基于脑电信号的疲劳驾驶检测方法

摘要

本发明公开了一种基于脑电信号的疲劳驾驶检测方法，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，获取EEG脑波信号；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；S3：设计BP神经网络分类器，进行识别疲劳程度的特征信号；S4：疲劳指数和疲劳程度的估计。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。

主权项

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，获取EEG脑波信号；S1‑1：对脑电信号进行ICA，得到N个独立成分和混合矩阵A；S1‑2：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相关条件，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，然后重构信号；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：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；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，进行识别疲劳程度的特征信号，具体方法如下：S3‑1：建立BP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：$h=\sqrt{m(n+2)}+a,a\in [1,10]$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：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：$F=\frac{E_{\delta }+E_{\theta }}{E_{\alpha }+E_{\beta }}$其中，E_δ、E_θ、E_α和E_β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：$P=\left\{\begin{array}{c}\frac{1}{2}{F}^2,F<1\\ \frac{19}{18}-\frac{5}{9F},1\le F\le 10\\ 1,F>10\end{array}\right.;$S4‑3：当F＝1时，即脑波中E_δ+E_θ＝E_α+E_β，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％；当F趋近于10时，P则趋近于1，表示疲劳程度已经趋近100％。