[發(fā)明專利]基于腦電樣本權(quán)重調(diào)整的跨被試疲勞駕駛分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010985572.5
• 申請(qǐng)日: 2020-09-18
• 公開（公告）號(hào): CN112274154B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 曾虹;張佳明;李秀峰;吳振華;趙月;孔萬(wàn)增;戴國(guó)駿
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): A61B5/18
• 分類號(hào): A61B5/18;A61B5/369;A61B5/372;A61B5/00
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于腦電樣本權(quán)重調(diào)整的跨被試疲勞駕駛分類方法，其特征在于將訓(xùn)練被試稱為源域，測(cè)試被試稱為目標(biāo)域，之后通過借用一部分目標(biāo)域數(shù)據(jù)到源域，從而形成新源域，剩余的目標(biāo)域部分則作為新目標(biāo)域，并為新源域樣本賦予權(quán)重，且在訓(xùn)練過程中通過不斷調(diào)整源域中樣本的權(quán)重，使得該部分樣本更像借用部分目標(biāo)域中的樣本，從而實(shí)現(xiàn)對(duì)目標(biāo)域有更好的分類性能，同時(shí)不需要大量的目標(biāo)域樣本及標(biāo)簽；具體實(shí)現(xiàn)步驟如下：

步驟1：對(duì)源域和目標(biāo)域中數(shù)據(jù)進(jìn)行處理；

步驟2：數(shù)據(jù)定義

以往一般將訓(xùn)練的帶有標(biāo)簽的樣本作為初始源域其中n_s為初始源域樣本的數(shù)量，而沒有標(biāo)簽的測(cè)試樣本作為初始目標(biāo)域其中n_t為目標(biāo)域樣本的數(shù)量；

步驟3：構(gòu)建跨被試疲勞狀態(tài)分類模型；

新源域與新目標(biāo)域定義如下，將新源域定義為T：

T＝{T_sd∪T_td}#(2)

其中，Y_s和Y_t分別為初始源域Ω_s和初始目標(biāo)域Ω_t對(duì)應(yīng)的真實(shí)標(biāo)簽集合，表示在T_sd中第i個(gè)樣本和它對(duì)應(yīng)的真實(shí)標(biāo)簽,表示在T_td中第i個(gè)樣本和它對(duì)應(yīng)的真實(shí)標(biāo)簽；n_s和m分別指代T_sd和T_td中樣本的數(shù)量；T_td指代從初始目標(biāo)域Ω_t借用到初始源域Ω_s的那部分?jǐn)?shù)據(jù)；T_sd指代從初始源域和對(duì)應(yīng)的真實(shí)標(biāo)簽集合；

將新目標(biāo)域定義為S:

其中，l為新目標(biāo)域S中樣本的數(shù)量；

步驟1所述的數(shù)據(jù)處理是指對(duì)采集到的原始腦電數(shù)據(jù)進(jìn)行預(yù)處理，去除偽跡干擾；對(duì)預(yù)處理后的腦電數(shù)據(jù)進(jìn)行特征提取，通過PSD方法提取出適合疲勞駕駛狀態(tài)檢測(cè)的頻段特征并整合特征，將整合后的特征作為后續(xù)模型訓(xùn)練的腦電數(shù)據(jù)；

在步驟2的數(shù)據(jù)定義前，對(duì)于數(shù)據(jù)的采集實(shí)現(xiàn)如下：搭建模擬駕駛平臺(tái)并設(shè)計(jì)模擬駕駛實(shí)驗(yàn)，具體為滿足條件的多名被試駕駛員，并讓他們參與不同條件的駕駛，從而產(chǎn)生疲勞和清醒這兩種狀態(tài)；在這過程中采集這些被試駕駛員的原始腦電數(shù)據(jù)，并打上疲勞、清醒的標(biāo)簽；

步驟3所述的構(gòu)建的跨被試疲勞狀態(tài)分類模型，模型輸入為帶標(biāo)簽的新源域T、不帶標(biāo)簽的新目標(biāo)域S和最大迭代次數(shù)N；

跨被試疲勞狀態(tài)分類模型的構(gòu)建實(shí)現(xiàn)如下：

步驟3-1：初始化：

初始化帶標(biāo)簽的新源域T中每個(gè)樣本對(duì)應(yīng)的權(quán)重，得到初始化后的樣本權(quán)重結(jié)合W¹；初始迭代次數(shù)t＝1；

步驟3-2：計(jì)算每個(gè)樣本權(quán)重占所有樣本權(quán)重和的比例p^t；

步驟3-3：將新源域T、新目標(biāo)域S及比例p^t作為EasyTL(C)方法的輸入，計(jì)算出的新源域和新目標(biāo)域中樣本對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽集合h_t{x}；

步驟3-4：計(jì)算出預(yù)測(cè)標(biāo)簽h_t(x)與y(x)的誤差∈_t，其中x為T_td中的樣本，T_td指代從目標(biāo)域Ω_t借用到源域Ω_s的那部分?jǐn)?shù)據(jù)；h_t(x)為樣本的預(yù)測(cè)標(biāo)簽，y(x)為樣本的真實(shí)標(biāo)簽；

步驟3-5：根據(jù)步驟3-4的誤差∈_t得到參數(shù)β_t和β，并用β_t和β分別更新權(quán)重并記錄下β_t；

步驟3-6：t＝t+1,返回步驟3-3進(jìn)行迭代，直到N次；

步驟3-7.根據(jù)以下公式得到新目標(biāo)域的標(biāo)簽h_f(x)；

其中，h_t[x]指代第t次迭代時(shí)新目標(biāo)域S中樣本的預(yù)測(cè)標(biāo)簽,β_t可從步驟3-5獲取。