基于脑电信息的驾驶人警觉度监测方法及监测系统的利记博彩app
【技术领域】
[0001] 本发明涉及驾驶员警觉度状态监测技术领域，特别涉及一种基于脑电信息的驾驶 人警觉度状态监测方法及检测系统。
【背景技术】
[0002] 20世纪90年代开始，陆续有科研机构及公司涉足驾驶人警觉度的研究当中。在 现阶段常用的技术包括在基于表情特征的警觉度监测技术、基于驾驶行为的警觉度监测技 术、基于生理特征参数的警觉度监测技术。
[0003]基于驾驶人眼部特征的警觉度监测方法仍然应用最广，其凭借无需接触人体，使 用方便等优点，得到了很好的推广。但该技术因为存在易受环境的亮度、被试人员头部的位 置、面部运动问题，警觉度估计精度较低。此外，近视人群在驾驶人的比例逐年增加，许多非 近视驾驶人也有佩戴偏光眼镜的习惯，由于眼镜对光线遮挡的影响，使得该技术测得的警 觉度精度大大的降低。
[0004]基于驾驶行为的技术，简单、方便，不需要更多的数据分析，比较直观，但是随着经 济的发展，汽车的需求量越来越大，越来越多的人考驾照，在短时间内驾照就可以拿到手。 驾驶人良好的驾驶行为不可能在短时间内养成，由此导致基于驾驶行为的技术会因为驾驶 人的不良驾驶行为而产生错误的判断信息。
[0005] 基于脑电EEG的技术能够最为客观、准确、实时地获得驾驶人的警觉度状态，在驾 驶疲劳监测领域展现出了巨大的潜力，能够有效地减少交通事故的发生。但是，对于一些具 有由脑电信息异常引起的疾病的驾驶人来说，就会对数据产生很大的影响，可能会造成交 通事故。
[0006]因此需要找到外部影响最小，监测最准确的方法，来进行驾驶人警觉度的监测与 分析。
【发明内容】
[0007]本发明的目的是克服现有技术中脑电信息容易受到干扰的缺陷，提供了一种基于 脑电信息的驾驶人警觉度状态监测方法及监测系统，能够准确的监测出驾驶人警觉度状 〇
[0008]本发明提供的技术方案为：
[0009]-种基于脑电信息的驾驶人警觉度监测方法，包括以下步骤：
[0010] 步骤一、使用脑电传感器采集驾驶人原始脑电信号并转换为脑电电压信号；
[0011] 步骤二、对所述脑电信号进行降噪去伪迹处理，提高脑电信号的可靠性；
[0012] 步骤三、提取警觉度相关的时域特征、频谱特性和复杂度特征；
[0013]步骤四、过滤警觉度相关特征，去除与警觉度状态无关的信号；
[0014]步骤五、通过实验对警觉度状态进行标注，进而确定所述脑电信号与驾驶人警觉 度状态之间的关系，对驾驶人警觉度状态作出估计。
[0015] 优选的是，步骤一中利用如下公式将脑电传感器采集的原始脑电信号转化为电压 信号：
[0016]
[0017] 其中，Voltage为电压信号，rawValue为原始脑电信号。
[0018] 优选的是，步骤二中，将采集的脑电时序信号b(t，x)变换到频率域B(f，x)，并对 B(f，x)进行经验模态分解，结果为：
[0019]
[0020] 其中，頂Fjf，x)为第i个固有模态函数，R(f，x)为剩余量；f为频率；x为脑电信 号变量，n为固有模态函数的个数；
[0021] 将第一个和第二个固有模态函数分量去除，达到降噪去伪迹目的。
[0022] 优选的是，步骤三中，对降噪去伪迹后的脑电信号进行功率谱密度计算，将长度为 N的脑电信号x(0)，……x(N-l)看作为能量有限信号，取其傅里叶变换得到
[0023]
其中j为复数单位；
[0024] 然后取XN(e]w)的幅值的平方，并除以N作为x(n)的真实功率谱P(e]w)的估计值， 即
[0025]
[0026] 优选的是，步骤四中过滤警觉度相关特征的方法为对每一个2秒时窗内提取的警 觉度特征与相邻的若干个警觉度特征做平均，设滑动窗口的宽度为L，每次在滑动后把L个 数据进行算术平均，就可得到一组经过滑动平均滤波的新脑电警觉度特征序列y(n)，其表 达式为：
[0027]
[0028] 优选的是，步骤五，为被试驾驶人员显示交通标志图片，使被试驾驶人员快速判 断，并使用如下公式计算正确响应率e(t)
[0029]
[0030] 其中，ST是起始时间；numberT(i,j)是时间窗（i,j)内的正确响应数； numberSun(i,j)是时间窗（i,j)内显示图片的总数量；
[0031] 通过响应正确率来标注被试的警觉度状态。
[0032] -种基于脑电信息的驾驶人警觉度监测系统，
[0033] 脑电波传感器，其用于采集驾驶人原始脑电信号；
[0034] 移动终端，其用于接收所述脑电波传感器采集的原始脑电信号；
[0035]检测控制系统，其集成于所述移动终端上，根据脑电波传感器采集的脑电数据，分 析计算驾驶人的警觉度。
[0036] 优选的是，所述脑电波传感器与移动终端通过无线方式进行数据传输。
[0037] 优选的是，所述移动终端采用安卓系统或者ios系统。
[0038] 本发明的有益效果是：
[0039] 本发明提供的基于脑电信息的驾驶人警觉度状态监测方法能够最为客观、准确地 获得驾驶人的警觉度状态，在驾驶疲劳监测领域展现出了巨大的潜力。本发明提供的基于 脑电信息的驾驶人警觉度状态监测系统，可直接利用手机创建系统直接控制设备，较以往 需要单独监测装置更加方便使用。设备通过蓝牙等无线方式交换信息，便于使用。同时设 备可穿戴，使用设备时可直接戴于头部，使用便捷。
【附图说明】
[0040] 图1为本发明所述的基于脑电信息的驾驶人警觉度状态监测方法流程图。
[0041] 图2为本发明所述的基于经验模态分解的脑电去伪迹方法流程图
[0042] 图3为本发明所述的基于脑电信息的驾驶人警觉度状态监测系统结构示意图。
【具体实施方式】
[0043] 下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文 字能够据以实施。
[0044] 如图1所示，本发明提供了一种基于脑电信息的驾驶人警觉度状态监测方法，包 括以下步骤：
[0045] 步骤一S110 :使用脑电波传感器测量驾驶人员在整个驾驶过程中的原始脑电信 号。
[0046] 步骤二S120 :对步骤一中采集到的原始脑电信号进行降噪去伪迹处理。
[0047] 由于脑电信号十分微弱，在采集和传输过程中容易受到来自人体内部和外部的干 扰。干扰信号可能严重降低所采集到的脑电信号的信噪比，引发信号失真，使得采集到的信 号不可靠。通过降噪去伪迹处理可提高脑电信号的可靠性。
[0048] 步骤三S130 :提取警觉度状态相关特征。
[0049] 脑电信息中与警觉度状态有关的主要特征有时域特征、频谱特性、复杂度特征。不 同特征对于警觉度状态的表征能力不同，计算复杂度不同，抗干扰能力不同。
[0050] 步骤四S140 :过滤警觉度相关特征。
[0051] 脑电信号中并不是所有电位的变化都由警觉度状态变化引起，即存在很多与警觉 度状态无关的信号。直接提取的原始脑电警觉度特征因为受到与警觉度状态无关的脑电信 号影响，波动较大。即使驾驶人处于同一个警觉度状态，原始脑电警觉度特征也十分不稳 定。因此要对提取的原始脑电警觉度特征进行必要的平滑处理。
[0052] 步骤五S150 :警觉的状态估计。
[0053] 现有的警觉度状态估计方法有：线性判别模型，线性回归模型，人工神经网络模 型，支持向量机等。其中线性模型训练过程简单，结果稳定，但警觉度估计的精度较差。非 线性的估计方法警觉度估计的精度较高，但也存在着不足。人工神经网络模型在不同的训 练中模型参数不稳定，导致得到的警觉度估计也不稳定，并且神经网络结构的设置也是一 个很难的课题；而支持向量机模型在数据规模较大的时候训练速度较慢。
[0054] 另外，在警觉度状态的估计中，模型训练过程需要大量有警觉度状态标注信息的 脑电数据。
[0055] 在步骤一S110中，使用脑电波传感器测量驾驶人员的原始脑电数据。
[0056] 脑电波传感器通过传感器上内置芯片计算出原始脑电信号值，以串行数据流的形 式通过蓝牙串行协议进行传输，传输速度为9600bps。传感器内置芯片计算出的原始脑电 信号值是包含两个字节（byte)的整数，所以脑电信号值的大小范围是从-32768到32767。 由原始脑电信号值转化为以伏特（V)为单位的电压值可根据以下公式：
[0057]
[0058] 其中，Voltage为转化为电压的脑电信号，rawValue为原始脑电数据。
[0059] 在步骤二S120中，采用基于经验模态分解的脑电去伪迹方法，对步骤一中采集 的脑电信息进行去降噪伪迹处理。首先对脑电信息时序信号分解为若干个固有模态函数 IMF(IntrinsicModeFunction)，再对每个IMF进行希尔伯特变换，得到时频平面上的能量 分布图，由此分析信号的时频特征。
[0060] 在脑电信号的降噪去伪迹阶段，可以利用经验模态分解，能够对非线性、非平稳信 号进行时频分解的优势，在频域将记录到的脑电信号分解为不同的IMF，根据信号和噪音所 占IMF的不同进行降噪。
[0061] 经验模态分解可以将任何复杂信号的数据分解若干个頂F之和。对于頂F有以下 两个约束条件：1)在整个数据序列中，极值点的数目与过零点的数目相等或至多相差1 ;2) 在整个波形曲线中，由局部极大值点和局部极小值点分别定义的包络线均值为0。
[0062] 采集的脑电时序信号为b(t，X)，它可以分解为：
[0063] b(t,x) =s(t,x)+c(t,x)+n(t,x)
[0064] 其中：s(t，x)是无干扰和伪迹的脑电信号；c(t，x)是相干干扰；n(t，x)是随机噪 声。
[0065] 变换到频率域为：
[0066] B(f，x) =S(f，x)+C(f，x)+N(f，x) 〇
[0067] 如图2所示，在f-x域对脑波信号B(f，x)进行经验模态分解EMD去噪的主要步骤 如下：
[0068] a、S121 :设置处理频域范围[f\，f2]，初始频率f= ，频率步长Af。
[0069] b、S122 :对于频率f，设置初始空间采样数据队(f，x) =B(f，x)。
[0070] c、S123 :计算队(f，x)额所有极大值和极小值，计算极大值包络线E_ (f，x)极小 值包络线￡_(尺幻。
[0071]d、S124:计算平均包络线E(f，X) = [E_(f，x)+E_(f，x)]/2。
[0072]e、S125:用原始数据减去平均包络线数据得Bjf，x) = (f，x)_E(f