一种融合脑电和心电信号的疲劳驾驶检测方法

摘要

本发明涉及一种融合脑电和心电信号的疲劳驾驶检测方法。本发明通过16通道的gUSBamp放大器获取脑电和心电的原始数据，提取脑电的功率谱特征数据—脑电疲劳指数和、脑电的相位同步特征数据—Pz‑Fz和P3‑P4在delta频段的MPC、心电的时域特征数据—HR和心电的频域特征数据—LF/HF后，直接将脑电心电特征数据在特征数据层面上直接融合，再利用SVM进行分类。本发明强调决策信息的全面性，融合特征的分类效果总体上比单种特征好，运用两种正交的生理指标来检测驾驶疲劳，有助于提高检测的准确率。

主权项

一种融合脑电和心电信号的疲劳驾驶检测方法，其特征在于该方法包括以下步骤：首先计算脑电的功率谱特征数据和相位同步特征数据，具体是：通过gUSBamp放大器来记录Fz、Pz、Oz、Fp1、Fp2、F7、F3、F4、F8、C3、C4、P7、P3、P4和P8这15个通道的原始数据；脑电数据的处理单位为1s，选取F3、Fz、F4、P3、Pz和P4这6个通道的脑电原始数据x(n)＝{x(0),x(1),...,x(N‑1)}，采用Welch法进行功率谱估计，选择汉宁窗函数w(n)进行窗处理，则计算通道w的M频段的功率谱估计为：$I_M\left(w\right)=\frac{1}{\mathrm{MU}}{\left|\underset{n=0}{\overset{M-1}{\Sigma }}x\left(n\right)w\left(n\right)e^{-\mathrm{jwn}}\right|}^2$其中归一化因子为：$U=\frac{1}{M}\underset{n=0}{\overset{M-1}{\Sigma }}{w}^2\left(n\right)$由此可分别计算得到通道w的α，β和θ频段功率谱估计为I_α(w)，I_β(w)和I_θ(w)，其中w为F3、Fz、F4、P3、Pz、P4；则，脑电的功率谱特征数据——脑电疲劳指数为：$F_{(\theta +\alpha )/\beta }=\frac{1}{6}\underset{w}{\Sigma }\frac{I_{\theta }\left(w\right)+I_{\alpha }\left(w\right)}{I_{\beta }\left(w\right)}$ w＝F3、Fz、F4、P3、Pz、P4$F_{\beta /\alpha }=\frac{1}{6}\underset{w}{\Sigma }\frac{I_{\beta }\left(w\right)}{I_{\alpha }\left(w\right)}$ w＝F3、Fz、F4、P3、Pz、P4选取Pz‑Fz、P3‑P4这2对电极通道的脑电原始数据，则脑电相位同步特征数据—Pz‑Fz和P3‑P4的delta频段的平均相位相干性为：$\lambda (x,y)=\frac{1}{N}\left|\underset{k=1}{\overset{N}{\Sigma }}{e}^{i({\theta }_x^H\left(\mathrm{k\Delta t}\right)-{\theta }_y^H\left(\mathrm{k\Delta t}\right))}\right|$其中，Δt为采样周期，N为样本点数，θ^H(kΔt)为在k个采样周期后的信号的瞬时相位，λ的取值范围是[0，1]，若λ＝0，表明信号x(t)和y(t)相位完全不同步，若λ＝1则表明信号x(t)和y(t)相位完全同步；然后计算心电时域特征数据和频域特征数据，具体是：心电信号的原始数据采集是利用通过16通道的gUSBamp放大器的没有用到的最后一个通道得到；一个典型的心电信号包含着P波、QRS波和T波；其中QRS波是最明显的，包含着许多跟心脏状态有关的信息；由于R波具有变化快，幅度大，持续时间短特征，采用差分阈值法来进行R波的监测；对于得到的滤波后的心电信号X(i),i＝1,2,...，计算一阶差分和二阶差分为：f′(i)＝[X(i+1)‑X(i‑1)]/2f″_i(i)＝[f′(i+1)‑f′(i‑1)]/2把一阶差分和二阶差分相结合得：F(i)＝f′(i)×f′_max+f″(i)×f″_max给定的阈值为：R_thr＝C×f_max其中，C为经验参数，f_max为F(i)最大值；若存在连续的F(i)＞R_thr，则在R点附近存在一个QRS波，在R点附近查找振幅绝对值最大值点，即为R波的波峰点；计算窗口时间100s内所有RR期间的平均值为：$\mathrm{mean}\left({\mathrm{RR}}_{\mathrm{interval}}\right)=\frac{1}{100}\underset{i=1}{\overset{i=100}{\Sigma }}{\mathrm{RR}}_{\mathrm{interval}}$则，心电的时域特征数据—心率HR为：$\mathrm{HR}=\frac{60}{\mathrm{mean}\left({\mathrm{RR}}_{\mathrm{interval}}\right)}$10s为窗口前移步长，即重叠窗口为90s，重复计算HR，得到驾驶过程中的心率数据；对于心电数据样本时间序列X(t_j),j＝1,2,3,...,N，采用Lomb‑Scargle周期图法，计算频率f的周期信号功率为：$P_x\left(f\right)=\frac{1}{2N}\{\frac{{\left[\underset{j=1}{\overset{N}{\Sigma }}X\left(t_j\right)\cos 2\mathrm{\pi f}(t_j-\tau )\right]}^2}{\underset{j=1}{\overset{N}{\Sigma }}{\cos }^{2}2\mathrm{\pi f}(t_j-\tau )}+\frac{{\left[\underset{j=1}{\overset{N}{\Sigma }}X\left(t_j\right)\sin 2\mathrm{\pi f}(t_j-\tau )\right]}^2}{\underset{j=1}{\overset{N}{\Sigma }}{\sin }^{2}2\mathrm{\pi f}(t_j-\tau )}\}$其中，t_j是样本时间，N是样本总数，τ是时间平移变量；计算低频LF的周期信号功率为：$\mathrm{LF}=\underset{f=0.04}{\overset{0.14}{\Sigma }}{P}_x\left(f\right)$其中：低频的频率范围为0.04～0.14Hz；计算高频HF的周期信号功率为：$\mathrm{HF}=\underset{f=0.15}{\overset{0.4}{\Sigma }}{P}_x\left(f\right)$其中：高频的频率范围为0.15～0.4Hz；则，心电的频域特征数据为：LF/HF；在上述计算脑电和心电特征数据时，脑电特征提取的窗口为1s，而心电特征的窗口为100s；为了便于脑电和心电信号的直接比较和融合，对100s内的脑电特征取其均值作为脑电100s的特征数据，以便与心电特征对应；最后将得到的脑电和心电特征数据整理为：(x_i,y_i),i＝1,...,n,x∈R^d,y∈{+1,‑1}其中“+1”表示疲劳时的脑电或心电数据，“‑1”表示清醒时的脑电或心电数据，并将得到的脑电和心电特征数据作为SVM进行分类的样本数据；由于脑电和心电数据的特征向量在输入空间R^d中线性不可分，非线性SVM通过非线性映射函数：φ:R^d→H将特征向量x∈R^d映射到高维欧几里得空间H；在非线性SVM情况下，两分类的最优分类面的方程为：φ(x)·w+b＝0之后将问题转化为以下的最优解问题：$\begin{array}{cc}\min & \frac{1}{2}{\left|\right|w\left|\right|}^2+C\left(\underset{i=1}{\overset{n}{\Sigma }}{\xi }_i\right)\end{array}$最优分类面问题转化为对偶问题：$\begin{array}{cc}\min & Q\left(a\right)=\frac{1}{2}\underset{i,j=1}{\overset{n}{\Sigma }}{a}_i{a}_j{y}_i{y}_{j}K(x_i·x_j)-\underset{i=1}{\overset{n}{\Sigma }}{a}_i\end{array}$$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\Sigma }}{y}_i{a}_i=0\\ 0\le a_i\le C,i=1,...,n\\ K(x_i·x_j)=\phi \left(x_i\right)·\phi \left(x_j\right)=\exp \{-\frac{{|x-y|}^2}{2{\sigma }^2}\}\\ w=\underset{i=1}{\overset{N}{\Sigma }}{a}_i{y}_i\phi \left(x_i\right)\end{array}\right.$判断函数为：$f\left(x\right)=\underset{i=1}{\overset{n}{\Sigma }}{y}_i{a}_{i}K(x_i·x)+b$