一种基于eemd的疲劳脑电特征提取方法
阅读说明：本技术 一种基于eemd的疲劳脑电特征提取方法 (EEMD-based fatigue electroencephalogram feature extraction method ) 是由 马玉良 郑赟 孙明旭 高云园 佘青山 于 2021-06-25 设计创作，主要内容包括：本发明公开了一种基于EEMD的疲劳脑电特征提取方法。本发明首先使用脑电采集设备采集疲劳驾驶信号,选取大脑皮层上能显著反映疲劳状态的电极通道并预处理；对信号进行EEMD分解并获得前3个IMF分量；对每个IMF分量进行STFT,并且计算每个IMF分量的PSD；最后使用多种分类器分别对数据进行二分类,验证了特征的鲁棒性。本发明减少了使用的电极数,减少了冗余信息,大大增加了实用性,并且使用了EEMD-IMF-PSD特征提高了分类准确率,优于传统的5个子频带的PSD特征。(The invention discloses a fatigue electroencephalogram feature extraction method based on EEMD. Firstly, collecting fatigue driving signals by using electroencephalogram collecting equipment, selecting and preprocessing an electrode channel on cerebral cortex capable of obviously reflecting fatigue state; EEMD decomposition is carried out on the signal to obtain the first 3 IMF components; performing STFT on each IMF component, and calculating PSD of each IMF component; and finally, performing secondary classification on the data by using various classifiers respectively, and verifying the robustness of the characteristics. The invention reduces the number of used electrodes, reduces redundant information, greatly increases the practicability, and improves the classification accuracy by using the EEMD-IMF-PSD characteristic, which is superior to the traditional PSD characteristic of 5 sub-bands.)
技术领域
本发明涉及驾驶疲劳脑电特征提取方法，具体一种将疲劳脑电信号经过 EEMD分解后提取特征的方法。
背景技术
驾驶疲劳会导致严重的事故，特别是当司机在长途驾驶时经常感到疲劳或昏昏欲睡的时候。因此，疲劳检测已成为行车安全领域的一个重要课题。目前，主要的疲劳检测方法有以下三类:
(1)行为特征：包括横向车道位置的变化(是最常用的通过车辆行为来检测疲劳驾驶的指标之一)和车辆行驶方向差异的变化。这些指标在概念上很容易理解，但是这些指标的选择还没有形成统一标准，这使得它们的实现具有挑战性。
(2)面部表情特征，如静息闭眼程度或点头频率。虽然这些特征简单易用，但这些特征的检测受多种因素的影响，包括图像角度和照明程度等。这些缺点降低了它们的整体识别精度。
(3)生理特征，包括心电图(ECG)、心率、肌电图(EMG)、基于脑电图(EEG) 的特征。与行为特征和面部特征不同，这些特征是人体生理变化的客观标志。在这些信号中，脑电图被认为是最直接、最有效、最有前途的一种检测驾驶疲劳的信号。基于脑电的疲劳驾驶检测一般分为如下4个步骤：数据采集，数据预处理，特征提取，分类。
在基于脑电信号的疲劳检测中，不同的特征选择方法直接影响分类准确率。常用的方法是将脑电图信号分为Alpha波段、Beta波段、Gamma波段、Delta 波段和Theta波段，然后计算每个频段的功率谱密度作为信号特征。一些研究者改进了频带的选择，通过不同的频带组合获得了更合适的特征。这种简单的特征提取方法虽然有效，但由于基于频域提取特征只会忽略大量隐藏的时域信息，精度有限。因此，采用适当的时频分析方法进行脑电信号特征提取可以进一步提高驾驶疲劳检测的分类准确率。短时傅里叶变换(STFT)用于驾驶疲劳检测的时频域分析。短时傅里叶变换用于驾驶疲劳检测的局限性在于时间窗长度固定。对于非平稳信号，如脑电图(EEG)，在高频段分析时需要小窗，而在低频段分析时需要大窗。
经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应时频分析方法，它根据数据本身的时间尺度特征自适应地进行信号分解，克服了短时傅里叶变换(STFT)中时间窗长度固定的限制。然而，经验模态分解的局限性在于模态混叠的频繁出现，导致了虚假的时频分布。为了进一步提高EMD的性能，有学者提出集成经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)。EEMD包括对白噪声信号进行综合筛选，并将其均值作为最终的真值。通过加入白噪声来提高极值点的信号分布精度，可以更有效地解决原EMD的模态混叠问题，显著提高信号的信噪比。
发明内容
本发明针对现有技术的不足，提出了一种基于EEMD的疲劳脑电特征提取方法，包括以下步骤：
步骤1.使用设备采集疲劳模拟驾驶脑电信号；
步骤2.根据疲劳脑电信号在大脑皮层中的相关区域选取7个电极通道，并且对信号进行预处理；
步骤3.对预处理好后的信号进行经验模态分解，得到每个片段的前3个 IMF分量；
步骤4.对每个IMF分量进行STFT，并且计算对应的PSD，构建PSD特征空间；
步骤5.将通过上述步骤获取的最优通道组合的数据放入多个分类器进行训练，分别得到训练模型，将最优通道组合的测试数据输入到各个训练模型中进行分类，得到分类结果。
照本发明提供的技术方案，通过EEMD分解疲劳脑电信号得到了一系列包含时频特征的本征模态函数(Intrinsic Mode Function,IMF)。然后通过 STFT计算每个IMF分量的功率谱密度，构造功率谱密度(Power Spectral Density,PSD)特征空间。相比传统的直接使用5个子频带的PSD特征，增加了正常和疲劳状态之间的特征差异性。并且发现了不同受试者之间共同的最优通道组合，大幅度降低实验的电极数以及数据处理的时间，提高了分类准确率。
作为优选，所述的步骤2中，16个固定的电极和预处理过程具体为:
疲劳脑电信号在大脑皮层中的相关区域选取FC1，FC2，Cz，C3，C4，CP1， CP2作为处理信号，并且对信号进行200Hz的降采样，并且进行0.1Hz-30Hz的带通滤波，每位受试者得到的数据是：7x240000x2。
作为优选，所述的步骤3中，进行脑电数据的EEMD分解，对于每个片段进行EEMD分解，主要步骤为：
(1)在原始信号[x(t)，t＝0，1，...，N]上每一次添加不同白噪声 n(t)，E[n(t)]＝0，σn(t)＝k/M，得到新的信号x′(t)＝x(t)+n(t)，并且记 r1，1(t)＝x′(t)；
(2)计算出信号r1，1(t)的所有极值点，使用三次样条插值形成该信号的上下包络线eupper(t)和elower(t)；
(3)计算上下包络线的均值m1(t)：
(4)r2，1(t)＝r1，1(t)-m1(t)，然后回到步骤(2)；
(5)重复步骤(2)-(4)，直到迭代到了第k次后，直到序列内极值点的个数Ne和零点个数Nz满足以下关系：
Nz-1≤Ne≤Nz+1
mk(t)＝0
(6)令IMF1(t)＝rk，1(t)，到了这步，计算出了第一个IMF分量。然后再令 r1，2(t)＝x′(t)-IMF1(t)，回到步骤(2)；
(7)重复步骤(2)-(6)直到第l次，标准差SD(l)满足：
∈表示标准差的阈值，完成一次EMD分解；
(8)回到步骤(1)，重复步骤(1)-(7)M次，再对相应IMF分量之和取均值，得到最终的IMF分量；
在上面的等式中，ri，j(t)表示了t时刻，迭代第j个IMF分量的第i次结果， K是加入的白噪声序列中的幅值系数，σn(t)是具有噪声的标准偏差，它的值越小说明分解准确度越高。
作为优选，所述的步骤4中，对得到的IMF分量提取PSD特征，具体步骤为：
采用STFT进行时频分析，计算公式如下：
其中x[n]是信号序列，是角频率，k＝0，1，...，N-1。，w[n]代表窗函数，采用的是汉宁窗，公式如下：
计算每个IMF分量的PSD，具体公式如下：
其中fn代表IMF分量，F(ω)是信号的傅里叶变换，F*(ω)是F(ω)的共轭。
本发明有益效果如下：
采用EEMD分解算法，根据疲劳脑电数据本身的时间尺度特征自适应地进行信号分解，得到对应的IMF分量，进一步将IMF分量通过STFT计算得到了PSD特征，构建了PSD特征空间，并且相比于传统的，基于5个子频带构建成的PSD特征空间，更能反映正常和疲劳状态的差异性；将模拟驾驶数据集作为样本，在大脑皮层中的相关区域选取7个电极的数据进行处理，在极大减少固定电极数的同时，提高分类准确率，很大程度上的提高了设备和算法的实用程度。
附图说明
图1为EEMD-IMF-PSD和传统的PSD疲劳和正常状态对比图；
图2为获取EEMD-IMF-PSD基本结构图；
图3为疲劳驾驶检测的总流程图；
具体实施方式
下面结合具体实施例对本发明进一步说明。以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。
步骤1.使用设备采集疲劳模拟驾驶脑电信号，其中采集的脑电信号源从6 名受试者所佩戴的国际10-20导联系统获得，采样频率为1000Hz；
步骤2.根据疲劳脑电信号在大脑皮层中的相关区域选取7个电极通道，分别是：FC1，FC2，Cz，C3，C4，CP1，CP2，并且对获取的信号进行200Hz的降采样和0.1～30Hz的带通滤波，得到的数据格式为7x240x2000；
步骤3.对预处理好后的信号进行EEMD分解，获得前3个IMF分量，具体步骤为：
3-1.对预处理好的数据进行切片，每10s为一个片段，总共有240个片段(包括120个正常片段和120个疲劳片段)，数据具体是：32x240x2000；
3-2.对于每个片段进行EEMD分解；
3-3.得到每个片段的前3个IMF分量，共有7x240x3个IMF分量。
步骤4.对每个IMF分量进行STFT，并且计算对应的PSD，构建PSD特征空间，具体步骤为：
4-1.采用Hanning窗的STFT进行时频分析，得到信号序列的STFT；
4-2.通过STFT的结果，计算每个IMF分量的PSD。
步骤5.对最优通道组合的数据放入多个分类器进行训练，分别得到训练模型，将最优通道组合的测试数据输入到各个训练模型中进行分类，得到分类结果。
所述的步骤3中，进行脑电数据的EEMD分解，对于每个片段进行EEMD分解，主要步骤为：
(1)在原始信号[x(t)，t＝0，1，...，N]上每一次添加不同白噪声 n(t)，E[n(t)]＝0，σn(t)＝k/M，得到新的信号x′(t)＝x(t)+n(t)，并且记 r1，1(t)＝x′(t)；
(2)计算出信号r1，1(t)的所有极值点，使用三次样条插值形成该信号的上下包络线eupper(t)和elower(t)；
(3)计算上下包络线的均值m1(t)：
(4)r2，1(t)＝r1，1(t)-m1(t)，然后回到步骤(2)；
(5)重复步骤(2)-(4)，直到迭代到了第k次后，直到序列内极值点的个数Ne和零点个数Nz满足以下关系：
Nz-1≤Ne≤Nz+1
mk(t)＝0
(6)令IMF1(t)＝rk，1(t)，到了这步，计算出了第一个IMF分量。然后再令 r1，2(t)＝x′(t)-IMF1(t)，回到步骤(2)；
(7)重复步骤(2)-(6)直到第l次，标准差SD(l)满足：
∈表示标准差的阈值，完成一次EMD分解；
(8)回到步骤(1)，重复步骤(1)-(7)M次，再对相应IMF分量之和取均值，得到最终的IMF分量；
在上面的等式中，ri，j(t)表示了t时刻，迭代第j个IMF分量的第i次结果， K是加入的白噪声序列中的幅值系数，σn(t)是具有噪声的标准偏差，它的值越小说明分解准确度越高。
所述的步骤4中，对得到的IMF分量提取PSD特征，具体步骤为：
采用STFT进行时频分析，计算公式如下：
其中x[n]是信号序列，是角频率，k＝0，1，...，N-1，w[n]代表窗函数，采用的是汉宁窗，公式如下：
计算每个IMF分量的PSD，具体公式如下：
其中fn代表IMF分量，F(ω)是信号的傅里叶变换，F*(ω)是F(ω)的共轭。
全部工作的流程图如图3所示，这里以6个受试者为实验对象，每个受试者1次实验，每次实验记录7个通道，采用上述方法进行特征提取，随机选取理想通道的50％作为训练数据，50％作为测试数据对比，最后使用多种分类器对疲劳脑电进行二分类，类别分别是正常状态和疲劳状态。表一是记录SVM方法、 SVM(RBF)方法、KNN方法、H-ELM方法、PSO-E-ELM方法对：经过本发明所提出的特征提取算法和传统的PSD特征进行二分类准确率(accuracy)的比较(参见表1)。
表1使用多种分类器对EEMD-IMF-PSD和传统PSD分类的识别率对比
相比于采用传统的子频带的PSD特征，采用信号进行EEMD分解后的IMF 分量的PSD特征，得到的识别率有显著提高，验证了基于EEMD-IMF-PSD特征和PSO-H-ELM分类器在疲劳驾驶检测领域的有效性，此特征选择方法适用于不同的受试者，且分类效果很好，准确率高达99.17％。可见本发明所提出的算法对疲劳驾驶检测的能力有一定的提升。