一種疲勞駕駛腦電信號特征提取與識別的方法
【專利摘要】本發(fā)明提供了一種疲勞駕駛腦電信號特征提取與識別的方法，采用分?jǐn)?shù)階Fourier域的LMS(最小均方誤差)自適應(yīng)濾波算法對疲勞駕駛的腦電信號進行濾波，由快速Fourier變換對腦電信號進行特征提取與識別。具體步驟為：采用單極導(dǎo)聯(lián)法采集駕駛員前額腦電信號，得腦電數(shù)據(jù)；使用分?jǐn)?shù)階Fourier域LMS算法對腦電數(shù)據(jù)進行濾波，得高信噪比腦電數(shù)據(jù)；之后對腦電數(shù)據(jù)進行快速Fourier變換，得腦電信號的功率譜并計算頻帶平均功率譜密度、平均功率譜密度比、頻帶功率百分比和頻帶功率加和比四個特征指標(biāo)；結(jié)合四個特征指標(biāo)對腦電信號進行特征提取與識別并判讀疲勞狀態(tài)。此方法屬于對腦電信號進行噪聲濾除和特征提取識別的領(lǐng)域，適用于對疲勞駕駛的檢測研究，具有推廣使用價值。
【專利說明】—種疲勞駕駛腦電信號特征提取與識別的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明提供了一種疲勞駕駛腦電信號特征提取與識別的方法，具體涉及采用分?jǐn)?shù)階Fourier域的LMS (最小均方誤差)自適應(yīng)濾波算法對疲勞駕駛的腦電信號進行濾波，并采用快速Fourier變換對疲勞駕駛的腦電信號進行特征提取與識別，屬于對腦電信號進行噪聲濾除和特征提取識別的領(lǐng)域，適用于對疲勞駕駛狀態(tài)檢測研究。
【背景技術(shù)】
[0002]腦電信號(electroencephalogram, EEG)是由大腦皮層神經(jīng)細(xì)胞群突出傳遞信號而引起的信號變化，可以反映大腦自主或誘發(fā)的意識活動，與實際的動作行為密切相關(guān)。從1929年德國科學(xué)家Hans Berger記錄到人腦的電活動起,開啟了人們以腦電信號來識別人們的思維活動。
[0003]腦電信號非常微弱，且背景噪聲很強，一般EEG信號只有50 μ V左右，最大只有100 μ V，因此腦電信號的提取與處理對檢測系統(tǒng)、分析系統(tǒng)有很高的要求，包括有高輸入阻抗、高共模抑制比、低噪聲放大技術(shù)，能從強噪聲中提取弱信號的高質(zhì)量濾波措施等要求。在疲勞駕駛方面檢測腦電信號更是混合有各種噪聲。
[0004]駕駛疲勞的檢測技術(shù)一般可分為主觀檢測技術(shù)和客觀檢測技術(shù)。主觀檢測技術(shù)對于疲勞駕駛的批判實際上是通過時間標(biāo)準(zhǔn)來界定的，即對駕駛員每次連續(xù)駕駛時間的界定，但是其忽略駕駛員的體制、精神狀態(tài)、生活飲食狀態(tài)、是否患病等多方面的差異性；客觀檢測技術(shù)是針對不同的駕駛員 進行評價，其檢測結(jié)果比較準(zhǔn)確。國內(nèi)外對駕駛員開展的腦電技術(shù)研究工作有:Torsvall、Akerstedt及Kecklund等把腦電圖用于研究駕駛員開車過程中目盍睡與事故之間的關(guān)系；澳洲的Saroj K Lal和Ashley Craig對35名非專業(yè)駕駛員進行測試，以他們在清醒狀態(tài)下的平均EEG活動為基準(zhǔn)，分析得出了他們在清醒、接近疲勞、疲勞、極度疲勞(打瞌睡)和從疲勞中警醒這5個不同階段腦電圖的變化特點；我國浙江大學(xué)的王炳浩等用KT98-2000A動態(tài)腦電儀測量了健康的駕駛員駕車行駛時的動態(tài)腦電波來研究駕駛疲勞。
[0005]關(guān)于腦的不同類型的節(jié)律以及它們與不同病理和功能之間的關(guān)系的研究，腦部的電活動根據(jù)不同腦部的狀態(tài)、功能或病理被分成了不同的頻帶，目前普遍接受的分法為:δ波(0.5-3Ηζ)、Θ波(4-7Ηζ)、α波(4_14Ηζ)、β波(14-30Ηζ)，其中δ波是成人在極度疲勞或昏睡狀態(tài)下出現(xiàn)的波形；Θ波描述了大腦處在似睡非睡的狀態(tài)；α波則顯示大腦處于放松狀態(tài)，但仍保持意識；β波是大腦處在高度清醒狀態(tài)。近期有研究者提出將Θ~β波分為:Θ波(4~6Hz)、慢α波(7~8Hz)、中α波(9~IlHz)、快α波(12~14Hz)和β波(15~23Hz)五個頻帶，用以研究大腦由清醒到入睡狀態(tài)的腦電變化。
[0006]將駕駛員腦電信號(EEG)進行劃分出不同的頻帶，對其功率進行分析，預(yù)測識別出疲勞駕駛的狀態(tài)，具有安全、方便、廉價、無創(chuàng)的特點，而且還具有良好的時間分辨率，可實時地、動態(tài)地觀察駕駛員疲勞情況，可以有效地避免由于駕駛員的過度疲勞造成的車禍。
【發(fā)明內(nèi)容】
[0007]有鑒于此，本發(fā)明提供一種疲勞駕駛腦電信號特征提取與識別的方法，具體是基于分?jǐn)?shù)階Fourier域LMS自適應(yīng)濾波與快速Fourier變換的疲勞駕駛腦電特征提取識別方法，首先將采集來的腦電信號通過分?jǐn)?shù)階Fourier域LMS自適應(yīng)濾波將其進行濾波處理，以提高信噪比，之后采用快速Fourier變換得到各個頻帶的功率密度譜，再計算疲勞駕駛腦電信號的四個特征指標(biāo)，最后結(jié)合這四個特征指標(biāo)對駕駛員腦電信號進行特征提取以及識別駕駛員的疲勞狀態(tài)。本發(fā)明提供了以下的技術(shù)方案:
[0008]一種疲勞駕駛腦電信號特征提取與識別的方法，是基于分?jǐn)?shù)階Fourier域LMS自適應(yīng)濾波與快速Fourier變換的疲勞駕駛腦電特征識別方法，具體包括以下步驟:
[0009]步驟一:采用單極導(dǎo)聯(lián)法對駕駛員前額的腦電信號進行采集，得到駕駛員的腦電數(shù)據(jù)；
[0010]步驟二:使用分?jǐn)?shù)階Fourier域LMS自適應(yīng)算法對腦電信號進行濾波，得到信噪比聞的腦電/[目號；
[0011]步驟三:對濾波后的高信噪比的腦電信號進行快速Fourier變換，得到腦電信號的功率譜并依據(jù)腦電信號的功率譜采用每個頻帶平均功率譜密度、不同頻帶平均功率譜密度比值、頻帶功率百分比和頻帶功率加和比四個特征指標(biāo)；
[0012]步驟四:結(jié)合使用腦電信號的四個特征指標(biāo)對駕駛員疲勞狀態(tài)的腦電信號進行識別。
[0013]進一步，在步驟一中具體使用單極導(dǎo)聯(lián)法對駕駛員前額的腦電信號進行檢測，采集到駕駛員前額的腦電數(shù)據(jù)；
[0014]進一步，在步驟二中具體包括以下步驟:2.1:首先將腦電信號x(n)進行O~4階的分?jǐn)?shù)階Fourier變換，得到Xp (k)，形成二維平面；2.2:在此二維平面上采用基于二維搜索和失調(diào)因子的最佳變換階次選取算法進行峰值搜索，得到最佳變換階P1，最佳變換階P1對應(yīng)的變換域即為最佳變換域，此時的輸入信號為Xpl (k) ；2.3:對期望信號d(n)進行迭代訓(xùn)練，之后對其做P1階分?jǐn)?shù)階Fourier變換，得到Dpl (k) ；2.4:在該最佳變換域中采用LMS自適應(yīng)算法對疲勞駕駛的腦電信號進行濾波，得到時域輸出信號y(n)；
[0015]其中，基于二維搜索和失調(diào)因子的最佳變換階次選取算法是將所述輸入信號以一定的變換間隔進行多階的分?jǐn)?shù)階Fourier變換；再由旋轉(zhuǎn)角度的對稱性，以一定的搜索間隔進行一定范圍的二維搜索，計算出峰值最大點對應(yīng)的階數(shù)P;最后選取以P值為中心的若干階逐個進行濾波，并計算失調(diào)因子(由于變換階次μ較小，失調(diào)因子可近似表示為M =μ.tr[Κτ]/2)，確定失調(diào)因子最小的點，該點對應(yīng)的階數(shù)即為最佳變換階數(shù)Pl。而所述時域輸出信號y(n)是將所述的期望向量Dpl (k)帶入方程:
[0016]E(k) = Dpl (k)-Xpl (k)式(5)
[0017]計算誤差向量E (k);再根據(jù)權(quán)系數(shù)矢量W(k)的誤差遞推算法:
[0018]W(k + I) = M/(Zc) + μΧ;' (k)E(k) = W(k) + μ[Χ；λ _?)l (fc) - X;' (k)W(k)]
[0019]式(6)
[0020]進行最小均方誤差(LMS)自適應(yīng)濾波，遞歸法計算權(quán)系數(shù)矢量w (k)的更替值；時間指數(shù)k加1，計算下一時刻的誤差E(k)及權(quán)系數(shù)矢量w(k)，重復(fù)這一步驟，直至算法穩(wěn)定；最后將輸出信號Ypl (k)進行-P1階分?jǐn)?shù)階Fourier變換，得到時域輸出信號y (η)。[0021]進一步，步驟三中具體包括以下步驟:3.1:對濾波后的時域信號y(η)進行快速Fourier變換，得到Θ波(4~6Hz)、慢α波(7~8Hz)、中α波(9~IlHz)、快α波(12~14Hz)和β波(15~23Hz)五個頻帶，并計算出每個頻帶的功率值P(f) ；3.2依據(jù)每個頻帶平均功率譜密度算法:
【權(quán)利要求】
1.一種疲勞駕駛腦電信號特征提取與識別的方法，該方法的特點包括以下技術(shù)措施: 步驟一:采用單極導(dǎo)聯(lián)法對駕駛員前額的腦電信號進行采集，得到駕駛員的腦電數(shù)據(jù)； 步驟二:使用分?jǐn)?shù)階Fourier域LMS自適應(yīng)算法對腦電信號進行濾波，得到高信噪比的腦電信號； 步驟三:對濾波后的高信噪比的腦電信號進行快速Fourier變換，得到腦電信號的功率譜并依據(jù)腦電信號的功率譜采用每個頻帶平均功率譜密度、不同頻帶平均功率譜密度比值、頻帶功率百分比和頻帶功率加和比四個特征指標(biāo)； 步驟四:結(jié)合使用腦電信號的四個特征指標(biāo)對駕駛員疲勞狀態(tài)的腦電信號進行識別。
2.根據(jù)權(quán)利要求1所述的一種疲勞駕駛腦電信號特征提取與識別的方法，其特征在于:在步驟一中采用單極導(dǎo)聯(lián)法對駕駛員前額的腦電信號進行檢測，采集得到駕駛員前額的腦電數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的一種疲勞駕駛腦電信號特征提取與識別的方法，其特征在于:步驟二中具體包括以下步驟:2.1:將腦電信號x(n)進行多階的分?jǐn)?shù)階Fourier變換，得到Xp(k)，并形成二維平面；2.2:在此二維平面上采用基于二維搜索和失調(diào)因子的最佳變換階次選取算法進行峰值搜索，得到最佳變換階P1，輸入信號為Xpl (k) ；2.3:對期望信號d(n)進行迭代訓(xùn)練，對其做P1階分?jǐn)?shù)階Fourier變換，得到Dpl (k) ；2.4:在該最佳變換域中采用LMS自適應(yīng)算法對疲勞駕駛的腦電信號進行濾波，得到時域輸出信號y(n)。
4.根據(jù)權(quán)利要求3所述的一種疲勞駕駛腦電信號特征提取與識別的方法，其特征在于:所述的基于二維搜索和失調(diào)因子的最佳變換階次選取算法是將所述輸入信號以一定的變換間隔進行多階的分?jǐn)?shù)階Fourier變換；再由旋轉(zhuǎn)角度的對稱性，以一定的搜索間隔進行一定范圍的二維搜索，計算出峰值最大點對應(yīng)的階數(shù)P ;最后選取以P值為中心的若干階逐個進行濾波，并計算失調(diào)因子，確定失調(diào)因子最小的點，該點對應(yīng)的階數(shù)即為最佳變換階數(shù)P”
5.根據(jù)權(quán)利要求3所述的一種疲勞駕駛腦電信號特征提取與識別的方法，其特征在于:所述時域輸出信號y(n)是將所述的期望向量Dpl (k)帶入方程:
E(k) = Dpl (k)-Xpl (k)式(5) 計算誤差向量E(k);再根據(jù)權(quán)系數(shù)矢量W(k)的誤差遞推算法:
W(k + I) = W(k) + μΧ^ (k)E(k) = W(k) + [![X^(U)Dpi(k) - X^(k)W(k)] 式(6) 進行最小均方誤差(LMS)自適應(yīng)濾波，遞歸法計算權(quán)系數(shù)矢量w(k)的更替值；時間指數(shù)k加1，計算下一時刻的誤差E(k)及權(quán)系數(shù)矢量w(k)，重復(fù)這一步驟，直至算法穩(wěn)定；最后將輸出信號Ypl (k)進行-P1階分?jǐn)?shù)階Fourier變換，得到時域輸出信號y (η)。
6.根據(jù)權(quán)利要求1所述的一種疲勞駕駛腦電信號特征提取與識別的方法，其特征在于:步驟三中具體包括以下步驟:3.1:對濾波后的時域信號y (η)進行快速Fourier變換，得到Θ波(4~6Hz)、慢α波(7~8Hz)、中α波(9~IlHz)、快α波(12~14Hz)和β波(15~23Hz)五個頻帶,并計算出每個頻帶的功率值P (f) ;3.2依據(jù)每個頻帶平均功率譜密度算法:
7.根據(jù)權(quán)利要求1所述的一種疲勞駕駛腦電信號特征提取與識別的方法，其特征在于:在步驟四中具體包括以下步驟:4.1:駕駛員疲勞狀態(tài)分為正常、安靜清醒、瞌睡與入睡四個狀態(tài)；4.2:依據(jù)慢α波后一時刻與前一時刻的平均功率是否發(fā)生劇烈變化來判斷駕駛員是否進入瞌睡狀態(tài)；4.3:慢α波功率百分比作為檢驗瞌睡初期狀態(tài)的一個指標(biāo)，Θ波功率百分比則作為檢驗瞌睡深淺程度的特征數(shù)據(jù)指標(biāo)，選取(Θ+慢α)/β加和比、θ/β和慢α / β頻帶平均功率密度比三個指標(biāo)作為判斷清醒與瞌睡的輔助指標(biāo)。4.4:依據(jù)步驟.4.2與4.3的比較結(jié)果來識別駕駛員的疲勞狀態(tài)。
【文檔編號】A61B5/18GK103919565SQ201410186081
【公開日】2014年7月16日 申請日期:2014年5月5日 優(yōu)先權(quán)日:2014年5月5日
【發(fā)明者】屈劍鋒, 柴毅, 張可, 任浩, 符凱 申請人:重慶大學(xué)