[发明专利]基于集成学习的疲劳驾驶脑电信号回归分析方法

权利要求书

1.一种基于集成学习的疲劳驾驶脑电信号回归分析方法，其特征在于，包括以下步骤：

首先，采用功率谱密度特征提取器对受试者的30个通道的脑电图信号进行特征提取，其次，用主成分分析法将特征数据进行降维，将降维后的特征数据作为集成学习模型的输入，将所述集成学习模型的输出进行拟合，最终得到该受试者的疲劳回归曲线；

所述集成学习模型中，对脑电图信号的疲劳指数进行最小二乘拟合，并将拟合后的数据作为集成学习的数据标签；将支持向量回归算法作为基学习器，并采用贝叶斯模型组合方法对支持向量回归算法的输出进行组合；

建立集成学习模型，包括以下步骤：

步骤一、采用功率谱密度特征提取器对编号分别为1，2，3，......，n-1，n的N名受试者的每个受试者进行特征提取，定义平稳信号{X(t)，t∈T}的自相关函数R(τ)的傅里叶变换为平稳信号功率谱密度：

式(1)中，w为频率，S_X(w)为功率谱密度函数，X为平稳信号；

脑电图信号分为5个频带，包括：频率为1-3Hz的delta频带、频率为4-7Hz的theta频带、频率为8-13Hz的alpha频带、频率为14-30Hz的beta频带和频率为31-50Hz的gamma频带；按照式(1)计算上述5个频带的每一频带的功率谱密度特征，针对每个受试者30个通道的脑电图信号得到150维度的特征数据；

步骤二、选取一个固定长度为1％t的滑动窗口对训练集中m个受试者的时间为t的脑电图信号进行分割，得到100个脑电图信号数据片段，其中，m为大于1小于N的整数，以每一个片段作为一个样本，利用式(2)计算每个样本的疲劳指数f，

式(2)中，θ为them频带，β为beta频带，α为alpha频带，Fz通道为国际10-20系统脑电极分布中的Fz电极对应的通道，Oz通道为国际10-20系统脑电极分布中的Oz电极对应的通道；以脑电图信号Fz通道中theta频带的信号功率与Fz通道中alpha频带的信号功率之和除以Oz通道中beta频带的信号功率作为疲劳指数f；利用式(2)计算疲劳指数f所需的功率数值为该样本对应的数据片段内的数据平均值；将计算得到的所有样本的疲劳指数f按照时间顺序依次排列，并以[0，1]为区间对所有样本的疲劳指数f进行归一化表征疲劳程度，对归一化后的结果进行最小二乘拟合，从而得到100个数据标签，记作y_i，i＝1，2，...，100；

步骤三、采用主成分分析法将步骤一中获得到的150维度的特征数据进行降维，由150维降维到100维，N个受试者降维后的100维特征数据总体记作x_ij，j代表第j个受试者，j＝1，2，...，N，将每个受试者的100维特征数据x_i与步骤二得到的100个数据标签y_i一一组合成样本元素(x_i，y_i)_j，所有的样本元素总体记作数据集D，将数据集D分成3份，分别作为后续集成学习模型的训练集、验证集和测试集；

步骤四、集成学习模型中设置有10个基学习器，每个基学习器均有各自独立的训练集，使用10折交叉验证将步骤三中确定的训练集分为10份训练子集，每个基学习器的训练集依次由其中的9份训练子集组成；

步骤五、利用步骤四中得到的训练子集训练基学习器：基学习器采用支持向量回归算法，按照10折交叉验证的方法分别训练10个支持向量回归算法；

步骤六、向训练好的10个支持向量回归算法导入步骤三中确定的验证集中的x_i，每个支持向量回归算法的输出值记作z_i，将输出值z_i与验证集中的x_i对应的y_i一一组合成(z_i，y_i)，将(z_i，y_i)导入贝叶斯模型组合公式，算出贝叶斯模型组合公式中的未知参数p(e|D)，从而得到贝叶斯模型组合方法，

p(y_i|z_i，D，H，E)＝∑_h∈Ep(y_i|z_i，H，e)p(e|D) (3)

式(3)中，模型空间H是由有限个个体假设近似，h为模型空间H的个体假设模型，E为贝叶斯模型组合空间，e是贝叶斯模型组合空间E中的个体假设模型；

步骤七、向训练好的10个支持向量回归算法导入步骤三中确定的测试集中的x_i，10个支持向量回归算法的输出值z_i再通过贝叶斯模型组合方法组合，得到集成学习模型的输出，将输出进行拟合得到疲劳回归曲线。

2.根据权利要求1所述的基于集成学习的疲劳驾驶脑电信号回归分析方法，其特征在于，步骤四中，归一化函数为：

其中，x为归一化之前的数据，max是样本的最大值，min是样本的最小值，y为归一化之后的数据。