基于分形特征的脑电信号处理及警觉度检测方法

专利名称：基于分形特征的脑电信号处理及警觉度检测方法 技术领域： 本发明涉及的是一种信号处理技术领域的方法，具体是一种基于分形特征的脑电 信号处理及警觉度检测方法。 背景技术： 警觉度(Vigilance)是指人在执行任务时的注意力或警惕性的水平。在日常生活 中，有很多工作岗位需要工作人员保持较高的警觉度，例如驾驶员，飞行员等，对于工作人 员来说，警觉度的下降很可能导致非常严重的后果。但是，过去的研究已经表明，像上述这 样的执行单调但又需要保持警觉度的工作岗位，工人几乎不可能长时间地维持在一个高的 警觉度水平。所以，如何对人的警觉度进行定量、准确和实时地分析，已经成为了一个亟待 解决的课题，而使用机器和自动化的方法或设备来达到这一目的，正是解决该课题的一条 重要路线。通过提取人的生理信号，使用计算机来连续、准确和实时地分析出人的警觉度水 平，并在检测到警觉度下降到某个危险水平时给出警告或其他手段，这样可以有效地防止 可能出现的事故。在众多的生理信号中，脑电信号与人的认知行为、警觉度状态紧密相关。与其它信 号，比如脸部表情、肢体动作等相比，脑电信号被认为最及时、可靠地反映了人的警觉度水 平，其神经生理学基础是人的脑电信号在不同的精神状态时所表现出的节律行为，具体表 现形式就是脑电波形会随着不同精神状态发生微小变化，在利用脑电信号去预测人类警觉 度时存在两个主要问题1.如何去衡量这些微小的波形变化，提高警觉度预测正确率。研 究证明分形所具有的分形维度和最大分形长度特征可以很好地衡量细微的脑电波形变化； 2.如何降低前期分类器训练成本。为了保证预测结果的准确性，通常需要先采集大量数据 进行分类器训练。但是训练数据的采集和标定成本较高，而且在实际应用时需要对驾驶员 的警觉度进行实时监控和预测，没有足够时间采集大量数据进行训练。提出了一个多分类 器投票方法，该方法先在受试者和其他个体在驾车过程中采集部分脑电信号数据训练出多 个分类器，在进行警觉度的预测时，实时从受试者大脑上采集少量的新数据进行分类器训 练，最后预测输出是所有分类器的投票结果，也就是在所有分类器的输出中取出现次数最 多的结果作为最终的预测结果。该方法在实际应用时所需要的训练数据仅为单个分类器训 练的1/5，提高了警觉度分析的实际推广价值。警觉度分析属于经典的模式识别问题，其处理框架可分为信号处理，特征提取，特 征选择，分类器分类四个步骤，在过去的研究中，这四个过程都分别有很多有价值的成果。 对于信号处理和特征提取而言，大部分的方法都试图用有效的特征来捕获到脑电信号中的 节律信息。Liu等人利用频谱分析的方法进行了驾驶员警觉度的分析及预测，J. Z. Liu, Q. Yang等人发现分形维度可以很好地捕捉脑电信号的动态变化，Sridhar P Ar junan,Dinesh K Kumar, andTzyy-Ping Jung，发现在完成指定动作时最大分形长度和受试者的错误率负 线性相关。经过对现有技术的检索发现Sridhar PArjunan, Dinesh K Kumar, and Tzyy-PingJung.在《Changes in decibel scale wavelength properties of EEG with Alertness levels whileperforming sustained attention tasks〉〉(执行持续任务时脑电信号分贝尺 度的波长属性变化与警觉度水平的关系，31st Annual International Conference of the IEEE Engineering in Medicineand Biology Society. 2009，6288—6291)中记载了一种脑 电信号检测技术，但该技术缺陷在于没有给出分形维度和最大分形长度在驾驶员警觉度 分析领域的应用方法；没有给出一个简单有效的计算最大分形长度的算法；为了获得较高 的预测准确率需要大量训练数据进行分类器训练，而获得这些数据需要长时间的数据采集 和标定，难以推广到实际应用中。  发明内容 本发明针对现有技术存在的上述不足，提供一种基于分形特征的脑电信号处理及 警觉度检测方法，使用分形长度和最大分形长度进行警觉度预测比功率谱使用特征更少、 准确率更高，通过多分类器投票方法进一步减少采集训练数据的时间，最终得到了一种能 够有效识别驾驶员警觉度状态并进行疲劳驾驶预警的技术。本发明是通过以下技术方案实现的，本发明包括以下步骤第一步、在包括受试者在内的多个样本上采集多组脑电信号，然后分别为每组数 据训练一个随机森林分类器，具体步骤包括1. 1)从脑电信号序列段中计算最大分形长度和分形维度构成特征向量；1. 2)使用得到的特征向量训练随机森林并对所有特征进行重要性排序并根据排 序结果对特征向量进行降维处理，得到可以区别不同警觉度的随机森林分类器。第二步、当需要进行受试者的警觉度预测时，再从受试者身上采集脑电信号后，使 用与第一步相同的方法训练得到随机森林分类器，最后从所有分类器的预测结果中选出所 占比例最高的警觉度状态作为受试者当前警觉度状态的识别结果，从而实现了驾驶员警觉 度状态的监测、识别以及疲劳驾驶的预警。所述的脑电信号序列是指经过人工观测去除伪迹以及受到干扰而被严重破坏的 电极信号所余下的，经过带宽为1Ηζ-40Ηζ的有限冲击响应滤波器进行滤波处理后的脑电 信号的序列。所述的分形是指具有非整数维度的几何体。所述的最大分形长度通过以下方式获得将脑电信号序列中相邻点的距离之和作 为其最大分形长度。 权利要求 1.一种基于分形特征的脑电信号处理及警觉度检测方法，其特征在于，包括以下步骤第一步、在包括受试者在内的多个样本上采集多组脑电信号，然后分别为每组数据训 练一个随机森林分类器；第二步、当需要进行受试者的警觉度预测时，再从受试者身上采集脑电信号后，使用与 第一步相同的方法训练得到随机森林分类器，最后预测结果是所有随机森林的投票结果。 2.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的第一步，具体步骤包括1.1)从脑电信号序列段中计算最大分形长度和分形维度构成特征向量； 1. 2)使用得到的特征向量训练随机森林并对所有特征进行重要性排序并根据排序结 果对特征向量进行降维处理，得到可以区别不同警觉度的随机森林分类器。 3.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的脑电信号序列是指经过人工观测去除伪迹以及受到干扰而被严重破坏的电极 信号所余下的，经过带宽为1Ηζ-40Ηζ的有限冲击响应滤波器进行滤波处理后的脑电信号 的序列。 4.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的最大分形长度通过以下方式获得将脑电信号序列中相邻点的距离之和作为其 最大分形长度。 5.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的分形维度是指分形所涉及的非整数维度，计算方法是 6.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的特征向量是指在脑电信号序列所有可用通道上计算得到的最大分形长度和分 形维度，组合后得到的N * T维的矩阵，其中N是脑电极通道数，T是脑电信号序列上时间 点的个数。 7.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的重要性排序是指根据训练过程中给出的每一个特征的分类有效性对所有特征 进行排序。 8.根据权利要求1所述的基于分形特征的脑电信号处理及警觉度检测方法，其特征 是，所述的降维处理是指去除有效性最低的特征后重新建立的随机森林。 全文摘要 一种信号处理技术领域的基于分形特征的脑电信号处理及警觉度检测方法，通过在包括受试者在内的多个样本上采集多组脑电信号，然后分别为每组数据训练一个随机森林分类器；当需要进行受试者的警觉度预测时，再从受试者身上采集脑电信号后，使用与第一步相同的方法训练得到随机森林分类器，最后预测结果是所有随机森林的投票结果。本发明使用分形长度和最大分形长度进行警觉度预测比功率谱使用特征更少、准确率更高，通过多分类器投票方法进一步减少采集训练数据的时间。 文档编号A61B5/16GK102106730SQ20111006282 公开日2011年6月29日 申请日期2011年3月16日 优先权日2011年3月16日 发明者任庆生, 卢宏涛, 潘军 申请人:上海交通大学