【技术实现步骤摘要】
基于生成对抗域自适应的跨被试EEG疲劳状态分类方法
[0001]本专利技术属于生物特征识别领域中的脑电信号(EEG)疲劳状态识 别领域,具体涉及一种基于生成对抗域自适应的跨被试EEG疲劳状态 分类方法。
技术介绍
[0002]精神疲劳是一种复杂的生理和心理状态,可导致人的机敏性、注 意力和认知能力下降。全世界每年约有130万人死于交通事故,疲劳 驾驶是其中的主要因素。因此,如何在驾驶时进行有效的精神状态检 测和预测对于减少疲劳驾驶所造成的生命和财产损失非常重要。
[0003]近年来,已经提出了许多疲劳驾驶检测方法。其中,基于EEG的 心理状态分析方法是一种有效且客观的疲劳检测方法。因为脑电图记 录了人类大脑皮层神经细胞的电活动,可以直接反映大脑的即时状态, 并避免人的主观影响。然而,由于脑电数据存在难获取、信噪比大、 时效性低、不同人之间差异很大等问题,因此如何有效地将现有受试 者的脑电图分析模型转移到其他受试者上仍然很困难。
[0004]如今,基于领域自适应方法的迁移学习模型已广泛应用于自然语 言处理,图像分类等许多领域,并取得了很好的性能。DANN是典型 的域自适应方法,它的最重要特征是可以在没有标记目标样本的情况 下对齐源域和目标域,但其在跨被试的EEG分析中仍然存在一些缺陷。 首先,DANN要求平衡源域和目标域之间的样本,而对于跨被试脑电 图分析,源域中的样本通常比目标域中的样本大得多,这表明存在严 重的失衡。其次,由于跨受试者的脑电信号存在显着差异,因此某些 源域样本可能与目标域的分布极为不 ...
【技术保护点】
【技术特征摘要】
1.基于生成对抗域自适应的跨被试EEG疲劳状态分类方法,其特征在于使用独立成分分析及带通滤波对EEG数据集进行预处理;其次通过功率谱密度方法对预处理后的EEG数据集进行EEG特征提取,获得二维特征样本集;然后对二维特征样本集进行划分,获得初始源域数据集及初始目标域数据集;用结合生成对抗网络的域自适应模型GDANN作为分类器,实现跨被试下的疲劳、清醒两种状态的有效区分。2.根据权利要求1所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法,其特征在于具体实现步骤如下:步骤S1.数据获取:通过搭建模拟平台采集被试信号打标签;步骤S2.数据处理:包括预处理、特征提取和数据集划;步骤S3.神经网络GDANN模型的构建与训练:初始化神经网络GDANN模型的网络参数;训练神经网络GDANN模型中目标域数据判别器N
td
和目标域数据生成器N
tg
;获得实际源域数据集中被试驾驶员数目N
s
,更新实际源域数据集;用假数据更新目标域;迭代训练特征提取器N
f
,、标签分类器N
y
、域判别器N
d
直至反馈训练达到全局最优;步骤S4.用混淆矩阵来评估结果。3.根据权利要求2所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法,其特征在于步骤1具体实现步骤如下:S1-1:搭建模拟平台;搭建模拟驾驶平台,设计模拟驾驶实验,还原驾驶过程场景;同时选取N名被试驾驶员,并让N名被试驾驶员分别进行不同驾驶难度的模拟驾驶实验,其中N是不小于2的整数;通过设置不同的刺激率来设计TAV驾驶任务的五个级别TAV1-TAV5,用不同级别的工作量需求来反应驾驶员的整体精神疲劳状态,最后进行使驾驶员昏昏欲睡的实验任务,即DROW级别;S1-2:采集被试信号打标签;获得这N名被试驾驶员在模拟驾驶实验中的不同难度阶段下的信号,其中,TAV3状态和DROW状态下采集到的脑电数据差异最明显,于是给TAV3状态下获取到的脑电数据打上“清醒”的标签,标记为1;给DROW状态下获取到的脑电数据打上“疲劳”的标签,标记为0;获得设置有标签的原始脑电信号I1
i
,原始脑电信号I1
i
包括脑电信号X及标签Y,其中i表示第i个被试驾驶员对应的原始脑电信号,且i∈[1,N]。4.根据权利要求3所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法,其特征在于步骤2具体实现步骤如下:S2-1:预处理;对采集到的原始脑电信号I1
i
进行预处理操作,包括独立成分分析和带通滤波,获得预处理后脑电信号I2_1
i
,其中i表示第i个被试驾驶员驾对应的脑电信号I2_1
i
,且i∈[1,N];S2-2:特征提取;通过PSD对数据进行特征提取,从三维的脑电信号I2_1
i
中提取出二维特征样本集,获得特征提取后的脑电信号I2_2
i
,其中i表示第i个被试驾驶员驾对应的脑电信号I2_2
i
,且i∈[1,N];S2-3:数据集划分;将二维特征样本集划分为初始源域数据集及初始目标域数据集;选择一个被试驾驶员的数据作为初始目标域数据集I2
T
,包含{X
t
,Y
t
},其二维特征样本数量为n
t
;剩下的N-1个被
试驾驶员的数据整合为初始源域数据集I2
S
,包含{X
s
,Y
s
},其二维特征样本数量为n
s
。5.根据权利要求4所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法,其特征在于步骤3需要设定神经网络GDANN模型中的参数,包括:1)设定比例因子λ,用于从初始目标域数据集I2
T
的无标签样本集X
t
中选择占比例为λ的无标签辅助数据样本λX
t
来辅助训练,λ∈(0,1);2)设定表示模型训练的实际源域数据集中被试驾驶员数目N
s
,用来精简初始源域数据集I2
S
,从初始源域的N-1个被试驾驶员中选择最佳的N
s
个被试驾驶员数据作为实际源域数据集,来进行后续训练,N
s
∈[1,N-1]。6.根据权利要求5所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法...
【专利技术属性】
技术研发人员:曾虹,李秀峰,吴振华,赵月,张佳明,孔万增,戴国骏,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。