本发明专利技术涉及一种慢速眼动信号检测方法，包括实时采集一导水平眼电信号，利用预设时长与步长的滑动窗口在一导水平眼电信号上滑动，获取每次滑动的当前窗口数据样本，输入训练好的多尺度一维卷积神经网络模型中进行预测；当前窗口数据样本经过多个预设降采样率的降采样分支，生成多个不同尺度的眼电信号分支；每个眼电信号分支均经过一维卷积运算及最大池化操作，生成对应的一维特征图；将当前窗口数据样本对应的多个一维特征图进行连接，获取对应的全连接特征图，并利用Softmax函数进行分类后，判断是否存在慢速眼动信号。本发明专利技术利用多尺度一维卷积神经网络，自动学习特征并进行分类，利用多个尺度上不同特征的精确表征，提高了检测效率与精度。了检测效率与精度。了检测效率与精度。
【技术实现步骤摘要】
一种慢速眼动信号检测方法、装置及应用
[0001]本专利技术涉及生物医学工程与机器学习交叉
，尤其是指一种慢速眼动信号检测方法、装置及应用。
技术介绍
[0002]据报道，很多驾驶员都有开车打瞌睡的经历，疲劳驾驶会导致驾驶员机能的降低，容易引发严重的交通事故，给社会和家庭带来巨大的经济损失和精神伤害。导致驾驶员驾驶车辆时进入睡眠的主要原因是缺少睡眠，而当睡眠压力累积到一定程度时，会无意识地进入瞌睡状态。且在缺乏外界刺激和长时间单调的车载环境下，更容易进入瞌睡状态。为了避免驾驶过程中瞌睡导致的严重交通事故，就需要实现对瞌睡状态的精确检测和及时预警。
[0003]生理信号被认为能够指示驾驶员瞌睡产生的生理机制。睡眠研究领域认为慢速眼动出现在从清醒到睡眠的过渡过程，能够指示睡眠开始时期。慢速眼动是由于眼球在水平方向上缓慢转动而产生的类似正弦波的平缓波形,频率在0.2Hz
‑
0.6Hz范围内，因此波形呈现在多个时间尺度上。在近期的疲劳驾驶研究中，报道了慢速眼动出现在瞌睡闭眼期，且占据较高的时间比例，能够指示驾驶员的睡眠开始状态。此外，眼电信号由于易采集，且信噪比高，更容易在实际环境中应用。因此，通过检测水平眼电信号上的慢速眼动波形可以帮助识别驾驶员的睡眠开始状态，即瞌睡状态。
[0004]早期睡眠领域中的检测慢速眼动的方法，主要根据慢速眼动波形本身的特点，如幅度值、频率、信号速率，设计相对简单的统计量并根据预设阈值检测慢速眼动。这些方法存在检测率低、可靠性不高的问题。在疲劳驾驶领域中的研究中，现有的一项技术是关于基于眼电信号的警觉度检测系统，根据慢速眼动的频率范围，提出通过基于db4的离散小波变换将原始眼电信号分解至10阶，取第7
‑
10阶成分作为慢速眼动成分，并计算该成分与1
‑
20Hz成分的能量比，其值作为区分警觉度的一个特征。然而，此技术并没有具体涉及对慢速眼动自身波形的检测。对慢速眼动波形的检测，在相关文献研究中，被转换为二分类问题，通过首先对数据进行慢速眼动片段和非慢速眼动片段进行人工标记，再对这些信号片段进行特征提取，以及后续结合合适的分类模型，对其进行分类判别。但现有的方法基于机器学习与分类器结合的思路，其提取的特征是自设计特征；自设计特征的提取需要人为设计，且受限于专业经验。提取后的多个特征，一般还需要通过特征选择方法进行筛选，得到较好的特征组合。因此，这种结合特征提取和分类器的慢速眼动检测方法，不能够自动学习到有效特征表征，进而有可能造成最终分类精度低的问题。
[0005]综上，现有的慢速眼动检测方法存在检测效率低，且需要基于经验人工设计特征，不能够自动学习到有效特征，导致检测精度低的问题。
技术实现思路
[0006]为此，本专利技术所要解决的技术问题在于克服现有技术中对慢速眼动检测的检测效
率低且精度差的问题。
[0007]为解决上述技术问题，本专利技术提供了一种慢速眼动信号检测方法，包括：
[0008]实时采集一导水平眼电信号，利用预设时长与步长的滑动窗口在所述一导水平眼电信号上滑动，获取每次滑动的当前窗口数据样本，输入训练好的多尺度一维卷积神经网络模型中进行预测；
[0009]所述当前窗口数据样本经过多个预设降采样率的降采样分支，生成多个不同尺度的眼电信号分支；
[0010]每个眼电信号分支均经过一维卷积运算及最大池化操作，生成对应的一维特征图；
[0011]将当前窗口数据样本对应的多个一维特征图进行连接，获取对应的全连接特征图，并利用Softmax函数进行分类；
[0012]根据Softmax函数分类结果，判断当前窗口数据样本中是否存在慢速眼动信号。
[0013]在本专利技术的一个实施例中，所述训练好的多尺度一维卷积神经网络模型的获取包括：
[0014]获取数据样本集中多个一导水平眼电信号，并标记所有一导水平眼电信号上的慢速眼动片段与非慢速眼动片段；
[0015]利用预设时长与步长的滑动窗口，分别在所有慢速眼动片段上进行滑动，获取包含慢速眼动信号的慢速眼动窗口数据样本集；
[0016]利用预设时长与步长的滑动窗口，分别在所有非慢速眼动片段上进行滑动，获取不包含慢速眼动信号的非慢速眼动窗口数据样本集；
[0017]将所述慢速眼动窗口数据样本集与所述非慢速眼动窗口数据样本集作为训练集，将训练集中每个窗口数据样本作为输入，对构建的多尺度一维卷积神经网络进行训练，获取训练好的多尺度一维卷积神经网络模型。
[0018]在本专利技术的一个实施例中，所述多尺度一维卷积神经网络包括依次串联的：
[0019]降采样模块，其包括多个不同降采样率的降采样分支，用于对数据样本进行降采样，获取多个不同尺度的眼电信号分支；
[0020]局部卷积模块，其包括串联的卷积层、最大池化层与激活函数层，用于对多个不同尺度的眼电信号分支分别进行卷积、最大池化与激活，获取多个一维特征图；
[0021]全连接模块，其网络结构为单层感知机，包括依次串联的输入层、隐藏层与输出层；其输入为多个一维特征图连接后得到的全连接特征图，其隐藏层对所述全连接特征图进行线性加权与激活输出至其输出层后，经过Softmax函数分类，获取数据样本的分类结果。
[0022]在本专利技术的一个实施例中，所述降采样模块，表示为：
[0023]眼电信号分支
[0024]其中，r
k
表示降采样率；n表示输入的数据样本中眼电信号的长度。
[0025]在本专利技术的一个实施例中，所述局部卷积模块，包括：
[0026]所述眼电信号分支经过卷积层进行一维卷积运算，表示为：
[0027][0028]式中，为眼电信号分支中的元素；f为一维卷积操作中的滤波器，其长度为m，个数为256；其中，m的大小为输入的眼电信号分支的长度，j＝1,2,
…
,m；表示样本经过卷积后得到的特征图中的第i个元素；表示卷积特征图的第i个元素，
[0029]利用最大池化操作对卷积之后产生多个卷积特征图进行处理，池化大小的长度与卷积特征图的一维数据长度一致，宽度为1，池化步长1，最大池化表达式为：
[0030][0031]式中，为最大池化的输出结果，为降采样率为r
k
的降采样分支经过一维卷积所获得的卷积特征图，down.max()表示最大池化操作；
[0032]引入双线正切tanh激活函数来对经过一维卷积以及最大池化后的输出进行激活，获得多个卷积特征图的非线性组合，生成一维特征图，表达式为：
[0033][0034]在本专利技术的一个实施例中，所述全连接模块，包括：
[0035]将来自所述局部卷积模块的多个一维特征图连接起来，得到全连接模块的输入特征图：送入输入层中；
[0036]预设神经元个数的隐藏层对输入特征图M
R
进行线性加权，再经过Tanh激活函数进行激活；
[0037]输本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种慢速眼动信号检测方法，其特征在于，包括：实时采集一导水平眼电信号，利用预设时长与步长的滑动窗口在所述一导水平眼电信号上滑动，获取每次滑动的当前窗口数据样本，输入训练好的多尺度一维卷积神经网络模型中进行预测；所述当前窗口数据样本经过多个预设降采样率的降采样分支，生成多个不同尺度的眼电信号分支；每个眼电信号分支均经过一维卷积运算及最大池化操作，生成对应的一维特征图；将当前窗口数据样本对应的多个一维特征图进行连接，获取对应的全连接特征图，并利用Softmax函数进行分类；根据Softmax函数分类结果，判断当前窗口数据样本中是否存在慢速眼动信号。2.根据权利要求1所述的慢速眼动信号检测方法，其特征在于，所述训练好的多尺度一维卷积神经网络模型的获取包括：获取数据样本集中多个一导水平眼电信号，并标记所有一导水平眼电信号上的慢速眼动片段与非慢速眼动片段；利用预设时长与步长的滑动窗口，分别在所有慢速眼动片段上进行滑动，获取包含慢速眼动信号的慢速眼动窗口数据样本集；利用预设时长与步长的滑动窗口，分别在所有非慢速眼动片段上进行滑动，获取不包含慢速眼动信号的非慢速眼动窗口数据样本集；将所述慢速眼动窗口数据样本集与所述非慢速眼动窗口数据样本集作为训练集，将训练集中每个窗口数据样本作为输入，对构建的多尺度一维卷积神经网络进行训练，获取训练好的多尺度一维卷积神经网络模型。3.根据权利要求1所述的慢速眼动信号检测方法，其特征在于，所述多尺度一维卷积神经网络包括依次串联的：降采样模块，其包括多个不同降采样率的降采样分支，用于对数据样本进行降采样，获取多个不同尺度的眼电信号分支；局部卷积模块，其包括串联的卷积层、最大池化层与激活函数层，用于对多个不同尺度的眼电信号分支分别进行卷积、最大池化与激活，获取多个一维特征图；全连接模块，其网络结构为单层感知机，包括依次串联的输入层、隐藏层与输出层；其输入为多个一维特征图连接后得到的全连接特征图，其隐藏层对所述全连接特征图进行线性加权与激活输出至其输出层后，经过Softmax函数分类，获取数据样本的分类结果。4.根据权利要求3所述的慢速眼动信号检测方法，其特征在于，所述降采样模块，表示为：眼电信号分支其中，r
k
表示降采样率；n表示输入的数据样本中眼电信号的长度。5.根据权利要求4所述的慢速眼动信号检测方法，其特征在于，所述局部卷积模块，包括：所述眼电信号分支经过卷积层进行一维卷积运算，表示为：
式中，为眼电信号分支中的元素；f为一维卷积操作中的滤波器，其长度为m，个...
【专利技术属性】
技术研发人员：何秀锦，焦影影，焦竹青，
申请(专利权)人：常州大学，
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。