一种疲劳驾驶脑电信号特征提取与识别的方法

1.一种疲劳驾驶脑电信号特征提取与识别的方法，该方法的特点包括以下技术措施：
步骤一：采用单极导联法对驾驶员前额的脑电信号进行采集，得到驾驶员的脑电数据；
步骤二：使用分数阶Fourier域LMS自适应算法对脑电信号进行滤波，得到高信噪比的脑电信号；
步骤三：对滤波后的高信噪比的脑电信号进行快速Fourier变换，得到脑电信号的功率谱并依据脑电信号的功率谱采用每个频带平均功率谱密度、不同频带平均功率谱密度比值、频带功率百分比和频带功率加和比四个特征指标；
步骤四：结合使用脑电信号的四个特征指标对驾驶员疲劳状态的脑电信号进行识别。
2.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：在步骤一中采用单极导联法对驾驶员前额的脑电信号进行检测，采集得到驾驶员前额的脑电数据。
3.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：步骤二中具体包括以下步骤：2.1：将脑电信号x(n)进行多阶的分数阶Fourier变换，得到Xp(k)，并形成二维平面；2.2：在此二维平面上采用基于二维搜索和失调因子的最佳变换阶次选取算法进行峰值搜索，得到最佳变换阶p1，输入信号为Xp1(k)；2.3：对期望信号d(n)进行迭代训练，对其做p1阶分数阶Fourier变换，得到Dp1(k)；2.4：在该最佳变换域中采用LMS自适应算法对疲劳驾驶的脑电信号进行滤波，得到时域输出信号y(n)。
4.根据权利要求3所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：所述的基于二维搜索和失调因子的最佳变换阶次选取算法是将所述输入信号以一定的变换间隔进行多阶的分数阶Fourier变换；再由旋转角度的对称性，以一定的搜索间隔进行一定范围的二维搜索，计算出峰值最大点对应的阶数p；最后选取以p值为中心的若干阶逐个进行滤波，并计算失调因子，确定失调因子最小的点，该点对应的阶数即为最佳变换阶数p1。
5.根据权利要求3所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：所述时域输出信号y(n)是将所述的期望向量Dp1(k)带入方程：
E(k)＝Dp1(k)-Xp1(k)式(5)
计算误差向量E(k)；再根据权系数矢量W(k)的误差递推算法：
式(6)
进行最小均方误差(LMS)自适应滤波，递归法计算权系数矢量w(k)的更替值；时间指数k加1，计算下一时刻的误差E(k)及权系数矢量w(k)，重复这一步骤，直至算法稳定；最后将输出信号Yp1(k)进行-p1阶分数阶Fourier变换，得到时域输出信号y(n)。
6.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：步骤三中具体包括以下步骤：3.1：对滤波后的时域信号y(n)进行快速Fourier变换，得到θ波(4～6Hz)、慢α波(7～8Hz)、中α波(9～11Hz)、快α波(12～14Hz)和β波(15～23Hz)五个频带，并计算出每个频带的功率值P(f)；3.2依据每个频带平均功率谱密度算法：
(m为频带)式(1)
其中G(m)为m波单个频率段的平均功率谱密度，fup为"波频率段的上限，fdown为下限，P(f)为信号的功率谱密度,计算每个频带的平均功率谱密度；
3.3：依据不同频带平均功率谱密度的比值算法：
(m1,m2为不同频带)式(2)
其中G(m)为m波单个频率段的平均功率谱密度,计算不同频带的平均功率谱密度比值；
3.4：依据每个频带平均功率密度所占该脑电疲劳状态的功率密度百分比算法：
式(3)
其中G(m)为m波单个频率段的平均功率谱密度，fup为"波频率段的上限，fdown为下限，P(f)为信号的功率谱密度。计算不同频带功率百分比；
3.5：依据频带功率加和比算法：
(m1,m2,m3为不同频带)式(4)
其中G(m)为m波单个频率段的平均功率谱密度。计算频带功率加和比。
7.根据权利要求1所述的一种疲劳驾驶脑电信号特征提取与识别的方法，其特征在于：在步骤四中具体包括以下步骤：4.1：驾驶员疲劳状态分为正常、安静清醒、瞌睡与入睡四个状态；4.2：依据慢α波后一时刻与前一时刻的平均功率是否发生剧烈变化来判断驾驶员是否进入瞌睡状态；4.3：慢α波功率百分比作为检验瞌睡初期状态的一个指标，θ波功率百分比则作为检验瞌睡深浅程度的特征数据指标，选取(θ+慢α)/β加和比、θ/β和慢α/β频带平均功率密度比三个指标作为判断清醒与瞌睡的辅助指标。4.4：依据步骤
4.2与4.3的比较结果来识别驾驶员的疲劳状态。

暂无