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

有效

• 申請?zhí)枺?/td>: 202010985572.5
• 申請日: 2020-09-18
• 公開（公告）號: CN112274154B
• 公開（公告）日: 2022-05-17
• 發(fā)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

本發(fā)明公開了一種基于腦電樣本權重調(diào)整的跨被試疲勞狀態(tài)分類方法。本發(fā)明以PSD作為特征提取方法，InstanceEasyTL算法作為分類器，通過對EEG信號的處理及分析，在跨被試的設定下，對駕駛員的疲勞程度進行分類，實現(xiàn)疲勞、清醒兩種狀態(tài)的區(qū)分。首先獲取數(shù)據(jù)并預處理；其次使用PSD對腦電數(shù)據(jù)進行特征提取；然后設置實驗的新源域和新目標域，再根據(jù)InstanceEasyTL算法進行分類。與傳統(tǒng)的機器學習、深度學習方法和基于特征對齊的EasyTL方法相比，在跨被試上擁有更好的分類性能。此外本方法在僅需目標域中小部分比例的數(shù)據(jù)情況下，仍然能夠保持較高的分類性能。

技術領域

本發(fā)明涉及生物特征識別領域中的腦電信號識別領域，具體涉及一種基于腦電樣本權重調(diào)整的跨被試疲勞駕駛分類方法。

背景技術

在過去的幾年里，隨著社會的發(fā)展和技術的進步，擁有私家車的人越來越多，發(fā)生交通事故的數(shù)量也不斷增加，對人們的生命財產(chǎn)安全造成了重大的損失。有許多研究已經(jīng)證明造成交通事故的一個重要原因是疲勞駕駛。因此，如果能在駕駛者在行駛過程中的疲勞狀態(tài)做出檢測，就可以有效的降低發(fā)生交通事故的概率。

現(xiàn)有的疲勞駕駛檢測方法有三種，一是通過問卷的方式。駕駛者通過填寫問卷來評價自己的狀態(tài)。這種方式的優(yōu)點是實施起來簡單，但是比較依賴駕駛者的主觀判斷。二是通過計算機視覺技術。通過計算機視覺技術檢測面部表情，比如眨眼頻率，閉眼的持續(xù)時間和打哈欠等等。這種方式同樣有簡單的優(yōu)點，而且相對于問卷的方式更加客觀，但是如果駕駛者喜歡帶墨鏡，而眨眼頻率是一個檢測疲勞狀態(tài)很重要的因素，因此會影響疲勞駕駛狀態(tài)的檢測。三是基于生理信號測量的方式。腦電、眼電和心電或者這幾者的混合可以很好的檢測出疲勞駕駛狀態(tài)。其中基于腦電的方式被認為是最有效的一種方法，因為它直接反應了大腦的活動并能夠及時的發(fā)現(xiàn)駕駛者精神狀態(tài)的變化。

目前已有很多經(jīng)典的機器學習方法，例如，SVM、線性判別分析(LDA)、(K-最鄰近)KNN等等。以及一些深度學習方法，例如，LSTM、CNN等等。這些方法被用于分析及發(fā)現(xiàn)腦電信號中的重要模式。雖然這些方法已經(jīng)取得了非常好的分類效果，但是這些方法沒有考慮到被試(駕駛者)之間的個體差異性，也就是說沒有考慮到不同被試的腦電信號是存在巨大差異的情況。因此如果將在某些被試上訓練好的模型用于其他的被試，則會導致分類性能不理想。當然也可以不將通過其他被試訓練得到的模型用于其他被試，而是對每一個被試都單獨訓練一個模型，這樣就可以取得非常好的分類效果，但是因為訓練時需要大量的帶標簽訓練樣本，為每一個被試都訓練一個模型既費時又費力。基于以上兩點的考慮，如果能夠?qū)崿F(xiàn)一種技能跨被試取得較好分類性能并且不會花費大量時間和精力取收集訓練數(shù)據(jù)的方法是比較理想的。

其實已經(jīng)有一些能夠?qū)崿F(xiàn)該上述需求的遷移學習方法應用在圖像領域，例如EasyTL，由王晉東教授于2019年發(fā)表于ICME的論文Easy Transfer Learning ByExploiting Intra-domain Structures，該方法的核心思想是通過將源域與目標域的特征空間的分布盡可能的對齊，之后使用分類器進行分類。該方法在圖像領域已取得了非常好的分類性能，但是在將其應用到腦電領域時卻難以達到同樣的效果。我們認為，這是由于圖片主要是由像素組成，而像素之間的差異并非十分巨大，但是在腦電領域，不僅同一被試的腦電在不同時刻存在著差異，不同被試間的腦電差異會更加顯著。因此，在EasyTL對齊源域與目標域的階段，由于腦電的特殊性，無法使得源域與目標域足夠的相似，從而導致無法取得將EasyTL應用于圖像領域時的高分類性能。

發(fā)明內(nèi)容

本發(fā)明的目的是為了克服現(xiàn)有方法在跨被試疲勞駕駛檢測方法分類性能不佳及為單一被試單獨訓練模型費時費力的缺陷和EasyTL方法在腦電領域性能不佳的不足。本發(fā)明提出了一種基于腦電跨被試疲勞駕駛檢測方法。