[发明专利]基于一维卷积神经网络的视觉诱导晕动症检测方法

摘要

本发明涉及虚拟现实技术领域，具体涉及一种基于一维卷积神经网络的视觉诱导晕动症检测方法，包括使用头戴设备Muse的四个通道采集受试者在驾驶车辆驾驶模拟器过程中诱发产生的EEG数据及从受试者的口头报告中采集主观VIMS级别数据的步骤，对EEG数据进行时域滤波的数据预处理步骤，使用训练优化后的一维卷积神经网络对预处理后的EEG数据进行特征提取和特征分类，达到检测晕动症级别的程度。本申请采用头戴设备Muse采集连续的EEG数据，因而成本较低，采集数据的通道数较少，且采用基于一维卷积神经网络对晕动症级别进行分类，因而无论在准确率上还是在Kappa指标上都取得了很好的分类性能，相比传统机器学习方法具有更好的分类效果。

主权项

1.基于一维卷积神经网络的视觉诱导晕动症检测方法，其特征在于，所述方法包括以下步骤：/nS1、EEG数据采集：采用头戴设备Muse的FP1、FP2、TP9和TP10四个通道采集受试者在驾驶车辆驾驶模拟器过程中诱发产生的EEG数据，并从受试者的口头报告中采集主观VIMS级别数据，将VIMS级别数据作为EEG数据相关的标签；/nS2、数据预处理：使用时间窗对EEG数据下采样进行时域滤波；/nS3、一维卷积神经网络构建：所述一维卷积神经网络包括适于接收预处理后EEG数据的功率谱密度的输入层，并列位于所述输入层之后的第一一维卷积层和第二一维卷积层，顺序位于所述第一一维卷积层之后的第一一维池化层和第一拉平层，顺序位于所述第二一维卷积层之后的第二一维池化层和第二拉平层，位于所述第一拉平层和第二拉平层之后适于将卷积池化拉平后的提取特征与输入至输入层的原始特征进行融合的融合层，顺序位于所述融合层之后的第一全连接层、第二全连接层和第三全连接层，所述第一至第三全连接层的维度大小逐级递减且第三全连接层是一个Softmax或Sigmoid激活的全连接层；/nS4、网络训练与参数优化：将预处理后的EEG数据划分为训练集与测试集，通过训练集训练构建完的一维卷积神经网络，使用随机梯度下降算法优化训练一维卷积神经网络参数，保存分类效果最好的网络模型；/nS5、网络结果测试：采用保存的网络模型，对测试集的EEG数据功率谱密度进行测试，最终产生VIMS每个类别的预测概率，选择概率最大的类别作为EEG数据最终的预测类别，并选择相应指标来对模型分类性能进行评价。/n