[發明專利]結合經驗模態分解和能量譜密度的駕駛疲勞特征提取方法在審
| 申請號： | 201810320573.0 | 申請日： | 2018-04-11 |
| 公開（公告）號： | CN108937921A | 公開（公告）日： | 2018-12-07 |
| 發明（設計）人： | 馬玉良;張淞杰;武薇;孟明;羅志增 | 申請（專利權）人： | 杭州電子科技大學 |
| 主分類號： | A61B5/0476 | 分類號： | A61B5/0476;A61B5/18 |
| 代理公司： | 杭州君度專利代理事務所(特殊普通合伙) 33240 | 代理人： | 朱月芬 |
| 地址： | 310018 浙*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 經驗模態分解 能量譜密度 駕駛疲勞 特征提取 預處理 腦電信號 方法提取 分類檢測 腦電采集 設備采集 信號通過 分類器 準確率 降頻 降噪 采集 駕駛 分類 學習 | ||
1.結合經驗模態分解和能量譜密度的駕駛疲勞特征提取方法，其特征在于包括如下步驟：
步驟1、使用腦電采集設備采集駕駛員腦電信號；
步驟2、對采集到的腦電信號進行預處理，包括降頻、降噪；
步驟3、對預處理后的腦電信號通過結合經驗模態分解和能量譜密度的特征提取方法提取特征；
步驟4、對提取的特征使用分類器進行分類學習、識別。
2.如權利要求1所述的結合經驗模態分解和能量譜密度的駕駛疲勞特征提取方法，其特征在于，步驟1具體為：所述的腦電信號采集包括記錄駕駛者腦電信號的實時變化，以10秒作為每段腦電信號片段的長度。
3.根據權利要求1所述的結合經驗模態分解和能量譜密度的駕駛疲勞特征提取方法，其特征在于，步驟3具體為：
步驟3-1：對預處理后信號通過經驗模態分解得到一系列固有模態分量；
步驟3-2：對前三層固有模態函數分量提取能量譜密度的特征，并以此作為信號特征。
4.根據權利要求1所述的結合經驗模態分解和能量譜密度的駕駛疲勞特征提取方法，其特征在于所述的步驟3-1中經驗模態分解具體為：
(1)識別腦電信號中所有極大值點并擬合成信號的上包絡線eup(t)，識別腦電信號中所有極小值點并擬合成信號的下包絡線elow(t)；
(2)根據合成的上下包絡線計算平均值m1(t)，其公式為：
(3)將預處理后的腦電信號x(t)減去m1(t)得到h1(t)，將得到的h1(t)作為新的腦電信號，
(4)重復步驟(1)-(3)k次，直到h1(t)滿足；即極值點個數與零點個數相等或者相差一個，且上下包絡線的均值在任一點均為零；此時的h1(t)為信號的第一個IMF分量，記為c1(t)＝h1(t)；
(5)將c1(t)與x(t)的差值r1(t)作為新的信號；
重復步驟(1)-(5)，得到一系列的IMF分量，當得到的IMF分量或殘余信號小于預先設定的值時，經驗模態分解步驟完成。
5.根據權利要求1所述的結合經驗模態分解和能量譜密度的駕駛疲勞特征提取方法，其特征在于，所述的步驟3-2中對前三層固有模態函數分量提取能量譜特征具體為：計算每一層固有模態函數分量的能量譜積分，即每一層固有模態函數分量包含的能量，該能量即為每層固有模態函數分量的特征；能量譜的公式如下：
其中，fn為信號分量序列，F(ω)為信號fn的傅立葉變換，F*(ω)為F(ω)的共軛函數，ωk表示的是信號頻譜對應的角頻率，n代表的是信號的采樣點數，j表示的是虛數。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于杭州電子科技大學，未經杭州電子科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810320573.0/1.html，轉載請聲明來源鉆瓜專利網。
