基于腦電信號(hào)的警覺度標(biāo)注、估計(jì)與實(shí)時(shí)監(jiān)測(cè)技術(shù)研究.pdf

1、二十一世紀(jì)被認(rèn)為是腦科學(xué)的時(shí)代，對(duì)人類大腦的研究和探索已經(jīng)成為當(dāng)代自然科學(xué)發(fā)展最快最具吸引力的分支之一。腦電信號(hào)（Electroencephalogram, EEG）是由腦內(nèi)億萬(wàn)神經(jīng)元活動(dòng)而引起的頭皮表面電位變化，其中包含了豐富的大腦狀態(tài)信息，而警覺度狀態(tài)也可以由腦電信號(hào)準(zhǔn)確、及時(shí)地反映出來(lái)。根據(jù)人的腦電信號(hào)分析、監(jiān)測(cè)人的警覺度狀態(tài)，是計(jì)算機(jī)科學(xué)與生物學(xué)的一次有效結(jié)合，也是我們了解和利用大腦信息的有效手段。
　　在現(xiàn)代心理學(xué)中，警

2、覺度（Vigilance），或持續(xù)注意力，是指在一段長(zhǎng)時(shí)間中保持注意力和警惕性的能力。在許多關(guān)鍵行業(yè)中，由于操作人員需要長(zhǎng)時(shí)間地執(zhí)行單調(diào)而重復(fù)的操作，他們會(huì)不可避免地發(fā)生警覺度下降問題，人們希望用計(jì)算機(jī)來(lái)分析、監(jiān)測(cè)人的警覺度，以滿足這些行業(yè)的需求。本文基于上述的背景和生理學(xué)基礎(chǔ)，研究了基于腦電信號(hào)的警覺度分析技術(shù)，本文針對(duì)駕駛員的警覺度監(jiān)測(cè)問題，設(shè)計(jì)了模擬駕駛實(shí)驗(yàn)，提出了完整的腦電信號(hào)處理框架，并將腦電信號(hào)分類為清醒、困倦和睡眠三類。<

3、br>　　本文提出了完整的腦電信號(hào)處理和警覺度分析框架。我們?cè)O(shè)計(jì)實(shí)現(xiàn)了一套完整的解決方案，用于獲取腦電信號(hào)，處理分析腦電信號(hào)，并估計(jì)警覺度。相關(guān)的處理流程和技術(shù)包括：模擬駕駛實(shí)驗(yàn)平臺(tái)，設(shè)計(jì)了模擬駕駛環(huán)境，用于獲取腦電信號(hào)；腦電信號(hào)的去偽跡，我們采用基于獨(dú)立成分分析的方法從原始腦電信號(hào)中去除噪聲和偽跡；腦電信號(hào)的標(biāo)定，本文用無(wú)刺激的標(biāo)定方法，通過兩名研究員觀察模擬駕駛實(shí)驗(yàn)時(shí)的視頻并結(jié)合腦電波形，將腦電信號(hào)標(biāo)定為清醒、困倦和睡眠三類；樣本的

4、劃分，腦電信號(hào)被劃分成了5秒長(zhǎng)的段，每一段作為一個(gè)樣本，相鄰的樣本間有2.5秒的窗口重疊；特征提取，本文中采用了三種特征提取方法，也可以使用其他的腦電信號(hào)特征提取方法；特征選擇，使用基于隨機(jī)森林的特征選擇方法，本文采用了RF-RFE特征排序算法，從特征集中選出對(duì)分類結(jié)果影響最大的特征子集；分類器訓(xùn)練和分類，使用訓(xùn)練集的樣本訓(xùn)練支持向量機(jī)，并將測(cè)試集的樣本分類為清醒、困倦和睡眠中的一類。上述的處理流程，可以作為腦電信號(hào)處理和警覺度分析的通

5、用解決方案。
　　由于特征提取是腦電信號(hào)處理系統(tǒng)的關(guān)鍵步驟，本文還深入地研究了不同的特征對(duì)系統(tǒng)的性能影響。我們提出了一組新的基于連續(xù)小波變換（Continuous Wavelet Transform，CWT）的特征，傳統(tǒng)的基于CWT的腦電信號(hào)處理方法通常只用一個(gè)小波函數(shù)，在多個(gè)尺度上計(jì)算腦電信號(hào)的小波系數(shù)。本文的方法與之不同，我們更深入地探索了如何了從腦電信號(hào)中提取出所需要的信息，我們的設(shè)計(jì)可以使CWT計(jì)算的小波系數(shù)更加精確地提取

6、出腦電信號(hào)中與警覺度有關(guān)的信息。結(jié)果表明，這樣一組基于CWT的特征在我們的算法框架中取得了極高的準(zhǔn)確率。
　　本文系統(tǒng)地分析和比較了上述基于CWT的特征和另外兩種在腦電信號(hào)處理系統(tǒng)中常用的特征，分別基于離散小波變換（Discrete Wavelet Transform, DWT）和分形維數(shù)（Fractal Dimension, FD）。優(yōu)質(zhì)的特征體現(xiàn)在它不僅能非常準(zhǔn)確地提取出腦電信號(hào)中能區(qū)分不同警覺度狀態(tài)的信息，同時(shí)它必須能以盡可

7、能小的時(shí)間代價(jià)計(jì)算出來(lái)。本文分別從分類準(zhǔn)確度和計(jì)算時(shí)間兩個(gè)因素，分析和比較了這三種特征在我們的算法框架中的性能表現(xiàn)。在我們的實(shí)驗(yàn)數(shù)據(jù)上，三種特征都獲得了較高的分類準(zhǔn)確率（超過90％），而CWT表現(xiàn)得比其它兩種更高一些。但是，在計(jì)算時(shí)間因素上，CWT特征的表現(xiàn)卻遠(yuǎn)遠(yuǎn)低于DWT特征和FD特征。FD特征的計(jì)算時(shí)間幾乎可以忽略，而DWT特征的計(jì)算耗時(shí)也完全可以滿足實(shí)時(shí)性需求，但CWT特征的計(jì)算由于需要復(fù)雜的變換，而且需要在多個(gè)小波函數(shù)上計(jì)算，因