[0015] 如图1所示,通过gUSBamp放大器来记录Fz、Pz、Oz、Fp1、Fp2、F7、F3、F4、F8、C3、C4、P7、P3、P4和P8这15个通道的原始数据。
[0016] 脑电数据的处理单位为1s,选取F3、Fz、F4、P3、Pz和P4这6个通道的脑电原始数据x(n)={x(0),x(1),...,x(N-1)},采用Welch法进行功率谱估计,选择汉宁窗函数w(n)进行窗处理,则计算通道w的M频段的功率谱估计为:
[0017]
[0018] 其中归一化因子为:
[0019]
[0020] 由此可分别计算得到通道w(w为F3、Fz、F4、P3、Pz、P4)的α,β和θ频段功率谱估计为Iα(w),Iβ(w)和Iθ(w);
[0021] 则,脑电的功率谱特征数据——脑电疲劳指数为:
[0022] w=F3、Fz、F4、P3、Pz、P4
[0023] w=F3、Fz、F4、P3、Pz、P4
[0024] 选取Pz-Fz、P3-P4这2对电极通道的脑电原始数据,则脑电相位同步特征数据—Pz-Fz和P3-P4的delta频段的平均相位相干性(mean phase coherence,MPC)为:
[0025]
[0026] 其中,Δt为采样周期,N为样本点数,θH(kΔt)为在k个采样周期后的信号的瞬时相位,λ的取值范围是[0,1],若λ=0,表明信号x(t)和y(t)相位完全不同步,若λ=1则表明信号x(t)和y(t)相位完全同步。
[0027] 心电信号的原始数据采集是利用通过16通道的gUSBamp放大器的没有用到的最后一个通道得到。一个典型的心电信号(图3)是包含着P波、QRS波和T波。其中QRS波是最明显的,包含着许多跟心脏状态有关的信息。
[0028] 从图3来看R波具有变化快,幅度大,持续时间短等明显特征,可以采用差分阈值法来进行R波的监测。对于得到的滤波后的心电信号X(i),i=1,2,...,计算一阶差分和二阶差分为:
[0029] f′(i)=[X(i+1)-X(i-1)]/2
[0030] f″i(i)=[f′(i+1)-f′(i-1)]/2
[0031] 把一阶差分和二阶差分相结合得:
[0032] F(i)=f′(i)×f′max+f″(i)×f″max
[0033] 给定的阈值为:
[0034] Rthr=C×fmax
[0035] 其中,C为经验参数,fmax为F(i)最大值;
[0036] 若存在连续的F(i)>Rthr,则在R点附近存在一个QRS波,在该附近查找振幅绝对值最大值点,即为R波的波峰点。
[0037] 计算窗口时间100s内所有RR期间的平均值(单位ms)为:
[0038]
[0039] 则,心电的时域特征数据—心率(Heart Rate,HR)为:
[0040]
[0041] 10s为窗口前移步长,即重叠窗口为90s,重复计算HR,得到驾驶过程中的心率数据。
[0042] 对于心电数据样本时间序列X(tj),j=1,2,3,...,N,采用Lomb-Scargle周期图法,计算频率f的周期信号功率为:
[0043]
[0044] 其中,tj是样本时间,N是样本总数,τ是时间平移变量。
[0045] 计算LF(低频,频率范围为0.04~0.14Hz)的周期信号功率为:
[0046]
[0047] 计算HF(高频,频率范围为0.15~0.4Hz)的周期信号功率为:
[0048]
[0049] 则,心电的频域特征数据为:LF/HF。
[0050] 在上述计算脑电和心电特征数据时,脑电特征提取的窗口为1s,而心电特征的窗口为100s。为了便于脑电和心电信号的直接比较和融合,对100s内的脑电特征取其均值作为脑电100s的特征数据,以便与心电特征对应。
[0051] 将得到的脑电和心电特征数据整理为(xi,yi),i=1,...,n,x∈Rd,y∈{+1,-1}(+1表示疲劳时的脑电或心电数据,-1表示清醒时的脑电或心电数据),并将其作为SVM进行分类的样本数据。由于脑电和心电数据的特征向量在输入空间Rd中线性不可分,非线性SVM通过非线性映射函数:
[0052] φ:Rd→H
[0053] 将特征向量x∈Rd映射到高维(可能无限维)欧几里得空间H。
[0054] 在非线性SVM情况下,两分类的最优分类面的方程为:
[0055] φ(x)·w+b=0
[0056] 之后将问题转化为以下的最优解问题:
[0057]
[0058]
[0059] 最优分类面问题转化为对偶问题:
[0060]
[0061]
[0062] 判断函数为:
[0063]
[0064]
[0065] 在实验室测得7位被测试者的结果如下:
[0066]
[0067] 基于实验数据检测可得:
[0068] (1)融合特征的分类效果总体上比单种特征好。
[0069] (2)脑电特征的分类效果优于心电特征。
[0070] 该实验数据从侧面证明了,该方法强调决策信息的全面性,融合特征的分类效果总体上比单种特征好,运用两种正交的生理指标来检测驾驶疲劳,有助于提高检测的准确率。该数据也证明了分类器的实时性和准确性,提供了疲劳驾驶预警系统能实际应用的必要前提和基本条件。