[發明專利]一種結合PCA和PCANet的駕駛疲勞特征提取方法

有效

• 申請號: 201810947723.0
• 申請日: 2018-08-20
• 公開（公告）號: CN109254654B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 陳斌;馬玉良;曹國魯;孟小飛;張衛;孟明
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/62;A61B5/374;B60W40/08
• 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

本發明公開了一種結合PCA和PCANet的駕駛疲勞特征提取方法。本發明包含以下步驟：1、使用腦電采集設備采集駕駛腦電信號；2、對采集到的腦電信號進行預處理，包括降頻、降噪；3、對預處理后的信號通過結合PCA和PCANet的特征提取方法提取特征；4、對提取的特征使用分類器進行分類學習、識別。本發明使用結合PCA和PCANet的駕駛疲勞特征提取方法，相比單獨使用PCANet產生的維度爆炸，一方面可以降低對計算機的運算要求，同時加快了計算速度，減少了運算的時間，有利于后續的實時監測；另一方面PCANet這個圖像的處理方法跨領域使用在駕駛疲勞特征的提取，也使分類的準確率有了有效的提升。

技術領域

本發明涉及駕駛疲勞的特征提取方法，特別涉及一種結合PCA和PCANet的駕駛疲勞特征提取方法，將原本運用在圖像處理的方法PCANet運用到BCI的領域，并運用在疲勞駕駛的研究方向。

背景技術

主成分分析(Principal Component Analysis，PCA)，是一種統計方法。通過正交變換將一組可能存在相關性的變量轉換為一組線性不相關的變量，轉換后的這組變量叫主成分。主成分分析首先是由K.皮爾森(Karl Pearson)對非隨機變量引入的，爾后H.霍特林將此方法推廣到隨機向量的情形。信息的大小通常用離差平方和或方差來衡量。主成分分析法是一種降維的統計方法，它借助于一個正交變換，將其分量相關的原隨機向量轉化成其分量不相關的新隨機向量，這在代數上表現為將原隨機向量的協方差陣變換成對角形陣，在幾何上表現為將原坐標系變換成新的正交坐標系，使之指向樣本點散布最開的p個正交方向，然后對多維變量系統進行降維處理，使之能以一個較高的精度轉換成低維變量系統，再通過構造適當的價值函數，進一步把低維系統轉化成一維系統。

PCANet是關于圖像分類的深度學習框架，這個框架主要依賴幾個基本的數據處理方法：1)主成分分析PCA。2)二值化哈希編碼。3)分塊直方圖。在這個框架中，首先通過PCA方法來學習多層濾波器核，然后使用二值化哈希編碼以及塊直方圖特征來進行下采樣和編碼操作。

發明內容

本發明的目的一方面是解決由于PCANet導致維度的升高，并且使計算復雜度上升，計算速度變慢的問題，另一方面可以提高在疲勞檢測的分類準確率。從而提出了一種結合PCA和PCANet的疲勞駕駛檢測方法。

按照本發明提供的技術方案，提出了一種結合PCA和PCANet的駕駛疲勞特征提取方法，包括如下步驟：

步驟1、使用腦電采集設備采集模擬駕駛腦電信號；

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、對預處理后的信號通過結合PCA和PCANet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；

所述的步驟1中，腦電信號采集包括記錄駕駛者腦電信號的實時變化，因為腦電的主要頻段是0.1-50Hz,所以確定10秒作為每段腦電信號片段的長度，并對每段腦電信號片段進行分析處理。

所述的步驟3中，對預處理后的信號通過結合PCA和PCANet的特征提取方法提取特征的步驟具體為：

步驟3-1：對預處理后信號首先采用PCA進行降維處理，為保持原信號足夠信息量同時起到盡可能的降維處理，設定一個保持原信號99％的閾值，對每段信號進行處理，最后根據每段信號特征確定所降的維數；

步驟3-2：對由3-1所得的降維處理后的信號進行PCANet的運算，以運算結果作為特征。

所述的步驟3中，對預處理后信號通過PCA運算得到降維信號的步驟具體為：

(1)對采集的腦電信號進行特征中心化處理，即每一維的樣本都減去它的均值；

(2)計算中心化后的協方差矩陣C；