[发明专利]一种基于LightGBM的EEG疲劳状态分类方法

摘要

本发明公开了一种基于LightGBM的EEG疲劳状态分类方法。本发明以共空间模式作为特征提取方法，梯度boosting框架LightGBM作为分类器，通过对EEG信号的分析，对驾驶员的疲劳程度进行分类，实现疲劳、清醒、中性三种状态的区分。首先获取数据并预处理；其次通过CSP对脑电数据进行特征提取，后对脑电特征进行降维；然后划定实验的训练集和测试集，再构建分类模型分类。针对精神状态预测，本发明获得的结果更好，且从时间消耗角度，本发明拥有较快的运行速度，这对后期应用于实时数据分析提供了基础。总之，本发明在精神状态预测方面具有较好的性能，以期在实际的脑机交互中有着广泛的应用前景。

主权项

1.一种基于LightGBM的EEG疲劳状态分类方法，其特征在于以共空间模式作为特征提取方法，梯度boosting框架作为分类器，通过对EEG信号的分析，对驾驶员的疲劳程度进行分类，实现疲劳、清醒、中性三种状态的区分，具体实现包括如下步骤：步骤1.获取数据：搭建模拟驾驶平台：设计模拟驾驶实验，还原驾驶过程场景；同时选取多名被试驾驶员，并让他们分别进行模拟驾驶实验，采集多名被试驾驶员在模拟驾驶实验中的原始脑电信号I、眼电信号I和心电信号I；根据现有研究对眼电信号I和心电信号I进行分析，得出被试驾驶员的心率和每分钟的眨眼次数；以此为依据，为不同时间段内的原始脑电信号I打上“疲劳”、“清醒”、“中性”这三种状态的标签；步骤2.数据预处理：对采集到的原始脑电信号I均进行数据预处理，获取处理后的脑电信号II，预处理包括独立成分分析和带通滤波；步骤3.通过CSP对脑电数据进行特征提取针对脑电信号II，每个样本表示为X×S的矩阵W；其中，X是通道数，S是每一个通道的采样点数；规则化空间协方差如式(1)所示：其中，trace()表示矩阵的对角元素之和；为了将两类方差分开，通过对训练数据中的两类样本的协方差之和进行平均，分别得到各自的平均协方差Cd和Ct，进而得到混合的空间协方差：Cc＝Cd+Ct，将混合的空间协方差Cc分解为Cc＝EcλcEc形式，其中Ec是协方差矩阵的特征向量，λc是特征值构成的对角阵；将特征值进行降序排列，按式(2)进行白化变换后获得P：根据PCcPT对应的特征值为1，对Cd和Ct进行如下变换：Sd＝PCdPT，St＝PCtPT，则Sd和St具有共同的特征向量，当Sd＝BλdBT时，有St＝BλtBT，λd+λt＝I；其中I是单位向量矩阵；因为对应的两个特征值之和总是1，所以当特征向量B对于Sd有最大的特征值时，对于St有最小的特征值；由此，能够得到投影矩阵：PM＝(BTP)T              (3)；将疲劳和中性状态分别和清醒状态做投影，求得投影矩阵P_A和P_B，最终的投影矩阵为：PN＝PA+PB           (4)对所有的实验样本，按照式(4)获取投影矩阵，得到所需的脑电特征F；F＝PNW                (5)步骤4.对脑电特征进行降维使用方差var函数，对于每个实验样本，计算各个通道中数据的方差，对脑电特征进行降维；步骤5.划定实验的训练集和测试集针对每个被试驾驶员，将其所有脑电特征随机打散，并从中抽取80％作为训练集，记作Train_i，剩下的20％作为测试集，记作为Test_i，其中i表示第i个被试；为了避免不同类别样本测试和训练数据比例不同所带来的误差，对于三种状态的样本，抽取的训练和测试数据严格遵循4∶1的比例；从每一个被试被试驾驶员的所有脑电特征中各随机抽取出80％的数据，并将这些数据组合成跨被试的疲劳状态分类训练集，剩下的20％脑电特征组合成跨被试的疲劳状态分类测试集；步骤6.分类LightGBM中的主要参数包括num_leaves、num_trees和learning_rate；其中num_trees代表生成树的总数目，而num_leaves代表每棵生成树上叶子的数目；构建一个基于LightGBM的分类模型，将num_leaves设置为63，learning_rate设置为0.01.num_trees则根据测试的结果进行动态调整；使用训练集训练LightGBM模型，然后利用训练好的模型预测出未被训练的测试集所对应的类别；最后将预测分类结果与这些特征向量的实际类别进行比较，得到疲劳状态的分类准确率。