法律状态公告日
法律状态信息
法律状态
2022-08-30
实质审查的生效 IPC(主分类):G06K 9/00 专利申请号:2022105179099 申请日:20220512
实质审查的生效
技术领域
本发明涉及交通安全领域，尤其涉及一种基于最小生成树脑功能网络的疲劳驾驶检测方法。
背景技术
近年来，随着社会不断发展，生活节奏逐步加快，疲劳驾驶造成的交通事故显著增加。研究表明，疲劳驾驶已成为特大交通事故的直接诱因，严重危害了人们的生命财产安全。因此，对驾驶员的疲劳程度进行定量分析，并设计出一种能够检测驾驶员疲劳程度的方法，及时对驾驶员的疲劳驾驶现象进行干预，是一项十分重要的研究课题。高效的疲劳驾驶识别方法，对于预防疲劳驾驶，提高驾驶安全性有着非常重要的意义。现有研究表明疲劳驾驶的检测方法以驾驶员的生理特征与行为特征检测为主，尤其基于脑电信号的生理特征能够高效且可靠的反映出大脑的疲劳状态。
基于脑电信号对疲劳驾驶状态进行识别是近年来的研究热点，是通过对脑电信号的样本数据进行特征优选，然后通过建模来进行疲劳驾驶状态识别。为了提高疲劳驾驶状态的识别率需要进行特征优选，近年来国内外研究者在基于脑电的特征优选以及疲劳驾驶识别方面做了大量的研究工作，一些研究者已经可以成功的识别疲劳状态。目前常用的对脑电特征进行提取的方法，主要有小波变换、样本熵、功率谱密度以及构建脑网络的分析方法等。这些研究方法有的是对脑电信号的时频域特征进行研究，有的是对脑电信号的空间特征进行研究。
但脑电信号是一种复杂的生理信号，它具有空间离散的非平稳特征，特征选取难度较大，基于脑电信号构建脑功能网络进行疲劳驾驶检测能够有效的提取到疲劳状态的网络特征。但是根据邻接矩阵直接生成脑功能网络，疲劳和清醒状态的网络规模较大，拓扑结构差异性较低，所以在探索网络拓扑属性之前需要阈值化构建脑功能网络模型。然而，传统的使用阈值进行脑功能网络分析的方法，受阈值影响较大，阈值偏大容易导致脑功能网络模型丢失具有重要表征意义的有效连接，阈值偏小则容易导致脑功能网络模型存在一些无效的干扰连接，因此，还需要进一步的研究。
发明内容
针对上述情况，本发明提出一种基于最小生成树脑功能网络的疲劳驾驶检测方法，主要针对脑电信号的空间离散特性，选取出能够表征其空间信息的特征，进而提高疲劳与清醒状态识别率，为基于脑电的疲劳驾驶的研究提供一种更好的方法。
本发明所述的一种基于最小生成树脑功能网络的疲劳驾驶检测方法，技术方案包括以下步骤：
步骤1：对原始脑电数据进行预处理，采用锁幅值计算各通道之间的关联关系，生成邻接矩阵；
步骤2：根据邻接矩阵中节点之间关联关系的紧密程度，对矩阵进行倒数处理作为节点间距离生成距离矩阵，然后使用Kruskal算法生成该距离矩阵的最小生成树网络，提取最小生成树脑功能网络的度、叶片分数和直径作为特征向量，构建特征数据集，作为表征疲劳或清醒状态的特征数据集；
步骤3：将所述特征集或其子集作为训练数据集，选择一种分类算法进行训练，得到分类器；
步骤4：用分类算法对未知特征数据集进行处理，得到疲劳、清醒两种状态的识别结果。
所述步骤2中，通过Kruskal算法构建最小生成树脑功能网络，该网络能够有效结局阈值选择带来的一系列问题，并且能够在网络中得到较好的反映驾驶状态的特征：度、叶片分数、直径。
重点的算法过程如下：
(1)Kruskal算法：
1)：假设T＝(V，E′)是G中的最小生成树，则最小生成树中边的集合E′的初始值为空；
2)：把图G的边按照权重的大小升序排列，即w(e
3)：选取排序后权重最大的边，如果该边的两个顶点分别属于T中不同的两棵树，将此边加入T中，并且合并这两颗树，反之，如果边的任意节点属于相同的一棵树中，则丢弃该边；
4)：对第3)步进行递归重复，直到T中含有N-1条边为止。
(2)度、叶片分数和直径三个特征：
度：
网络中的度表示某节点与其他节点连接的数目，分析网络中节点在某种意义上的重要程度可以依据度作为度量指标，度表示该节点和其他节点连接的边数，度越大该结点的越重要。节点i的度的计算方法为
上式a
叶片分数：
在MST脑功能网络中，叶子节点数与节点总数之比就是叶子分数，度等于1的节点称为叶子节点，公式计算为
N代表网络节点的总数，给定网络规模之后N就变成一个定值，L代表叶子节点的个数。
直径：
直径在最小生成树脑功能网络中表示最长的最短路径，从网络中的一个节点出发到达其余节点，所有最短路径中值最大的就是直径，节点离心率的最大值与直径的大小相等。离心率表示节点的局部属性，该结点处于MST网络中心位置则节点离心率较低，反之则离心率较高。离心率的计算公式为
Ecc(v)＝max{d(u，v)} (3)
上式中d(u，v)表示图G中节点u到节点v的最短路径。
最小生成树脑功能网络的直径与叶子节点的个数之间是有联系的，在一棵MST中最大的直径D
D＝max(Ecc
上式中，Ecc
与现有技术相比，本发明所达到的有益效果是：
1.本发明采用最小生成树算法对锁幅值邻接矩阵构建最小生成树脑功能网络，组建数据模型，有效解决了阈值选择带来的问题，阈值过大会导致网络剔除有效连接，过小则会导致网络中存在虚假连接，使用Kruskal算法构建了能够表征大脑疲劳状态的最小生成树脑网络，为疲劳驾驶检测研究提供了一定的参考价值。
2.本发明将所有受试者的脑电信号进行同步性分析，构建脑功能网络，无需对每个受试者的脑网络进行阈值计算，一定程度上解决了个体差异带来的问题，并且避免了初始节点的选取，为疲劳驾驶检测研究提供了新思路。
3.本发明针对脑电信号的空间离散特性，构建最小生成树-锁幅值脑网络，在网络中选取出能够表征其空间信息的特征，进而有效提高了疲劳与清醒状态识别率，为基于脑电信号的疲劳驾驶研究提供一种更好的研究方法。
附图说明
图1为疲劳驾驶状态脑功能网络构建流程图
图2为基于最小生成树脑功能网络的疲劳驾驶检测方法流程图
具体实施方式
为了使发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明的具体实施方式作进一步详细说明。
步骤1：获取当前被试的脑电数据，对原始脑电数据进行预处理，采用锁幅值计算各通道之间的关联关系构建脑网络；
两个通道之间相关程度使用锁幅值进行表示，锁幅值的计算公式为：
上式中a
步骤2：构建最小生成树脑网络，将矩阵进行倒数处理之后，首先构造一个具有N个节点的子图，子图中每个节点作为一棵树的根节点。然后将锁幅值网络中所有边的值按升序排序，选择值最小的边，如果该边的两端节点不属于同一棵树，则将其加入子图，把两棵树合成一棵树，保证已有链路不形成环路。反之，如果该边的两个节点属于同一棵树，加入到子图中会构成环路，则跳过这条边继续选取下一条值最小的边，重复之前的步骤，直到仅剩一棵树，子图中有N-1条边。此方法将每个ALV网络处理得到一个包含N个节点和N-1条边的最小生成树，能够连接所有节点，并且保留了网络中权重最大的链路。最小生成树-锁幅值功能性脑网络生成过程使用Kruskal算法生成，具体步骤如下所示：
1)：假设T＝(V，E′)是G中的最小生成树，则最小生成树中边的集合E′的初始值为空；
2)：把图G的边按照权重的大小升序排列，即w(e
3)：选取排序后权重最大的边，如果该边的两个顶点分别属于T中不同的两棵树，将此边加入T中，并且合并这两颗树。反之，如果边的任意节点属于相同的一棵树中，则丢弃该边；
4)：对第3)步进行递归重复，直到T中含有N-1条边为止。
步骤3：通过最小生成树-锁幅值邻接矩阵构建值最小生成树-锁幅值功能性脑网络，在网络中进行特征提取。
度：表示网络中某节点与其他节点连接的数目，分析网络中节点在某种意义上的重要程度可以依据度作为度量指标，度表示该节点与其他节点连接的边数，度越大表示该节点越重要。节点i的度的计算方法为：
上式a
直径：表示最小生成树功能性脑网络中的最长的最短路径，从网络中的一个节点出发到达其余节点，所有最短路径中值最大的就是直径，节点离心率的最大值与直径的大小相等。离心率表示节点的局部属性，该结点处于MST网络中心位置则节点离心率较低，反之则离心率较高。离心率的计算公式为：
Ecc(v)＝max{d(u，v)}
上式中d(u，v)表示图G中节点u到节点v的最短路径。
最小生成树脑功能网络的直径与叶子节点的个数之间是有联系的，在一棵最小生成树中最大的直径为D
D＝max(Ecc
上式中，Ecc
叶片分数：在最小生成树功能性脑网络中通常使用叶子节点数与节点总数之比进行表示，度为1的节点称为叶子节点，计算公式为：
上式中N代表网络节点的总数，给定网络规模之后N就变成一个定值，L代表叶子节点的个数。
机译： 基于锁相值构造的脑功能网络的驱动疲劳检测方法
机译： 使用可解释的人工智能来警告潜在风险情况来提供功能安全的学习方法和设备，以可解释的人工智能验证自动驾驶网络的检测过程，并使用它们。 Sting方法和测试装置{用于通过使用可解释的AI来提供关于潜在危险情况的警告驱动器提供功能安全的学习方法和学习设备，该方法验证自动驾驶网络的检测过程，以及使用相同的测试方法和测试设备}
机译： 用于检测驾驶员在驾驶汽车时的疲劳状态的方法，包括基于主动驾驶员力矩周期与参考周期或阈值的比较来完成主动驾驶员力矩周期。
