基于腦電信號(hào)的警覺(jué)度估計(jì)研究.pdf

1、警覺(jué)度(Vigilance)通常定義為，對(duì)外界刺激長(zhǎng)時(shí)間的保持注意力和警惕性的能力。在日常的工作和生活中，許多人機(jī)交互系統(tǒng)需要操作人員保持一定的警覺(jué)度。尤其是汽車駕駛員，他們一旦出現(xiàn)警覺(jué)度下降的情況，就可能會(huì)造成非常嚴(yán)重的后果。因此，研究警覺(jué)度監(jiān)測(cè)算法，對(duì)駕駛員的疲勞狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，是車輛輔助安全駕駛領(lǐng)域的一個(gè)重要課題，對(duì)解決交通安全問(wèn)題具有重要的現(xiàn)實(shí)意義。由于腦電信號(hào)是疲勞檢測(cè)的“金標(biāo)準(zhǔn)”，以及便攜式腦電采集設(shè)備商用化的出現(xiàn)，使得腦

2、電采集越來(lái)越便捷。因此，本論文將重點(diǎn)進(jìn)行基于腦電的警覺(jué)度監(jiān)測(cè)方法研究，具體研究問(wèn)題包括:腦電信號(hào)在線降噪去偽跡算法，警覺(jué)度關(guān)鍵腦區(qū)定位，腦電疲勞特征快速提取算法、在線腦電特征過(guò)濾平滑算法，高魯棒性的腦電特征降維算法，高效的在線警覺(jué)度監(jiān)測(cè)算法以及警覺(jué)度自動(dòng)標(biāo)注算法等。目的是結(jié)合便攜式腦電采集系統(tǒng)，為將來(lái)開發(fā)基于腦電等生理信號(hào)的警覺(jué)度監(jiān)測(cè)系統(tǒng)提供理論和基本算法。
　　 本論文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)體現(xiàn)在以下幾個(gè)方面:
　　 1.

3、腦電信號(hào)在線降噪去偽跡。本文提出了自適應(yīng)在線降噪去偽跡算法，能自適應(yīng)跟蹤隨時(shí)間變化的信號(hào)源，并具備偽跡源自動(dòng)識(shí)別功能，且能在線自動(dòng)重構(gòu)出不含偽跡成分的腦電信號(hào)，以解決腦電采集過(guò)程中的噪音偽跡干擾問(wèn)題。該算法的偽跡識(shí)別精度在90％以上，已達(dá)到人工標(biāo)注的水平，相比于其他自動(dòng)去偽跡算法，該算法能很好的解決偽跡信號(hào)源隨時(shí)間變化的問(wèn)題，并且支持在線工作模式。
　　 2.警覺(jué)度關(guān)鍵腦區(qū)定位。本文提出了基于腦電信號(hào)的警覺(jué)度相關(guān)同步去同步概念，

4、基于該原理，開發(fā)了三種警覺(jué)度關(guān)鍵腦區(qū)定位算法，分別是基于線性相關(guān)系數(shù)的定位方法，基于ICA算法的定位方法和基于CSP算法的定位方法，并最終定位出枕葉附近為警覺(jué)度關(guān)鍵腦區(qū)。從警覺(jué)度關(guān)鍵腦區(qū)采集腦電信號(hào)可有效降低警覺(jué)度無(wú)關(guān)腦電信號(hào)的影響，并可以簡(jiǎn)化腦電采集過(guò)程，增強(qiáng)腦電警覺(jué)度分析系統(tǒng)的實(shí)用性。
　　 3.腦電疲勞特征提取。對(duì)對(duì)數(shù)形式的腦電頻譜特征，本文給出了物理層面的解釋，進(jìn)而定義了腦電的微分熵特征。提出了腦電特征中的乘性噪音問(wèn)題，

5、并給出了不同腦電特征的乘性噪音消除方案。同時(shí)，結(jié)合警覺(jué)度實(shí)驗(yàn)數(shù)據(jù)，對(duì)自回歸系數(shù)，能量譜，分形維數(shù)，樣本熵以及微分熵這五種腦電特征，從原理和性能兩個(gè)層面進(jìn)行了詳細(xì)的對(duì)比分析。最終結(jié)果顯示，微分熵特征的警覺(jué)度表征能力最強(qiáng)，且性能最穩(wěn)定。
　　 4.腦電特征在線過(guò)濾。本文提出了基于線性動(dòng)力系統(tǒng)模型的腦電特征過(guò)濾算法，用于消除腦電數(shù)據(jù)中的警覺(jué)度無(wú)關(guān)腦電特征。同時(shí)，結(jié)合警覺(jué)度實(shí)驗(yàn)數(shù)據(jù)，從原理和性能兩個(gè)方面與傳統(tǒng)的滑動(dòng)平均濾波器算法進(jìn)行了對(duì)

6、比分析。結(jié)果顯示，該算法能更加充分合理的利用已觀測(cè)到的全部腦電數(shù)據(jù)，更好的消除警覺(jué)度無(wú)關(guān)腦電特征的影響，提高警覺(jué)度的估計(jì)精度。
　　 5.魯棒性的腦電特征降維。由于腦電特征中含有較強(qiáng)的噪音，傳統(tǒng)的特征降維算法如PCA，在受到噪音干擾后會(huì)導(dǎo)致計(jì)算出的主成分不準(zhǔn)確，從而影響后續(xù)的警覺(jué)度估計(jì)性能。為了解決特征降維過(guò)程中的噪音問(wèn)題，本文引入了具有抗噪能力的特征降維算法:RobustPCA，并基于具體的實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行了對(duì)比分析。結(jié)果顯示，

7、RobustPCA算法相比于標(biāo)準(zhǔn)PCA算法，在處理含有較多噪音的腦電特征時(shí)，確實(shí)能有效提高警覺(jué)度估計(jì)系統(tǒng)的性能。
　　 6.高效的警覺(jué)度估計(jì)模型。本文提出了用于在線警覺(jué)度估計(jì)的Larsen-ELM算法，相比于SVM回歸模型，該算法在保證警覺(jué)度估計(jì)準(zhǔn)確率的同時(shí)，具有高效的模型參數(shù)訓(xùn)練效率，對(duì)處理大規(guī)模的腦電警覺(jué)度數(shù)據(jù)，具有較高的實(shí)用價(jià)值。
　　 7.基于腦電信號(hào)的警覺(jué)度自動(dòng)標(biāo)注算法。傳統(tǒng)警覺(jué)度標(biāo)注算法通常代價(jià)過(guò)高，自動(dòng)化性

8、能欠佳，且無(wú)法有效處理大規(guī)模的數(shù)據(jù)集。因此，本文提出了直接基于腦電數(shù)據(jù)的離散警覺(jué)度標(biāo)注算法和連續(xù)警覺(jué)度標(biāo)注算法。由于腦電特征隨警覺(jué)度變化而變化，該類型的算法能直接利用腦電特征的分布規(guī)律通過(guò)聚類算法和流形學(xué)習(xí)算法進(jìn)行警覺(jué)度的自動(dòng)標(biāo)注。直接基于腦電數(shù)據(jù)的標(biāo)注結(jié)果，與傳統(tǒng)的基于警覺(jué)度相關(guān)任務(wù)行為的標(biāo)注結(jié)果相比，同樣能準(zhǔn)確的標(biāo)注出警覺(jué)度變化的整體走勢(shì)，只是在細(xì)節(jié)方面存在較小的誤差。由于該類型的算法是完全自動(dòng)化實(shí)現(xiàn)，且無(wú)需訓(xùn)練數(shù)據(jù)集，因此，該類型