[发明专利]基于深度学习和脑电信号的驾驶员专注度检测方法

权利要求书

1.一种基于深度学习和脑电信号的驾驶员专注度检测方法，其特征在于，构建并训练驾驶员专注度检测网络；该方法的步骤包括如下：

步骤1，生成训练集：

(1a)选取至少1800个驾驶员完成5*5Schulte方格任务生成的脑电样本，每个样本时长1s,采样率fs＝1024Hz,脑电通道数N＝64；

(1b)对每个脑电样本信号标注驾驶员专注度；将标注后的每个样本下采样至128Hz；

(1c)将标注后的所有样本组成训练集；

步骤2，构建驾驶员专注度检测网络：

(2a)搭建一个驾驶员专注度检测网络，其结构依次为：输入层、时间域特征提取单元、空间域特征提取单元、第一特征强化单元、第二特征强化单元和softmax分类层；

所述的时间域特征提取单元由时间域卷积层和池化层组成；

所述的空间域特征提取单元的结构依次包含：空间域卷积层、批量归一化层、激活层、池化层、随机失活层；

所述的第一、第二特征强化单元均依次包含：卷积层、批量归一化层、激活层、池化层、随机失活层；

(2b)设置驾驶员专注度检测网络各层参数如下：

将时间域特征提取单元中时间域卷积层的卷积核大小设置为1*5，步长设置为1，卷积核数量设置为10；池化层采用最大池化，池化尺寸设置为1*2；

将空间域特征提取单元中空间域卷积层的卷积核大小设置为64*1，步长设置为1，卷积核数量设置为10；批量归一化层设置为16；激活层采用指数线性函数；池化层采用最大池化，池化尺寸设置为2*1；随机失活层的保留率设置为0.5；

将第一、第二特征强化单元中卷积层的卷积核大小均设置为1*5，卷积核数量分别设置为20，40；批量归一化层的样本数均设置为16；激活层均采用指数线性函数ELU；池化层均采用最大池化，池化尺寸均设置为1*2，步长均设置为2；随机失活层保留率均设置为0.5；

步骤3，训练驾驶员专注度检测网络：

将训练集中的样本输入到驾驶员专注度检测网络中，采用梯度下降法对网络的参数进行迭代更新，直至网络的损失函数的值下降至稳定值时为止，得到训练好的驾驶员专注度检测网络；

步骤4，采集待检测的驾驶员的脑电信号：

(4a)设置脑电信号采样率为fs＝1024Hz，采集待检测的驾驶员在模拟训练过程中的至少10分钟的脑电信号；

(4b)采用与步骤(1b)相同的方法，得到标注后待检测的驾驶员专注度脑电样本；

步骤5，对驾驶员专注度进行检测：

将标注后待检测的驾驶员脑电样本依次输入到训练好的驾驶员专注度检测网络中，输出驾驶员专注度检测结果。

2.根据权利要求1所述的基于深度学习和脑电信号的驾驶员专注度检测方法，其特征在于，步骤(1b)中所述的对每个脑电样本信号标注驾驶员专注度指的是，将驾驶员完成Schulte方格所用的时间小于8s的定义为高专注程度，位于[8,20]s之间的定义为中等专注程度，大于20s的定义为低专注程度；并分别将其标签值设定为独热编码00，01，10的形式。

3.根据权利要求1所述的基于深度学习和脑电信号的驾驶员专注度检测方法，其特征在于，步骤3中所述的损失函数如下：

其中，N表示采集的待检测驾驶员的脑电信号样本的总数，i为待检测驾驶员脑电样本序号，∑(·)表示求和操作，M表示驾驶员专注度类别的总数，M＝1，2，3，c表示待检测驾驶员的脑电样本的专注度类别的序号，y_ic表示符号函数，如果待检测驾驶员的脑电信号样本序号i的真实类别等于c，y_ic的值为1，否则，y_ic的值为0，log(·)表示对数操作，p_ic表示脑电信号观测样本i属于真实类别c的预测概率。