著录项信息
专利名称 | 基于稀疏重表示的脑电信号检测方法 |
申请号 | CN201110051448.2 | 申请日期 | 2011-03-04 |
法律状态 | 撤回 | 申报国家 | 中国 |
公开/公告日 | 2011-07-27 | 公开/公告号 | CN102133100A |
优先权 | 暂无 | 优先权号 | 暂无 |
主分类号 | A61B5/0476 | IPC分类号 | A61B5/0476查看分类表>
|
申请人 | 上海交通大学 | 申请人地址 | 上海市闵行区东川路8***
变更
专利地址、主体等相关变化,请及时变更,防止失效 |
权利人 | 上海交通大学 | 当前权利人 | 上海交通大学 |
发明人 | 于宏斌;刘宏军;任庆生;卢宏涛 |
代理机构 | 上海交达专利事务所 | 代理人 | 王锡麟;王桂忠 |
摘要
一种信号检测技术领域的基于稀疏重表示的脑电信号检测方法,采用小波变换来提取与驾驶员的疲劳驾驶状态有关的脑电信号的频率特征信息,构建一个模板矩阵,对于任意外来的脑电信号序列,通过求解模板矩阵用来构建外来序列的稀疏解来实现对驾驶员处于不同驾驶状态的脑电信号进行分类的工作。本发明通过对驾驶员的不同驾驶状态的脑电信号频率能量进行分析可以有效判断出驾驶员当前是处于清醒状态、疲劳驾驶状态还是已经处于睡眠状态。
1.一种基于稀疏重表示的脑电信号检测方法,其特征在于,包括以下步骤:
第一步、脑电信号的预处理:
1.1)首先实时地采集驾驶员的脑电信号,并将脑电信号经低通滤波以去除在脑电采集过程中来自于肌电和眼电信号的干扰;
1.2)将采样数据进行分段处理,每个片段与前一个片段有50%的重复;
1.3)将采集到的每个分段的采样数据采用独立成份分析方法进行分解得到由每个导联采集到的近似独立的脑电信号;
1.4)对由上述方法得到的每一个分段信号,采用Morlet复小波提取每一个分段内的频率特征信息用作驾驶员驾驶状态的分析;
第二步、疲劳驾驶检测:通过稀疏重表示的方法进行驾驶员疲劳驾驶的检测,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作。
2.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的采集的频率为100Hz/秒。
3.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的低通滤波是指:采用带宽为1-40Hz的有限长低通滤波器对脑电信号进行滤波。
4.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的独立成份分析方法是指:通过线性变换把混合数据或混合信号分离成多个统计独立的非高斯的信号源的线性组合的方法。
5.根据权利要求1或4所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的独立成份分析方法具体步骤包括:
i)首先在脑电信号的预处理中对于每一个脑电极采集到的一个N维的脑电信号矢量值X的数值是多个脑电极源信号矢量S的加权和,即X=AS,这里S为独立的M,M≤N维的未知源信号矢量,矩阵A被称为加权混合矩阵,然后对X进行线性变换后得到输出向量U,即U=WX=WAS。向量U即是对大脑每一个区域产生的电位信号S的近似估计;
ii)对直接通过电极采集到的脑电信号X可以使用独立成份分析的方法,来得到大脑皮层的每一个区域产生的源信号S的近似估计U,其中:每一个分段内的脑电信号Xs是N×L的数据,N为脑电采集帽的导联数目在后面的实验中N=60,L为每一个分段内信号的采样数目,L=500,则对每一个分段内的信号求其独立成份Us=WXs,其中W为解混合矩阵。
6.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的频率特征信息是通过下述方法得到的:
其中
其中:fc为中心频率,取值分别为2.5、6、10、13、21、35,fb为带宽参数,取值分别为2、
1、2、1、3、3,综合得到24个频率特征信息,包括:12个均值,12个方差,对于60导联的数据,则每一段脑电信号总共有24*60=1440个特征值,得到每一段脑电信号的一个特征值向量
7.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的驾驶员驾驶状态的分析是指:根据频率特征信息得到的特征值生成一段脑电信号的特征值向量后,对应得到驾驶员在清醒驾驶、疲劳驾驶和睡眠驾驶等三个驾驶状态的多个特征向量,即分别为Va,Vd,Vs, 其中:l=a,d,s,N为每个状态的训练样
本的数目,Va表示清醒状态数据,Vd表示疲劳状态数据,Vs表示睡眠状态数据。
8.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的第二步具体是指:将驾驶员分别在清醒驾驶、疲劳驾驶和睡眠驾驶状态得到的脑电信号特征值Va,Vd,Vs组合起来构建一个矩阵A=[Va,Vd,Vs], 对于从驾驶员脑电信号的任意一个的数据段提取到的特征向量 y∈{a,d,s},要根据vy预测驾驶员此刻所处的驾驶状态可以通过求解下列方程来得到:min||x||0满足方程式:Ax=vy,其中A=[Va,Vd,Vs],转化l1的求解:min||x||1满足方程式:Ax=vy,其中A=[Va,Vd,Vs],并采用稀疏重表示渐变投影算法得到 其中:Va表示清醒状态数据,Vd表示疲劳状态数据,Vs表示睡眠状态数据;然后利用 值对代表当前驾驶员所处的驾驶状态的特征向量vy进行分类,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作。
9.根据权利要求8所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的判断得到驾驶员的驾驶状态是指:采用残余差来度量特征列向量vy能够被模板中清醒状态、疲劳状态和睡眠状态中的特征列向量表达的精确程度,得到对应驾驶状态;具体是指:根据 l={a,d,s}来对具有特征向量vy所的驾驶员所处的驾驶状态进行
检测,求矩阵中每一个类别Vl与系数列向量 乘积后得到的数据向量与更新后的数据向量vy的残余差,残余差数据越小则对应该类别使用l1在表达更新后的数据vy方面就更精确,即该更新后的数据vy判定为属于对应的驾驶状态。
10.根据权利要求8所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的指令操作是指:当控制中心得到驾驶状态为疲劳驾驶,则输出驾驶员警告信息,在警告信息未得到反馈的情况下,控制中心向汽车引擎输出关闭引擎或停车的指令。
引用专利(该专利引用了哪些专利)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 | 该专利没有引用任何外部专利数据! |
被引用专利(该专利被哪些专利引用)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 | 1 | | 2016-04-20 | 2016-04-20 | | |
2 | | 2013-09-16 | 2013-09-16 | | |
3 | | 2014-05-05 | 2014-05-05 | | |
4 | | 2013-09-16 | 2013-09-16 | | |
5 | | 2016-04-20 | 2016-04-20 | | |
6 | | 2013-11-18 | 2013-11-18 | | |