專利名稱：基于稀疏重表示的腦電信號檢測方法
技術領域：
本發明涉及的是一種信號檢測技術領域的方法，具體是一種用于駕駛員疲勞駕駛 的基于稀疏重表示的腦電信號檢測方法。
背景技術：
我國是一個交通事故多發國，根據2005年統計數字，平均每年因交通事故死亡的 人數超過10萬人，居世界第一，而每年因交通事故所造成的經濟損失達數百億元。其中， 駕駛員疲勞駕駛是交通事故發生的主要誘因。據統計研究表明，由疲勞駕駛造成的重大交 通事故所占的比例大約是10% _20%。根據德國保險公司的調查結果顯示，德國大約四分 之一的高速公路死亡事故是由疲勞駕駛引發的。另據美國公路交通局NHTSA的統計研究得 出，人在疲勞時，事故發生的可能性會上升4-6倍。疲勞駕駛是指駕駛員在長時間的駕車 之后所產生的反應水平下降，導致不能正常駕駛。駕駛員產生疲勞后，其心理狀態也會發 生各種各樣的變化.如視力下降，致使注意力分散、視野逐漸變窄；思維能力下降致使反應 遲鈍、判斷遲緩、動作僵硬、節律失調；自我控制能力減退致使易于激動、心情急躁或開快車寸。經過對現有技術的檢索發現，奔馳開發的“疲勞識別”輔助系統能識別駕駛員的疲 勞狀態，并及時予以警告；沃爾沃卡車開發了駕駛員提醒支持系統。這種系統自動監測卡車 在路標間的位置，如果發現汽車在未使用轉向燈的情況下偏離車道，則判定駕駛員有困倦 的跡象。此時系統將自動記錄并通過儀表盤中央位置的屏幕發出報警聲音來提醒駕駛員， 在報警的同時，屏幕還會發出閃爍光，十分醒目，能夠有效避免司機疲勞駕駛。日本豐田開發的系統則是針對駕駛者眼部的偵測，通過內置在駕駛者前方的攝像 頭記錄駕駛者的眼部狀態，如果系統偵測到駕駛者的眼睛已經閉上，車內會立即發出警報 提醒駕駛者。國內南京遠驅科技有限公司已經開發出了一套基于眼睛閉合的駕駛員疲勞駕 駛的檢測系統，并已經推向市場銷售；由此看來對于駕駛員疲勞程度的檢測系統其應用前 景非常廣闊，可以預見在未來很長一段時間內都將是汽車安全技術領域的一個熱點方向。針對駕駛員疲勞駕駛的檢測，可采用多種生物特征，如心跳、眼睛、腦電信號(EEG) 等。目前，技術比較成熟的是基于眼睛閉合度的檢測，但是該技術也同時存在一個弊端若 駕駛員的眼睛比較小的話，那么基于此所設計出的系統，其誤檢的錯誤率會增大。研究人員 很早就已經發現腦電信號能夠直接反映大腦的活動狀態，發現當人體進入疲勞狀態時，腦 電中的δ波和θ波的活動會大幅度增長，而α波活動會有小幅增長。另一項研究通過在 模擬器和實車中監測腦電信號，試驗結果表明腦電信號對于監測駕駛員疲勞駕駛是一種有 效的方法。研究人員同時發現，腦電信號特征有很大的個人差異，如性別和性格等，同時也 和人的心理活動有很大的相關性。

發明內容
本發明針對現有技術存在的上述不足，提出了一種基于稀疏重表示的腦電信號檢測方法，通過對駕駛員的不同駕駛狀態的腦電信號頻率能量進行分析可以有效判斷出駕駛 員當前是處于清醒狀態、疲勞駕駛狀態還是已經處于睡眠狀態。駕駛員所處的每一種駕駛 狀態的腦電信號能量自身具有很強的相似性，而不同駕駛狀態的腦電信號能量大小具有較 大的差異，所以通過提取駕駛員不同駕駛狀態腦電信號的能量信息并采用稀疏重表示的方 法來對駕駛員駕駛狀態進行識別是一種有效的方法。本發明是通過以下技術方案實現的，本發明主要采用小波變換來提取與駕駛員的 疲勞駕駛狀態有關的腦電信號的頻率特征信息，構建一個模板矩陣，對于任意外來的腦電 信號序列，通過求解模板矩陣用來構建外來序列的稀疏解來實現對駕駛員處于不同駕駛狀 態的腦電信號進行分類的工作，具體包括以下步驟第一步、腦電信號的預處理1. 1)首先實時地采集駕駛員的腦電信號，并將腦電信號經低通濾波以去除在腦電 采集過程中來自于肌電和眼電信號的干擾；1. 2)將采樣數據進行分段處理，每個片段與前一個片段有50%的重復；1. 3)將采集到的每個分段的采樣數據采用獨立成份分析方法進行分解得到由每 個導聯采集到的近似獨立的腦電信號；1. 4)對由上述方法得到的每一個分段信號Us e RnxS采用Morlet復小波提取每 一個分段內的頻率特征信息用作駕駛員駕駛狀態的分析。所述的頻率特征信息是通過下述方法得到的W(s, ) = -L’其中s^^exp^X/Jexpf-^r},其中4。為中心頻率，取值分別為2.5、6、10、13、21、35，4為帶寬參數，取值分別為 2、1、2、1、3、3，綜合得到24個頻率特征信息，包括12個均值，12個方差，對于60導聯的數 據，則每一段腦電信號總共有M * 60 = 1440個特征值，得到每一段腦電信號的一個特征 值向量ν Cf。所述的駕駛員駕駛狀態的分析是指根據頻率特征信息得到的特征值生成一段腦 電信號的特征值向量后，對應得到駕駛員在清醒駕駛、疲勞駕駛和睡眠駕駛等三個駕駛狀 態的多個特征向量，即分別為 va，vd, vs,^ =[vn,v;2,v;3,...,vw]CjR1440xivfJt^ 1 = a, d，s, N 為每個狀態的訓練樣本的數目，Va表示清醒狀態(alert)數據，Vd表示疲勞狀態(drowsy) 數據，Vs表示睡眠狀態(slewing)數據。第二步、疲勞駕駛檢測通過稀疏重表示的方法進行駕駛員疲勞駕駛的檢測，判斷 得到駕駛員的駕駛狀態并輸出至控制中心進行指令操作，具體步驟包括將駕駛員分別在 清醒駕駛、疲勞駕駛和睡眠駕駛狀態得到的腦電信號特征值va，Vd, Vs組合起來構建一個矩 陣A = [Va, Vd, VJ^cjR1440x3",對于從駕駛員腦電信號的任意一個的數據段提取到的特征 向量、CjR1440x1, y e {a, d，s}。要根據vy預測駕駛員此刻所處的駕駛狀態可以通過求解 下列方程來得到mini χ I。滿足方程式Ax = Vy，其中A = [Va，Vd, Vs]，轉化I1的求解 min |x| I1滿足方程式Ax = Vy，其中A = [Va，Vd, Vj，并采用稀疏重表示漸變投影算法得 IlJxeii3jv ,其中Va表示清醒狀態數據，Vd表示疲勞狀態數據，Vs表示睡眠狀態數據；然后 利用^值對代表當前駕駛員所處的駕駛狀態的特征向量Vy進行分類，判斷得到駕駛員的駕駛狀態并輸出至控制中心進行指令操作。本發明的優點在于由于采用人體的腦電信號為生物特征對駕駛員的疲勞進行檢 測，能夠大大提高檢測結果的準確率；同時由于采用的信號特征是那些僅與人的警覺度有 著緊密聯系的頻率譜而去除了那些與警覺度檢測不相關的特征從而能夠大大提高疲勞駕 駛的檢測效率；由于采用的用作模板的矩陣具有多個訓練數據，從而提高了檢測系統的魯 棒性及準確率；對腦電信號做小波變換后，利用壓縮感知的方法通過其進行采樣后存儲，然 后可以通過求解I1凸優化的問題將原有的腦電信號恢復出來便于以后作為冗余數據檢測。
具體實施例方式下面對本發明的實施例作詳細說明，本實施例在以本發明技術方案為前提下進行 實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護范圍不限于下述的實施 例。本實施例包括以下步驟第一步、腦電信號的預處理1. 1)首先實時地采集了 5名測試者在模擬駕駛環境中分別處于清醒駕駛、疲勞 駕駛和睡眠駕駛三個狀態的中由Neurc^can系統采集的一段時間的腦電數據，采樣頻率為 lOOHz/s ；，并將腦電信號經低通濾波以去除在腦電采集過程中來自于肌電和眼電信號的 干擾；所述的低通濾波是指采用帶寬為1-40HZ的有限長低通濾波器對腦電信號進行 濾波；1. 2)將采樣數據進行分段處理，每5秒分成一個片段，每個片段與前一個片段有 2. 5秒的重復，即每個分段內有500個采樣數據，其中包括與前一個分段相重疊的250個采 樣數據；1. 3)將采集到的每個分段的采樣數據采用獨立成份分析方法進行分解得到由每 個導聯采集到的近似獨立的腦電信號；所述的獨立成份分析方法是指通過線性變換把混合數據或混合信號分離成多個 統計獨立的非高斯的信號源的線性組合的方法；具體步驟包括i)首先在腦電信號的預處理中對于每一個腦電極采集到的一個N維的腦電信號 矢量值X都是來自于X的數值是多個腦電極源信號矢量S的加權和，即X = AS，這里S為獨 立的M(M < N)維的未知源信號矢量，矩陣A被稱為加權混合矩陣，然后對X進行線性變換 后得到輸出向量U，即U = WX = WAS。向量U即是對大腦每一個區域產生的電位信號S的 近似估計。ii)對直接通過電極采集到的腦電信號X可以使用獨立成份分析的方法，來得到 大腦皮層的每一個區域產生的源信號S的近似估計U，其中每一個分段內的腦電信號是 NXL的數據，N為腦電采集帽的導聯數目在后面的實驗中N = 60，L為每一個分段內信號 的采樣數目，L = 500，則對每一個分段內的信號求其獨立成份Us = WXs，其中W為解混合矩 陣。1.4)對由上述方法得到的每一個分段信號Us e RN>a，設定N = 60為腦電極的數 目，L = 500為采樣點數目，并采用Morlet復小波提取每一個分段內的頻率特征信息用做駕駛員駕駛狀態的分析。所述的頻率特征信息是通過下述方法得到的W(s,=/{τ)ψ{—) τ ’其中ΚΟΟ =汰/c}exp{-^r},其中f。為中心頻率，取值分別為2. 5、6、10、13、21、35，fb為帶寬參數，取值分別為 2、1、2、1、3、3，綜合得到對頻率特征信息，包括12個均值，12個方差，對于60導聯的數據， 則每一段腦電信號總共有M * 60 = 1440個特征值，得到每一段腦電信號的一個特征值向 量 ν c Ti1440xl。所述的駕駛員駕駛狀態的分析是指根據頻率特征信息得到的特征值生成一段腦 電信號的特征值向量后，對應得到駕駛員在清醒駕駛、疲勞駕駛和睡眠駕駛等三個駕駛狀 態的多個特征向量，即分別為 va，vd, VS，K=K，V,2，V,3，···，、]CjR1440xiv,其中1 = a, d，S, N 為每個狀態的訓練樣本的數目，Va表示清醒狀態(alert)數據，Vd表示疲勞狀態(drowsy) 數據，Vs表示睡眠狀態(slewing)數據。第二步、疲勞駕駛檢測通過稀疏重表示的方法進行駕駛員疲勞駕駛的檢測，判 斷得到駕駛員的駕駛狀態并輸出至控制中心進行指令操作，具體步驟包括將駕駛員分別 在清醒駕駛、疲勞駕駛和睡眠駕駛狀態得到的腦電信號特征值Va，vd, Vs組合起來構建一個 矩陣A = [Va, Vd, VJ^cjR1440x3",對于從駕駛員腦電信號的任意一個的數據段提取到的特 征向量、CjR1440x1, y e {a, d，s}，要根據vy預測駕駛員此刻所處的駕駛狀態可以通過求解 下列方程來得到min| χ I。滿足方程式Ax = Vy，其中A = [Va，Vd, Vs]，轉化I1的求解 min |x| I1滿足方程式Ax = Vy，其中A = [Va，Vd, Vj，并采用稀疏重表示漸變投影算法得 IlJiejR3jv ,其中Va表示清醒狀態數據，Vd表示疲勞狀態數據，Vs表示睡眠狀態數據；然后 利用 值對代表當前駕駛員所處的駕駛狀態的特征向量Vy進行分類，判斷得到駕駛員的駕 駛狀態并輸出至控制中心進行指令操作。所述的判斷得到駕駛員的駕駛狀態是指采用殘余差來度量特征列向量Vy能夠被 模板中清醒狀態、疲勞狀態和睡眠狀態中的特征列向量表達的精確程度，得到對應駕駛狀
態；具體是指根據、〔”11|^-、|2，1 = {a，d，s}來對具有特征向量Vy所的駕駛員所處
的駕駛狀態進行檢測，求矩陣中每一個類別V1與系數列向量^乘積后得到的數據向量與更 新后的數據向量、的殘余差，殘余差數據越小則對應該類別使用I1在表達更新后的數據Vy 方面就更精確，即該更新后的數據vy判定為屬于對應的駕駛狀態。所述的指令操作是指當控制中心得到駕駛狀態為疲勞駕駛，則輸出駕駛員警告 信息，在警告信息未得到反饋的情況下，控制中心向汽車引擎輸出關閉引擎或停車的指令。根據以上提出的方法進行實驗，得到如下的實驗結果
權利要求
1. 一種基于稀疏重表示的腦電信號檢測方法，其特征在于，包括以下步驟第一步、腦電信號的預處理1.1)首先實時地采集駕駛員的腦電信號，并將腦電信號經低通濾波以去除在腦電采集 過程中來自于肌電和眼電信號的干擾；1. 2)將采樣數據進行分段處理，每個片段與前一個片段有50%的重復；1. 3)將采集到的每個分段的采樣數據采用獨立成份分析方法進行分解得到由每個導 聯采集到的近似獨立的腦電信號；1.4)對由上述方法得到的每一個分段信號，采用Morlet復小波提取每一個分段內的 頻率特征信息用作駕駛員駕駛狀態的分析；第二步、疲勞駕駛檢測通過稀疏重表示的方法進行駕駛員疲勞駕駛的檢測，判斷得到 駕駛員的駕駛狀態并輸出至控制中心進行指令操作。
2.根據權利要求1所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的采 集的頻率為IOOHz/秒。
3.根據權利要求1所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的低 通濾波是指采用帶寬為1-40HZ的有限長低通濾波器對腦電信號進行濾波。
4.根據權利要求1所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的獨 立成份分析方法是指通過線性變換把混合數據或混合信號分離成多個統計獨立的非高斯 的信號源的線性組合的方法。
5.根據權利要求1或4所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的 獨立成份分析方法具體步驟包括i)首先在腦電信號的預處理中對于每一個腦電極采集到的一個N維的腦電信號矢量 值X的數值是多個腦電極源信號矢量S的加權和，即X = AS,這里S為獨立的M，M < N維 的未知源信號矢量，矩陣A被稱為加權混合矩陣，然后對X進行線性變換后得到輸出向量U， 即U = WX = WAS。向量υ即是對大腦每一個區域產生的電位信號S的近似估計； )對直接通過電極采集到的腦電信號X可以使用獨立成份分析的方法，來得到大腦 皮層的每一個區域產生的源信號S的近似估計U，其中每一個分段內的腦電信號)(S是NXL 的數據，N為腦電采集帽的導聯數目在后面的實驗中N = 60，L為每一個分段內信號的采樣 數目，L = 500，則對每一個分段內的信號求其獨立成份Us = WXs，其中W為解混合矩陣。
6.根據權利要求1所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的頻 率特征信息是通過下述方法得到的 W{s, 0 = ^ J" (τ)ψ(^-) τ ,其中yOO =汰/Jexpf-,},其中f。為中心頻率，取值分別為2.5、6、10、13、21、35，fb為帶寬參數，取值分別為2、 1、2、1、3、3，綜合得到M個頻率特征信息，包括12個均值，12個方差，對于60導聯的數據， 則每一段腦電信號總共有M * 60 = 1440個特征值，得到每一段腦電信號的一個特征值向 量 ν c Ti1440xl。
7.根據權利要求1所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的駕 駛員駕駛狀態的分析是指根據頻率特征信息得到的特征值生成一段腦電信號的特征值向 量后，對應得到駕駛員在清醒駕駛、疲勞駕駛和睡眠駕駛等三個駕駛狀態的多個特征向量，即分別為^，^=[巧1，巧2，巧3，...，、]〔#440^,其中1 = a，d，s，N為每個狀態的訓練樣本的數目，Va表示清醒狀態數據，Vd表示疲勞狀態數據，Vs表示睡眠狀態數據。
8.根據權利要求1所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的第 二步具體是指將駕駛員分別在清醒駕駛、疲勞駕駛和睡眠駕駛狀態得到的腦電信號特征 值Va，Vd, Vs組合起來構建一個矩陣A = [Va, Vd, VJ對于從駕駛員腦電信號的 任意一個的數據段提取到的特征向量、ci 1440xl，y e {a, d，s}，要根據vy預測駕駛員此刻 所處的駕駛狀態可以通過求解下列方程來得到min| χ Itl滿足方程式Ax = vy，其中A = [Va, Vd, VJ，轉化I1的求解:min |x| I1滿足方程式Ax = Vy，其中A = [Va, Vd, Vs]，并采用 稀疏重表示漸變投影算法得到^eii3jv ,其中Va表示清醒狀態數據，Vd表示疲勞狀態數據， Vs表示睡眠狀態數據；然后利用^值對代表當前駕駛員所處的駕駛狀態的特征向量Vy進行 分類，判斷得到駕駛員的駕駛狀態并輸出至控制中心進行指令操作。
9.根據權利要求8所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的判 斷得到駕駛員的駕駛狀態是指采用殘余差來度量特征列向量vy能夠被模板中清醒狀態、 疲勞狀態和睡眠狀態中的特征列向量表達的精確程度，得到對應駕駛狀態；具體是指根據、cm^lf^-v^k，1 = {a, d，s}來對具有特征向量vy所的駕駛員所處的駕駛狀態進行檢測，求矩陣中每一個類別V1與系數列向量^乘積后得到的數據向量與更新后的數據向量 vy的殘余差，殘余差數據越小則對應該類別使用I1在表達更新后的數據Vy方面就更精確， 即該更新后的數據vy判定為屬于對應的駕駛狀態。
10.根據權利要求8所述的基于稀疏重表示的腦電信號檢測方法，其特征是，所述的指 令操作是指當控制中心得到駕駛狀態為疲勞駕駛，則輸出駕駛員警告信息，在警告信息未 得到反饋的情況下，控制中心向汽車引擎輸出關閉引擎或停車的指令。
全文摘要
一種信號檢測技術領域的基于稀疏重表示的腦電信號檢測方法，采用小波變換來提取與駕駛員的疲勞駕駛狀態有關的腦電信號的頻率特征信息，構建一個模板矩陣，對于任意外來的腦電信號序列，通過求解模板矩陣用來構建外來序列的稀疏解來實現對駕駛員處于不同駕駛狀態的腦電信號進行分類的工作。本發明通過對駕駛員的不同駕駛狀態的腦電信號頻率能量進行分析可以有效判斷出駕駛員當前是處于清醒狀態、疲勞駕駛狀態還是已經處于睡眠狀態。
文檔編號A61B5/0476GK102133100SQ201110051448
公開日2011年7月27日 申請日期2011年3月4日 優先權日2011年3月4日
發明者于宏斌, 任慶生, 劉宏軍, 盧宏濤 申請人:上海交通大學