[发明专利]一种脑电信号的特征提取方法及系统

说明书

本发明公开了一种脑电信号的特征提取方法及系统，涉及脑电信号特征提取技术领域，方法包括：获取脑电信号；采用Pearson相关系数优化的经验模态分解算法和多重分形去趋势波动分析算法确定脑电信号的自相关性特征；确定脑电信号的复杂性特征；将自相关性特征和复杂性特征确定为脑电信号的特征，脑电信号的特征用于对脑电信号进行疲劳驾驶的分类。利用Pearson相关系数优化的经验模态分解算法和多重分形去趋势波动分析算法确定脑电信号的自相关性特征，使得脑电信号的趋势充分消除，将分层模糊熵、不对称熵特征和不对称熵指数综合确定为复杂性特征，充分体现脑电信号整体和局部的熵值差异性，特征提取更全面。

技术领域

本发明涉及脑电信号特征提取技术领域，特别是涉及一种脑电信号的特征提取方法及系统。

背景技术

现阶段，疲劳驾驶已成为道路安全隐患的第五大原因，监测驾驶员脑电信号，客观的评价驾驶员的疲劳状态，已成为当下研究的热点。脑电信号(Electroencephalogram，EEG)是大脑皮层神经细胞电生理活动产生的电位差，蕴含丰富的病理信息。分析脑电信号可以提取其隐含及微弱的特征，以便及时对疲劳驾驶者作出预警。脑电信号特征提取方法主要有时域分析、频域分析、时频分析和非线性分析等，如Hjorth参数、功率谱估计、小波变换和分形维数等。

作为非线性复杂系统的输出，脑电信号具有两个重要性质：自相关性和复杂性。现有的技术中，多是提取自相关性特征或复杂性特征的技术方案，且对自相关性特征进行提取时，多重分形去趋势波动分析方法(Multifractal Detrended Fluctuation Analysis，MFDFA)和经验模态分解改进MFDFA算法(MFDFAemd)，二者趋势项的选取均存在问题，使得脑电信号的趋势消除不充分，脑电特征提取不合理；对复杂性特征进行提取时，只提取分层模糊熵的做法不够充分，不能充分体现脑电信号整体和局部的熵值差异性。

发明内容

本发明的目的是提供一种脑电信号的特征提取方法及系统，使得脑电信号特征提取得更加全面。

为实现上述目的，本发明提供了如下方案：

一种脑电信号的特征提取方法，所述方法包括：

获取脑电信号；

采用Pearson相关系数优化的经验模态分解算法和多重分形去趋势波动分析算法确定所述脑电信号的自相关性特征；

确定所述脑电信号的复杂性特征；所述复杂性特征包括：分层模糊熵、不对称熵特征和不对称熵指数；所述分层模糊熵包括不同频段的左脑分层模糊熵和相应频段的右脑分层模糊熵，所述不对称熵特征包括不同频段的左脑分层模糊熵和相应频段的右脑分层模糊熵的差值，所述不对称熵指数包括左脑不对称熵指数和右脑不对称熵指数，所述左脑不对称熵指数根据所有频段的左脑分层模糊熵得到，所述右脑不对称熵指数根据所有频段的右脑分层模糊熵得到；

将所述自相关性特征和所述复杂性特征确定为所述脑电信号的特征，所述脑电信号的特征用于对所述脑电信号进行疲劳驾驶的分类。

可选地，所述采用Pearson相关系数优化的经验模态分解算法和多重分形去趋势波动分析算法确定所述脑电信号的自相关性特征，具体包括：

对所述脑电信号进行去均值求和，得到去均值求和信号；

利用经验模态分解算法将所述去均值求和信号分解为残差项和多个固有模态函数；

利用最小二乘法对所述去均值求和信号进行拟合得到拟合多项式；

计算每个所述固有模态函数与所述拟合多项式之间的Pearson相关系数；

对所有的Pearson相关系数由大到小进行排序，得到相关系数序列；