[發(fā)明專利]一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010565232.7
• 申請(qǐng)日: 2020-06-19
• 公開（公告）號(hào): CN111643077A
• 公開（公告）日: 2020-09-11
• 發(fā)明（設(shè)計(jì)）人: 譚墍元;畢蕊;鄒迎;李倩;郭偉偉;邱倩倩;余承洋
• 申請(qǐng)（專利權(quán)）人: 北方工業(yè)大學(xué);北京市交通委員會(huì)
• 主分類號(hào): A61B5/0476
• 分類號(hào): A61B5/0476;A61B5/18;A61B5/00;G06F17/18
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 趙奕

1.一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法，其特征在于，所述方法通過采集駕駛員駕駛過程中的腦電數(shù)據(jù)進(jìn)行預(yù)處理，從預(yù)處理過的腦電數(shù)據(jù)中得到顯著性指標(biāo)進(jìn)行交通因素復(fù)雜度辨識(shí)模型的搭建；

所述交通因素復(fù)雜度辨識(shí)模型包括行人過街因素辨識(shí)模型、車輛變速因素辨識(shí)模型、車輛變道因素辨識(shí)模型。

2.根據(jù)權(quán)利要求1所述的一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法，其特征在于，所述腦電數(shù)據(jù)預(yù)處理過程包括四個(gè)過程：

陷波和帶通濾波去噪、基于ICA法的眼電去噪、刺激段數(shù)據(jù)提取、基線校正，以去除腦電信號(hào)中的噪音，其中：

陷波和帶通濾波去噪，去除特定頻率分量；

基于ICA法的眼電去噪，采用獨(dú)立分量分析方法去除眼電偽跡，將腦電數(shù)據(jù)分解為32個(gè)通道獨(dú)立分量，然后計(jì)算各個(gè)獨(dú)立成分與眼電之間的相關(guān)系數(shù)，去除相關(guān)系數(shù)較大的獨(dú)立成分，再將其余無關(guān)的獨(dú)立成分進(jìn)行ICA逆運(yùn)算重構(gòu)為純凈的腦電信號(hào)；

刺激段數(shù)據(jù)提取，是將腦電信號(hào)按事件刺激段和非事件刺激段進(jìn)行劃分，將同類刺激誘發(fā)的腦電數(shù)據(jù)從連續(xù)的腦電數(shù)據(jù)中提取出來，劃分為若干段等長(zhǎng)的刺激事件數(shù)據(jù)段，以刺激出現(xiàn)的時(shí)間起點(diǎn)為零時(shí)刻，以時(shí)間窗為長(zhǎng)度截取數(shù)據(jù)段；

基線校正，以駕駛員未受到刺激時(shí)的腦電信號(hào)作為參考基礎(chǔ)值對(duì)刺激段腦電信號(hào)的漂移進(jìn)行校準(zhǔn)，將刺激段的所有信號(hào)值與參考時(shí)間的基礎(chǔ)幅值逐一相減，得到了新的平穩(wěn)電位值，消除由駕駛員動(dòng)作或偽跡產(chǎn)生的腦電波漂移趨勢(shì)，消除腦電信號(hào)相對(duì)于基線的偏離。

3.根據(jù)權(quán)利要求2所述的一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法，其特征在于：所述方法對(duì)預(yù)處理后的腦電數(shù)據(jù)進(jìn)行分析，分別采用功率譜估計(jì)、頻帶能量占比、樣本熵三種方法，分析駕駛過程中駕駛員的腦電信號(hào)，并從中提取顯著性指標(biāo)，用于辨識(shí)模型搭建。

4.根據(jù)權(quán)利要求3所述的一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法，其特征在于：所述功率譜估計(jì)方法從預(yù)處理后的腦電數(shù)據(jù)中提取了20個(gè)基本腦電特征指標(biāo)，提取過程如下：

首先計(jì)算全腦32個(gè)通道的腦電信號(hào)的功率譜密度，并將32個(gè)通道的功率譜密度進(jìn)行平均；

再提取δ波、θ波、α波和β波的功率譜密度作為全腦平均功率譜密度的4個(gè)特征指標(biāo)；

然后將腦通道按額葉、頂葉、枕葉顳葉劃分為四個(gè)腦區(qū)，分別對(duì)四個(gè)腦區(qū)提取腦電δ波、θ波、α波和β波的功率譜密度，得到了16個(gè)功率譜密度特征指標(biāo)。

5.根據(jù)權(quán)利要求4所述的一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法，其特征在于：所述功率譜估計(jì)采用AR模型方法，其中AR模型功率譜估計(jì)公式為：

其中，AR功率譜估計(jì)模型中的階數(shù)p使用代價(jià)函數(shù)來估計(jì)，AR功率譜估計(jì)模型的系數(shù)c_pi和σ²使用Burg算法進(jìn)行求取，使AR模型前后項(xiàng)預(yù)測(cè)誤差的功率之和為最小；反射系數(shù)K_p從已知信號(hào)數(shù)據(jù){x(1),x(2),...,x(n-1)}中求得，然后利用Levinson遞推算法由反射系數(shù)來求得AR參數(shù)。

6.根據(jù)權(quán)利要求4所述的一種基于腦電數(shù)據(jù)的交通動(dòng)態(tài)因素復(fù)雜度的辨識(shí)方法，其特征在于，所述功率譜密度特征指標(biāo)的提取過程如下：從預(yù)處理后的腦電數(shù)據(jù)分別提取出四種節(jié)律波的功率譜密度(α波、β波、θ波、δ波)作為特征指標(biāo)：

其中，f_up表示節(jié)律波對(duì)應(yīng)的頻率上界，f_down表示節(jié)律波對(duì)應(yīng)的頻率下界。