本發(fā)明涉及應(yīng)激檢測(cè)技術(shù)，特別涉及一種駕駛持續(xù)性注意水平的識(shí)別方法。

背景技術(shù)：

時(shí)間單調(diào)連續(xù)駕駛將造成駕駛員持續(xù)性注意水平下降，從而會(huì)誘發(fā)駕駛員對(duì)突發(fā)隨機(jī)事件(例如，突然出現(xiàn)行人、車輛等)的反應(yīng)時(shí)間間增加，以及對(duì)關(guān)鍵突顯信息(例如，標(biāo)識(shí)牌)的遺漏，從而影響駕駛安全。因此，對(duì)駕駛員的持續(xù)性注意水平狀態(tài)予以有效識(shí)別，是駕駛安全性研究的關(guān)鍵問(wèn)題之一。

目前，國(guó)內(nèi)外就駕駛持續(xù)性注意水平已開(kāi)展了一系列研究。研究人員已通過(guò)實(shí)驗(yàn)證實(shí)了駕駛員持續(xù)性注意水平與駕駛誤操作頻率具有相關(guān)性，即持續(xù)性注意水平越低，則駕駛員的誤操作率就越高。研究人員還就睡眠不足對(duì)持續(xù)性注意水平的影響開(kāi)展了系統(tǒng)研究，結(jié)果表明睡眠缺乏組的駕駛員其整體持續(xù)性注意水平較低，這也是該類駕駛員事故率較高的原因之一。研究人員基于小波變換提出了一種提取衡量駕駛員持續(xù)性注意水平的腦電(eeg)方法，還基于eeg信號(hào)和干電極開(kāi)發(fā)了一種便攜式持續(xù)性注意水平監(jiān)測(cè)系統(tǒng)。

腦電信號(hào)作為一種神經(jīng)電信號(hào)與大腦活動(dòng)狀態(tài)相關(guān)，能夠有效反映駕駛員精神狀態(tài)。因此，亟待研究和提出一種駕駛持續(xù)性注意水平的識(shí)別方法，從而為車載持續(xù)性注意水平監(jiān)控報(bào)警系統(tǒng)的開(kāi)發(fā)提供理論依據(jù)。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供一種駕駛持續(xù)性注意水平的識(shí)別方法，從而可以較為準(zhǔn)確地對(duì)駕駛持續(xù)性注意水平進(jìn)行識(shí)別。

本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的：

一種駕駛持續(xù)性注意水平的識(shí)別方法，該方法包括：

通過(guò)多個(gè)電極采集腦電信號(hào)，并記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)；

根據(jù)預(yù)先采樣得到的反應(yīng)時(shí)間參數(shù)以及預(yù)設(shè)的等級(jí)劃分分位數(shù)，將駕駛持續(xù)性注意水平劃分為l級(jí)，并確定各個(gè)級(jí)別之間的閾值；

確定當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)的駕駛持續(xù)性注意水平的等級(jí)；

從采集到的腦電信號(hào)中提取腦電特征參數(shù)，根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)；

基于所述持續(xù)性注意水平的識(shí)別特征指標(biāo)，建立支持向量機(jī)svm識(shí)別模型；

根據(jù)所述svm識(shí)別模型，對(duì)駕駛持續(xù)性注意水平進(jìn)行識(shí)別。

較佳的，所述根據(jù)預(yù)先采樣得到的反應(yīng)時(shí)間參數(shù)以及預(yù)設(shè)的等級(jí)劃分分位數(shù)，將駕駛持續(xù)性注意水平劃分為l級(jí)，并確定各個(gè)級(jí)別之間的閾值包括：

選擇預(yù)設(shè)時(shí)段內(nèi)的反應(yīng)時(shí)間參數(shù)，將所選擇的反應(yīng)時(shí)間參數(shù)組成一個(gè)反應(yīng)時(shí)間序列的集合z；

計(jì)算所述集合z的均值與標(biāo)準(zhǔn)差σ，從所述集合z中去除以外的異常數(shù)據(jù)，并對(duì)剩余數(shù)據(jù)按從小到大順序排列，得到排序后的序列z＝{z(1)，z(2)，..，z(n)}(n≤m)；

根據(jù)排序后的序列z的等級(jí)劃分分位數(shù)pk(k＝1，2，3...，l-1)，將駕駛持續(xù)性注意水平劃分為l級(jí)，并確定各個(gè)級(jí)別之間的閾值。

較佳的，根據(jù)如下的公式確定第k級(jí)與第k-1級(jí)間的閾值δk(k＝1，2，3...，l-1)：

較佳的，所述確定當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)的駕駛持續(xù)性注意水平的等級(jí)包括：

將當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)劃分為m個(gè)子集合u1～um；

對(duì)于任意一個(gè)子集合依據(jù)持續(xù)注意水平劃分閾值δk，確定其中每個(gè)行為績(jī)效點(diǎn)的隸屬等級(jí)；

統(tǒng)計(jì)子集合ui中各行為績(jī)效點(diǎn)所對(duì)應(yīng)的各級(jí)持續(xù)性注意水平的分布頻數(shù)fk，將分布頻率最高的等級(jí)作為該子集合(即駕駛段)所對(duì)應(yīng)的持續(xù)性注意水平等級(jí)的c(i)；

依次確定集合u＝{u1，u2，...，um}中各子集合(即各個(gè)駕駛段)所對(duì)應(yīng)的持續(xù)性注意水平，并最終得到該次駕駛過(guò)程中持續(xù)性注意水平等級(jí)序列c＝{c1，c2，...，cm}。

較佳的，根據(jù)如下的公式確定每個(gè)行為績(jī)效點(diǎn)的隸屬等級(jí)：

較佳的，所述c(i)為：

其中，mk為第k級(jí)持續(xù)性注意水平所對(duì)應(yīng)的行為績(jī)效點(diǎn)頻數(shù)。

較佳的，所述從采集到的腦電信號(hào)中提取腦電特征參數(shù)，根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)包括：

s1、對(duì)時(shí)段t內(nèi)從1個(gè)電極采集到的腦電信號(hào)，以0～80hz的帶寬進(jìn)行整體濾波處理；

s2、以預(yù)設(shè)步長(zhǎng)為時(shí)間窗從左到右逐段滑動(dòng)，并以預(yù)設(shè)的時(shí)間窗重疊率將采集到的腦電信號(hào)分割成多個(gè)時(shí)間窗信號(hào)；

s3、將每一個(gè)時(shí)間窗信號(hào)內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量h(n)；

s4、對(duì)h(n)進(jìn)行快速傅里葉變換，得到腦電信號(hào)在頻域的幅值分布密度 函數(shù)f(k)；

s5、從幅值分布密度函數(shù)f(k)中分別提取預(yù)設(shè)頻段的平均幅值，根據(jù)所述平均幅值計(jì)算合成參數(shù)，并將所述平均幅值和合成參數(shù)組成腦電特征參數(shù)序列；

s6、對(duì)于每一個(gè)腦電特征參數(shù)序列，去除3倍標(biāo)準(zhǔn)差外的異常值后求平均，作為該電極時(shí)間段t內(nèi)的腦電信號(hào)參數(shù)；

s7，對(duì)于特定時(shí)段t內(nèi)從q個(gè)電極采集到的腦電信號(hào)，均采用上述的步驟s1～s7進(jìn)行處理，得到該時(shí)段的腦電信號(hào)參數(shù)集合e＝{e1，e2，...，e8q}；

s8、根據(jù)所述腦電信號(hào)參數(shù)集合，選取持續(xù)性注意水平的識(shí)別特征指標(biāo)。

較佳的，所述預(yù)設(shè)步長(zhǎng)為2秒；所述時(shí)間窗重疊率為50％。

較佳的，所述中間變量h(n)為：

h(n)＝h(n)·w(n)；

其中，h(n)為時(shí)間窗信號(hào)，h(n)·w(n)為向量h(n)與w(n)的內(nèi)積，α+β＝1，α，β＞0，n為信號(hào)樣本量，n約等于n的二次方。

較佳的，所述幅值分布密度函數(shù)f(k)為：

式中，wn＝cos(2π/n)-jsin(2π/n)。

較佳的，所述預(yù)設(shè)頻段為θ、α和β頻段；所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz。

所述合成參數(shù)包括：(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。

較佳的，所述步驟s8包括：

將從各個(gè)電極采集的腦電特征參數(shù)樣本根據(jù)持續(xù)性注意水平分為l類；

采用relief算法比較腦電特征參數(shù)在同類近鄰樣本與異類近鄰樣本之間的差異，將在同類樣本之間的差異小而在異類樣本之間差異大的腦電特征參數(shù)作為持續(xù)性注意水平的識(shí)別特征指標(biāo)。

較佳的，通過(guò)如下所述步驟得到持續(xù)性注意水平的識(shí)別特征指標(biāo)：

將所述腦電信號(hào)參數(shù)集合作為腦電參數(shù)樣本集合e＝{e1，e2，...，em}，每個(gè)樣本含有8q項(xiàng)腦電特征參數(shù)；

定義樣本ei與樣本ej在第r(1≤r≤8q)個(gè)腦電特征參數(shù)上的差為：

其中，max(r)與min(r)分別為第r(1≤r≤8q)個(gè)腦電特征參數(shù)在腦電參數(shù)樣本集合e中的最大值與最小值；

從腦電參數(shù)樣本集合中隨機(jī)抽取一個(gè)樣本ek；

對(duì)與ek同類及異類的樣本，均根據(jù)diff值按升序排序，并分別選取前z個(gè)樣本，用h(k)表示與ek同類的z個(gè)樣本組成的集合，用h(c)表示與ek異類且屬于c類的z個(gè)樣本組成的集合，使用如下所述公式更新腦電參數(shù)r的權(quán)重sr為：

其中，sr(i)表示第i(1＜i≤n)次迭代腦電特征參數(shù)r(1≤r≤8q)的權(quán)重；p(·)為所屬類型的樣本個(gè)數(shù)在樣本總數(shù)所占的比率；n為迭代次數(shù)；

經(jīng)過(guò)n次迭代之后，求取各個(gè)腦電特征參數(shù)相應(yīng)權(quán)重的均值，選取其中權(quán)重最大的h項(xiàng)腦電參數(shù)作為持續(xù)性注意水平的識(shí)別特征指標(biāo)向量x＝{x1，x2，...，xh}。

較佳的，所述基于所述持續(xù)性注意水平的識(shí)別特征指標(biāo)，建立svm識(shí)別模型包括：

根據(jù)所述持續(xù)性注意水平的識(shí)別特征指標(biāo)建立線性不可分的持續(xù)性注意水平識(shí)別指標(biāo)的樣本集其中，xi為持續(xù)性注意水平的識(shí)別特征指標(biāo)，yi∈r為相應(yīng)的輸出；

通過(guò)非線性變換映射φ(xi)，將處在低維空間的樣本集映射到高維空間，使其線性可分；

建立svm識(shí)別模型

采用粒子群優(yōu)化算法對(duì)所述svm識(shí)別模型進(jìn)行參數(shù)尋優(yōu)。

較佳的，所述建立svm識(shí)別模型包括：

將高維空間中的線性svm表示為：

s.t.yi[(w·φ(xi)+b]-1+ξi≥0，ξi≥0；

其中，w·φ(xi)為向量w與向量φ(xi)的內(nèi)積，ξi為松弛函數(shù)，c為懲罰參數(shù)，w∈r^h，b∈r；

經(jīng)對(duì)偶問(wèn)題求解得出最優(yōu)超平面系數(shù)后，構(gòu)造決策函數(shù)f(x)為：

較佳的，選用核函數(shù)其中，g為核函數(shù)的長(zhǎng)度，i＝1，2，...，m)；αi為標(biāo)量常數(shù)。

較佳的，所述采用粒子群優(yōu)化算法對(duì)所述svm識(shí)別模型進(jìn)行參數(shù)尋優(yōu)包括：

將svm參數(shù)訓(xùn)練樣本集(n為樣本量)視為一個(gè)種群，其中每個(gè)粒子代表一組svm參數(shù)，位置與參數(shù)一一對(duì)應(yīng)；

以均勻絕對(duì)誤差為適應(yīng)度測(cè)評(píng)參數(shù)的性能，即：

其中，yi為相應(yīng)參數(shù)的輸出值；為相應(yīng)參數(shù)的實(shí)際值；

對(duì)pso初始化隨機(jī)產(chǎn)生的粒子位置loci＝{loci1，loci2}，速度vi＝{vi1，vi2}(i＝1，2，...，n)；

在2維空間中，搜索粒子最優(yōu)位置p_loc(i)＝{p_loc(i1)，p_loc(i2)}及粒子群最優(yōu)位置g_loc＝{g_loc(1)，g_loc(2)}；

計(jì)算所有粒子的適應(yīng)度及粒子群的適應(yīng)度，采用迭代算法實(shí)現(xiàn)尋優(yōu)，相鄰迭代后當(dāng)?shù)趈個(gè)粒子的適應(yīng)度及粒子群最優(yōu)適應(yīng)度優(yōu)于前次適應(yīng)度p_loc(j)和g_loc，且不滿足給定的兩者適應(yīng)度閾值時(shí)，按照如下所述公式，對(duì)粒子群中所有粒子的速度與位置進(jìn)行更新：

vi(t+1)＝zvi(t)+c1r1(p_loc(i)(t)-loci(t))+c2r2(g_loc(t)-loci(t))；

loci(t+1)＝loci(t)+vi(t+1)；

其中，i＝1，2，...，n，t為迭代次數(shù)，c1，c2為學(xué)習(xí)因子，z為慣性系數(shù)，r1，r2為兩個(gè)服從(0，1)均勻分布的隨機(jī)數(shù)；

粒子在搜索空間內(nèi)不斷跟蹤個(gè)體最優(yōu)與群體最優(yōu)，直到達(dá)到最大迭代次數(shù)或者滿足給定的適應(yīng)閾值為止；

迭代結(jié)束后，將粒子群最優(yōu)適應(yīng)度對(duì)應(yīng)的參數(shù)c、g作為最優(yōu)值代入svm識(shí)別模型。

如上可見(jiàn)，在本發(fā)明中的駕駛持續(xù)性注意水平的識(shí)別方法中，基于實(shí)驗(yàn)所采集的腦電信號(hào)數(shù)據(jù)和反應(yīng)時(shí)間參數(shù)，將駕駛持續(xù)性注意水平劃分為l級(jí)，根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)，并基于持續(xù)性注意水平的識(shí)別特征指標(biāo)，建立svm識(shí)別模型，從而可以較為準(zhǔn)確地對(duì)駕駛持續(xù)性注意水平進(jìn)行識(shí)別，而且模型識(shí)別的準(zhǔn)確率高，可以用于對(duì)駕 駛員的持續(xù)性注意水平的識(shí)別，為車載持續(xù)性注意水平監(jiān)控報(bào)警系統(tǒng)的開(kāi)發(fā)提供理論依據(jù)。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例中的駕駛持續(xù)性注意水平的識(shí)別方法的流程示意圖。

圖2為本發(fā)明實(shí)施例中的模型識(shí)別正確率示意圖。

圖3為本發(fā)明實(shí)施例中的模型roc曲線圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。

本實(shí)施例提供了一種駕駛持續(xù)性注意水平的識(shí)別方法。

圖1為本發(fā)明實(shí)施例中的駕駛持續(xù)性注意水平的識(shí)別方法的流程示意圖。如圖1所示，本發(fā)明實(shí)施例中的駕駛持續(xù)性注意水平的識(shí)別方法主要包括如下所述的步驟：

步驟11，通過(guò)多個(gè)電極采集腦電信號(hào)，并記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)。

在本發(fā)明的技術(shù)方案中，為了測(cè)試駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間，需要對(duì)被測(cè)試人員(例如，志愿者)進(jìn)行相應(yīng)的測(cè)試，從而獲得相應(yīng)的腦電信號(hào)以及與腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)。

例如，較佳的，在本發(fā)明的較佳實(shí)施例中，可以先召集多個(gè)被測(cè)試人員，例如，可以選取年齡在25-30歲之間，有5年以上駕齡的20名男性長(zhǎng)途貨運(yùn)駕駛員作為被測(cè)試人員，然后在大型客運(yùn)車駕駛模擬器上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)場(chǎng)景為一條雙向4車道道路，車道寬3.75m，全長(zhǎng)200km，背景車流僅為增加實(shí)驗(yàn)真實(shí)度，不干擾被測(cè)試人員的駕駛操作。要求被測(cè)試人員駕駛車輛按70±5km/h的速度行駛，駕駛過(guò)程中在被測(cè)試人員前方5個(gè)位置，以隨機(jī)時(shí)間 間隔(14±1.5s)呈現(xiàn)紅點(diǎn)(代表各種突發(fā)隨機(jī)事件)。要求被測(cè)試人員發(fā)現(xiàn)紅點(diǎn)后盡快點(diǎn)擊安裝于轉(zhuǎn)向盤(pán)上的反應(yīng)按鈕，系統(tǒng)自動(dòng)記錄被測(cè)試人員的反應(yīng)時(shí)間參數(shù)。整個(gè)實(shí)驗(yàn)持續(xù)60分鐘。

同時(shí)，在實(shí)驗(yàn)過(guò)程中采用德國(guó)brainproducts公司的32導(dǎo)腦電采集系統(tǒng)，通過(guò)多個(gè)電極同步記錄被測(cè)試人員的腦電信號(hào)，記錄帶寬為0.5-100hz，采樣率為1000hz。

通過(guò)上述的方式即可采集到腦電信號(hào)以及與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)。

步驟12，根據(jù)預(yù)先采樣得到的反應(yīng)時(shí)間參數(shù)以及預(yù)設(shè)的等級(jí)劃分分位數(shù)，將駕駛持續(xù)性注意水平劃分為l級(jí)，并確定各個(gè)級(jí)別之間的閾值。

駕駛持續(xù)性注意水平下降將造成駕駛員對(duì)突發(fā)事件反應(yīng)時(shí)間間延長(zhǎng)。因此，在一定時(shí)段內(nèi)駕駛員對(duì)突發(fā)事件的反應(yīng)時(shí)間(例如，對(duì)隨機(jī)信號(hào)的反應(yīng)時(shí)間)，可客觀量化評(píng)定駕駛員持續(xù)性注意水平的高低。

因此，在本發(fā)明的技術(shù)方案中，將根據(jù)預(yù)先采樣得到的反應(yīng)時(shí)間參數(shù)以及預(yù)設(shè)的等級(jí)劃分分位數(shù)，將駕駛持續(xù)性注意水平劃分為l級(jí)，并確定各個(gè)級(jí)別之間的閾值。

在本發(fā)明的技術(shù)方案中，所述步驟12可以有多種具體的實(shí)現(xiàn)方式。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述步驟12包括：

步驟121，選擇預(yù)設(shè)時(shí)段內(nèi)的反應(yīng)時(shí)間參數(shù)，將所選擇的反應(yīng)時(shí)間參數(shù)組成一個(gè)反應(yīng)時(shí)間序列的集合z。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)時(shí)段可以是根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置的時(shí)間段。

例如，由于連續(xù)長(zhǎng)時(shí)間的駕駛將引起駕駛員持續(xù)性注意水平的降低，因此在本發(fā)明的一個(gè)較佳實(shí)施例中，所述預(yù)設(shè)時(shí)段的時(shí)長(zhǎng)可以是：交通法規(guī)允許的最大連續(xù)駕駛時(shí)長(zhǎng)t，即可以采集t時(shí)段內(nèi)駕駛員對(duì)突發(fā)事件的反應(yīng)時(shí)間 (即反應(yīng)時(shí)間參數(shù))，并將所選擇的反應(yīng)時(shí)間參數(shù)組成一個(gè)反應(yīng)時(shí)間序列的集合z＝{z1，z2，...，zm}。

步驟122，計(jì)算所述集合z的均值與標(biāo)準(zhǔn)差σ，從所述集合z中去除以外的異常數(shù)據(jù)，并對(duì)剩余數(shù)據(jù)按從小到大順序排列，得到排序后的序列z＝{z(1)，z(2)，..，z(n)}(n≤m)。

步驟123，根據(jù)排序后的序列z的等級(jí)劃分分位數(shù)pk(k＝1，2，3...，l-1)，將駕駛持續(xù)性注意水平劃分為l級(jí)，并確定各個(gè)級(jí)別之間的閾值。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，可以根據(jù)如下所述的公式確定第k級(jí)與第k-1級(jí)間的閾值δk(k＝1，2，3...，l-1)：

在本發(fā)明的技術(shù)方案中，所述級(jí)數(shù)l和等級(jí)劃分分位數(shù)pk均可根據(jù)實(shí)際應(yīng)用情況預(yù)先設(shè)置，在此不再贅述。

通過(guò)上述的步驟121～123，即可將駕駛持續(xù)性注意水平劃分為1級(jí)，并確定各個(gè)級(jí)別之間的閾值。

步驟13，確定當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)的駕駛持續(xù)性注意水平的等級(jí)。

在本發(fā)明的技術(shù)方案中，所述步驟13可以有多種具體的實(shí)現(xiàn)方式。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述步驟13包括：

步驟131，將當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)劃分為m個(gè)子集合u1～um。

例如，在本發(fā)明的技術(shù)方案中，可以將當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)作為一次特定的駕駛過(guò)程所產(chǎn)生的行為績(jī)效序列，然后可以將該行為績(jī)效序列劃分為m個(gè)子集合u＝{u1，u2，...，um}。

在本發(fā)明的技術(shù)方案中，所述m的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù) 先設(shè)置，在此不再贅述。

步驟132，對(duì)于任意一個(gè)子集合依據(jù)持續(xù)注意水平劃分閾值δk，確定其中每個(gè)行為績(jī)效點(diǎn)的隸屬等級(jí)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，可以根據(jù)如下所述的公式確定每個(gè)行為績(jī)效點(diǎn)的隸屬等級(jí)：

步驟133，統(tǒng)計(jì)子集合ui中各行為績(jī)效點(diǎn)所對(duì)應(yīng)的各級(jí)持續(xù)性注意水平的分布頻數(shù)fk，將分布頻率最高的等級(jí)作為該子集合(即駕駛段)所對(duì)應(yīng)的持續(xù)性注意水平等級(jí)的c(i)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述c(i)為：

其中，mk為第k級(jí)持續(xù)性注意水平所對(duì)應(yīng)的行為績(jī)效點(diǎn)頻數(shù)。

步驟134，依次確定集合u＝{u1，u2，...，um}中各子集合(即各個(gè)駕駛段)所對(duì)應(yīng)的持續(xù)性注意水平，并最終得到該次駕駛過(guò)程中持續(xù)性注意水平等級(jí)序列c＝{c1，c2，...，cm}。

通過(guò)上述的步驟131～134，即可確定當(dāng)前所采集到的反應(yīng)時(shí)間參數(shù)的駕駛持續(xù)性注意水平的等級(jí)。

例如，在本發(fā)明的一個(gè)具體實(shí)施例中，可以以所有駕駛員(即被測(cè)試人員)對(duì)隨機(jī)信號(hào)所做出的反應(yīng)時(shí)間的50％分位數(shù)為閾值進(jìn)行持續(xù)性注意水平劃分，其中，設(shè)等級(jí)1與等級(jí)2之間的閾值為505毫秒(ms)。

根據(jù)實(shí)驗(yàn)結(jié)果可知，隨著駕駛時(shí)長(zhǎng)不斷增加，就整體而言，被測(cè)試人員對(duì)隨機(jī)信號(hào)的反應(yīng)時(shí)間呈現(xiàn)出上升趨勢(shì)；就局部而言，由于受到環(huán)境、心理狀態(tài) 等因素影響，被測(cè)試人員對(duì)隨機(jī)信號(hào)的反應(yīng)時(shí)間呈現(xiàn)出波動(dòng)性特征。因此，在本發(fā)明的技術(shù)方案中，在劃分持續(xù)性注意水平等級(jí)相同的情況下，不同的實(shí)驗(yàn)時(shí)長(zhǎng)各等級(jí)之間的閾值將有所不同。

步驟14，從采集到的腦電信號(hào)中提取腦電特征參數(shù)，根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)。

腦電信號(hào)(eeg)能夠反映大腦皮層活動(dòng)狀態(tài)，當(dāng)駕駛員處于低覺(jué)醒水平時(shí)，其腦電頻譜分布趨向于低頻波段；反之，當(dāng)覺(jué)醒水平較高時(shí)，則腦電頻譜分布趨向于高頻波段。

在本發(fā)明的技術(shù)方案中，可以使用多種方式從腦電信號(hào)中提取腦電特征參數(shù)，并根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)的介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述從腦電信號(hào)中提取腦電特征參數(shù)，根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)包括：

步驟141，對(duì)時(shí)段t內(nèi)從1個(gè)電極采集到的腦電信號(hào)，以0～80hz的帶寬進(jìn)行整體濾波處理，以去除工頻電及部分肌電等偽跡干擾。

步驟142，以預(yù)設(shè)步長(zhǎng)為時(shí)間窗從左到右逐段滑動(dòng)，并以預(yù)設(shè)的時(shí)間窗重疊率將采集到的腦電信號(hào)分割成多個(gè)時(shí)間窗信號(hào)。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)步長(zhǎng)的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述預(yù)設(shè)步長(zhǎng)為2秒(s)。

在本發(fā)明的技術(shù)方案中，所述時(shí)間窗重疊率的取值也可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述時(shí)間窗重疊率為50％。

因此，例如，當(dāng)采集到的腦電信號(hào)的時(shí)長(zhǎng)為1分鐘、預(yù)設(shè)步長(zhǎng)為2秒、 時(shí)間窗重疊率為50％時(shí)，則可以將該腦電信號(hào)分割成60個(gè)時(shí)間窗信號(hào)，每個(gè)時(shí)間窗信號(hào)的腦電信號(hào)的時(shí)長(zhǎng)為2秒，且各個(gè)時(shí)間窗信號(hào)之間的重疊率為50％。

步驟143，將每一個(gè)時(shí)間窗信號(hào)內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量h(n)。

在本發(fā)明的技術(shù)方案中，為了消除旁瓣效應(yīng)對(duì)快速傅里葉變換(fft)的影響，可以將每一個(gè)時(shí)間窗信號(hào)都內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量h(n)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，對(duì)于一個(gè)時(shí)間窗信號(hào)h(n)，為了消除旁瓣效應(yīng)對(duì)快速傅里葉變換的影響，可以用該段信號(hào)點(diǎn)乘同等長(zhǎng)度的漢明窗w(n)，從而得到中間變量h(n)：

h(n)＝h(n)·w(n)(4)

其中，h(n)·w(n)為向量h(n)與w(n)的內(nèi)積，α+β＝1，α，β＞0，n為信號(hào)樣本量，n約等于n的二次方。

步驟144，對(duì)h(n)進(jìn)行快速傅里葉變換，得到腦電信號(hào)在頻域的幅值分布密度函數(shù)f(k)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述幅值分布密度函數(shù)f(k)為：

式中，wn＝cos(2π/n)-jsin(2π/n)。

步驟145，從幅值分布密度函數(shù)f(k)中分別提取預(yù)設(shè)頻段的平均幅值，根據(jù)所述平均幅值計(jì)算合成參數(shù)，并將所述平均幅值和合成參數(shù)組成腦電特征 參數(shù)序列。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)頻段的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述預(yù)設(shè)頻段為θ、α和β頻段；所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz。

較佳的，在本發(fā)明的具體實(shí)施例中，所述合成參數(shù)可以包括：(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。

在本發(fā)明的技術(shù)方案中，可以對(duì)每一個(gè)時(shí)間窗內(nèi)信號(hào)進(jìn)行上述的處理，從而得到每一個(gè)時(shí)間窗內(nèi)信號(hào)的合成參數(shù)，并將所述平均幅值和合成參數(shù)組成腦電特征參數(shù)序列。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述腦電特征參數(shù)序列包括：θ、α、β、(α+β)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ等8項(xiàng)腦電特征參數(shù)，這8項(xiàng)腦電特征參數(shù)可以組成一個(gè)腦電特征參數(shù)序列。

對(duì)從每一個(gè)電極采集到的腦電信號(hào)進(jìn)行上述的處理，從而得到從一個(gè)電極采集到的腦電信號(hào)的腦電特征參數(shù)，例如，得到8項(xiàng)腦電特征參數(shù)。因此，如果使用了q個(gè)電極采集腦電信號(hào)，則一共可以得到(8×q)項(xiàng)腦電特征參數(shù)。

步驟146，對(duì)于每一個(gè)腦電特征參數(shù)序列，去除3倍標(biāo)準(zhǔn)差外的異常值后求平均，作為該電極時(shí)間段t內(nèi)的腦電信號(hào)參數(shù)。

步驟147，對(duì)于特定時(shí)段t內(nèi)從q個(gè)電極采集到的腦電信號(hào)，均采用上述的步驟141～147進(jìn)行處理，得到該時(shí)段的腦電信號(hào)參數(shù)集合e＝{e1，e2，...，e8q}。

步驟148，根據(jù)所述腦電信號(hào)參數(shù)集合，選取持續(xù)性注意水平的識(shí)別特征指標(biāo)。

在本發(fā)明的技術(shù)方案中，為了提高識(shí)別精度，減少特征向量維度，降低數(shù)據(jù)運(yùn)算負(fù)荷量，可以從上述的8q項(xiàng)腦電特征參數(shù)中，選取若干項(xiàng)作為持續(xù)性注意水平的識(shí)別特征指標(biāo)。

在本發(fā)明的技術(shù)方案中，可以使用多種方式實(shí)現(xiàn)上述的步驟148。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)的介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述步驟148包括：

將從各個(gè)電極采集的腦電特征參數(shù)樣本根據(jù)持續(xù)性注意水平分為l類；

采用relief算法比較腦電特征參數(shù)在同類近鄰樣本與異類近鄰樣本之間的差異，將在同類樣本之間的差異小而在異類樣本之間差異大的腦電特征參數(shù)作為持續(xù)性注意水平的識(shí)別特征指標(biāo)。

其中，relief算法是本領(lǐng)域中已經(jīng)使用的常用算法，因此在此不再贅述。

在本發(fā)明的技術(shù)方案中，可以通過(guò)腦電特征參數(shù)在同類近鄰樣本與異類近鄰樣本之間的差異來(lái)判斷該腦電特征參數(shù)對(duì)持續(xù)性注意水平的區(qū)分能力。如果某個(gè)腦電特征參數(shù)在同類樣本之間的差異小，而在異類樣本之間差異大，則該腦電特征參數(shù)具有較強(qiáng)的區(qū)分能力，可作為區(qū)分不同持續(xù)性注意水平的識(shí)別特征指標(biāo)。

具體來(lái)說(shuō)，在本發(fā)明的較佳實(shí)施例中，可以通過(guò)如下所述步驟得到持續(xù)性注意水平的識(shí)別特征指標(biāo)：

將所述腦電信號(hào)參數(shù)集合作為腦電參數(shù)樣本集合e＝{e1，e2，...，em}，每個(gè)樣本含有8q項(xiàng)腦電特征參數(shù)；

定義樣本ei與樣本ej在第r(1≤r≤8q)個(gè)腦電特征參數(shù)上的差為：

其中，max(r)與min(r)分別為第r(1≤r≤8q)個(gè)腦電特征參數(shù)在腦電參數(shù)樣本集合e中的最大值與最小值；

從腦電參數(shù)樣本集合中隨機(jī)抽取一個(gè)樣本ek；

對(duì)與ek同類及異類的樣本，均根據(jù)diff值按升序排序，并分別選取前z個(gè)樣本，用h(k)表示與ek同類的z個(gè)樣本組成的集合，用h(c)表示與ek異類且屬于c類的z個(gè)樣本組成的集合，使用如下所述公式更新腦電參數(shù)r的 權(quán)重sr為：

其中，sr(i)表示第i(1＜i≤n)次迭代腦電特征參數(shù)r(1≤r≤8q)的權(quán)重；p(·)為所屬類型的樣本個(gè)數(shù)在樣本總數(shù)所占的比率；n為迭代次數(shù)；

經(jīng)過(guò)n次迭代之后，求取各個(gè)腦電特征參數(shù)相應(yīng)權(quán)重的均值，選取其中權(quán)重最大的h項(xiàng)腦電參數(shù)作為持續(xù)性注意水平的識(shí)別特征指標(biāo)向量x＝{x1，x2，...，xh}。

通過(guò)上述的步驟141～148，即可從采集到的腦電信號(hào)中提取腦電特征參數(shù)，并根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)。

步驟15，基于所述持續(xù)性注意水平的識(shí)別特征指標(biāo)，建立支持向量機(jī)(svm)識(shí)別模型。

在本發(fā)明的技術(shù)方案中，可以使用多種方式建立svm識(shí)別模型。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)的介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述基于所述持續(xù)性注意水平的識(shí)別特征指標(biāo)，建立svm識(shí)別模型包括：

步驟151，根據(jù)所述持續(xù)性注意水平的識(shí)別特征指標(biāo)建立線性不可分的持續(xù)性注意水平識(shí)別指標(biāo)的樣本集其中，xi為持續(xù)性注意水平的識(shí)別特征指標(biāo)，yi∈r為相應(yīng)的輸出；

步驟152，通過(guò)非線性變換映射φ(xi)，將處在低維空間的樣本集映射到高維空間，使其線性可分；

步驟153，建立svm識(shí)別模型。

較佳的，在本發(fā)明的具體實(shí)施例中，可以將高維空間中的線性svm表示為：

s.t.yi[(w·φ(xi)+b]-1+ξi≥0，ξi≥0(10)

其中，w·φ(xi)為向量w與向量φ(xi)的內(nèi)積，ξi為松弛函數(shù)，c為懲罰參數(shù)，w∈r^h，b∈r；

經(jīng)對(duì)偶問(wèn)題求解得出最優(yōu)超平面系數(shù)后，構(gòu)造決策函數(shù)f(x)為：

在本發(fā)明的技術(shù)方案中，可以選用核函數(shù)(g為核函數(shù)的長(zhǎng)度，i＝1，2，...，m)；αi為標(biāo)量常數(shù)。

在本發(fā)明的技術(shù)方案中，對(duì)于一組未知類型的駕駛持續(xù)性注意水平識(shí)別特征指標(biāo)向量樣本將其代入式(12)中，若f(xt)＝-1，判定xt屬于第一類；若f(xt)＝1，判定xt屬于第二類。對(duì)于多級(jí)持續(xù)注意水平識(shí)別問(wèn)題可劃分為多次2分類問(wèn)題計(jì)算。

步驟154，采用粒子群優(yōu)化(pso)算法對(duì)所述svm識(shí)別模型進(jìn)行參數(shù)尋優(yōu)。

svm識(shí)別模型性能的優(yōu)劣主要由懲罰參數(shù)與核函數(shù)參數(shù)決定，因此，在本發(fā)明的技術(shù)方案中，將采用粒子群優(yōu)化(pso)算法對(duì)所述svm識(shí)別模型進(jìn)行參數(shù)尋優(yōu)。

具體來(lái)說(shuō)，在本發(fā)明的較佳實(shí)施例中，所述步驟154包括：

將svm參數(shù)訓(xùn)練樣本集(n為樣本量)視為一個(gè)種群，其中每個(gè)粒子代表一組svm參數(shù)，位置與參數(shù)一一對(duì)應(yīng)；

以均勻絕對(duì)誤差為適應(yīng)度測(cè)評(píng)參數(shù)的性能，即：

其中，yi為相應(yīng)參數(shù)的輸出值；為相應(yīng)參數(shù)的實(shí)際值；

對(duì)pso初始化隨機(jī)產(chǎn)生的粒子位置loci＝{loci1，loci2)，速度vi＝{vi1，vi2}(i＝1，2，...，n)；

在2維空間中，搜索粒子最優(yōu)位置p_loc(i)＝{p_loc(i1)，p_loc(i2)}及粒子群最優(yōu)位置g_loc＝{g_loc(1)，g_loc(2)}；

根據(jù)公式(12)計(jì)算所有粒子的適應(yīng)度及粒子群的適應(yīng)度，采用迭代算法實(shí)現(xiàn)尋優(yōu)，相鄰迭代后當(dāng)?shù)趈個(gè)粒子的適應(yīng)度及粒子群最優(yōu)適應(yīng)度優(yōu)于前次適應(yīng)度p_loc(j)和g_loc，且不滿足給定的兩者適應(yīng)度閾值時(shí)，按照如下所述公式，對(duì)粒子群中所有粒子的速度與位置進(jìn)行更新：

vi(t+1)＝zvi(t)+c1r1(p_loc(i)(t)-loci(t))+c2r2(g_loc(t)-loci(t))(13)

loci(t+1)＝loci(t)+vi(t+1)(14)

其中，i＝1，2，...，n，t為迭代次數(shù)，c1，c2為學(xué)習(xí)因子，z為慣性系數(shù)，r1，r2為兩個(gè)服從(0，1)均勻分布的隨機(jī)數(shù)；

粒子在搜索空間內(nèi)不斷跟蹤個(gè)體最優(yōu)與群體最優(yōu)，直到達(dá)到最大迭代次數(shù)或者滿足給定的適應(yīng)閾值為止；

迭代結(jié)束后，將粒子群最優(yōu)適應(yīng)度對(duì)應(yīng)的參數(shù)c、g作為最優(yōu)值代入svm識(shí)別模型。

通過(guò)上述的步驟151～154，即可建立svm識(shí)別模型。

步驟16，根據(jù)所述svm識(shí)別模型，對(duì)駕駛持續(xù)性注意水平進(jìn)行識(shí)別。

在本發(fā)明的技術(shù)方案中，在建立上述svm識(shí)別模型之后，即可根據(jù)所述svm識(shí)別模型，對(duì)駕駛持續(xù)性注意水平進(jìn)行識(shí)別。

因此，通過(guò)上述步驟11～16中所描述的方法，即可通過(guò)svm識(shí)別模型對(duì)駕駛員的持續(xù)性注意水平進(jìn)行識(shí)別。

在本發(fā)明的技術(shù)方案中，若令持續(xù)性注意水平等級(jí)1為陰性，持續(xù)性注 意水平等級(jí)2為陽(yáng)性，則svm識(shí)別模型對(duì)某個(gè)未知類型的駕駛員持續(xù)性注意水平識(shí)別特征向量樣本的識(shí)別可產(chǎn)生4種結(jié)果：

①當(dāng)輸入陰性樣本，輸出陰性結(jié)果，為真陰性，記為tn；

②輸入陽(yáng)性樣本，輸出陰性結(jié)果，為偽陰性，記為fn；

③輸入陽(yáng)性樣本，輸出陽(yáng)性結(jié)果，為真陽(yáng)性，記為tp；

④輸入陰性樣本，輸出陽(yáng)性結(jié)果，為偽陽(yáng)性，記為fp。

基于上述假設(shè)，可構(gòu)建以下3項(xiàng)指標(biāo)對(duì)識(shí)別效果予以測(cè)評(píng)，即：

其中，tpr表示svm識(shí)別模型對(duì)持續(xù)性注意水平為等級(jí)1的識(shí)別正確率；spc表示svm識(shí)別模型對(duì)持續(xù)性注意為等級(jí)2的識(shí)別正確率；acc表示svm識(shí)別模型對(duì)所有樣本的整體識(shí)別正確率。

在本發(fā)明的技術(shù)方案中，為了驗(yàn)證本發(fā)明中的上述svm識(shí)別模型的有效性，可以利用實(shí)驗(yàn)所得到的腦電信號(hào)來(lái)對(duì)駕駛員的持續(xù)性注意水平進(jìn)行識(shí)別。圖2為本發(fā)明實(shí)施例中的模型識(shí)別正確率示意圖，圖3為本發(fā)明實(shí)施例中的模型roc曲線圖。如圖2所示，所述svm識(shí)別模型識(shí)別的正確率較好，平均正確率可達(dá)93.02％，且對(duì)1級(jí)注意水平的識(shí)別率高于2級(jí)。同時(shí)，所述svm識(shí)別模型的整體性能較優(yōu)，如圖3所示。

綜上可知，在本發(fā)明中的駕駛持續(xù)性注意水平的識(shí)別方法中，基于實(shí)驗(yàn)所采集的腦電信號(hào)數(shù)據(jù)和反應(yīng)時(shí)間參數(shù)，將駕駛持續(xù)性注意水平劃分為l級(jí)，根據(jù)所得到的腦電特征參數(shù)獲取持續(xù)性注意水平的識(shí)別特征指標(biāo)，并基于持續(xù)性注意水平的識(shí)別特征指標(biāo)，建立svm識(shí)別模型，從而可以較為準(zhǔn)確地對(duì)駕駛持續(xù)性注意水平進(jìn)行識(shí)別，而且模型識(shí)別的準(zhǔn)確率高，可以用于對(duì)駕駛員的持續(xù)性注意水平的識(shí)別，為車載持續(xù)性注意水平監(jiān)控報(bào)警系統(tǒng)的開(kāi)發(fā) 提供理論依據(jù)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。