[发明专利]基于一维卷积神经网络的视觉诱导晕动症检测方法

权利要求书

1.基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述方法包括以下步骤：

S1、EEG数据采集：采用头戴设备Muse的FP1、FP2、TP9和TP10四个通道采集受试者在驾驶车辆驾驶模拟器过程中诱发产生的EEG数据，并从受试者的口头报告中采集主观VIMS级别数据，将VIMS级别数据作为EEG数据相关的标签；

S2、数据预处理：使用时间窗对EEG数据下采样进行时域滤波；

S3、一维卷积神经网络构建：所述一维卷积神经网络包括适于接收预处理后EEG数据的功率谱密度的输入层，并列位于所述输入层之后的第一一维卷积层和第二一维卷积层，顺序位于所述第一一维卷积层之后的第一一维池化层和第一拉平层，顺序位于所述第二一维卷积层之后的第二一维池化层和第二拉平层，位于所述第一拉平层和第二拉平层之后适于将卷积池化拉平后的提取特征与输入至输入层的原始特征进行融合的融合层，顺序位于所述融合层之后的第一全连接层、第二全连接层和第三全连接层，所述第一至第三全连接层的维度大小逐级递减且第三全连接层是一个Softmax或Sigmoid激活的全连接层；

S4、网络训练与参数优化：将预处理后的EEG数据划分为训练集与测试集，通过训练集训练构建完的一维卷积神经网络，使用随机梯度下降算法优化训练一维卷积神经网络参数，保存分类效果最好的网络模型；

S5、网络结果测试：采用保存的网络模型，对测试集的EEG数据功率谱密度进行测试，最终产生VIMS每个类别的预测概率，选择概率最大的类别作为EEG数据最终的预测类别，并选择相应指标来对模型分类性能进行评价。

2.根据权利要求1所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述步骤S2中，进行时域滤波的时间窗大小为1s。

3.根据权利要求1所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述步骤S3中，在第一一维卷积层和第二一维卷积层之后分别添加有批归一化层。

4.根据权利要求1或3所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述第一一维卷积层的卷积核大小为8，步长为4，卷积核个数为16；所述第一一维池化层的池化核大小为2，步长为2；所述第二一维卷积层的卷积核大小为12，步长为6，卷积核个数为24；所述第二一维池化层的池化核大小为2，步长为2。

5.根据权利要求1所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述步骤S3中，在第一全连接层和第二全连接层之后分别添加有Dropout层。

6.根据权利要求1所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述第一全连接层、第二全连接层和第三全连接层的维度大小分别为512、128和4。

7.根据权利要求1所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述步骤S5中，预测类别包括无晕动、轻微晕动、中等晕动和严重晕动。

8.根据权利要求1所述的基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述步骤S5中，采用准确率Acc和kappa指标k来评价一维卷积神经网络模型分类性能；其中，

式中，TP为真阳性，代表被正确分类的正样本；TN为真阴性，代表被正确分类的负样本；FP为假阳性，代表被错误分类的正样本；FN为假阴性，代表被错误分类的负样本；p_o为总体分类准确率，p_e代表机会一致概率。