一種融合腦電和心電信號的疲勞駕駛檢測方法
【專利摘要】本發明涉及一種融合腦電和心電信號的疲勞駕駛檢測方法。本發明通過16通道的gUSBamp放大器獲取腦電和心電的原始數據，提取腦電的功率譜特征數據—腦電疲勞指數和、腦電的相位同步特征數據—Pz-Fz和P3-P4在delta頻段的MPC、心電的時域特征數據—HR和心電的頻域特征數據—LF/HF后，直接將腦電心電特征數據在特征數據層面上直接融合，再利用SVM進行分類。本發明強調決策信息的全面性，融合特征的分類效果總體上比單種特征好，運用兩種正交的生理指標來檢測駕駛疲勞，有助于提高檢測的準確率。
【專利說明】—種融合腦電和心電信號的疲勞駕駛檢測方法

【技術領域】
[0001]本發明涉及道路交通中的駕駛員疲勞駕駛檢測方法，具體涉及一種在數據的特征層上直接將腦電心電特征融合再利用支持向量機進行分類從而得到比單種特征分類效果好的融合特征方法，并且該方法得到的識別率相較于單信號分類的識別率相對有所提升。

【背景技術】
[0002]在駕駛員疲勞駕駛時，其在生理上會表現為:腦電信號會隨著人體的精神負荷的變化而變化，心率會隨著疲勞的加深而降低。
[0003]人們經過實驗證實目前的疲勞駕駛監測基本沿用的是單一的疲勞檢測指標，本身分類錯誤率就較高，而且傳統的分類方法(如參數估計與神經網絡等)在樣本有限的情況下準確率低、識別效果不穩定，這就造成目前疲勞駕駛監測系統低準確率的事實。而支持向量機(Support Vector Machine,SVM)是在統計學習理論的基礎上發展而來,根據有限的樣本信息尋找最佳結構方案。因此SVM在近幾年受到了廣泛的關注。在疲勞駕駛監測過程中，腦電與心電信號均是疲勞檢測的重要生理信號，若把兩者指標進行有效的數據融合再輔助以SVM分類器來判斷疲勞程度，則有更高的準確性和可靠性。


【發明內容】

[0004]本發明針對僅有單一疲勞監測指標的疲勞監測手段存在局限性的問題，提出了一種在數據的特征層上直接將腦電心電特征融合再利用支持向量機進行分類從而得到比單種特征分類效果好的融合特征方法。
[0005]本發明采用的技術方案是:通過16通道的gUSBamp放大器(g.Tec公司)獲取腦電和心電的原始數據，提取腦電的功率譜特征數據一腦電疲勞指數F(e + a)/e和Fe/a、腦電的相位同步特征數據一Pz-Fz和P3-P4在delta頻段的MPC、心電的時域特征數據一HR和心電的頻域特征數據一LF/HF后，直接將腦電心電特征數據在特征數據層面上直接融合，再利用SVM進行分類。SVM的具體方法為:先通過合適的非線性映射函數把腦電和心電數據的特征向量映射到足夠的高維，找到其對應的分類超平面；再求出使得分類間隔(兩類中在分類面的垂直方向最近的距離，如圖2)，最大的最優解；最后把最優分類面問題轉化為對偶問題求解。
[0006]在SVM中，一個關鍵的問題是采用適當的核函數K (Xi, Xj)，目前常用的核函數主要有三類:
[0007]多項式核函數:K(x,y) = [ < x, y > +l]q
[0008]高斯徑向基核函數(RBF):

【權利要求】
1.一種融合腦電和心電信號的疲勞駕駛檢測方法，其特征在于該方法包括以下步驟: 首先計算腦電的功率譜特征數據和相位同步特征數據，具體是: 通過 gUSBamp 放大器來記錄 Fz、Pz、Oz、Fpl、Fp2、F7、F3、F4、F8、C3、C4、P7、P3、P4 和P8這15個通道的原始數據； 腦電數據的處理單位為ls，選取F3、Fz, F4、P3、Pz和P4這6個通道的腦電原始數據X (η) = {χ(0), χ(1),...，X (N-1)},采用Welch法進行功率譜估計,選擇漢寧窗函數w (η)進行窗處理，則計算通道w的M頻段的功率譜估計為:.MU S
其中歸一化因子為:
由此可分別計算得到通道w的α，β和Θ頻段功率譜估計為I α (W)，I e (W)和I e (w)，其中 w 為 F3、Fz、F4、P3、Pz、P4 ; 貝U，腦電的功率譜特征數據——腦電疲勞指數為:
W = F3、Fz、F4、P3、Pz、P4
w = F3、Fz、F4、P3、Pz、P4 選取Pz-Fz、P3-P4這2對電極通道的腦電原始數據,則腦電相位同步特征數據一Pz-Fz和P3-P4的delta頻段的平均相位相干性為:
其中，At為采樣周期，N為樣本點數，0H(kAt)為在k個采樣周期后的信號的瞬時相位，λ的取值范圍是[0，1]，若λ =0，表明信號x(t)和y(t)相位完全不同步，若λ = I則表明信號X(t)和y(t)相位完全同步； 然后計算心電時域特征數據和頻域特征數據，具體是: 心電信號的原始數據采集是利用通過16通道的gUSBamp放大器的沒有用到的最后一個通道得到；一個典型的心電信號包含著P波、QRS波和T波；其中QRS波是最明顯的，包含著許多跟心臟狀態有關的信息； 由于R波具有變化快，幅度大，持續時間短特征，采用差分閾值法來進行R波的監測；對于得到的濾波后的心電信號X (i)，i = 1,2,...，計算一階差分和二階差分為:r ⑴=[X(i+l)-X(1-l)]/2?" i(i)=[廣 a+l)-f (1-l)]/2把一階差分和二階差分相結合得: F(i) =f' (I)Xfi max+f" (i)Xf" max 給定的閾值為:Rthr = CXfmax 其中，C為經驗參數，fmax為F(i)最大值； 若存在連續的F⑴> Rthr,則在R點附近存在一個QRS波，在R點附近查找振幅絕對值最大值點，即為R波的波峰點； 計算窗口時間10s內所有RR期間的平均值為:
貝丨J，心電的時域特征數據一心率HR為:
1s為窗口前移步長，即重疊窗口為90s，重復計算HR，得到駕駛過程中的心率數據；對于心電數據樣本時間序列X(tj), j = I, 2, 3,...,N,采用Lomb-Scargle周期圖法,計算頻率f的周期信號功率為:
其中，h是樣本時間，N是樣本總數，τ是時間平移變量； 計算低頻LF的周期信號功率為:
其中:低頻的頻率范圍為0.04~0.14Hz ； 計算高頻HF的周期信號功率為:
其中:高頻的頻率范圍為0.15~0.4Hz ； 貝U，心電的頻域特征數據為:LF/HF ； 在上述計算腦電和心電特征數據時，腦電特征提取的窗口為ls，而心電特征的窗口為10s ;為了便于腦電和心電信號的直接比較和融合，對10s內的腦電特征取其均值作為腦電10s的特征數據，以便與心電特征對應； 最后將得到的腦電和心電特征數據整理為:
(Xi, Yi), i = I,..., η, X e Rd, y e {+I, -1} 其中“+I”表示疲勞時的腦電或心電數據，“-1”表示清醒時的腦電或心電數據，并將得到的腦電和心電特征數據作為SVM進行分類的樣本數據； 由于腦電和心電數據的特征向量在輸入空間Rd中線性不可分，非線性SVM通過非線性映射函數:
Φ: Rd — H 將特征向量X e Rd映射到高維歐幾里得空間H ；在非線性SVM情況下，兩分類的最優分類面的方程為: Φ (X).w+b = O 之后將問題轉化為以下的最優解問題:
最優分類面問題轉化為對偶問題:
判斷函數為:
【文檔編號】A61B5/18GK104127195SQ201410366036
【公開日】2014年11月5日 申請日期:2014年7月29日 優先權日:2014年7月29日
【發明者】孔萬增, 周凌霄, 周慧敏, 徐飛鵬, 周展鵬 申請人:杭州電子科技大學