一种脑电多尺度模糊熵特征的疲劳驾驶分类方法及系统技术方案

本发明专利技术属于脑电信号处理领域，为基于CEEMDAN的脑电多尺度模糊熵特征的疲劳驾驶分类方法及系统。其方法包括：采集脑电数据，并对部分数据进行标注；对脑电信号进行预处理，去除脑电信号中的伪影干扰；对预处理后的脑电信号进行特征提取，构建并训练SVM分类器，利用训练好的SVM分类器对未标记数据进行分类，获得伪标记数据；对伪标记数据和事先获得的已标记数据均进行CEEMDAN处理以及尺度变换处理，获得基于CEEMDAN的脑电多尺度模糊熵特征，建立疲劳状态分类模型，对脑电信号进行疲劳状态分类。本发明专利技术采集方法简单，更适合应用于智能驾驶系统，并且具有较高的疲劳状态识别率。并且具有较高的疲劳状态识别率。并且具有较高的疲劳状态识别率。

【技术实现步骤摘要】
一种脑电多尺度模糊熵特征的疲劳驾驶分类方法及系统


[0001]本专利技术属于生物信号处理领域中的脑电信号处理领域，具体涉及一种基于CEEMDAN的脑电多尺度模糊熵特征的疲劳驾驶分类方法及系统。

技术介绍

[0002]研究表明疲劳是交通事故频发的主要原因之一。疲劳会极大地影响驾驶员的注意力和决策能力，从而降低驾驶员的警觉性。因此，监测驾驶员的疲劳状态并提供预警处理是非常重要的。驾驶员疲劳程度的检测主要分为两种方式：主观疲劳检测和客观疲劳检测。前者通常作为判断疲劳程度的辅助手段，如斯坦福困倦量表(SSS)和卡罗林斯卡困倦量表(KSS)。后者主要包括基于车辆行驶的状况、基于驾驶员行为特征和基于驾驶员生理信号参数的检测方法。车辆的行驶状况包括车辆在正常行驶条件下距预定轨道的距离、调整车辆所需的反应时间、方向盘角度等。驾驶员行为特征包括眨眼频率、闭眼百分比和闭眼持续时间。驾驶员的生理信号，如脑电图、心电图和肌电图，是目前驾驶员疲劳检测的有效手段。
[0003]EEG(脑电信号)作为大脑活动的直接反映，由于其良好的时间分辨率和非侵入性的信号采集，被广泛应用于当前的疲劳驾驶检测。然而传统的多通道脑电图采集方法复杂且不易携带，不利于智能汽车驾驶系统的实际应用。此外，基于机器学习的疲劳识别方法需要大量的标签信息作为训练分类器的输入，否则会出现严重的过拟合问题。然而状态注释的各种方法都很复杂、不可靠，有时甚至很昂贵。因此研究基于单通道EEG数据和自训练半监督学习的驾驶疲劳分类方法更符合实际需要。

技术实现思路

[0004]针对现有基于脑电疲劳驾驶分类方法存在的上述问题，本专利技术提出了一种脑电多尺度模糊熵特征的疲劳驾驶分类方法及系统，基于CEEMDAN对脑电信号进行处理，不需要多导联脑电信号，其脑电采集方法简单易携带，脑电样本的状态标记方法更为实用。
[0005]本专利技术方法所采用的技术方案如下：一种脑电多尺度模糊熵特征的疲劳驾驶分类方法，包括以下步骤：
[0006]进行模拟驾驶实验，以采集脑电数据，并对部分数据进行标注；
[0007]对脑电信号进行预处理，去除脑电信号中的伪影干扰；
[0008]对预处理后的脑电信号进行特征提取，构建并训练SVM分类器，利用训练好的SVM分类器对未标记数据进行分类，获得伪标记数据；
[0009]对伪标记数据和事先获得的已标记数据均进行CEEMDAN处理以及尺度变换处理，获得基于CEEMDAN的脑电多尺度模糊熵特征，建立疲劳状态分类模型，对脑电信号进行疲劳状态分类。
[0010]优选地，对脑电信号进行预处理，去除脑电信号中的非生理伪影干扰；非生理伪影包括工频干扰、电极与头皮接触不当产生的噪声；去除非生理伪影的步骤包括：
[0011]首先丢弃首段的脑电信号，并去除脑电信号中的异常数据段；然后通过滤波器滤
波，消除直流偏置和工频干扰。
[0012]优选地，对脑电信号进行预处理，采用基于统计阈值和coif3小波函数的离散小波变换去除去除脑电信号中的生理伪影干扰。
[0013]进一步优选地，生理伪影包括眼电图伪影，去除眼电图伪影的步骤包括：
[0014]将脑电信号通过基于coif3小波函数的离散小波变换进行多级分解，得到近似系数组和细节系数组{C
k
|k＝1,2,
…
,n}，各系数组的统计阈值ST计算如下：
[0015]ST＝1.5*STD(C
k
)
[0016]其中STD(C
k
)是第k级小波系数组的标准差；
[0017]如果小波系数组中的系数绝对值大于统计阈值，则将该小波系数组的标准差置为0；
[0018]最后再通过逆小波变换得到去除眼电伪迹的脑电信号。
[0019]优选地，伪标记数据的获取步骤包括：
[0020]利用事先通过实验获得的已标记数据的特征信息训练SVM分类器，建立自训练模型，利用训练好的SVM分类器对未标记数据进行预测，获得伪标记数据。
[0021]优选地，对预处理后的脑电信号进行特征提取的步骤包括：
[0022]通过小波包变换得到原始脑电信号的子带信号：Delta、Theta、Alpha、Beta，并通过子带信号提取脑电信号的时域特征和频域特征；选择移动性HM和复杂度HC来描述脑电信号及其子带信号的时间特征，完成脑电信号的时域特征提取；采用快速傅里叶变换计算原始脑电信号以及各子带信号的相对能量和能量比，采用Welch平均周期图方法计算各子带信号的功率谱密度，完成脑电信号的频域特征提取；
[0023]提取脑电信号的熵特征，包括renyi熵、谱熵和模糊熵。
[0024]本专利技术系统所采用的技术方案为：一种脑电多尺度模糊熵特征的疲劳驾驶分类系统，包括以下模块：
[0025]数据采集模块，进行模拟驾驶实验，以采集脑电数据，并对部分数据进行标注；
[0026]预处理模块，对脑电信号进行预处理，去除脑电信号中的伪影干扰；
[0027]特征提取模块，对预处理后的脑电信号进行特征提取，构建并训练SVM分类器，利用训练好的SVM分类器对未标记数据进行分类，获得伪标记数据；
[0028]疲劳状态分类模块，对伪标记数据和事先获得的已标记数据均进行CEEMDAN处理以及尺度变换处理，获得基于CEEMDAN的脑电多尺度模糊熵特征，建立疲劳状态分类模型，对脑电信号进行疲劳状态分类。
[0029]本专利技术是基于脑电信号进行疲劳状态分类，对驾驶员实现清醒和疲劳两种状态的区分；与现有技术相比，取得的有益效果包括：
[0030]首先，目前的驾驶疲劳识别方法大多基于多导联脑电信号，不利于实际应用；而本专利技术基于CEEMDAN的脑电多尺度模糊熵特征和自训练伪标签对驾驶疲劳进行识别，可以仅使用左前额FP1的EEG数据进行分析，其脑电采集方法简单易携带，脑电样本的状态标记方法更为实用。其次，采用自训练半监督方法将无标记数据转换为伪标记数据，提高信息利用率。
附图说明
[0031]图1是本专利技术实施例中疲劳驾驶分类方法中特征提取和分类模型构建的流程图。
具体实施方式
[0032]下面将结合附图和具体实施例对本专利技术进行详细说明，但本专利技术的具体实施方式并不限于此。
[0033]实施例1
[0034]本实施例提供一种脑电多尺度模糊熵特征的疲劳驾驶分类方法，包括以下步骤：
[0035]步骤1、进行模拟驾驶实验，以采集脑电数据，并对部分数据进行标注。
[0036]建立模拟驾驶环境并进行模拟驾驶实验，选择多名条件符合的受试者，通过运行欧洲卡车模拟器2软件平台，向受试者提供模拟驾驶任务。
[0037]进行模拟驾驶实验时，按照10
‑
20国际标准导联系统确定通道位置，使用mangold
‑
10多导生理装置，采集受试者左前额的单通道脑电图信号，即FP1通道，选择的接触电极是Ag
‑...

【技术保护点】

【技术特征摘要】
1.一种脑电多尺度模糊熵特征的疲劳驾驶分类方法，其特征在于，包括以下步骤：进行模拟驾驶实验，以采集脑电数据，并对部分数据进行标注；对脑电信号进行预处理，去除脑电信号中的伪影干扰；对预处理后的脑电信号进行特征提取，构建并训练SVM分类器，利用训练好的SVM分类器对未标记数据进行分类，获得伪标记数据；对伪标记数据和事先获得的已标记数据均进行CEEMDAN处理以及尺度变换处理，获得基于CEEMDAN的脑电多尺度模糊熵特征，建立疲劳状态分类模型，对脑电信号进行疲劳状态分类。2.根据权利要求1所述的疲劳驾驶分类方法，其特征在于，对脑电信号进行预处理，去除脑电信号中的非生理伪影干扰；非生理伪影包括工频干扰、电极与头皮接触不当产生的噪声；去除非生理伪影的步骤包括：首先丢弃首段的脑电信号，并去除脑电信号中的异常数据段；然后通过滤波器滤波，消除直流偏置和工频干扰。3.根据权利要求1所述的疲劳驾驶分类方法，其特征在于，对脑电信号进行预处理，采用基于统计阈值和coif3小波函数的离散小波变换去除去除脑电信号中的生理伪影干扰。4.根据权利要求3所述的疲劳驾驶分类方法，其特征在于，生理伪影包括眼电图伪影，去除眼电图伪影的步骤包括：将脑电信号通过基于coif3小波函数的离散小波变换进行多级分解，得到近似系数组和细节系数组{C
k
|＝1,2,
…
,}，各系数组的统计阈值ST计算如下：ST＝1.5*TD(C
k
)其中STD(C
k
)是第k级小波系数组的标准差；如果小波系数组中的系数绝对值大于统计阈值，则将该小波系数组的标准差置为0；最后再通过逆小波变换得到去除眼电伪迹的脑电信号。5.根据权利要求1所述的疲劳驾驶分类方法，其特征在于，伪标记数据的获取步骤包括：利用事先通过实验获得的已标记数据的特征信息训练SVM分类器，建立自训练模型，利用训练好的SVM分类器对未标记数据进行预测，获得伪标记数据。6.根据权利要求1所述的疲劳驾驶分类方法，其特征在于，对预处理后的脑电信号进行特征提取的步骤包括：通过小波包变换得到原始脑电信号的子带信号：Delta、Theta、Alpha、Beta，并通过子带信号提取脑电信号的时域特征和频域特征；选择移动性HM和复杂度HC来描述脑电信号及其子带信号的时间特征，完成脑电信号的时域特征提取；采用快速傅里叶变换计算原始脑电信号以及各子带信号的相对能量和能量比，采用Welch平均周期图方法计算各子带信号的功率谱密度，完成脑电信号的频域特征提取；提取脑电信号的熵特征，包括renyi熵、谱熵和模糊熵。7.根据权利要求6所述的疲劳驾驶分类方法，其特征在于，对于时间序列{x(n)|n＝1,2，
…
，n},移动性HM和复杂度HC的计算公式分别如下：
其中x
′
(n)表示时间序列x(n+1)与x(n)之间的差值，x
″
(n)表示x
′
(n+1)与x
′
(n)之间的差值，表示(n)的均值，表示x
′
(n)的均值，表示x
″
(n)的均值；各子带信号的能量表达式为：其中，为子带信号的集合,m为各子带信号的频率数，s
i
为对原始脑电信号进行快速傅里叶变换得到的相应频率的幅值；基于直方图密度估计法，根据取值范围将脑电信号划分为k个等宽的bin,bin的宽度由w＝(max
1≤n≤N
x(n)
‑...

【专利技术属性】
技术研发人员：刘云鹤，晋建秀，舒琳，徐向民，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：