[發明專利]基于腦電樣本權重調整的跨被試疲勞駕駛分類方法有效
| 申請號： | 202010985572.5 | 申請日： | 2020-09-18 |
| 公開（公告）號： | CN112274154B | 公開（公告）日： | 2022-05-17 |
| 發明（設計）人： | 曾虹;張佳明;李秀峰;吳振華;趙月;孔萬增;戴國駿 | 申請（專利權）人： | 杭州電子科技大學 |
| 主分類號： | A61B5/18 | 分類號： | A61B5/18;A61B5/369;A61B5/372;A61B5/00 |
| 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： | 基于 樣本 權重 調整 跨被試 疲勞 駕駛 分類 方法 | ||
1.基于腦電樣本權重調整的跨被試疲勞駕駛分類方法，其特征在于將訓練被試稱為源域，測試被試稱為目標域，之后通過借用一部分目標域數據到源域，從而形成新源域，剩余的目標域部分則作為新目標域，并為新源域樣本賦予權重，且在訓練過程中通過不斷調整源域中樣本的權重，使得該部分樣本更像借用部分目標域中的樣本，從而實現對目標域有更好的分類性能，同時不需要大量的目標域樣本及標簽；具體實現步驟如下：
步驟1：對源域和目標域中數據進行處理；
步驟2：數據定義
以往一般將訓練的帶有標簽的樣本作為初始源域其中ns為初始源域樣本的數量，而沒有標簽的測試樣本作為初始目標域其中nt為目標域樣本的數量；
步驟3：構建跨被試疲勞狀態分類模型；
新源域與新目標域定義如下，將新源域定義為T：
T＝{Tsd∪Ttd}#(2)
其中，Ys和Yt分別為初始源域Ωs和初始目標域Ωt對應的真實標簽集合，表示在Tsd中第i個樣本和它對應的真實標簽,表示在Ttd中第i個樣本和它對應的真實標簽；ns和m分別指代Tsd和Ttd中樣本的數量；Ttd指代從初始目標域Ωt借用到初始源域Ωs的那部分數據；Tsd指代從初始源域和對應的真實標簽集合；
將新目標域定義為S:
其中，l為新目標域S中樣本的數量；
步驟1所述的數據處理是指對采集到的原始腦電數據進行預處理，去除偽跡干擾；對預處理后的腦電數據進行特征提取，通過PSD方法提取出適合疲勞駕駛狀態檢測的頻段特征并整合特征，將整合后的特征作為后續模型訓練的腦電數據；
在步驟2的數據定義前，對于數據的采集實現如下：搭建模擬駕駛平臺并設計模擬駕駛實驗，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，從而產生疲勞和清醒這兩種狀態；在這過程中采集這些被試駕駛員的原始腦電數據，并打上疲勞、清醒的標簽；
步驟3所述的構建的跨被試疲勞狀態分類模型，模型輸入為帶標簽的新源域T、不帶標簽的新目標域S和最大迭代次數N；
跨被試疲勞狀態分類模型的構建實現如下：
步驟3-1：初始化：
初始化帶標簽的新源域T中每個樣本對應的權重，得到初始化后的樣本權重結合W1；初始迭代次數t＝1；
步驟3-2：計算每個樣本權重占所有樣本權重和的比例pt；
步驟3-3：將新源域T、新目標域S及比例pt作為EasyTL(C)方法的輸入，計算出的新源域和新目標域中樣本對應的預測標簽集合ht{x}；
步驟3-4：計算出預測標簽ht(x)與y(x)的誤差∈t，其中x為Ttd中的樣本，Ttd指代從目標域Ωt借用到源域Ωs的那部分數據；ht(x)為樣本的預測標簽，y(x)為樣本的真實標簽；
步驟3-5：根據步驟3-4的誤差∈t得到參數βt和β，并用βt和β分別更新權重并記錄下βt；
步驟3-6：t＝t+1,返回步驟3-3進行迭代，直到N次；
步驟3-7.根據以下公式得到新目標域的標簽hf(x)；
其中，ht[x]指代第t次迭代時新目標域S中樣本的預測標簽,βt可從步驟3-5獲取。
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/202010985572.5/1.html，轉載請聲明來源鉆瓜專利網。
