[发明专利]基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质

说明书

本发明公开了一种基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质，包括采集初始脑电数据；对所述初始脑电数据进行处理，得到第一脑电信号；对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；从所述有向静态网络中筛选出重要连接信息，对所述重要连接信息二值化处理后，得到脑功能矩阵；通过所述脑功能矩阵建立有向脑功能网络；通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；将训练的所述图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；将测试的所述图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果，提高了驾驶疲劳状态下的检测性能。

技术领域

本发明涉及人工智能领域，特别涉及一种基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质。

背景技术

安全驾驶对公众健康起着至关重要的作用，而驾驶员疲劳可能危及生命。驾驶需要长时间的高度集中，由于驾驶员外部环境的注意力和反应能力降低，容易导致严重的道路碰撞。因此，开发车载疲劳检测系统，对驾驶员的心理状态进行实时监测具有十分重要的意义。目前，驾驶疲劳研究的常用方法主要是利用各种传感器获取汽车驾驶参数、驾驶员行为视频技术、通过采集分析驾驶员生理参数, 比如心电图(ECG)、肌电图(EMG)、脑电图(EEG)。驾驶员在驾驶过程中的疲劳主要是精神疲劳。脑电图作为一种脑状态指标，被认为是驾驶员疲劳的金标准。

传统的机器学习方法和深度学习在基于脑电的驾驶疲劳领域得到了广泛的研究。研究考虑了脑电通道的空间局部位置，忽略了其功能联系。最近，各种各样的方法开始在图卷积上蓬勃发展。然而，由于几何拓扑的不规则性和复杂性，将CNN从规则网格推广到图形并不是一件小事。由于脑区的工作机制、功能划分和协作，脑电研究的重点问题是脑电通道的空间位置关系和功能连接。神经系统是一个多时空尺度的复杂网络，脑电信号不是规则的欧氏结构数据。研究表明，脑解剖和脑功能网络在拓扑上介于高度规则和随机图形之间。但脑网络特征往往需要人工提取，没有统一的数据标准，往往不规范，操作复杂繁琐。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明提出一种基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质方法，克服了传统机器学习和深度学习侧重于单通道分析，忽略了大脑通道与通道之间的相关性，从而更好的提高了疲劳状态下的检测性能。

本发明还提出一种应用上述基于GPDC图卷积神经网络的疲劳检测方法的基于GPDC图卷积神经网络的疲劳检测装置。

本发明还提出一种应用上述基于GPDC图卷积神经网络的疲劳检测方法的计算机可读存储介质。

根据本发明第一方面实施例的基于GPDC图卷积神经网络的疲劳检测方法，包括：

采集初始脑电数据；

对所述初始脑电数据进行处理，得到第一脑电信号；

对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；

从所述有向静态网络中筛选出重要连接信息，并且根据重要连接信息得到脑功能矩阵；

通过所述脑功能矩阵建立有向脑功能网络；

通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；

将训练的图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；

将测试的图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果。