[發明專利]基于集成學習的疲勞駕駛腦電信號回歸分析方法

有效

• 申請號: 202010925130.1
• 申請日: 2020-09-06
• 公開（公告）號: CN112016504B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 董娜;張文锜;李英杰;高忠科
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;A61B5/369;A61B5/374;G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李麗萍

1.一種基于集成學習的疲勞駕駛腦電信號回歸分析方法，其特征在于，包括以下步驟：

首先，采用功率譜密度特征提取器對受試者的30個通道的腦電圖信號進行特征提取，其次，用主成分分析法將特征數據進行降維，將降維后的特征數據作為集成學習模型的輸入，將所述集成學習模型的輸出進行擬合，最終得到該受試者的疲勞回歸曲線；

所述集成學習模型中，對腦電圖信號的疲勞指數進行最小二乘擬合，并將擬合后的數據作為集成學習的數據標簽；將支持向量回歸算法作為基學習器，并采用貝葉斯模型組合方法對支持向量回歸算法的輸出進行組合；

建立集成學習模型，包括以下步驟：

步驟一、采用功率譜密度特征提取器對編號分別為1，2，3，......，n-1，n的N名受試者的每個受試者進行特征提取，定義平穩信號{X(t)，t∈T}的自相關函數R(τ)的傅里葉變換為平穩信號功率譜密度：

式(1)中，w為頻率，S_X(w)為功率譜密度函數，X為平穩信號；

腦電圖信號分為5個頻帶，包括：頻率為1-3Hz的delta頻帶、頻率為4-7Hz的theta頻帶、頻率為8-13Hz的alpha頻帶、頻率為14-30Hz的beta頻帶和頻率為31-50Hz的gamma頻帶；按照式(1)計算上述5個頻帶的每一頻帶的功率譜密度特征，針對每個受試者30個通道的腦電圖信號得到150維度的特征數據；

步驟二、選取一個固定長度為1％t的滑動窗口對訓練集中m個受試者的時間為t的腦電圖信號進行分割，得到100個腦電圖信號數據片段，其中，m為大于1小于N的整數，以每一個片段作為一個樣本，利用式(2)計算每個樣本的疲勞指數f，

式(2)中，θ為them頻帶，β為beta頻帶，α為alpha頻帶，Fz通道為國際10-20系統腦電極分布中的Fz電極對應的通道，Oz通道為國際10-20系統腦電極分布中的Oz電極對應的通道；以腦電圖信號Fz通道中theta頻帶的信號功率與Fz通道中alpha頻帶的信號功率之和除以Oz通道中beta頻帶的信號功率作為疲勞指數f；利用式(2)計算疲勞指數f所需的功率數值為該樣本對應的數據片段內的數據平均值；將計算得到的所有樣本的疲勞指數f按照時間順序依次排列，并以[0，1]為區間對所有樣本的疲勞指數f進行歸一化表征疲勞程度，對歸一化后的結果進行最小二乘擬合，從而得到100個數據標簽，記作y_i，i＝1，2，...，100；

步驟三、采用主成分分析法將步驟一中獲得到的150維度的特征數據進行降維，由150維降維到100維，N個受試者降維后的100維特征數據總體記作x_ij，j代表第j個受試者，j＝1，2，...，N，將每個受試者的100維特征數據x_i與步驟二得到的100個數據標簽y_i一一組合成樣本元素(x_i，y_i)_j，所有的樣本元素總體記作數據集D，將數據集D分成3份，分別作為后續集成學習模型的訓練集、驗證集和測試集；

步驟四、集成學習模型中設置有10個基學習器，每個基學習器均有各自獨立的訓練集，使用10折交叉驗證將步驟三中確定的訓練集分為10份訓練子集，每個基學習器的訓練集依次由其中的9份訓練子集組成；

步驟五、利用步驟四中得到的訓練子集訓練基學習器：基學習器采用支持向量回歸算法，按照10折交叉驗證的方法分別訓練10個支持向量回歸算法；

步驟六、向訓練好的10個支持向量回歸算法導入步驟三中確定的驗證集中的x_i，每個支持向量回歸算法的輸出值記作z_i，將輸出值z_i與驗證集中的x_i對應的y_i一一組合成(z_i，y_i)，將(z_i，y_i)導入貝葉斯模型組合公式，算出貝葉斯模型組合公式中的未知參數p(e|D)，從而得到貝葉斯模型組合方法，

p(y_i|z_i，D，H，E)＝∑_h∈Ep(y_i|z_i，H，e)p(e|D) (3)

式(3)中，模型空間H是由有限個個體假設近似，h為模型空間H的個體假設模型，E為貝葉斯模型組合空間，e是貝葉斯模型組合空間E中的個體假設模型；

步驟七、向訓練好的10個支持向量回歸算法導入步驟三中確定的測試集中的x_i，10個支持向量回歸算法的輸出值z_i再通過貝葉斯模型組合方法組合，得到集成學習模型的輸出，將輸出進行擬合得到疲勞回歸曲線。

2.根據權利要求1所述的基于集成學習的疲勞駕駛腦電信號回歸分析方法，其特征在于，步驟四中，歸一化函數為：

其中，x為歸一化之前的數據，max是樣本的最大值，min是樣本的最小值，y為歸一化之后的數據。