然后对相关程度较高的指标进行降维,构造交通复杂度影响因素的最优脑电特征指标,用于交通因素复杂度辨识模型的搭建。
11.根据权利要求10所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述方法采用二元logistic回归分析方法,基于所述最优脑电特征指标,建立交通因素复杂度辨识模型;
所述交通因素复杂度辨识模型设置两个判定类别:处于复杂交通环境中的驾驶员有无分心、是否正常感知到了复杂的驾驶环境因素;
将两个判定类别分别表示为正例和负例,将样本根据真实类别与预测类别组合为一个混淆矩阵;
将混淆矩阵划分为TP、FP、TN、FN四种情况,由混淆矩阵中的指标计算得到TPR和FPR指标;
其中TPR表示在所有实际为正例的样本中被正确地判断为正例的比率,描述分类器对正例类别的敏感程度:
FPR表示在所有实际为反例的样本中被错误地判断为正例的比率:
其中,TP表示样本的真实类别是正例,并且模型预判的结果也是正例;TN表示样本的真实类别是负例,且模型将其预判成为负例;FP表示样本的真实类别是负例,但模型将其预判成为正例;FN表示样本的真实类别是正例,但模型将其预判成为负例。
12.根据权利要求11所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述方法通过引入受试者工作特性曲线ROC作为二元Logistic回归模型最佳阈值的判定方法,其中受试者工作特性曲线ROC空间将FPR定义为X轴,将TPR定义为Y轴,横轴与纵轴构成长度相等的正方形,通过不断移动Logistic回归模型的“阈值”来生成曲线上的一组关键点,将ROC工作点逐个标出得到ROC曲线,在同一条受试者工作特性曲线ROC曲线上,TPR越高、FPR越低的坐标点对应的阈值越好。
13.根据权利要求12所述的一种基于脑电数据的交通动态因素复杂度的辨识方法,其特征在于:所述方法采用ISO精度线从受试者工作特性曲线ROC上选取最优阈值点,所述ISO精度线是一类斜率确定而截距可变的直线,其方程为y=ax+b,其中a为样本的正例与反例的比值,初始化截距b为0;逐渐增大截距b,把直线向左上角移动,寻找ROC曲线上最靠近(0,1)的点,直到ISO精度线与ROC曲线只有一个交点,则这个最优点对应的分类阈值即为使得当前模型性能最优的分类阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565232.7A CN111643077A (zh) | 2020-06-19 | 2020-06-19 | 一种基于脑电数据的交通动态因素复杂度的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565232.7A CN111643077A (zh) | 2020-06-19 | 2020-06-19 | 一种基于脑电数据的交通动态因素复杂度的辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111643077A true CN111643077A (zh) | 2020-09-11 |
Family
ID=72343107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010565232.7A Pending CN111643077A (zh) | 2020-06-19 | 2020-06-19 | 一种基于脑电数据的交通动态因素复杂度的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111643077A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112426162A (zh) * | 2020-11-23 | 2021-03-02 | 重庆邮电大学 | 一种基于脑电信号节律熵的疲劳检测方法 |
CN114209341A (zh) * | 2021-12-23 | 2022-03-22 | 杭州电子科技大学 | 特征贡献度差异化脑电数据重构的情感激活模式发掘方法 |
CN117184086A (zh) * | 2023-11-07 | 2023-12-08 | 江西科技学院 | 一种基于脑电波的智能驾驶系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104461007A (zh) * | 2014-12-19 | 2015-03-25 | 北京理工大学 | 一种基于脑电信号的驾驶员辅助人车交互系统 |
CN105205443A (zh) * | 2015-08-13 | 2015-12-30 | 吉林大学 | 一种基于驾驶人眼动特征的交通冲突识别方法 |
US20170001648A1 (en) * | 2014-01-15 | 2017-01-05 | National University Of Defense Technology | Method and Device for Detecting Safe Driving State of Driver |
CN107357762A (zh) * | 2017-06-08 | 2017-11-17 | 长安大学 | 一种基于驾驶人眼动特性的交通潜在危险判别方法 |
CN107590766A (zh) * | 2017-09-28 | 2018-01-16 | 东南大学 | 一种与道路交通事故风险相关的用地组合形态的判别方法 |
-
2020
- 2020-06-19 CN CN202010565232.7A patent/CN111643077A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170001648A1 (en) * | 2014-01-15 | 2017-01-05 | National University Of Defense Technology | Method and Device for Detecting Safe Driving State of Driver |
CN104461007A (zh) * | 2014-12-19 | 2015-03-25 | 北京理工大学 | 一种基于脑电信号的驾驶员辅助人车交互系统 |
CN105205443A (zh) * | 2015-08-13 | 2015-12-30 | 吉林大学 | 一种基于驾驶人眼动特征的交通冲突识别方法 |
CN107357762A (zh) * | 2017-06-08 | 2017-11-17 | 长安大学 | 一种基于驾驶人眼动特性的交通潜在危险判别方法 |
CN107590766A (zh) * | 2017-09-28 | 2018-01-16 | 东南大学 | 一种与道路交通事故风险相关的用地组合形态的判别方法 |
Non-Patent Citations (2)
Title |
---|
何莎: "驾驶员在无信号交叉口避撞过程中脑电行为特性研究" * |
盛彬: "基于信息融合的驾驶危险场景分析识别研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112426162A (zh) * | 2020-11-23 | 2021-03-02 | 重庆邮电大学 | 一种基于脑电信号节律熵的疲劳检测方法 |
CN114209341A (zh) * | 2021-12-23 | 2022-03-22 | 杭州电子科技大学 | 特征贡献度差异化脑电数据重构的情感激活模式发掘方法 |
CN114209341B (zh) * | 2021-12-23 | 2023-06-20 | 杭州电子科技大学 | 特征贡献度差异化脑电数据重构的情感激活模式发掘方法 |
CN117184086A (zh) * | 2023-11-07 | 2023-12-08 | 江西科技学院 | 一种基于脑电波的智能驾驶系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111643077A (zh) | 一种基于脑电数据的交通动态因素复杂度的辨识方法 | |
Wang et al. | A driving fatigue feature detection method based on multifractal theory | |
Sharif et al. | Prediction of epileptic seizures from EEG using analysis of ictal rules on Poincaré plane | |
Yang et al. | Comparison among driving state prediction models for car-following condition based on EEG and driving features | |
Song et al. | Automatic recognition of epileptic EEG patterns via extreme learning machine and multiresolution feature extraction | |
CN111803065B (zh) | 一种基于脑电数据的危险交通场景辨识方法及系统 | |
CN109106365A (zh) | 基于脑电信号处理的癫痫发作预警设备 | |
Liang et al. | Using physiological and behavioral measurements in a picture-based road hazard perception experiment to classify risky and safe drivers | |
Wan et al. | On‐road experimental study on driving anger identification model based on physiological features by ROC curve analysis | |
CN106913333B (zh) | 一种持续性注意水平的敏感性特征指标的选取方法 | |
CN104461007A (zh) | 一种基于脑电信号的驾驶员辅助人车交互系统 | |
CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
Geng et al. | Epileptic seizure detection based on improved wavelet neural networks in long-term intracranial EEG | |
Dehzangi et al. | Towards multi-modal wearable driver monitoring: Impact of road condition on driver distraction | |
CN111657923A (zh) | 一种测试驾驶员危险感知能力的方法及系统 | |
Hu et al. | Analysis on biosignal characteristics to evaluate road rage of younger drivers: A driving simulator study | |
Choi et al. | XGBoost-based instantaneous drowsiness detection framework using multitaper spectral information of electroencephalography | |
Sadeghzadeh et al. | Real-time epileptic seizure prediction based on online monitoring of pre-ictal features | |
Fattah et al. | An approach for classifying alcoholic and non-alcoholic persons based on time domain features extracted from EEG signals | |
Lei et al. | Study on driving fatigue evaluation system based on short time period ECG signal | |
Singh et al. | Epilepsy detection using EEG an overview | |
Zhao et al. | Physiological assessment of driving mental fatigue using wavelet packet energy and random forests | |
Fathima et al. | Wavelet based features for classification of normal, ictal and interictal EEG signals | |
Haupt et al. | Steering wheel motion analysis for detection of the driver’s drowsiness |
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 |