CN113143275B - 一种样本与特征质量联合量化评估的脑电疲劳检测方法 - Google Patents

Abstract

本发明提供一种样本与特征质量联合量化评估的脑电疲劳检测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶***下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现样本与特征质量联合量化评估的脑电疲劳检测。4、求得衡量样本质量的描述因子v、特征的描述因子θ。5、对新的被试者脑电的数据进行疲劳回归预测。本发明将v和θ嵌入最小二乘模型后，获得的衡量样本质量与特征的权重描述因子提供了执行脑电数据样本选择和特征选择的有效工具，对质量较好的样本和特征赋予更高的权重，能够根据脑电数据准确地获取被测者的疲劳情况。

Description

一种样本与特征质量联合量化评估的脑电疲劳检测方法

技术领域

本发明属于脑电信号处理技术领域，具体涉及一种样本与特征质量联合量化评估的脑电疲劳检测方法。

背景技术

随着我国交通事业的日益发展，研究更为实用客观的驾驶疲劳检测对于提高主动交通安全具有重要的意义。综合国内外的疲劳检测方法，主要分为主观评价和客观检测两种。主观评价方法主要是通过记录主观调查问卷如皮尔逊疲劳量表、斯坦福睡眠尺度表等，判断是否处于疲劳状态。客观检测领域主要分为：基于车辆行为特征的检测、基于驾驶员特征行为特征的检测、基于生理电特征的检测。其中，基于客观检测方法中的脑电信号作为中枢神经信号活动的表征，具有检测准确率高的特点，是疲劳判定的金标准。但目前脑电采集过程当中由于受到跨时段采集和电极帽位置的影响，导致采集到的脑电数据质量缺乏可靠性。

脑电信号作为非稳态信号，样本中含有较多的噪声，如果能在学习过程中对每个脑电数据刻画样本质量和样本特征的描述因子，实现对脑电数据质量进行区分，选择有利于模型训练的特征，从而提升机器学习模型性能，保证模型具有较好的鲁棒性。

发明内容

本发明的目的在于提供一种样本与特征质量联合量化评估的脑电疲劳检测方法。通过该方法可以获得衡量样本质量好坏的描述因子v与衡量样本特征的描述因子Θ，嵌入最小二乘模型并计算得到量化因子v以刻画样本的质量以及通过自学习得到样本特征的描述因子Θ，避免因大噪声脑电样本对模型鲁棒性的负面影响,使用得到的描述因子来进行样本选择可以得到更高的疲劳检测精度。

本发明的具体步骤如下：

步骤1、对处于逐渐疲劳的过程中的多个被试者进行脑电数据采集。

步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取。处理后的每一组数据均作为一个样本矩阵X。每个样本矩阵X均对应一个标签向量y；标签向量y对应受试者的疲劳程度。

步骤3、建立用于脑电疲劳检测的机器学习模型。

3-1.建立嵌入有描述因子v和θ目标函数如式(1)所示。

式(1)中，描述因子θ根据描述矩阵Θ来确定，其具体关系为

Θ_jj为描述矩阵Θ的第j个对角元素；θ_j为描述因子θ的第j个元素；

w、b分别为权重、偏差；Θ为描述矩阵；x_i为样本矩阵X的第i列元素；yⁱ为标签y的第i个元素；v_i为描述因子v的第i个元素，描述样本矩阵中各样本的质量；

表示2范数的平方计算；γ表示正则项参数；f(λ,v)表示正则项函数。

3-2.建立正则项函数f(λ，v)的表达式如式(2)所示：

式(2)中，n为样本矩阵中的样本个数；λ为正则项函数f(λ，v)中的参数。

3-3.通过固定v、

b，将式(1)该写成如式(3)所示：

由拉格朗日乘子法可求得θ的最优解如(4)式所示：

式(4)中，θ_i为描述因子θ的第i个元素，描述各个特征的重要程度。

为变量

的第i个元素。

据此进一步将目标函数式(1)改写成式(5)。

步骤4、根据如式(5)所示的目标函数，通过固定其他变量仅保留一个变量的方法来得到所有变量的更新规则，进而求得式(5)中的变量

描述因子v、偏差b。

步骤5、对被试者进行脑电数据采集；将所得脑电数据测试集作为样本矩阵输入到确定v、θ、

b的目标函数式(5)中，获取该脑电数据对应的预测值标签。预测值标签即为检测得到的被试者疲劳程度。

作为优选，步骤2中，通过让被试者用模拟驾驶环境在一条笔直的道路持续模拟驾驶的方式来使得被试者逐渐疲劳。

作为优选，步骤2中所述的标签向量y通过受试者在脑电数据采集过程中眼睛闭合的时长来确定。所述的标签y以一个0-1之间的值来表示。

作为优选，步骤4中求v、

b的具体过程如下；

4-1.通过固定b、

来更新v，使得式(5)被写成如式(6)所示；

式(6)中，令

对式(6)中的v求导得到v的更新规则为；

其中，l_i为机器学习模型的损失函数，其表达式为

4-2.通过固定

v来更新b，使得式(5)被写成如式(8)所示；

令对角矩阵

使得式(8)被写成式(9)所示：

对式(9)中的b求导并且令导数为0，得到b的更新规则为式(10)：

b＝(U^TU)^-1(U^TU)(y-X^Tw) (10)

4-3.通过固定v、b来更新

使得式(10)被写成如式(11)所示；

令对角矩阵

使得式(11)被写成式(12)所示：

对式(12)中的

求导并且令导数为0，得到

的更新规则为式(13)：

作为优选，步骤2中预处理的过程如下：

2-1.将脑电数据下采样至200Hz后并对其进行带通滤波至1-50Hz范围；根据5频段法，将其划分为Delta、Theta、Alpha、Beta和Gamma五个频段

2-2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征h(X)如式(14)所示：

h(X)＝-∫_xf(x)ln(f(x))dx (14)

式(14)中，X为输入的样本矩阵，c为输入的样本矩阵中的元素；f(x)为概率密度函数；

经过更新后的微分熵特征h(X)如式(15)所示；

式(15)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。

作为优选，所述的脑电数据采集采用17导联，选用5个频段；5个频段分别为1-4Hz、4-8Hz、8-14Hz、14-31Hz、31-50Hz。

本发明具有的有益效果是：

1、本发明获得的衡量样本质量与特征的描述因子为非稳态的脑电数据的样本选择提供了有效工具，通过数学模型对质量较好的样本赋予更高的权重，能够根据脑电数据准确地获取被测者的疲劳情况。

2、本发明针对脑电信号噪声较多的特点，设置了用于刻画样本质量和样本特征的描述因子，其中v是通过对损失函数的度量计算得到，当损失函数越大时，由公式(7)可以得到越小的υ_i，从而使得噪声样本点在损失函数中所占的比重较小，达到去噪的效果；θ的值是通过自学习得到，由公式(4)可知θ_i的大小只与

相关，当

中的值越大时，由公式(4)可知θ_i的值也越大，而

的值由公式(1)可知刚好是对样本矩阵的特征进行刻画，这个过程从数学理论的角度解释了为什么θ_i可以对样本矩阵进行特征选择，从而对不同脑电数据的质量和特征进行区分，以此来提高机器学习模型对脑电信号的识别效果。

3、脑电数据的采集过程中是由多个电极帽获得，该样本数据受到实验时间与导联位置的影响，每一个导联代表一个特征维度。本发明通过对样本进行特征选择，可以求得对于模型训练更有利的导联位置，即对样本进行特征选择，从而在训练过程中提高模型的鲁棒性与准确性。

附图说明

图1为本发明的流程示意图；

图2为本发明中分别对应样本质量和特征重要程度的两个描述因子的嵌入过程示意图。

具体实施方式

以下结合附图对本发明作进一步说明。

本发明解决在疲劳检测中脑电信号的重要性特征挖掘这一重要问题基于如下的出发点：我们认为在疲劳检测中，脑电信号作为非稳态信号，样本中含有较多的噪声，如果能在学习过程中对每个样本质量进行刻画与每个样本特征维度的选择，以此挑选出有利于模型训练的样本与特征，将获得一个鲁棒性较好的模型。因此，我们可以选择质量较好的样本与特征进行学习，这对提升疲劳检测的准确率具有重要意义。

如图1和2所示，一种样本与特征质量联合量化评估的脑电疲劳检测方法，具体步骤如下：

步骤1、利用模拟驾驶***(本实施例中使用包含明显诱发受试者疲劳的模拟驾驶场景)采集受试者的诱发疲劳状态脑电数据。

对N个受试者在相同的模拟驾驶环境下进行M次脑电数据采集，得到N·M组脑电数据，每一组数据的数据量均为d*n，其中，d是每组数据的维度，n是单次采集获得的与时间有关的脑电数据样本个数。一组数据包括一次采集中获得的多个时刻的脑电数据。每一组数据均作为一个样本矩阵X。每个样本矩阵X均对应一个标签y；标签y对应受试者的疲劳程度，其通过受试者在脑电数据采集过程中眼睛闭合的时长占采集总时长的百分比来确定。眼睛闭合的时长越长表示受试者越疲劳。

统一受试者在测试任务中对应的被测任务场景，每个受试者均完成所有的被测任务场景的测试。在本实施例中，被测任务场景为笔直而单调的道路，实验时间为午饭后进行，以使受试者更容易疲劳。这些不同批次的实验所做的内容是相同的，但是他们在不同日期所处的状态可能是不同的；这反应了脑电的本质特征不会随着时间或实验场景的改变而出现较大改变。这些时间的不同，或者实验时的场景的不同即为差异化部分。

步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取。本发明基于17导联、5频段(Delta(1-4Hz)，Theta(4-8Hz)，Alpha(8-14Hz)，Beta(14-31Hz)和Gamma(31-50Hz))，并提取微分熵特征来进行。在实际应用中，导联数目取决于数据采集时候受试者佩戴的脑电帽；频段的划分也遵循具有生理学意义的5频段划分；脑电信号最常用的特征为功率谱密度和微分熵。人的脑电信号是非常微弱的，这就意味着脑电信号易受干扰，采集的结果很难直接做实验，这就对脑电信号预处理提出了要求：

预处理的过程如下：

2-1.将脑电数据下采样至200Hz后并对其进行带通滤波至1-50Hz范围。根据5频段法，将其划分为Delta、Theta、Alpha、Beta和Gamma五个频段

2-2.将这5个频段的脑电数据分别作为样本矩阵，分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征。微分熵特征h(X)定义为：

h(X)＝-∫_xf(x)ln(f(x))dx (14)

式(14)中，X为输入的样本矩阵(即某一个频段的脑电数据)，x为输入的样本矩阵中的元素；f(x)为概率密度函数。对于遵循高斯分布的样本矩阵X，其微分熵特征h(X)可以计算为式(15)所示：

式(15)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。

可以看出，本质上微分熵特征为功率谱密度特征的对数形式，即

脑电信号的预处理旨在提高信噪比，从而提高数据的预处理效果，减少干扰。

步骤3、建立机器学习模型以实现基于样本与特征质量联合量化评估的脑电疲劳检测。衡量样本质量与特征的描述因子v和θ具有非负与归一化特性；描述因子v的第i个元素v_i用以刻画第i个样本的质量；描述因子θ的第i个样本元素θ_i用以刻画样本的第i维特征的重要程度。那么，将v_i和θ_i嵌入到最小二乘学习模型中，便得到如式(16)所示的样本与特征质量联合量化评估的脑电疲劳检测模型。

3-1.将描述因子v和θ嵌入到最小二乘模型中，得到“样本与特征质量联合量化评估的脑电疲劳检测方法”的目标函数如式(5)所示：

式(16)中，

是最小二乘模型的损失函数，其中，

和

分别为最小二乘学***方计算；γ表示用于平衡权重的正则项参数；f(λ,v)表示描述因子v的正则项函数。

目标函数式(5)是在初始目标函数式(17)的基础上增加一个正则项函数得到；

从式(17)中可以看出，当v_i全为0时，目标函数式(17)最小，不符合要求，因此给目标函数加一个正则项，更新目标函数为式(5)。

3-2.建立正则项函数f(λ，v)的表达式如式(2)所示：

式(2)中，n为一个样本矩阵中的样本个数；υ_i表示任意一个衡量样本质量的描述因子，υ_i的大小由计算得到，当样本的质量越好时，v_i的大小越接近1，样本质量越差则越接近0，每一个样本都有一个描述因子v_i；λ为正则项函数f(λ，v)中的参数。

3-3.令

式(16)可以被写成如式(1)所示：

根据描述矩阵Θ确定描述因子θ，其具体关系为

Θ_jj为描述矩阵Θ的第j个对角元素；θ_j为描述因子θ的第j个元素。

通过固定v、w、b，式(1)可以写成如式(3)所示：

由拉格朗日乘子法可求得θ的最优解如(4)式所示：

式(1)可以被写成

步骤4、根据如式(16)所示的目标函数，通过固定其他变量仅保留一个变量的方法来求得所有变量的更新规则，进而求得衡量样本质量的描述因子v、最小二乘模型的权重w和偏差b。求取v、

b的具体过程如下；

4-1.通过固定b、

来更新v，式(5)可以被写成如式(6)所示；

式(6)中，令

对式(5)中的v求导可以得到v的更新规则为；

其中，l_i为机器学习模型的损失函数，其表达式为

4-2.通过固定

v来更新b，式(5)可以被写成如式(8)所示；

令对角矩阵

式(8)可以被写成式(9)所示：

对式(9)中的b求导并且令导数为0，我们可以得到b的更新规则为式(10)：

b＝(U^TU)^-1(U^TU)(y-X^Tw) (10)

4-3.通过固定v、b来更新

式(5)可以被写成如式(11)所示；

令对角矩阵

式(11)可以被写成式(12)所示：

对式(12)中的

求导并且令导数为0，我们可以得到

的更新规则为式(13)：

步骤5、对被试者进行脑电数据采集；将所得脑电数据测试集作为样本矩阵输入到在步骤四中已经确定v、θ、

b的目标函数式(5)中，获取该脑电数据对应的预测值标签y。预测值标签即为检测得到的被试者疲劳程度。由于描述因子v和θ区别了样本矩阵中各样本和特征的重要性，因此可以有效地提高疲劳检测的准确性。

Claims (6)

1.一种样本与特征质量联合量化评估的脑电疲劳检测方法，其特征在于：步骤1、对处于逐渐疲劳的过程中的多个被试者进行脑电数据采集；

步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取；处理后的每一组数据均作为一个样本矩阵X；每个样本矩阵X均对应一个标签向量y；标签向量y对应受试者的疲劳程度；

步骤3、建立用于脑电疲劳检测的机器学习模型；

3-1.建立嵌入有描述因子v和θ目标函数如式(1)所示；

式(1)中，描述因子θ根据描述矩阵Θ来确定，其具体关系为

Θ_jj为描述矩阵Θ的第j个对角元素；θ_j为描述因子θ的第j个元素；

和

分别为最小二乘学***方计算；γ表示正则项参数；f(λ,v)表示正则项函数；描述因子v和θ具有非负与归一化特性；

3-2.建立正则项函数f(λ，v)的表达式如式(2)所示：

式(2)中，n为样本矩阵中的样本个数；λ为正则项函数f(λ，v)中的参数；

3-3.通过固定v、

b，将式(1)改写成如式(3)所示：

由拉格朗日乘子法可求得θ的最优解如(4)式所示：

式(4)中，θ_i为描述因子θ的第i个元素，描述各个特征的重要程度；

为变量

的第i个元素；

据此进一步将目标函数式(1)改写成式(5)；

步骤4、根据如式(5)所示的目标函数，通过固定其他变量仅保留一个变量的方法来得到所有变量的更新规则，进而求得式(5)中的变量

描述因子v、偏差b；

步骤5、对被试者进行脑电数据采集；将所得脑电数据测试集作为样本矩阵输入到确定v、θ、

b的目标函数式(5)中，获取该脑电数据对应的预测值标签；预测值标签即为检测得到的被试者疲劳程度。

2.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法，其特征在于：步骤2中，通过让被试者用模拟驾驶环境在一条笔直的道路持续模拟驾驶的方式来使得被试者逐渐疲劳。

3.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法，其特征在于：步骤2中所述的标签向量y通过受试者在脑电数据采集过程中眼睛闭合的时长来确定；所述的标签y以一个0-1之间的值来表示。

4.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法，其特征在于：步骤4中求v、

b的具体过程如下；

4-1.通过固定b、

来更新v，使得式(5)被写成如式(6)所示；

式(6)中，令

对式(6)中的v求导得到v的更新规则为；

其中，l_i为机器学习模型的损失函数，其表达式为

4-2.通过固定

v来更新b，使得式(5)被写成如式(8)所示；

令对角矩阵

使得式(8)被写成式(9)所示：

对式(9)中的b求导并且令导数为0，得到b的更新规则为式(10)：

b＝(U^TU)^-1(U^TU)(y-X^Tw) (10)

4-3.通过固定v、b来更新

使得式(10)被写成如式(11)所示；

令对角矩阵

使得式(11)被写成式(12)所示：

对式(12)中的

求导并且令导数为0，得到

的更新规则为式(13)：

5.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法，其特征在于：步骤2中预处理的过程如下：

2-1.将脑电数据下采样至200Hz后并对其进行带通滤波至1-50Hz范围；根据5频段法，将其划分为Delta、Theta、Alpha、Beta和Gamma五个频段

2-2.针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征h(X)如式(14)所示：

h(X)＝-∫_xf(x)ln(f(x))dx (14)

式(14)中，X为输入的样本矩阵，x为输入的样本矩阵中的元素；f(x)为概率密度函数；

经过更新后的微分熵特征h(X)如式(15)所示；

式(15)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。

6.根据权利要求1所述的一种样本与特征质量联合量化评估的脑电疲劳检测方法，其特征在于：所述的脑电数据采集采用17导联，选用5个频段；5个频段分别为1-4Hz、4-8Hz、8-14Hz、14-31Hz、31-50Hz。

Images