CN111803065A - 一种基于脑电数据的危险交通场景辨识方法及*** - Google Patents

Abstract

本发明公开了一种基于脑电数据的危险交通场景辨识方法及***，基于脑电数据的危险交通场景辨识方法，包括以下步骤：基于交通场景，获取刺激对象和实验变量；通过刺激对象和实验变量完成对驾驶员的驾驶测试，获取预设时长内驾驶员包含脑电信号的EEG数据；对采集到的脑电信号进行预处理，去除脑电信号中的信号噪音；对预处理后的脑电信号提取特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值；根据所述差值辨识交通场景的危险程度。可以科学的度量交通场景危险程度、准确的评估驾驶员精神负荷，有利于将驾驶员的精神负荷控制在合理区间，有效的降低驾驶风险。

Description

一种基于脑电数据的危险交通场景辨识方法及***

技术领域

本发明涉及交通驾驶安全领域，尤其涉及一种基于脑电数据的危险 交通场景辨识方法及***。

背景技术

随着社会经济的快速发展，我国汽车保有量迅速的提高，道路建设 不断的推进，与此同时，交通场景日益丰富、道路交通参与者持续增长， 道路交通环境变得愈加复杂，交通安全事故发生量逐年增长。交通场景 的危险程度能够直接影响驾驶员的生理和心理状态，当驾驶员处于较为 危险的交通场景时，驾驶员所承受的精神负荷较大，容易使驾驶员出现 决策迟缓、操作错误的现象，极易引起交通事故。面对危险的道路交通 场景，科学度量交通场景危险程度、准确评估驾驶员精神负荷，采取合 理措施将驾驶员精神负荷控制在合理区间，降低驾驶风险，成为了重要 的问题。

交通场景危险程度的研究，不仅能有效的提升人类驾驶员的驾驶安 全，减少道路交通事故的发生率，而且还能为智能驾驶与车辆安全技术 的研究提供理论基础。

对自动驾驶车辆来讲，最终判断智能驾驶有什么样的功能、达到什 么性能、能否在日常的交通环境中驾驶，必须完成车辆的技术考核，考 核中很重要的一个环节就是交通场景的测试。因为无人驾驶车辆的算法 性能与交通场景危险程度之间存在负相关关系，难度过高的测试场景会 导致车辆环境认知和理解算法表现较差，无法准确的评估车辆性能，因 此场景难度将直接影响车辆的测试结果，他的研究对于智能车辆的评价 十分重要。然而，现有关于交通场景的危险程度识别的研究较为缺乏， 常用的研究的方法缺乏一定的客观性和量化性的数据支持。

现有研究交通场景危险程度的方法主要是选取与交通场景难度相关 的因素，将其作为评价指标，对他们进行定性、定量描述以实现对交通 场景危险程度的评价。选取的指标按其特点可分类为静态指标和动态指 标。静态指标主要包括相关专业人士的主观看法、对道路交通环境影响 较大的因素、道路交通事故数据。动态指标主要将反映车辆或驾驶员运 动状态的因素作为评价指标。静态指标或动态指标方法主要是从因素端 出发，即将影响交通场景危险程度的环境因素作为评价指标。而交通环 境危险程度的确定应该是基于驾驶员的意识和行为的，是动态变化的。 现有的这种研究方法未能从驾驶员视角定量、客观的定义和描述交通场 景危险程度。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于脑电数据 的危险交通场景辨识方法及***。

根据本发明的一个方面，提供一种基于脑电数据的危险交通场景辨 识方法，包括以下步骤：

基于交通场景，获取刺激对象和实验变量；

通过刺激对象和实验变量完成对驾驶员的驾驶测试，获取预设时 长内驾驶员包含脑电信号的EEG数据；

对采集到的脑电信号进行预处理，包括去除脑电信号中的信号噪 音；

对预处理后的脑电信号提取特征指标，并采用数理统计的方法分 析得到具有显著性的特征指标；

计算具有显著性的特征指标的功率谱密度的预测值与真值之间的 差值；

根据所述差值辨识交通场景的危险程度。

进一步的，对采集到的脑电信号进行预处理，去除脑电信号中的 信号噪音，包括陷波和带通滤波去噪、基于ICA法的眼电去噪、实验 变量刺激段数据提取、基线校正。

进一步的，对预处理后的脑电信号提取特征指标，包括：从EEG 数据提取出若干节律波的功率谱密度作为特征指标。

进一步的，采用数理统计的方法分析得到具有显著性的特征指标， 包括：

提取全脑α波、β波、θ波、δ波,得到4个特征指标；

将脑通道按额叶、顶叶、枕叶和颞叶划分为四个脑区，分别对四 个脑区提取脑电δ波、θ波、α波和β波的功率谱密度，得到16个特 征指标；

采用功率谱估计方法分析驾驶过程中驾驶员的脑电信号，

其中，所述AR功率谱估计模型为：

AR功率谱估计模型中的阶数p使用代价函数进行估计，-jtw为复 指数信号，AR功率谱估计模型的系数c_pi和σ²使用Burg算法进行求取， 使AR模型前后项预测误差的功率之和为最小；

采用正态性检验对采集到的特征指标的P(w)差异性进行检验分 析；

对P(w)服从正态分布和方差齐性要求的特征指标进行单因素方差 分析，对P(w)不服从正态分布或不满足方差齐性要求的特征指标进行 非参数方差分析；

确定P(w)小于预设值的特征指标为具有显著性的特征指标。

进一步的，计算具有显著性的特征指标的功率谱密度的预测值， 包括如下步骤：

将预设时长划分为n个时间窗口，时间窗口对应的具有显著性的 特征指标的功率谱密度的脑电信号数据为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n是脑电信号数据的个数。

原始数据一次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：

基于x⁽¹⁾建立GM(1,1)模型的一阶灰色微分方程：

并用最小二乘法计算该方程的待辨识参数a和u。其中，a为发展 参数，u为灰色作用量。

令a＝(a,u)^T，则由最小二乘法得到：

a＝(B^TB)^-1B^TY_n

其中B和Y_n和分别为：

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n))^T

由以上各式，解得一阶灰色微分方程为：

因此得到预测值：

进一步的，计算具有显著性的特征指标的功率谱密度的预测值与 真值之间的差值：

其中，

表示对t_N时刻的具有显著性的特征指标的功率谱密度 的预测值，x(t_N)表示t_N时刻具有显著性的特征指标的功率谱密度提取 的真实测量值。

进一步的，计算具有显著性的特征指标的功率谱密度的预测值与 真值之间的差值，还包括：对模型进行相对误差ε(t)检验和后验差C、P 进行检验：

目的是去除具有显著性的特征指标的功率谱密度预测值不符合相 对误差检验和后验差检验的数据。

进一步的，根据所述差值辨识交通场景的危险程度，包括：

根据所述差值，计算具有显著性的特征指标的功率谱密度的预测 值与真值之间的均值μ和标准差σ²；

通过灰色预测法得到的具有显著性的特征指标的功率谱密度的预 测值与实际值差值的正态分布特征(μ，σ²)，交通因素危险度的指标 为：Complexity_scene＝{μ_{具有显著性的特征指标},σ² _{具有显著性的特征指标}}，通过所述指标反应 交通场景的危险程度。

根据本发明的另一个方面，提供了一种基于脑电数据的危险交通场 景辨识***，包括：

第一数据获取模块，配置用于基于交通场景，获取刺激对象和实 验变量；

第二数据获取模块，配置用于通过刺激对象和实验变量完成对驾 驶员的驾驶测试时获取预设时长内驾驶员包含脑电信号的EEG数据；

预处理模块，配置用于对采集到的脑电信号进行预处理，去除脑 电信号中的信号噪音；

特征指标提取分析模块，配置用于对预处理后的脑电信号，提取 特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；

计算模块，配置用于计算具有显著性的特征指标的功率谱密度的 预测值与真值之间的差值；

危险程度辨识模块，根据配置用于根据所述差值辨识交通场景的 危险程度。

另外，本发明还提供一种设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所 述一个或多个处理器执行如上任一项所述的方法。

根据本发明的另一个方面，提供了一种存储有计算机程序的计算机 可读存储介质，该程序被处理器执行时实现如上任一项所述的方法。

与现有技术相比，本发明具有以下有益效果：

1、本发明示例的基于脑电数据的危险交通场景辨识方法，从驾驶 员视角出发研究场景危险度，以不同的交通环境建立交通场景作为研 究对象，以驾驶员驾驶过程中的脑电数据作为量化、评价交通场景危 险度的指标，探索驾驶员脑电与交通环境因素间的内在关联，建立了 基于驾驶员脑电的交通环境危险度辨识模型。

该方法从人类驾驶员的视角量化交通***的危险程度，更为客观的 分析交通场景的危险程度，有针对性的分析交通环境中的交通因素(刺 激对象和实验变量)，并判别交通环境的危险程度，可以科学的度量交 通场景危险程度、准确的评估驾驶员精神负荷，对驾驶员进行有效的 安全预警，有利于将驾驶员的精神负荷控制在合理区间，有效的降低驾驶风险。

2、本发明示例的基于脑电数据的危险交通场景辨识***，根据交 通场景的刺激对象和实验变量，驾驶员脑电信号为量化评价交通场景危 险度的指标，探索驾驶员脑电与刺激对象和实验变量间的内在关联，建 立基于脑电信号的交通场景危险度辨识模型，选取能反应驾驶员精神负 荷的指标作为评价交通场景危险程度的指标，有利于将驾驶员的精神负 荷控制在合理区间，有效的降低驾驶风险。

3、本发明中示例的设备，通过处理器执行基于脑电数据的危险交 通场景辨识方法，能够对驾驶员进行有效的安全预警，有利于将驾驶 员的精神负荷控制在合理区间，有效的降低驾驶风险。

4、本发明中示例的可读存储介质，储存有被处理器执行时实现的所 述基于脑电数据的危险交通场景辨识方法，对驾驶员进行有效的安全 预警，有利于将驾驶员的精神负荷控制在合理区间，有效的降低驾驶 风险。

附图说明

图1为实验例1中不同危险度的行人过街场景示意图；

图2为实验例1中脑电信号的预处理流程图；

图3为实验例1中某驾驶员脑电的32个IC分量与眼电信号相关性 图；

图4为实验例1中某驾驶员脑电的某一通道去眼电前后的EEG信号 图；

图5为实验例1中某驾驶员脑电信号去基线漂移前后对比图；

图6为实验例1中某驾驶员经过预处理前后的脑电波形对比图；

图7为实验例1中某一驾驶员的全脑功率谱密度分布图；

图8为实验例1中某驾驶员顶叶区α波功率谱密度的预测曲线；

图9为实验例1中基于灰色预测法的差值计算示意图；

图10为实验例1中不同危险因素影响下的预测值与实际值差值概率 密度分布；

图11为实施例2中行人过街危险场景中驾驶员的顶叶区α波功率谱 密度的差值分布图；

图12为实施例2中车辆变速危险场景中驾驶员的顶叶区α波功率谱 密度的差值分布图；

图13为实施例2中车辆变道危险场景中驾驶员的顶叶区α波功率谱 密度的差值分布图；

图14为实施例2中三种危险因素的预测值与实际值差值概率密度分 布图；

图15为本发明流程图；

图16为本发明实施例1设备的结构示意图。

具体实施方式

为了更好的了解本发明的技术方案，下面结合说明书附图和具体实 施例对本发明作进一步说明。

实施例1：

本实施例提供一种基于脑电数据的危险交通场景辨识***，包括：

第一数据获取模块，配置用于基于交通场景，获取刺激对象和实 验变量；

第二数据获取模块，配置用于通过刺激对象和实验变量完成对驾 驶员的驾驶测试时获取预设时长内驾驶员包含脑电信号的EEG数据， 本实施例第二数据获取模块将脑通道分为32个独立通道。

预处理模块，配置用于对采集到的脑电信号进行预处理，去除脑 电信号中的信号噪音,具体的，预处理模块包括，

陷波和带通滤波去噪单元，配置用于采用带宽为1-50Hz的带通 FIR滤波器去除高频噪音，保留1-50HZ的频带信号；

基于ICA法的眼电去噪单元，配置用于将脑电数据分解为32个独 立分量，然后计算各个独立分量与眼电之间的相关系数，去除相关系 数较大的若干独立分量，再将其余独立成分进行ICA逆运算重构去除 眼电噪音的脑电信号；

实验变量刺激段数据提取单元，配置用于将脑电信号按实验变量 刺激段和非实验变量刺激段进行划分，将同类刺激诱发的脑电数据从 连续的脑电数据中提取出来，划分为若干段等长的实验变量刺激段， 以刺激出现的时间起点为零时刻，以时间窗为长度截取数据段。

基线校正单元，配置用于将实验变量刺激段的所有脑电信号值与 零时刻的基础幅值逐一相减，得到新的平稳电位值。

特征指标提取分析模块，配置用于对预处理后的脑电信号，提取 特征指标，并采用数理统计的方法分析得到具有显著性的特征指标, 具体的，特征指标提取分析模块包括，

特征指标提取单元,配置用于从EEG数据提取出若干节律波的功 率谱密度作为特征指标，提取过程为：从脑电信号中分别提取出α波、 β波、θ波、δ波，四种节律波的功率谱密度作为全脑平均功率谱密 度的特征指标：

其中，f_up表示节律波对应的频率上界，f_down表示节律波对应的频 率下界，作为可选方案，提取全脑α波、β波、θ波、δ波,得到4 个特征指标；

将脑通道按额叶、顶叶、枕叶和颞叶划分为四个脑区，分别对四 个脑区提取脑电δ波、θ波、α波和β波的功率谱密度，得到16个特 征指标；

显著性的特征指标分析单元，配置用于采用数理统计的方法分析 得到具有显著性的特征指标，分析过程包括：

采用功率谱估计方法分析驾驶过程中驾驶员的脑电信号，

其中，所述AR功率谱估计模型为：

AR功率谱估计模型中的阶数p使用代价函数进行估计，-jtw为复 指数信号，AR功率谱估计模型的系数c_pi和σ²使用Burg算法进行求取， 使AR模型前后项预测误差的功率之和为最小；

采用正态性检验对采集到的特征指标的P(w)差异性进行检验分 析；

对P(w)服从正态分布和方差齐性要求的特征指标进行单因素方差 分析，对P(w)不服从正态分布或不满足方差齐性要求的特征指标进行 非参数方差分析；

确定P(w)小于预设值的特征指标为具有显著性的特征指标。

计算模块，配置用于计算具有显著性的特征指标的功率谱密度的 预测值与真值之间的差值，具体的，计算模块包括：

预测值计算单元，配置用于计算计算具有显著性的特征指标的功 率谱密度的预测值，步骤如下：

将预设时长划分为n个时间窗口，时间窗口对应的具有显著性的 特征指标的功率谱密度的脑电信号数据为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n是脑电信号数据的个数。

原始数据一次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：

基于x⁽¹⁾建立GM(1,1)模型的一阶灰色微分方程：

并用最小二乘法计算该方程的待辨识参数a和u。其中，a为发展 参数，u为灰色作用量。

令a＝(a,u)^T，则由最小二乘法得到：

a＝(B^TB)^-1B^TY_n

其中B和Y_n和分别为：

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n))^T

由以上各式，解得一阶灰色微分方程为：

因此得到预测值：

差值计算单元，配置用于计算具有显著性的特征指标的功率谱密 度的预测值与真值之间的差值，步骤如下：

计算具有显著性的特征指标的功率谱密度的预测值与真值之间的 差值e(t_N)：

其中，

表示对t_N时刻的具有显著性的特征指标的功率谱密度 的预测值，x(t_N)表示t_N时刻具有显著性的特征指标的功率谱密度提取 的真实测量值。

检验模块，配置用于对显著性的特征指标的功率谱密度预测值进 行检验，步骤如下：

对模型进行相对误差ε(t)检验和后验差C、P进行检验：

目的是去除具有显著性的特征指标的功率谱密度预测值不符合相 对误差检验和后验差检验的数据，具体的，根据表1，本实验基于灰 色预测模型，去除不合格的相对误差ε(t)检验和后验差C、P，

表1

	ε(t)值	P值	C值
				良好	0.05	0.95≤P	C≤0.35
合格	0.01	0.80≤P＜0.95	0.35＜P≤0.50
				基本合格	0.10	0.70≤P＜0.80	0.50＜P≤0.65
不合格	0.20	P＜0.70	0.65＜C

危险程度辨识模块，根据配置用于所述差值辨识交通场景的危险 程度，步骤如下：

根据所述差值，计算具有显著性的特征指标的功率谱密度的预测 值与真值之间的均值μ和标准差σ²；

通过灰色预测法得到的具有显著性的特征指标的功率谱密度的预 测值与实际值差值的正态分布特征(μ，σ²)，交通因素危险度的指标 为：Complexity_scene＝{μ_{具有显著性的特征指标},σ² _{具有显著性的特征指标}}；

根据所述指标辨识交通场景的危险程度。

本实施例提供应用上述基于脑电数据的危险交通场景辨识***的 危险交通场景辨识方法，包括以下步骤：

步骤1：基于交通场景，获取刺激对象和实验变量；

步骤2：通过刺激对象和实验变量完成对驾驶员的驾驶测试，获 取预设时长内驾驶员包含脑电信号的EEG数据；

步骤3：对采集到的脑电信号进行预处理，去除脑电信号中的信 号噪音；对采集到的脑电信号进行预处理，包括去除脑电信号中的信 号噪音，包括陷波和带通滤波去噪、基于ICA法的眼电去噪、实验变 量刺激段数据提取、基线校正。

步骤4：对预处理后的脑电信号提取特征指标，并采用数理统计 的方法分析得到具有显著性的特征指标，具体包括：

步骤4-1：从EEG数据提取出若干节律波的功率谱密度作为特征 指标，包括：从脑电信号中分别提取出α波、β波、θ波、δ波，四 种节律波的功率谱密度作为全脑平均功率谱密度的特征指标：

其中，f_up表示节律波对应的频率上界，f_down表示节律波对应的频 率下界；作为可选方案，提取全脑α波、β波、θ波、δ波,得到4 个特征指标；

将脑通道按额叶、顶叶、枕叶和颞叶划分为四个脑区，分别对四 个脑区提取脑电δ波、θ波、α波和β波的功率谱密度，得到16个特 征指标；

步骤4-2：采用数理统计的方法分析得到具有显著性的特征指标， 包括以下步骤：采用功率谱估计方法分析驾驶过程中驾驶员的脑 电信号，

其中，所述AR功率谱估计模型为：

AR功率谱估计模型中的阶数p使用代价函数进行估计，-jtw为复 指数信号，AR功率谱估计模型的系数c_pi和σ²使用Burg算法进行求取， 使AR模型前后项预测误差的功率之和为最小；

采用正态性检验对采集到的特征指标的P(w)差异性进行检验分 析；

对P(w)服从正态分布和方差齐性要求的特征指标进行单因素方差 分析，对P(w)不服从正态分布或不满足方差齐性要求的特征指标进行 非参数方差分析；

确定P(w)小于预设值的特征指标为具有显著性的特征指标。

步骤5：计算具有显著性的特征指标的功率谱密度的预测值与真 值之间的差值，包括；

步骤5-1：计算具有显著性的特征指标的功率谱密度的预测值：

将预设时长划分为n个时间窗口，时间窗口对应的具有显著性的 特征指标的功率谱密度的脑电信号数据为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n是脑电信号数据的个数。

原始数据一次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：

基于x⁽¹⁾建立GM(1,1)模型的一阶灰色微分方程：

并用最小二乘法计算该方程的待辨识参数a和u。其中，a为发展 参数，u为灰色作用量。

令a＝(a,u)^T，则由最小二乘法得到：

a＝(B^TB)^-1B^TY_n

其中B和Y_n和分别为：

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n))^T

由以上各式，解得一阶灰色微分方程为：

因此得到预测值：

根据所述差值辨识交通场景的危险程度。

步骤5-2：对模型进行相对误差ε(t)检验和后验差C、P进行检验：

目的是去除具有显著性的特征指标的功率谱密度预测值不符合相 对误差检验和后验差检验的数据，具体的，根据表1，本实验基于灰 色预测模型，去除不合格的相对误差ε(t)检验和后验差C、P。

步骤5-3：计算具有显著性的特征指标的功率谱密度的预测值与 真值之间的差值：

其中，

表示对t_N时刻的具有显著性的特征指标的功率谱密度 的预测值，x(t_N)表示t_N时刻具有显著性的特征指标的功率谱密度提取 的真实测量值。

步骤6：根据所述差值辨识交通场景的危险程度，包括：

步骤6-1：根据所述差值，计算具有显著性的特征指标的功率谱 密度的预测值与真值之间的均值μ和标准差σ²；

步骤6-2：通过灰色预测法得到的具有显著性的特征指标的功率 谱密度的预测值与实际值差值的正态分布特征(μ，σ²)，交通因素危 险度的指标为：Complexity_scene＝{μ_{具有显著性的特征指标},σ² _{具有显著性的特征指标}}，通过所 述指标反应交通场景的危险程度。

对筛选出的显著性特征指标进行相关性分析，了解各特征指标之 间的相关程度，然后对相关程度较高的指标进行降维，构造交通危险 度影响因素的最优指标集，用于交通场景危险度辨识模型的搭建，当 交通因素的危险度较低时，驾驶员受到交通因素的刺激较小，且刺激 前后的驾驶员脑电信号变化往往较为平缓，反之亦然。因此，驾驶员 受到交通因素影响前后，脑电信号变化的平滑程度可以反映出当前交 通因素的危险度。

本实施例的一种设备，所述设备包括：一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所 述一个或多个处理器执行上述任一项所述的方法，通过处理器执行基 于脑电数据的危险交通场景辨识方法，能够对驾驶员进行有效的安全 预警，有利于将驾驶员的精神负荷控制在合理区间，有效的降低驾驶 风险。

本实施例的一种存储有计算机程序的计算机可读存储介质，该程 序被处理器执行时实现上述任一项所述的方法，储存有被处理器执行 时实现的所述基于脑电数据的危险交通场景辨识方法，有效的降低驾 驶风险。进一步介绍如下：

计算机***包括中央处理单元(CPU)101，其可以根据存储在只读存 储器(ROM)102中的程序或者从存储部分加载到随机访问存储器(RAM)103 中的程序而执行各种适当的动作和处理。在RAM103中，还存储有***操 作所需的各种程序和数据。CPU 101、ROM 102以及RAM 103通过总线104 彼此相连。输入/输出(I/O)接口105也连接至总线104。

以下部件连接至I/O接口105：包括键盘、鼠标等的输入部分106； 包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部 分；包括硬盘等的存储部分108；以及包括诸如LAN卡、调制解调器等的 网络接口卡的通信部分109。通信部分109经由诸如因特网的网络执行通 信处理。驱动器也根据需要连接至I/O接口105。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510 上，以便于从其上读出的计算机程序根据需要被安装入存储部分108。

特别地，根据本发明的实施例，上文参考流程图15描述的过程可以 被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程 序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序 包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计 算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质 被安装。在该计算机程序被中央处理单元(CPU)101执行时，执行本申请 的***中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信 号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可 读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、 或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储 介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、 便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存 储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。 在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介 质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。 而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波 一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播 的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述 的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介 质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者 传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但 不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的框图16，图示了按照本发明各种实施例1的***、方法和 计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程 图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分， 上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻 辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接 连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的 顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的 每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能 或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块或单元可以通过软件的方式 实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理 器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限 定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为： 一种基于脑电数据的危险交通场景辨识***，包括：第一数据获取模 块、第二数据获取模块、预处理模块、特征指标提取分析模块、计算 模块和危险程度辨识模块，其中，这些模块的名称在某种情况下并不构 成对该单元本身的限定，例如，预处理模块还可以被描述为“用于对采 集到的脑电信号进行预处理，去除脑电信号中的信号噪音的预处理模 块”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可 读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独 存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者 多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该 电子设备实现如上述实施例中所述的基于脑电数据的危险交通场景辨 识方法。

例如，所述电子设备可以实现如图15中所示的：步骤S1：基于交 通场景，获取刺激对象和实验变量；步骤S2：用于通过刺激对象和实 验变量完成对驾驶员的驾驶测试时获取预设时长内驾驶员包含脑电信 号的EEG数据；步骤S3：对采集到的脑电信号进行预处理，去除脑电 信号中的信号噪音；步骤S4：对预处理后的脑电信号提取特征指标， 并采用数理统计的方法分析得到具有显著性的特征指标；步骤S5：计 算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值； 步骤S6：根据所述差值辨识交通场景的危险程度。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若 干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的 实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一 个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征 和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤， 但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是 必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以 省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤 分解为多个步骤执行等。

实验例1：

本实验例以过街行人交通因素为刺激对象，以驾驶员车辆与过街 行人刺激触发点间的不同距离为实验变量，设计了两种危险程度不同 的实验场景，研究不同危险程度的交通因素影响下的驾驶员脑电特征， 构建了辨识模型，具体步骤如下：

第一步：本实验设置两种场景中行人过街刺激触发点的距离分别 为120m和60m，具体场景设置如图1所示。实验共安排了30名驾驶 员参与，需要每名驾驶员分别完成120m和60m两个场景的驾驶测试。 实验中为平衡场景的顺序因素，设置两个场景的出现顺序随机。

当驾驶员车辆与过街行人刺激之间的距离为120m时，驾驶员能较 早的发现过街行人，并有较长的反应时间进行驾驶行为的决策，因此 视120m处发生的刺激为危险程度较小的交通因素。当驾驶员车辆与过 街行人刺激之间的距离设置为60m时，为了避免发生交通事故，驾驶 员发现刺激后必须立即做出应急行为。60m处的过街行人对驾驶员具 有较大的刺激，因此视60m处刺激为危险程度较大的交通因素。

第二步：获取预设时长内驾驶员包含脑电信号的EEG数据，作为 可选方案，本发明采用NeurOne32导的脑电采集设备，以非侵入性采 集方法从32导脑电通道收集驾驶员EEG数据。以国际脑电图学会联合 会的10-20国际标准导联体系为脑电极的安放标准，参考电极位于Cz 点，采样频率为500Hz。

本实验例分别提取了驾驶员受行人过街刺激前的24s脑电数据和 受刺激时的3s脑电数据，并以3s为时间窗，对采集到的脑电信号进 行预处理，去除信号噪音。脑电信号的预处理过程可分为四个主要步 骤，具体流程如图2所示。

Step1.陷波和带通滤波去噪：

陷波器可去除特定频率分量，首先运用陷波去除50HZ的工频噪 音，而尽可能避免对其他有用频率分量的影响：

其中，ω₀为限波器截止频率，即为本研究中50Hz的工频信号。然 后采用一个带宽为1-50Hz的带通FIR滤波器去除高频噪音，保留 1-50HZ的频带信号。

Step2.基于ICA法去除眼电噪音：

本研究中运用独立分量分析方法(ICA)去除眼电伪迹。主要原理 是将脑电数据分解为32个独立分量，然后计算各个独立成分与眼电之 间的相关系数，去除相关系数较大的独立成分，再将其余无关的独立 成分进行ICA逆运算重构为纯净的脑电信号。如图3所示，为某一驾 驶员ICA法去眼电的分析过程。分量IC18和IC27与眼电信号之间的 相关性较大，是造成原始信号干扰的眼电伪迹成分，因此，去除IC18 分量与IC27分量，再通过重构脑电信号，就能得到分离眼动伪迹后的 脑电信号。如图4所示，为去眼电噪音前、后的EEG信号，从时域上 可以观察到波形的毛刺减少，眼电伪迹基本被清除，得到纯净的脑电 数据。

Step3.刺激段数据提取：

得到纯净的脑电数据后，再将脑电信号按事件刺激段和非事件刺 激段进行划分，将同类刺激诱发的脑电数据从连续的脑电数据中提取 出来，划分为若干段等长的刺激事件数据段。本实施例设置了3s时间 窗长度，并在一个场景中设置了三次同类的刺激事件。

Step4.基线校正：

基线校正使得脑电数据从偏向横轴的某一侧变成围绕横轴上下波 动。如图5所示，为某一通道去基线漂移前后的脑电数据对比图。

最终，经过上述四个预处理步骤得出的脑电图波形呈现正常，且 具备分析的状态。如图6所示。

第三步：采用AR模型方法进行功率谱估计，该方法只需要短程 数据就可以获得较高地功率谱并能方便地转化成特征向量:

AR功率谱估计模型为：

AR功率谱估计模型中的阶数p通常使用代价函数来估计，本实验 例p＝20,系数c_pi和σ²本文使用Burg算法进行求取。如图7所示，为驾 驶过程中某一驾驶员的全脑功率谱密度分布图。其原理是使AR模型前 后项预测误差的功率之和为最小，直接从已知脑电信号数据

中求得反射系数K_p，然后利用Levinson递推算法由 反射系数来求得AR参数，K_p、AR参数用于标定AR功率谱估计模型。

为提取出脑电波中有用的信息，本实验例从全部脑电信号中分别 提取出四种节律波的功率谱密度(α波、β波、θ波、δ波)作为特征 指标:

其中，f_up表示节律波对应的频率上界，f_down表示节律波对应的频 率下界。

第四步：分析关于全脑平均功率谱密度的4种指标。

在3s时间窗下，全脑平均α波功率谱密度和全脑平均β波功率谱 密度均服从正态分布，但经检验只有全脑平均β波功率谱密度服从方 差齐性(p＝0.258>0.05)，因此对全脑平均β波功率谱密度的脑电信号 数据进行方差分析(F检验)，对另外三个指标的脑电信号数据进行非 参数检验(H检验)。经方差分析，在3s时间窗下，全脑平均功率谱 密度在四个频段均不存在显著性差异，因此各个频段的全脑平均功率 谱密度指标均不能作为驾驶人精神负荷的表征指标。

分析从额叶、顶叶、枕叶、颞叶四个脑区提取的δ波、θ波、α 波和β波的功率谱密度指标。在3s时间窗下，顶叶区平均δ功率谱密 度、顶叶区平均β功率谱密度、枕叶区平均δ功率谱密度和颞叶区平 均α功率谱密度4个指标满足正态分布和方差齐次性，因此对它们进行单因素分析，对不满足正态分布或方差齐次性的其余指标进行非参 数检验。结果表明，顶叶区平均α波功率谱密度存在显著性差异 (p＝0.011<0.05)，可以作为驾驶人精神负荷的唯一表征指标，其余的 指标均无显著性。

在本实验中，将驾驶员的顶叶区α波功率谱密度作为具有显著性的 特征指标来分析和量化交通因素的危险程度。

第五步：基于实验得到脑电信号数据，分别分析驾驶员在两个实 验场景中的顶叶区α波功率谱密度，得到分析结果如图7所示。

在不同的交通危险因素影响下，驾驶员的顶叶区α波功率谱密度均 会出现变小的趋势，但不同的危险因素刺激(120m和60m)影响下， 顶叶区α波功率谱密度变小的幅度不同。当驾驶员在120m距离的行人 过街场景中驾驶时，交通场景中影响因素的危险程度较低，驾驶人对 刺激反应较小，刺激出现前后的脑电波波形变化会相应的较为平滑， 顶叶区α波的功率谱密度变化也会相应较小。当驾驶员在60m距离的 行人过街场景中驾驶时，交通因素的危险程度较大，驾驶员的脑电波 波形及顶叶区α波的功率谱密度变化也有较大变化。因此，驾驶人受 到交通复杂因素影响前后，顶叶区α波功率谱密度变化的大小及平滑程度能反映当前因素的危险程度。

第六步：本实验基于刺激前序时间的顶叶区α波功率谱密度，进行 刺激时刻预测。将24s的前序时间以3s为时间窗划分为8个预测样本， 来预测刺激时刻的顶叶区α波功率谱密度值。本实验基于灰色预测法进 行刺激时刻的灰色预测，获得了顶叶区α波功率谱密度的局部拟合函 数，具体步骤如下：

驾驶员顶叶区α波功率谱密度的脑电信号数据为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

其中n是脑电信号数据的个数。

原始数据一次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：

基于x⁽¹⁾建立GM(1,1)模型的一阶灰色微分方程：

并用最小二乘法计算该方程的待辨识参数a和u。其中，a为发展 参数，u为灰色作用量。

令a＝(a,u)^T，则由最小二乘法得到：

a＝(B^TB)^-1B^TY_n

其中，B和Y_n和分别为：

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n))^T

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n))^T

由以上所述，解得一阶灰色微分方程为：

得到预测值:

第七步：对模型进行相对误差ε(t)检验和后验差C、P检验:

对全部驾驶员的脑电数据进行灰色预测与检验，顶叶区α波功率 谱密度预测值均满足误差检验，如图8所示，为一名驾驶员的脑电信 号灰色预测曲线。

最终得到：

其中，驾驶员顶叶区α波功率谱密度的预测值与真值之间的差值 e(t_N)。

表示利用灰色预测法对t_N时刻的顶叶区α波功率谱密度的 预测值，x(t_N)表示t_N时刻真实测量得到的顶叶区α波的功率谱密度值， 如图9所示，J＝{t_N-3,t_N-2,t_N-1}分别表示三个前序采样点所对应的采样时 刻，利用所获得的局部拟合函数，对刺激点对应时刻的脑电信号的顶 叶区α波功率谱密度进行预测。

第八步：在预测值与实际值的差值所构成的正态分布中，均值μ和 标准差σ²反应了脑电信号变化的剧烈程度，间接反应了交通因素的复 杂程度。对比分析较小复杂度(120m)和较大复杂度(60m)的行人过 街刺激影响下的驾驶员顶叶区α波功率谱密度差值的正态分布曲线(拟 合后)，结果如图10所示。具有较大复杂度的交通复杂因素，其差值 对应的正态分布特征中均值μ的绝对值和标准差σ²均较大。

实验例2：

本实验例针对行人过街、车辆变速、车辆变道三种交通危险因素 的危险度构建了辨识模型，并对比分析了三种交通危险因素的危险度， 具体步骤如下：

本实验例与实验例1相同的脑电数据预处理过程、特征指标确定 过程不再赘述，本实验例与实验例1不同的特征在于对比分析含有不 同元素的场景危险度：

本实验基于得到的显著性脑电指标为顶叶区α波功率谱密度，计算 驾驶员顶叶区α波功率谱密度的预测值与真值之间的差值e(t_N)，并对差 值的分布情况进行正态检验。得到行人过街、车辆变速、车辆变道三 种交通危险因素的顶叶区α波功率谱密度差值，均具有良好的正态分布 特性，如图11至图13所示。

将三种交通危险因素的顶叶区α波功率谱密度差值的正态分析结 果，分别记作他们的危险度比较指标：

Complexity_过街行人＝{μ_顶区α波,σ² _顶区α波}＝{1.084,1.980}

Complexity_变速车辆＝{μ_顶区α波,σ² _顶区α波}＝{0.736,1.431}

Complexity_变道车辆＝{μ_顶区α波,σ² _顶区α波}＝{0.833,1.693}

差值的正态分布曲线(拟合后)如图14所示。具有较大危险度的 交通因素，其对应的正态分布特征中均值μ的绝对值和标准差σ²均较 大。因此，由危险度指标可知，三种交通因素的危险度由小到大依次 为：行人过街>车辆变道>车辆变速。

过街行人在无标志标线的道路上突然出现，对于驾驶员来说有很 大的不确定性与突然性，其给予驾驶员的反应时间很短，造成的精神 负荷最大，并且驾驶法规告诉驾驶员碰撞行人所导致的事故严重性相 较于车辆追尾、车辆刮碰事故的严重性更大，这导致行人刺激对驾驶 员的精神负荷更大。前方车辆变速行为有很大的突然性，但在车辆变 速前，车灯的变换会对其余车辆起到一定的警示作用，这使得驾驶员 反应决策时间增加。相较于突发、无预警的过街行人因素，其影响较 小、复杂度较底。车辆变道行为是一种具有时间长度的驾驶过程行为， 其突发性较行人过街、车辆变速小很多。该刺激发生时给与驾驶员的反应时间较长，对驾驶员的精神负荷影响在三种影响因素中最小。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。 本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述 技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明 构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其 它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能 的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于脑电数据的危险交通场景辨识方法，其特征在于，包括以下步骤：

基于交通场景，获取刺激对象和实验变量；

通过刺激对象和实验变量完成对驾驶员的驾驶测试，获取预设时长内驾驶员包含脑电信号的EEG数据；

对采集到的脑电信号进行预处理，去除脑电信号中的信号噪音；

对预处理后的脑电信号提取特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；

计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值；

根据所述差值辨识交通场景的危险程度。

2.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，对采集到的脑电信号进行预处理，包括去除脑电信号中的信号噪音，包括陷波和带通滤波去噪、基于I CA法的眼电去噪、实验变量刺激段数据提取、基线校正。

3.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，对预处理后的脑电信号提取特征指标，包括：从EEG数据提取出若干节律波的功率谱密度作为特征指标。

4.根据权利要求3所述的基于脑电数据的危险交通场景辨识方法，其特征在于，从EEG数据提取出若干节律波的功率谱密度作为特征指标，包括：从脑电信号中分别提取出α波、β波、θ波、δ波，四种节律波的功率谱密度作为全脑平均功率谱密度的特征指标：

其中，f_up表示节律波对应的频率上界，f_down表示节律波对应的频率下界。

5.根据权利要求4所述的基于脑电数据的危险交通场景辨识方法，其特征在于，采用数理统计的方法分析得到具有显著性的特征指标，包括：

提取全脑α波、β波、θ波、δ波,得到4个特征指标；

将脑通道按额叶、顶叶、枕叶和颞叶划分为四个脑区，分别对四个脑区提取脑电δ波、θ波、α波和β波的功率谱密度，得到16个特征指标；

采用功率谱估计方法分析驾驶过程中驾驶员的脑电信号，

其中，所述AR功率谱估计模型为：

AR功率谱估计模型中的阶数p使用代价函数进行估计，-jtw为复指数信号，AR功率谱估计模型的系数c_pi和σ²使用Burg算法进行求取，使AR模型前后项预测误差的功率之和为最小；

采用正态性检验对采集到的特征指标的P(w)差异性进行检验分析；

对P(w)服从正态分布和方差齐性要求的特征指标进行单因素方差分析，对P(w)不服从正态分布或不满足方差齐性要求的特征指标进行非参数方差分析；

确定P(w)小于预设值的特征指标为具有显著性的特征指标。

6.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，计算具有显著性的特征指标的功率谱密度的预测值，包括如下步骤：

将预设时长划分为n个时间窗口，时间窗口对应的具有显著性的特征指标的功率谱密度的脑电信号数据为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，其中n是脑电信号数据的个数。

原始数据一次累加生成序列为：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：

基于x⁽¹⁾建立GM(1,1)模型的一阶灰色微分方程：

并用最小二乘法计算该方程的待辨识参数a和u。其中，a为发展参数，u为灰色作用量。

令a＝(a,u)^T，则由最小二乘法得到：

a＝(B^TB)^-1B^TY_n

其中B和Y_n和分别为：

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n))^T

由以上各式，解得一阶灰色微分方程为：

因此得到预测值：

7.根据权利要求6所述的基于脑电数据的危险交通场景辨识方法，其特征在于，计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值：

其中，

表示对t_N时刻的具有显著性的特征指标的功率谱密度的预测值，x(t_N)表示t_N时刻具有显著性的特征指标的功率谱密度提取的真实测量值。

8.根据权利要求7所述的基于脑电数据的危险交通场景辨识方法，其特征在于，计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值，还包括：对模型进行相对误差ε(t)检验和后验差C、P进行检验：

9.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，根据所述差值辨识交通场景的危险程度，包括：

根据所述差值，计算具有显著性的特征指标的功率谱密度的预测值与真值之间的均值μ和标准差σ²；

通过灰色预测法得到的具有显著性的特征指标的功率谱密度的预测值与实际值差值的正态分布特征(μ，σ²)，交通因素危险度的指标为：Complexity_scene＝{μ_{具有显著性的特征指标},σ² _{具有显著性的特征指标}}，通过所述指标反应交通场景的危险程度。

10.一种基于脑电数据的危险交通场景辨识***，其特征在于，包括：

第一数据获取模块，配置用于基于交通场景，获取刺激对象和实验变量；

第二数据获取模块，配置用于通过刺激对象和实验变量完成对驾驶员的驾驶测试时获取预设时长内驾驶员包含脑电信号的EEG数据；

预处理模块，配置用于对采集到的脑电信号进行预处理，去除脑电信号中的信号噪音；

特征指标提取分析模块，配置用于对预处理后的脑电信号提取特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；

计算模块，配置用于计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值；

危险程度辨识模块，根据配置用于根据所述差值辨识交通场景的危险程度。

Images