基于腦電信號的警覺度估計研究.pdf

1、警覺度(Vigilance)通常定義為，對外界刺激長時間的保持注意力和警惕性的能力。在日常的工作和生活中，許多人機交互系統(tǒng)需要操作人員保持一定的警覺度。尤其是汽車駕駛員，他們一旦出現(xiàn)警覺度下降的情況，就可能會造成非常嚴重的后果。因此，研究警覺度監(jiān)測算法，對駕駛員的疲勞狀態(tài)進行實時監(jiān)測，是車輛輔助安全駕駛領域的一個重要課題，對解決交通安全問題具有重要的現(xiàn)實意義。由于腦電信號是疲勞檢測的“金標準”，以及便攜式腦電采集設備商用化的出現(xiàn)，使得腦

2、電采集越來越便捷。因此，本論文將重點進行基于腦電的警覺度監(jiān)測方法研究，具體研究問題包括:腦電信號在線降噪去偽跡算法，警覺度關鍵腦區(qū)定位，腦電疲勞特征快速提取算法、在線腦電特征過濾平滑算法，高魯棒性的腦電特征降維算法，高效的在線警覺度監(jiān)測算法以及警覺度自動標注算法等。目的是結合便攜式腦電采集系統(tǒng)，為將來開發(fā)基于腦電等生理信號的警覺度監(jiān)測系統(tǒng)提供理論和基本算法。
　　 本論文的主要貢獻和創(chuàng)新點體現(xiàn)在以下幾個方面:
　　 1.

3、腦電信號在線降噪去偽跡。本文提出了自適應在線降噪去偽跡算法，能自適應跟蹤隨時間變化的信號源，并具備偽跡源自動識別功能，且能在線自動重構出不含偽跡成分的腦電信號，以解決腦電采集過程中的噪音偽跡干擾問題。該算法的偽跡識別精度在90％以上，已達到人工標注的水平，相比于其他自動去偽跡算法，該算法能很好的解決偽跡信號源隨時間變化的問題，并且支持在線工作模式。
　　 2.警覺度關鍵腦區(qū)定位。本文提出了基于腦電信號的警覺度相關同步去同步概念，

4、基于該原理，開發(fā)了三種警覺度關鍵腦區(qū)定位算法，分別是基于線性相關系數(shù)的定位方法，基于ICA算法的定位方法和基于CSP算法的定位方法，并最終定位出枕葉附近為警覺度關鍵腦區(qū)。從警覺度關鍵腦區(qū)采集腦電信號可有效降低警覺度無關腦電信號的影響，并可以簡化腦電采集過程，增強腦電警覺度分析系統(tǒng)的實用性。
　　 3.腦電疲勞特征提取。對對數(shù)形式的腦電頻譜特征，本文給出了物理層面的解釋，進而定義了腦電的微分熵特征。提出了腦電特征中的乘性噪音問題，

5、并給出了不同腦電特征的乘性噪音消除方案。同時，結合警覺度實驗數(shù)據(jù)，對自回歸系數(shù)，能量譜，分形維數(shù)，樣本熵以及微分熵這五種腦電特征，從原理和性能兩個層面進行了詳細的對比分析。最終結果顯示，微分熵特征的警覺度表征能力最強，且性能最穩(wěn)定。
　　 4.腦電特征在線過濾。本文提出了基于線性動力系統(tǒng)模型的腦電特征過濾算法，用于消除腦電數(shù)據(jù)中的警覺度無關腦電特征。同時，結合警覺度實驗數(shù)據(jù)，從原理和性能兩個方面與傳統(tǒng)的滑動平均濾波器算法進行了對

6、比分析。結果顯示，該算法能更加充分合理的利用已觀測到的全部腦電數(shù)據(jù)，更好的消除警覺度無關腦電特征的影響，提高警覺度的估計精度。
　　 5.魯棒性的腦電特征降維。由于腦電特征中含有較強的噪音，傳統(tǒng)的特征降維算法如PCA，在受到噪音干擾后會導致計算出的主成分不準確，從而影響后續(xù)的警覺度估計性能。為了解決特征降維過程中的噪音問題，本文引入了具有抗噪能力的特征降維算法:RobustPCA，并基于具體的實驗數(shù)據(jù)，進行了對比分析。結果顯示，

7、RobustPCA算法相比于標準PCA算法，在處理含有較多噪音的腦電特征時，確實能有效提高警覺度估計系統(tǒng)的性能。
　　 6.高效的警覺度估計模型。本文提出了用于在線警覺度估計的Larsen-ELM算法，相比于SVM回歸模型，該算法在保證警覺度估計準確率的同時，具有高效的模型參數(shù)訓練效率，對處理大規(guī)模的腦電警覺度數(shù)據(jù)，具有較高的實用價值。
　　 7.基于腦電信號的警覺度自動標注算法。傳統(tǒng)警覺度標注算法通常代價過高，自動化性

8、能欠佳，且無法有效處理大規(guī)模的數(shù)據(jù)集。因此，本文提出了直接基于腦電數(shù)據(jù)的離散警覺度標注算法和連續(xù)警覺度標注算法。由于腦電特征隨警覺度變化而變化，該類型的算法能直接利用腦電特征的分布規(guī)律通過聚類算法和流形學習算法進行警覺度的自動標注。直接基于腦電數(shù)據(jù)的標注結果，與傳統(tǒng)的基于警覺度相關任務行為的標注結果相比，同樣能準確的標注出警覺度變化的整體走勢，只是在細節(jié)方面存在較小的誤差。由于該類型的算法是完全自動化實現(xiàn)，且無需訓練數(shù)據(jù)集，因此，該類型