本发明提供一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，本发明相对于现有技术具有较高的可靠性和准确性，通过信息流动的方向、因果关系构建有效的疲劳分类网络，以对不同精神状态下脑网络的连接特性进行分类，有效验证拓扑结构研究的结果，提高对驾驶疲劳的检测能力。本发明通过广义一致性算法的方法构建脑网络，将大脑视为一个多区域协同合作的网络，研究其信息流通方向及节点间因果关系，分析不同精神状态下大脑网络的拓扑结构变化，揭示疲劳产生的机理，为疲劳相关研究提供一种新的视角。本发明利用相关向量机对连接特征进行分类，能够实现90％以上的分类精度，验证拓扑结构分析的可靠性，还为疲劳检测提供一种新的方法。
1.一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于，包括以下步骤：S1)、采集受试者模拟驾驶时的脑电信号；
S2)、在模拟驾驶过程中，随机发布刹车命令，记录受试者的反应时间；
S3)、通过独立成分分析去除采集到的原始脑电信号中的眼电信号；
S4)、采用小波包变换对脑电信号信号进行分解与重构，按照频率范围重构为三个子频带Theta，Alpha，Beta；
S5)、采用电磁成像eLORETA技术对脑电信号的每个子频带的信号进行溯源，将头皮信号溯源到大脑皮层上；
S6)、采用广义一致性算法的方法计算各通道间的统计学耦合关系；
S7)、通过各通道间的耦合关系，形成因效连接网络，得到清醒与疲劳时的信息流向；
S8)、确定合适的阈值，构建脑功能网络，分析其拓扑结构变换；
S9)、通过不同的连接特性，利用相关向量机对不同精神状态进行分类，判断驾驶疲劳。
2.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S1)中，采用无线干电极脑电采集设备采集受试者模拟驾驶时的脑电信号，模拟时长为90min，并且每位受试者模拟驾驶时的脑电信号采集多次，分别作为训练信号集和测试信号集。
3.根据权利要求2所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S1)中，采集受试者模拟驾驶时的脑电信号时采用国际10-20标准放置电极，共24个导联。
4.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S2)中，设置阈值θ1和θ2，当反应时间低于θ1时，θ1所在的时间点之前标记为清醒数据，当反应时间位于θ1和θ2之间时，两个阈值所在时间点间的数据标记为中间状态，当反应时间高于θ2时，θ2所在的时间点之后的数据标记为疲劳状态。
5.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S4)中，重构的三个子频带Theta，Alpha，Beta的频率分别为4-8Hz、8-
6.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S5)中，采用电磁成像eLORETA技术对脑电信号的每个子频带的信号进行溯源，其通过如下公式实现对大脑皮层的定位：其中，为第i个素体精神活动的估计，Ki是导联场矩阵，H为海森矩阵，W为权值，为第i个素体的任意测试点，α为表示正则化参数，(KW-1KT+αH)+表示KW-1KT+αH的值为正时才具有意义；
对溯源后的信号设置时间窗，时间窗为10S，步长为5S。
7.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S6)中，对脑电信号中每两个节点计算统计学耦合关系，通过计算GPDC值，得出每个通道间信息流动方向，形成因效性连接，GPDC的计算方法如下：对于N个通道的时间序列X(t)：
其中，Ak是一个N维系数矩阵，E(t)＝[ε1(t)…εN(t)]T为随机误差，ε1(t)是高斯分布，x(t-k)为第k阶通道数据；
其中，πij(f)表示信号xj对信号xi的影响，取值范围时0到1，当πij(f)等于0时，表信号xj对信号xi完全没有影响，等于1时，则xj产生的影响完全作用到了xi上；σi表示协方差矩阵的对角线， 表示多元线性回归模型的傅里叶变换，通过计算节点中两两之间的信息流动方向，可以形成因效性连接矩阵。
8.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S8)中，所述的阈值设置为20％，通过阈值筛选有用连接，大于阈值则连接有用，视为通道间联通，小于阈值则不存在连接，经过阈值的筛选之后，形成受试者清醒、疲劳时的脑功能网络，可分析受试者不同精神状态下的脑功能网络拓扑结构。
9.根据权利要求1所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：步骤S9)中，使用相关向量机作为分类方法对受试者清醒与疲劳状态下的脑网络的连接特征进行分类，实现驾驶疲劳的检测，具体分类方法如下：对于输入变量x，设定分类目标为0或者1，在对y(x；w)引入逻辑sigmoid链接函数σ(y)＝1/1+exp(-y)，使P(t|x)符合伯努利分布，得到输入变量的目标函数的概率预测为：其中， wn为权值；K(x,xi)为核函数。
10.根据权利要求9所述的基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，其特征在于：使用径向基核函数，将样本从低维空间映射到高维空间中，其公式如下：K(x,xi)＝exp(-g||x-xi||2)；
一种基于广义一致性构建脑功能网络与相关向量机的疲劳分
类方法
技术领域
[0001] 本发明涉及一种，尤其是一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法。
背景技术
[0002] 随着经济的快速发展，汽车成为人们生活中的主要交通工具，然而，交通安全也成为社会急需解决的问题。其中疲劳驾驶是重大交通安全事故的重要诱因之一。因此，通过研究驾驶疲劳的产生及诱发的机理，检测驾驶员的生理、心理、行为等状态，对受试者的疲劳程度做出判断，有利于提高行车安全，减少因疲劳造成的交通事故。
[0003] 驾驶员在正常状态下与疲劳状态下的生理特征有所差异。因此，可以通过检测生理特征判断驾驶员是否处于疲劳驾驶状态。
[0004] 目前，常用基于生理特征的检测方法主要包括脑电信号(EEG)、眼电信号(EOG)、心电信号(ECG)、肌电信号(EMG)等。其中，
[0005] 眼电信号EOG(Electro-oculogram)是角膜和视网膜之间的电势差信号，能够反映出视线方向变化、眨眼等眼球运动情况。根据EOG的波形变化，可以清楚地分析出在某一时刻眼睛的状态变化，从而判断此刻的驾驶员警觉程度以及是否处于疲劳驾驶状态。
[0006] 正常和疲劳状态下人的心率(Heart Rate，HR)变化有着很大差异，因此，可以通过心电信号ECG(Electrocardiograph)或者脉搏信号获得心率变化，来检测驾驶员的疲劳程度。一些研究人员致力于研究心率变异性(Heart Rate Variability，HRV)与驾驶员疲劳的关系，开发基于心电图的疲劳检测系统，验证ECG或脉搏信号作为疲劳检测指标的可靠性。
[0007] 肌电信号EMG(Electromyography)是肌肉活动产生的生物电信号，可以反映神经、肌肉的功能状态。Hostens等人采用诱发电位方法，发现长途驾驶的驾驶员肌电有着明显变化，随着驾驶时间的增长，驾驶员肌电信号的平均频率下降，而信号幅值却大幅度增加。
[0008] 脑电信号EEG(Electroencephalograph)是最常用的检测疲劳的生理信号。EEG信号的不同节律波能够表征人的不同状态，与疲劳也有着密切关系。驾驶员精力充沛时和疲劳驾驶时的脑电信号有着明显不同的特征，通过对比分析脑电波频谱的变化规律，就可以获得可以表征驾驶员疲劳程度的特征值，如功率谱密度比值、Shannon熵等，就可以对不同程度的疲劳状态做出评价和判断。
[0009] 基于生理信号的驾驶疲劳检测中，只有脑电能够直接反应人的大脑的精神状态变化，基于眼电、心电、肌电等检测方法虽然能够检测驾驶疲劳，但其仅是大脑在不同精神状态下对身体的控制的反应，无法通过相关研究揭示疲劳在脑部的演变过程以及疲劳形成的机理，促进对大脑的研究，研究疲劳产生的根源。大脑通过不同区域的相互连接和集群工作来实现信息交互。人的意识、行为等状态也并非由某个区域单独决定，而往往是由全脑的多个区域共同协作完成的。但基于功率谱、熵的驾驶疲劳检测方法没有涉及大脑区域性的信息，无法全面、系统研究驾驶疲劳产生的机理。而在脑功能网络的构建中，功能连接网络(例如：相位滞后指数方法、相位锁定值方法等)无法反映信息的流向及节点间因果关系。在现有的疲劳相关技术中，少有对疲劳与清醒状态下的脑功能网络拓扑结构进行研究，更没有对清醒与疲劳状态下的脑网络进行分类，研究其相关方法的可靠性。
发明内容
[0010] 针对现有技术的不足，本发明提供一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，本发明相对于现有技术具有较高的可靠性和准确性，通过信息流动的方向、因果关系构建有效的疲劳分类网络，以对不同精神状态下脑网络的连接特性进行分类，有效验证拓扑结构研究的结果，提高对驾驶疲劳的检测能力。
[0011] 本发明的技术方案为：一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，包括以下步骤：
[0012] S1)、采集受试者模拟驾驶时的脑电信号；
[0013] S2)、在模拟驾驶过程中，随机发布刹车命令，记录受试者的反应时间；
[0014] S3)、通过独立成分分析去除采集到的原始脑电信号中的眼电信号；
[0015] S4)、采用小波包变换对脑电信号信号进行分解与重构，按照频率范围重构为三个子频带Theta，Alpha，Beta；
[0016] S5)、采用电磁成像eLORETA技术对脑电信号的每个子频带的信号进行溯源，将头皮信号溯源到大脑皮层上；
[0017] S6)、采用广义一致性算法的方法计算各通道间的统计学耦合关系；
[0018] S7)、通过各通道间的耦合关系，形成因效连接网络，得到清醒与疲劳时的信息流向；
[0019] S8)、确定合适的阈值，构建脑功能网络，分析其拓扑结构变换；
[0020] S9)、通过不同的连接特性，利用相关向量机对不同精神状态进行分类，判断驾驶疲劳。
[0021] 进一步的，步骤S1)中，采用无线干电极脑电采集设备采集受试者模拟驾驶时的脑电信号，时长为90min，并且每位受试者模拟驾驶时的脑电信号采集多次，分别作为训练信号集和测试信号集。
[0022] 进一步的，步骤S1)中，采集受试者模拟驾驶时的脑电信号时采用国际10-20标准放置电极，共24个导联。
[0023] 进一步的，步骤S2)中，设置阈值θ1和θ2，当反应时间低于θ1时，θ1所在的时间点之前标记为清醒数据，当反应时间位于θ1和θ2之间时，两个阈值所在时间点间的数据标记为中间状态，当反应时间高于θ2时，θ2所在的时间点之后的数据标记为疲劳状态。
[0024] 进一步的，步骤S4)中，重构的三个子频带Theta，Alpha，Beta的频率分别为4-8Hz、8-13Hz、13-30Hz。
[0025] 进一步的，步骤S5)中，采用电磁成像eLORETA技术对脑电信号的每个子频带的信号进行溯源，其如下公式实现对大脑皮层的定位：
[0026]
[0027] 其中，为第i个素体精神活动的估计，Ki是导联场矩阵，H为海森矩阵，W为权值，为第i个素体的任意测试点，α为表示正则化参数、(KW-1KT+αH)+表示KW-1KT+αH的值为正时才具有意义；
[0028] 对溯源后的信号设置时间窗，时间窗为10S，步长为5S。
[0029] 进一步的，步骤S6)中，对脑电信号中每两个节点计算统计学耦合关系，通过计算GPDC值，得出每个通道间信息流动方向，形成因效性连接，GPDC的计算方法如下：
[0030] 对于N个通道的时间序列X(t)：
[0031] X(t)＝[x1(t)…xN(t)]T；
[0032] 其中，xi(t)为第i个通道的数据；
[0033] 假定其满足一个P阶的多元线性回归模型
[0034]
[0035] 其中，Ak是一个N维系数矩阵，E(t)＝[ε1(t)…εN(t)]T为随机误差，ε1(t)是高斯分布，x(t-k)为第k阶通道数据；
[0036] GPDC的单方向指数定义为：
[0037]
[0038] 其中，πij(f)表示信号xj对信号xi的影响，取值范围时0到1，当πij(f)等于0时，表信号xj对信号xi完全没有影响，等于1时，则xj产生的影响完全作用到了xi上；σi表示协方差矩阵的对角线， 表示多元线性回归模型的傅里叶变换，通过计算节点中两两之间的信息流动方向，可以形成因效性连接矩阵。
[0039] 进一步的，步骤S8)中，所述的阈值设置为20％，通过阙值筛选有用连接，大于阈值则说明连接有用，视为通道间联通，小于阈值则不存在连接，经过阈值的筛选之后，形成受试者清醒、疲劳时的脑功能网络，可分析受试者不同精神状态下的脑功能网络拓扑结构。
[0040] 进一步的，步骤S9)中，使用相关向量机作为分类方法对受试者清醒与疲劳状态下的脑网络的连接特征进行分类，实现驾驶疲劳的检测，具体分类方法如下：
[0041] 对于输入变量x，设定分类目标为0或者1，在对y(x；w)引入逻辑sigmoid链接函数σ(y)＝1/1+exp(-y)，使P(t|x)符合伯努利分布，得到输入变量的目标函数的概率预测为：
[0042]
[0043] 其中， wn为权值；K(x,xi)为核函数。
[0044] 进一步的，使用径向基作为核函数，将样本从低维空间映射到高维空间中，其公式如下：
[0045] K(x,xi)＝exp(-g||x-xi||2)；
[0046] 其中，g为高斯核。
[0047] 通过RVM进行分类，实现了90％以上的分类精度，可以对清醒与疲劳等不同的精神状态进行有效分类。
[0048] 本发明的有益效果为：
[0049] 1、本发明通过广义一致性算法的方法构建脑网络，将大脑视为一个多区域协同合作的网络，研究其信息流通方向及节点间因果关系，分析不同精神状态下大脑网络的拓扑结构变化，揭示疲劳产生的机理，为疲劳相关研究提供一种新的视角。
[0050] 2、本发明利用滤波算法对采集脑电信号进行去噪处理，避免到眼电、肌电、身体活动、设备干扰等导致的干扰，提高脑信号的信噪比。
[0051] 3、本发明通过信号重组算法按照频带的划分，将数据按照频率范围分解、重构得到三个子频带的信号。
[0052] 4、本发明使用电磁成像(eLORETA)技术对脑电信号进行溯源，将头皮信号溯源到大脑皮层上，再对溯源后的信号使用广义一致性算法，得到节点间信息的流向，然后构建因效联接网络，之后基于复杂网络理论，对清醒状态至疲劳状态的演变进行脑网络的拓扑属性分析。
[0053] 5、本发明利用相关向量机对连接特征进行分类，能够实现90％以上的分类精度，验证拓扑结构分析的可靠性，还为疲劳检测提供一种新的方法。
附图说明
[0054] 图1为本发明实施例基于广义一致性驾驶疲劳检测流程图；
[0055] 图2为本发明实施例采用的改进国际10-20系统电极放置图。
具体实施方式
[0056] 下面结合附图对本发明的具体实施方式作进一步说明：
[0057] 如图1所示，一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，包括以下步骤：
[0058] S1)、通过无线干电极脑电采集设备采集受试者模拟驾驶时的脑电信号，时长为90分钟，采集32位受试者的脑电数据，对每位受试者进行两次脑电信号采集，第一次作为训练数据，第二次作为测试。在脑电信号采集时，使用改进的国际10-20标准放置电极，共24个导联，电极放置方式如图2所示。
[0059] S2)、在受试者进行模拟驾驶时，由屏幕中引导车随机发出刹车命令，记录受试者在看到命令和做出反应的时间间隔，统计反应时间。为保证受试者都进入疲劳状态，统计反应时间变化，设置阈值θ1和θ2，当反应时间低于θ1时，θ1所在的时间点之前标记为清醒数据，当反应时间位于θ1和θ2之间时，两个阈值所在时间点间的数据标记为中间状态，当反应时间高于θ2时，θ2所在的时间点之后的数据标记为疲劳状态。阈值来源于训练，由于受试者的个体差异，时间间隔阈值设置不统一。因此在测试前需要通过训练获得面向个体受试者的时间间隔阈值。其中θ1的计算方法为在训练实验的过程中，从开始进行实验到第一次受试者表现为疲劳状态(如打呵欠)或汽车行车路径偏离正常运行轨迹的时间段内，反应时间的平均值；其θ2计算方法是训练实验过程中，受试者外在表现为疲劳状态(如打呵欠)或汽车行车路径偏离正常运行轨迹的时间段内，反应的时间间隔的平均值。采集数据的采样频率为250Hz。
[0060] S3)、对采集的脑电信号进行预处理，独立成分分析，去除眼电信号的干扰，保留有用的脑电数据，避免到眼电、肌电、身体活动、设备干扰等导致的干扰，提高脑信号的信噪比。
[0061] S4)、采用小波包变换对脑电信号信号进行分解与重构，按照频率范围重构为三个子频带Theta，Alpha，Beta；其中，θ波的频率为4-8Hz，α波的频率为8-13Hz，β波的频率为13-30Hz。
[0062] S5)、重构后的24个通道的信号，采用新的节点定义方法，使用eLORETA方法，对采集到的24个通道的头皮信号进行溯源，将其溯源到大脑皮层。eLORETA可通过如下公式实现对皮层的定位：
[0063]
[0064] 其中， 为第i个素体精神活动的估计，Ki是导联场矩阵，H为海森矩阵，W为权值，为第i个素体的任意测试点，α为表示正则化参数、(KW-1KT+αH)+表示KW-1KT+αH的值为正时才具有意义；
[0065] 对溯源后的信号设置时间窗，时间窗为10S，步长为5S。
[0066] S6)、采用广义一致性算法的方法计算各通道间的统计学耦合关系，本发明采用因效性网络的方法，通过计算GPDC值，得出每个通道间信息流动方向，形成因效性连接。GPDC的计算方法如下：
[0067] 对于N个通道的时间序列X(t)：
[0068] X(t)＝[x1(t)…xN(t)]T；
[0069] 其中，xi(t)为第i个通道的数据；
[0070] 假定其满足一个P阶的多元线性回归模型
[0071]
[0072] 其中，Ak是一个N维系数矩阵，E(t)＝[ε1(t)…εN(t)]T为随机误差，ε1(t)是高斯分布，x(t-k)为第k阶通道数据；
[0073] 由此得到系数矩阵的傅里叶变化：
[0074]
[0075] GPDC的单方向指数定义为：
[0076]
[0077] 其中，πij(f)表示信号xj对信号xi的影响，取值范围时0到1，当πij(f)等于0时，表信号xj对信号xi完全没有影响，等于1时，则xj产生的影响完全作用到了xi上；σi表示协方差矩阵的对角线， 表示多元线性回归模型的傅里叶变换。
[0078] S7)、通过各通道间的耦合关系，形成因效连接网络，得到清醒与疲劳时的信息流向。
[0079] S8)、因效性连接矩阵中包含大量信息，并非所有的连接都是有用的，本实施例设置阈值为20％，筛选有用连接，大于阈值则说明连接有用，视为通道间联通，小于阈值则不存在连接。
[0080] 经过阈值的筛选之后，形成受试者清醒、疲劳时的脑功能网络，可分析受试者不同精神状态下的脑功能网络拓扑结构。EEG数据时间分辨率高，可实时构建脑功能网络，能够对受试者从清醒到疲劳的脑功能网络变化进行实时监控，利于分析脑网络的拓扑属性及信息流向。
[0081] S9)、本实施例采用相关向量机作为分类方法对受试者清醒与疲劳状态下的脑网络的连接特征进行分类，实现驾驶疲劳的检测。相关向量机的分类方法如下：
[0082] 对于输入变量x，设定分类目标为0或者1，在对y(x；w)引入逻辑sigmoid链接函数σ(y)＝1/1+exp(-y)，使P(t|x)符合伯努利分布，得到输入变量的目标函数的概率预测为：
[0083]
[0084] 其中， wn为权值；K(x,xi)为核函数。
[0085] 进一步的，使用径向基作为核函数，将样本从低维空间映射到高维空间中，其公式如下：
[0086] K(x,xi)＝exp(-g||x-xi||2)；
[0087] 其中，g为高斯核。
[0088] 通过RVM进行分类，实现了90％以上的分类精度，可以对清醒与疲劳等不同的精神状态进行有效分类，为驾驶疲劳的分类提供新的方法。
[0089] 上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
