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

本发明专利技术公开了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。本发明专利技术首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明专利技术将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。机交互中有着广泛的应用前景。机交互中有着广泛的应用前景。

【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一致，这将导致“负迁移”，并 使DANN的性能下降。
[0005]基于这种情况，我们希望探索迁移学习神经网络在EEG疲劳状态 分类上的应用，为后续做精确的识别以及心理状态分析打下坚实的基 础。针对上述问题及现实意义，本专利技术将生成对抗网络和域不变思想 进一步结合，通过优化参数设置，利用适当的训练技巧，训练生成对 抗域自适应的迁移学习神经网络模型，以实现更好的分类性能。

技术实现思路

[0006]为了克服上述现有技术在跨被试EEG疲劳状态分类中判别性能 不佳、源域目标域数据不匹配、过多源域样本导致负迁移等问题，本 专利技术提出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Generative-DANN(GDANN)。
[0007]本专利技术采用的技术方案是：
[0008]本专利技术使用独立成分分析(ICA)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(PSD)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(GAN)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。
器N
f
和标签分类器N
y
这五个网络的参数μ进行初始化操作；
[0028]S3-2：训练目标域数据判别器N
td
和目标域数据生成器N
tg
；
[0029]用符合高斯分布的随机噪音z和无标签辅助数据样本λX
t
来训练 生成对抗网络的目标域数据判别器N
td
和目标域数据生成器N
tg
，使之 收敛，达到平衡；
[0030]S3-3：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；
[0031]将包含N-1个被试驾驶员数据的初始源域数据集中的无标签数 据样本X
s
通过步骤S3-1训练完成的目标域数据判别器N
td
，从而筛选 获得与目标域数据集I2
T
中无标签样本集X
t
空间分布最相近的前N
s
个被试被试驾驶员，用这N
S
个被试驾驶员所对应的脑电信号X
s
及标 签Y
s
组成新的实际源域数据集I3
S
，更新(X
s
，Y
s
)及二维特征样本数 量ns；
[0032]S3-4：假数据更新目标域
[0033]将大量的随机噪音z通过步骤S3-1训练完成的目标域数据生成 器N
tg
，生成模拟目标域空间分布的假数据X
t-fake
，用X
t-fake
和无标签辅 助数据样本λX
t
组成用于后续训练的无标签目标域数据集I3
T
，并且， 使I3
T
在数量上与实际源域数据集I3
S
相等；
[0034]S3-5：训练特征提取器N
f
，获得特征信息
[0035]将无标签目标域数据集I3
T
和实际源域数据集I3
S
通过特征提取 器N
f
，分别获得特征信息F
T
和F
S
；
[0036]S3-6：训练标签分类器N
y
，判断预测状态
[0037]将特征信息F
S
通过标签分类器N
y
获得预测状态将预测状态 和实际源域数据集I3
S
中样本对应标签Y
S
进行空间距离比较；
[0038]S3-7：训练域判别器N
d
，使无标签目标域数据集I3
T
和实际源域 数据集I3
S
对齐
[0039]将特征信息F
T
标记为1，特征信息F
S
标记为0，然后通过数据 {(F
T
，1)∪(F
S
，0)}训练域判别器N
d
；
[0040]S3-8：跳转步骤S3-5，直至反馈训练达到全局最优。
[0041]步骤S4.用混淆矩阵来评估结果：
[0042]S4-1：获得预测结果
[0043]将初始目标域数据集I2
T
的无标签样本集X
t
通过训练好的特征提 取器N
f
获得特征信息，再将特征信息通过标签分类器N
y
获得对疲劳 状态的预测
[0044]S4-2：用混淆矩阵对预测结果进行评估
[0045]在S4-1获得的预测状态和初始目标域数据集I2
T
中标签显示 的真实状态Y
t
用混淆矩阵进行对比，评估其性能。混淆矩阵是对分 类问题的预测结果的总结，这里用到了混淆矩阵的准确度(Accuracy)、 精度(Precision)、召回(Recall)、F1分数(F1Score)这四个指标。
[0046]与现有技术相比，本专利技术的有益效果是：
[0047]1)针对精神状态预测，本专利技术可以得到比其他分类方本文档来自技高网...

【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：