[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

说明书

本发明公开了一种基于集成学习的疲劳驾驶脑电信号回归分析方法，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；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；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。本发明中引入支持向量回归算法作为基学习器，通过增加基学习器的多样性和差异性，以及引入贝叶斯模型组合方法，提高回归分析方法在驾驶员疲劳回归分析中的性能。

技术领域

本发明涉及一种脑电信号处理方法，尤其涉及一种基于集成学习的疲劳驾驶脑电信号回归分析方法。

背景技术

随着社会的不断发展，我国的汽车数量急剧增加。截至2017年底，全国汽车数量达到2.17亿辆，驾驶员人数达到3.42亿人。如此庞大的数量，给我国的交通安全带来了巨大的压力。据有关报道，中国已成为世界上交通事故频发的国家之一。疲劳驾驶是造成交通事故的主要原因之一。众所周知，在驾驶过程中需要驾驶员注意力保持高度的集中，而在疲劳状态下，驾驶员容易分心，思维不活跃，反应较慢，这些增加了交通事故发生的可能性。

为了减少事故，疲劳驾驶检测技术已经成为研究的重点。疲劳驾驶检测技术需要多个传感器进行检测，大致可分为三类：基于车辆参数(例如速度，加速度，车道偏移等)的疲劳驾驶检测，基于驾驶员的生理反应(如闭眼的频率，驾驶员的打哈欠状态等)的疲劳驾驶检测，以及基于驾驶员的生理信号(如EEG，ECG，脉搏等)的疲劳驾驶检测。

基于车辆参数的疲劳检测方法的优点在于，所使用的传感器装置不需要与驾驶员直接物理接触，并且可以避免一些干扰。但是，它受环境或道路条件的严重影响。基于驾驶员生理反应的疲劳驾驶检测方法可以避免这种情况，但是其准确性和适用性不高。研究表明，使用诸如体温，血压，心电图，脑电图(EEG)和肌电图等电生理信息可以有效地检测和评估人的疲劳状态[1]。其中，将EEG信号用于疲劳驾驶监测是一个新的方向。

目前将机器学习用于基于EEG信号的疲劳驾驶分类的研究有很多。如Gao等人提出了一种基于EEG的时空卷积神经网络来检测驾驶员疲劳[2]；Harvy等人提出了一种基于功率谱和连通度的特征层和决策层融合的疲劳驾驶识别性能改进方法[3]；Wang等人提出了一种基于小波熵的疲劳特征EEG信号分析方法[4]；Min等人提出了一种基于多熵融合的EEG系统检测驾驶员疲劳的方法[5]。而将集成学习用于基于EEG信号的疲劳驾驶回归分析问题上的研究并不多。

[参考文献]

[1]叶建芳,刘强,李雪莹.基于随机森林的疲劳驾驶检测识别模型的优化研究[J].汽车实用技术,2018,268(13):46-50.

[2]Gao Z,Wang X,Yang Y,et al.EEG-Based Spatio-Temporal ConvolutionalNeural Network for Driver Fatigue Evaluation[J].IEEE Transactions on NeuralNetworks and Learning Systems,2019:1-9,doi:10.1109/TNNLS.2018.2886414.