基于脑电信号的疲劳驾驶检测方法

1.基于脑电信号的疲劳驾驶检测方法，其特征在于，包括以下步骤：
S1：实时采集驾驶员在驾车时的脑电信号，并进行去除眨眼伪迹处理；
S1-1：对采集到的脑电信号进行ICA，得到N个独立成分和混合矩阵A；
S1-2：引入一个指标:Correlation based Index,简称CBI,计算每个成分的CBI(j)；
S1-3：找出CBI最大的成分，把它当作候选成分；
S1-4：检查候选成分是否满足眨眼条件，如果满足，则是眨眼成分，否则不是；
S1-5：确定眨眼成分之后，把矩阵A中对应眨眼成分的那一列系数置为零，然后重构脑电信号；
S2：对时域的脑电信号进行转换，转换到频域，进而求得脑电信号中各个频域段特征脑电信号的能量值，再根据其相对能量的大小来确定疲劳程度，具体方法如下：
S2-1:对脑电信号进行傅里叶变换后求得功率谱密度，将脑电信号分解为4个基本节律，即δ节律、θ节律、σ节律和β节律，δ节律、θ节律、σ节律和β节律所对应的频率范围分别是
1-3.8Hz、4-7.8Hz、8-12.8Hz、13-30Hz；
S2-2：当σ节律和β节律呈主导优势时，表明人的意识是清醒的，当δ节律和θ节律占主导优势时，表明人的意识模糊甚至轻微睡眠；
S3：设计BP神经网络分类器，对脑电信号进行疲劳程度的分类识别，具体方法如下：
S3-1：建立BP神经网络对象；
S3-2：确定网络种类以及网络层数，采用具有一个隐含层的三层BP神经网络；
S3-3：确定传递函数，采用S型传递函数；
S3-4：确定输入层和输出层神经元个数，输入神经元个数确定为4个，输出神经元个数确定为1个；
S3-5：确定隐含层神经元个数，确定公式如下：
其中m为输入层神经元个数，n为输出层神经元个数；
根据上述公式确定隐含层神经元个数的范围为4≤h≤13；
S3-6：选取初始值，选取初始权值在(-1，1)之间的随机数；
S3-7：确定训练函数，使用“Trainrp”函数作为BP神经网络的训练函数；
S3-8：选取学习速率η，选取范围在0.01-0.8之间；
S3-9：选取动量因子α，选取范围在0-1之间；
S3-10：BP神经网络的训练与测试，采用清醒和疲劳时的样本数据作为训练集；再选取清醒时采集的样本和疲劳时采集的样本作为测试数据集；
S4：疲劳指数和疲劳程度的估计，具体方法如下：
S4-1：疲劳指数F的计算方法如下：
其中，Eδ、Eθ、Eα和Eβ分别是δ节律、θ节律、σ节律和β节律的能量值；
S4-2：疲劳指数的疲劳程度(P)计算公式如下：
S4-3：当F＝1时，即脑电信号中Eδ+Eθ＝Eα+Eβ，表明占清醒地位和疲劳地位的脑电信号成分均等，即疲劳程度为0.5即对应50％；
当F趋近于10时，P则趋近于1，表示疲劳程度已经趋近100％。
2.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述隐含层神经元个数为8时BP神经网络对函数的逼近效果最好。
3.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述学习速率η确定为0.1为最佳。
4.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述动量因子α确定为0.9最佳。

基于脑电信号的疲劳驾驶检测方法\n技术领域\n[0001] 本发明涉及疲劳驾驶检测领域，具体涉及一种基于脑电信号的疲劳驾驶检测方法。\n背景技术\n[0002] 近年来，机动车、驾驶人持续增长，但社会的交通安全观念明显滞后，道路交通安全面临诸多挑战。为了预防疲劳驾驶，我国交通法规定连续驾驶4小时算疲劳驾驶。但由于个体间是有差异的，需要考虑到每个驾驶员在体质、生活状况等方面的不同，这种时间的限定在执行的时候比较难以把握。因此，需要对疲劳驾驶的产生机理和检测方法进行研究，疲劳驾驶检测方法分为以下三类：基于面部特征的检测方法，基于车辆行驶状态的检测方法，基于生理信号的检测方法。\n[0003] 通过面部表情特征检测驾驶员的疲劳程度，不会给驾驶员带来任何的行为干扰。\n但这种方法对视频检测技术的要求比较高，测量的准确性和可靠性等相关的技术需要突破。\n[0004] 基于车辆行驶特征的疲劳检测设备不需要接触驾驶员，同样的也不会干扰其正常驾驶，以车辆的现有装置为基础，只需增加少量的硬件设施而且不会对驾驶员的正常驾驶造成干扰，因此具有很高的实用价值。其缺点是受到车辆的具体型号、道路的具体状况和驾驶员的个人驾驶习惯、经验和条件的限制，并传感器技术的限制，其准确度有待提高。\n[0005] 驾驶员生理参数检测法的优点是客观性强，能比较准确地反映人体的疲劳状态，并且能够反映疲劳的程度。虽然生理信号测量需要接触人的身体，检测设备会干扰驾驶员的正常操作，影响行车安全。并且，由于个体间的差异，不同人的生理信号特征会有所不同，有的区别相当大，所以有很大的局限性。但是随着传感器制造技术的进步及各种新型智能生物传感器的发展，基于驾驶员生理参数的疲劳驾驶检测方法将以其在疲劳检测精确性方面的优势，在舒适性、可靠性和实用性方面得到进一步改善和提高，并将在未来疲劳驾驶融合检测中发挥更重要的作用。\n发明内容\n[0006] 本发明要解决的技术问题是提供一种基于脑电信号的疲劳驾驶检测方法。\n[0007] 基于脑电信号的疲劳驾驶检测方法，包括以下步骤：\n[0008] S1：实时采集驾驶员在驾车时的脑电信号，并进行去除眨眼伪迹处理，获取EEG脑波信号；\n[0009] S1-1：对脑电信号进行ICA，得到N个独立成分和混合矩阵A；\n[0010] S1-2：计算每个成分的CBI(j)；\n[0011] S1-3：找出CBI最大的成分，把它当作候选成分；\n[0012] S1-4：检查候选成分是否满足相关条件，如果满足，则是眨眼成分，否则不是；\n[0013] S1-5：确定眨眼成分之后，把矩阵A中对应眨眼成分的那一列系数置为零，然后重构信号；\n[0014] S2：对时域信号的EEG脑波进行转换，转换到频域，进而求得脑波中各个频域段特征脑波的能量值，再根据其相对能量的大小来确定疲劳程度，具体方法如下：\n[0015] S2-1:对EEG脑波进行傅里叶变换后求得功率谱密度，将脑电信号分解为4个基本节律，即δ节律、θ节律、σ节律和β节律，δ节律、θ节律、σ节律和β节律所对应的频率范围分别是1-3.8Hz、4-7.8Hz、8-12.8Hz、13-30Hz；\n[0016] S2-2：当σ节律和β节律呈主导优势时，表明人的意识是清醒的，当δ节律和θ节律占主导优势时，表明人的意识模糊甚至轻微睡眠；\n[0017] S3：设计BP神经网络分类器，进行识别疲劳程度的特征信号，具体方法如下：\n[0018] S3-1：建立BP网络对象；\n[0019] S3-2：确定网络种类以及网络层数，采用具有一个隐含层的三层BP神经网络；\n[0020] S3-3：确定传递函数，采用S型传递函数；\n[0021] S3-4：确定输入层和输出层神经元个数，输入神经元个数确定为4个，输出神经元个数确定为1个；\n[0022] S3-5：确定隐含层神经元个数，确定公式如下：\n[0023]\n[0024] 其中m为输入层神经元个数，n为输出层神经元个数；\n[0025] 根据上述公式确定隐含层神经元个数的范围为4《h《13；\n[0026] S3-6：选取初始值，选取初始权值在(-1，1)之间的随机数；\n[0027] S3-7：确定训练函数，使用“Trainrp”函数作为网络的训练函数；\n[0028] S3-8：选取学习速率η，选取范围在0.01-0.8之间；\n[0029] S3-9：选取动量因子α，选取范围在0-1之间；\n[0030] S3-10：神经网络的训练与测试，采用清醒和疲劳时的样本数据作为训练集；再选取清醒时采集的样本和疲劳时采集的样本作为测试数据集。\n[0031] S4：疲劳指数和疲劳程度的估计，具体方法如下：\n[0032] S4-1：疲劳指数F的计算方法如下：\n[0033]\n[0034] 其中，Eδ、Eθ、Eα和Eβ分别是δ节律、θ节律、σ节律和β节律的能量值；\n[0035] S4-2：疲劳指数的疲劳程度(P)计算公式如下：\n[0036]\n[0037] S4-3：当F＝1时，即脑波中Eδ+Eθ＝Eα+Eβ，表明占清醒地位和疲劳地位的脑波成分均等，即疲劳程度为0.5即对应50％；\n[0038] 当F趋近于10时，P则趋近于1，表示疲劳程度已经趋近100％。\n[0039] 进一步的，所述隐含层神经元个数为8时BP网络对函数的逼近效果最好。\n[0040] 进一步的，所述学习效率η确定为0.1为最佳。\n[0041] 进一步的，所述动量因子α确定为0.9最佳。\n[0042] 本发明的有益效果是：\n[0043] 本发明提出一种基于脑电信号的疲劳驾驶检测方法，通过对自发脑电信号进行脑电节律分析，实现实时判断驾驶员的疲劳状态，判断准确而且客观、直接。\n具体实施方式\n[0044] 以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。\n[0045] 基于脑电信号的疲劳驾驶检测方法，包括以下步骤：\n[0046] S1：实时采集驾驶员在驾车时的脑电信号，并进行去除眨眼伪迹处理，获取EEG脑波信号；\n[0047] S1-1：对脑电信号进行ICA，得到N个独立成分和混合矩阵A；\n[0048] S1-2：计算每个成分的CBI(j)；\n[0049] S1-3：找出CBI最大的成分，把它当作候选成分；\n[0050] S1-4：检查候选成分是否满足相关条件，如果满足，则是眨眼成分，否则不是；\n[0051] S1-5：确定眨眼成分之后，把矩阵A中对应眨眼成分的那一列系数置为零，然后重构信号；\n[0052] S2：对时域信号的EEG脑波进行转换，转换到频域，进而求得脑波中各个频域段特征脑波的能量值，再根据其相对能量的大小来确定疲劳程度，具体方法如下：\n[0053] S2-1:对EEG脑波进行傅里叶变换后求得功率谱密度，将脑电信号分解为4个基本节律，即δ节律、θ节律、σ节律和β节律，δ节律、θ节律、σ节律和β节律所对应的频率范围分别是1-3.8Hz、4-7.8Hz、8-12.8Hz、13-30Hz；\n[0054] S2-2：当σ节律和β节律呈主导优势时，表明人的意识是清醒的，当δ节律和θ节律占主导优势时，表明人的意识模糊甚至轻微睡眠；\n[0055] S3：设计BP神经网络分类器，进行识别疲劳程度的特征信号，具体方法如下：\n[0056] S3-1：建立BP网络对象；\n[0057] S3-2：确定网络种类以及网络层数，采用具有一个隐含层的三层BP神经网络；\n[0058] S3-3：确定传递函数，采用S型传递函数；\n[0059] S3-4：确定输入层和输出层神经元个数，输入神经元个数确定为4个，输出神经元个数确定为1个；\n[0060] S3-5：确定隐含层神经元个数，确定公式如下：\n[0061]\n[0062] 其中m为输入层神经元个数，n为输出层神经元个数；\n[0063] 根据上述公式确定隐含层神经元个数的范围为4《h《13；隐含层神经元个数为8时BP网络对函数的逼近效果最好；\n[0064] S3-6：选取初始值，选取初始权值在(-1，1)之间的随机数；\n[0065] S3-7：确定训练函数，使用“Trainrp”函数作为网络的训练函数；\n[0066] S3-8：选取学习速率η，选取范围在0.01-0.8之间；所述学习效率η确定为0.1为最佳；\n[0067] S3-9：选取动量因子α，选取范围在0-1之间；动量因子α确定为0.9最佳；\n[0068] S3-10：神经网络的训练与测试，采用清醒和疲劳时的样本数据作为训练集；再选取清醒时采集的样本和疲劳时采集的样本作为测试数据集。\n[0069] S4：疲劳指数和疲劳程度的估计，具体方法如下：\n[0070] S4-1：疲劳指数F的计算方法如下：\n[0071]\n[0072] 其中，Eδ、Eθ、Eα和Eβ分别是δ节律、θ节律、σ节律和β节律的能量值；\n[0073] S4-2：疲劳指数的疲劳程度(P)计算公式如下：\n[0074]\n[0075] S4-3：当F＝1时，即脑波中Eδ+Eθ＝Eα+Eβ，表明占清醒地位和疲劳地位的脑波成分均等，即疲劳程度为0.5即对应50％；\n[0076] 当F趋近于10时，P则趋近于1，表示疲劳程度已经趋近100％。\n[0077] 实验1神经网络的训练与测试。\n[0078] 采用清醒和疲劳时的各90个样本数据作为训练集；再选取清醒时采集的112个样本和疲劳时采集的109个样本作为测试数据集。训练结果和测试结果如下：\n[0079] 1)训练一个经过了10步达到了小于目标误差0.01的要求；\n[0080] 2)测试集221组样本的测试结果共有8个样本分类错误，起中国误把清醒时采集的数据划分为疲劳的共2处，误把疲劳时采集的数据划分为清醒的共6处，分类正确率达\n96.38％。\n[0081] 实验2通过模拟驾驶系统设计模拟驾驶实验，来验证本发明的疲劳驾驶检测方法的正确性与有效性。\n[0082] 安排6名受试者进行实验，年龄介于20-30周岁之间，男女各3名。第一阶段，让受试者熟悉模拟驾驶系统操作，约15-30分钟后，对受试者进行脑电信号的采集和疲劳程度的检测。第二阶段，要求受试者进行连续4小时以上的模拟驾驶过程，并再次使用本发明的疲劳驾驶方法进行脑电采集和疲劳检测，检测结果如下：\n[0083] 1)第一阶段下，男性的疲劳检测结果的平均疲劳程度为7.8％，女性的疲劳检测结果的平均疲劳程度为15.3％；\n[0084] 2)第二阶段经过4小时的连续模拟驾驶之后，男性的疲劳检测结果的平均疲劳程度达到43.6％，女性的疲劳检测结果的平均疲劳程度为76.4％。