一种基于pli-relief的疲劳驾驶脑电通道选择方法
技术领域
1.本发明涉及智能交通领域，尤其涉及一种基于pli-relief的疲劳驾驶脑电通道选择方法。
背景技术：
2.汽车的普及给我们的生活带来了极大的便利，随之而来的道路交通安全问题也越来越严重。研究表明，疲劳驾驶已成为影响交通安全的主要原因之一。疲劳驾驶所引起的交通事故，通常是在驾驶员没有采取风险规避措施的情况下发生的，这往往会导致连环交通事故，甚至造成更严重的后果，严重威胁着国家道路交通安全、经济发展和人民生活质量。因此，寻找一种可以对驾驶员疲劳状态进行实时准确监测的方法，在驾驶员感到疲劳或困倦时对其进行提示或者预警，对于减少人员伤亡和经济损失具有重要的现实意义。现阶段驾驶疲劳的检测方法以驾驶员的生理特征检测为主，尤其基于脑电信号的生理特征被认为是有效判断疲劳状态的客观手段。
3.基于脑电信号对疲劳驾驶状态进行识别是近年来的研究热点，主要是通过脑电帽采集驾驶员的多通道脑电信号，对脑电数据进行预处理之后提取脑电信号特征，然后通过建模来进行疲劳驾驶状态识别。常用的脑电信号分析方法主要包括时域分析、频域分析、时频分析以及非线性分析等。脑电信号是一种复杂的生理信号，它具有空间离散的非平稳特征，如果只从时频域或者空间连接关系进行分析，会丢失部分有效的信息，将影响最终的识别准确率。
4.疲劳驾驶监测研究的最终目标是可穿戴设备的开发和应用，这对疲劳监测系统的实时性、采集设备的便携性、操作的复杂性都有较高的要求，而目前基于脑电图eeg的疲劳驾驶监测大多使用32、64或128多通道设备来采集受试者在进行模拟驾驶任务时的脑电信号进行相关研究。在很多现实应用的场景中，无法满足在头部布置大量电极的条件，这就要求在保证疲劳驾驶监测准确率损失较小的情况下最大限度地减少脑电采集通道的数量，从而使其更加符合实际场景的需要。
技术实现要素：
5.针对上述情况，本发明提出一种基于pli-relief的疲劳驾驶脑电通道选择方法，在通道选择时既考虑了各eeg通道在空间上的相互关系，也考虑了通道信号本身的时频特征，在保证识别准确率的同时剔除了大量冗余通道，对可穿戴设备的开发和使用有一定的参考价值。
6.本发明所述的一种基于pli-relief的疲劳驾驶脑电通道选择方法，技术方案包括以下步骤：
7.步骤1：对原始脑电数据进行预处理，采用相位滞后指数计算各通道之间的关联关系，得到邻接矩阵；
8.步骤2：选取阈值对邻接矩阵进行二值化，将二值化的矩阵映射为脑功能网络，根
据网络属性选择相位同步性较高的通道作为初选通道；
9.步骤3：对每位被试，计算初选通道的功率谱密度特征，将每个通道当作一个特征，然后利用relief算法得到各初选通道的权重，并且将所有初选通道的权重归一化在[-1，1]之间，把所有被试的该通道权重进行加和，得到和个体无关的每个初选通道的权重：
[0010]
步骤4：按照权重大小对t个初选通道进行排序，从权值最大的通道开始分别取前n(n从1到t)个通道特征进行组合，并通过常用的分类算法进行疲劳状态分类，得到每种通道特征组合所对应的准确率，随着通道数目的增加，当疲劳状态识别准确率变化较小时，则选择当前的准确率对应的通道组合为最优通道选择结果。
[0011]
所述步骤2中，通过脑功能网络进行通道初选，在通道选择时考虑了各通道脑电信号在空间上的功能连接关系，弥补了传统方法仅使用时频域特征进行通道选择研究的不足。
[0012]
重点的算法过程如下：
[0013]
(1)脑网络构建在脑功能网络中，两个节点之间的pli值计算为：
[0014]
其中，n表示时间点的个数，δφ
rel
(tn)表示两个信号在时间点n处的相位差，sign是一个符号函数，当函数的自变量为正值时其输出为1，当自变量为负值时其输出为-1，当自变量为0时其输出为0。pli的值域为[0，1]，当pli的值等于0时，说明两个eeg信号的相位差分布完全对称，否则，pli的值越大，对应的两组eeg信号的相位差分布越不对称。
[0015]
在使用relief算法进行通道选择时，将每个脑电信号通道作为一个特征，然后计算出每个通道的权重，以此来进行脑电信号通道选择。
[0016]
(2)relief算法relief算法中权重的计算如式(2)所示。
[0017]
其中，x
ih
是第i个样本(i的取值是从1到k)xi的同类样本中的最近邻样本，x
im
是样本xi的异类样本中的最近邻样本，代表样本xi在特征j上的取值，同理，代表样本xi和样本x
ih
之间的距离，距离的计算根据特征j的类型分为两种，对离散型特征：对连续型特征：对连续型特征：代表样本xi和样本x
im
之间的距离，计算方法和相同，特征的权重越大，说明该特征和样本的类别更为相关，也更适用于进行样本的分类，反之，则表示该特征与样本的类别关系不大，不适用于进行样本的分类任务。与现有技术相比，本发明所达到的有益效果是：1、本发明将脑电信号在空间上的功能连接关系和信号本身的时频特征相结合，构
建模型，用于疲劳驾驶脑电通道选择，提出的框架在通道选择时既考虑了通道之间的相关性，也考虑了通道信号本身的特征，剔除了大量冗余通道，对可穿戴设备的开发和使用有一定的参考价值。2、本发明针对每个eeg通道提取一个特征，即该通道对应的psd特征，将每个eeg通道作为特征，通过relief算法进行特征选择也就是进行通道选择，为通道选择提供了一种新的思路。3、本发明在选择最少数量的通道时，仍保持了较高的疲劳状态识别准确率，克服了使用全通道eeg信号带来的数据冗余和计算复杂性，能够实现对eeg通道进行最优选择，为脑机接口可穿戴设备的开发和使用奠定了基础。
附图说明
[0018]
图1是本发明提出的疲劳驾脑电通道选择主流程图
[0019]
图2为基于pli-relief的疲劳驾驶脑电通道选择算法流程图
具体实施方式
[0020]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明的具体实施方式作进一步详细说明。参见图1和图2，一种基于pli-relief的疲劳驾驶脑电通道选择方法，包括脑网络构建、通道初选、初选通道权重计算、准确率选择法选择最优通道四部分，具体步骤如下：步骤一，实时采集脑电数据，或使用公开的脑电数据集作为原始脑电数据。例如，可采用疲劳驾驶研究领域的公开数据集seed-vig，其中包括了23名被试执行模拟驾驶任务时17个通道的脑电信号。步骤二，对原始脑电数据进行预处理，采用相位滞后指数计算各通道之间的关联关系，得到邻接矩阵；两个节点之间的pli值计算为：其中，n表示时间点的个数，δφ
rel
(tn)表示两个信号在时间点n处的相位差，sign是一个符号函数，当函数的自变量为正值时其输出为1，当自变量为负值时其输出为-1，当自变量为0时其输出为0。pli的值域为[0，1]，当pli的值等于0时，说明两个eeg信号的相位差分布完全对称，否则，pli的值越大，对应的两组eeg信号的相位差分布越不对称。步骤三，对每位被试，计算初选通道的功率谱密度特征，将每个通道当作一个特征，然后利用relief算法得到各初选通道的权重，并且将所有初选通道的权重归一化在[-1，1]之间，把所有被试的该通道权重进行加和，得到和个体无关的每个初选通道的权重；步骤四，按照权重大小对t个初选通道进行排序，从权值最大的通道开始分别取前n(n从1到t)个通道特征进行组合，并通过常用的分类算法进行疲劳状态分类，得到每种通道特征组合所对应的准确率，随着通道数目的增加，当疲劳状态识别准确率变化较小时，则选择当前的准确率对应的通道组合为最优通道选择结果。