[发明专利]基于时空卷积神经网络的多通道脑电信号监测方法及应用

说明书

一种基于时空卷积神经网络的多通道脑电信号监测方法及应用，对从模拟驾驶实验中采集到每个被试者的多通道脑电信号进行预处理：对原始信号降采样后进行带通滤波消噪，采用独立成分分析方法删除脑电信号中的干扰信号，得到正常脑电信号和疲劳脑电信，将每个被试者的正常脑电信号和疲劳脑电信号分别分割为没有重叠的正常脑电信号样本和疲劳脑电信号样本；建立一个能够获取多通道脑电信号的空间关系和时间依赖性的时空卷积神经网络；采用十折交叉验证方法对时空卷积神经网络进行训练，将正常脑电信号样本和疲劳脑电信号样本按照清醒阶段和疲劳阶段分成两类，从而得到分类结果。本发明能够实现对疲劳驾驶脑电信号的有效辨识和进行正确分类，并转化为警告信号。

技术领域

本发明涉及一种脑电信号监测方法。特别是涉及一种基于时空卷积神经网络的多通道脑电信号监测方法及应用。

背景技术

疲劳驾驶是因为长期的专注驾驶导致的体力和脑力资源的消耗，会影响驾驶者感知、识别和控制车辆的能力。驾驶员疲劳驾驶所引起的交通事故日益增多，已经成为一个不得不解决的社会问题。基于脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、心电图(ECG)等生理变量的来估计驾驶员疲劳状态的方法已经被提出。在这些生理指标中，脑电图是最具预测性和最可靠的指标之一，因为它与精神和身体活动密切相关。本发明的基于时空卷积神经网络分析疲劳驾驶过程中的脑电信号以实现对驾驶员的疲劳监测。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。其可自动学习信号中的有效信息实现对信号的分类。

发明内容

本发明所要解决的技术问题是，提供一种能够实现对脑电信号的高准确率分类的基于时空卷积神经网络的多通道脑电信号监测方法及应用。

本发明所采用的技术方案是：一种基于时空卷积神经网络的多通道脑电信号监测方法，包括如下步骤：

1)对从模拟驾驶实验中采集到每个被试者的多通道脑电信号进行预处理，包括：

(1)原始信号降采样到100Hz，进行1-50Hz的带通滤波消噪；

(2)采用独立成分分析方法删除脑电信号中的干扰信号，得到时长30分钟的正常脑电信号和时长30分钟的疲劳脑电信号；

(3)将每个被试者的正常脑电信号和疲劳脑电信号分别分割为没有重叠的N个时长为1秒的正常脑电信号样本和N个时长为1秒的疲劳脑电信号样本，N取1800；

2)建立一个能够获取多通道脑电信号的空间关系和时间依赖性的时空卷积神经网络；

3)采用十折交叉验证方法对时空卷积神经网络进行训练，最终将N个时长为1秒的正常脑电信号样本和N个时长为1秒的疲劳脑电信号样本按照清醒阶段和疲劳阶段分成两类，从而得到分类结果。

步骤2)所述的时空卷积神经网络包括有依次串连的输入层、第一核心层、第一最大池化层、第二核心层、第二最大池化层、第三核心层、平均池化层、密集层和softmax层，其中，所述的第一核心层、第二核心层和第三核心层结构相同，均包括有依次串连的第一卷积层、第二卷积层、第三卷积层、批量归一化层和修正线性激活层，用于提取多通道脑电信号的时域特征，即多通道脑电信号的时间依赖性；第一最大池化层、第二最大池化层和平均池化层用于平衡接收的信号的训练性能和泛化能力；平均池化层输出的特征向量压平成为一维向量后经过密集层提取空间特征，即多通道脑电信号的空间关系；在softmax层中使用交叉熵目标函数生成分别属于清醒阶段的概率和疲劳阶段的概率。

步骤3)包括：

(1)将N个时长为1秒的正常脑电信号样本和N个时长为1秒的疲劳脑电信号样本分为等长的十个子集；