基于脑电信号的驾驶人警觉度状态评估模型的初步设计本科生毕业论文(编辑修改稿)

基于脑电信号的驾驶人警觉度状态评估模型的初步设计本科生毕业论文(编辑修改稿)内容摘要：

本论文 将采用 Neurosky 推荐 的 脑电 节律划分方式。 具 体 的脑电 节律划分方式 及某 节律对应特点如 表 12。 表 12 Neurosky 推荐 的脑电节律划分方式 脑波 类型 频率 范围 精神 状态 Delta 波 到 3Hz 沉睡 ，非快速动眼睡眠 ， 无意识状态 Theta 波 4Hz 到 7Hz 直觉 的，创造性的，回忆， 幻想 ，想象，浅睡 Alpha 波 8Hz 到 12Hz 放松 但不困倦，平静，有意识地 低频 Beta 波 12Hz 到 15Hz 运动 感觉节律，即 轻松 又专注，有协调性 中频 Beta 波 16Hz 到 20Hz 思考 ，对于自我和周围环境意识清楚 高频 Beta 波 21Hz 到 30Hz 警觉 ，激动 脑电 信号 与警觉度的关系 第 1章 绪论 10 脑电信号 作为 人体重要生理特征参数之一， 直接 反映了大脑的活动，且具有较高的时间分辨率。 基于 目前的研究 情况 ， 将 脑电 作为警觉度 状态 的 评估手段 在医学界得到 广泛 认可。 脑电信号 与警觉度 状态 的关系主要体现在 以下 几个方面： [6] （ 1） 随着警觉度 状态 的改变，从清醒 到 入睡过程中一些 事件 相关电位的潜伏期或峰值会发生改变。 （ 2） 随着 警觉度 状态 的改变，不同节律的脑电信号活跃程度会发生改变，如 在 频域上观察脑电信号会发现 ： 随着警觉度的改变，脑电的功率谱分布会发生变化。 （ 3） 随着警觉 度状态 的改变，不同节律的脑电信号生成的脑电地形图会呈现出规律性的变化。 （ 4） 另外， 警觉度状态变化造成的脑电模式改变 也会 直接反映在脑电的时序特征中，这些时序特征通常可以利用近似熵，样本熵，自回归系数等来表示。 基于 脑电 信号 的驾驶 人警觉度状态评估模型 的 设计 流程 和 关键 问题 图 110 基于 脑电信号 的 驾驶人警觉度状态评估 模型 设计 流程 图 根据 脑电信号的特点， 基于 脑电信号的驾驶人警觉度状态评估模型设计的具体流程 如图 110。 完成 评估 模型 设计 的关键便是 对四个 关键问题 作出 解答 ，这四个关键问题是： （ 1） 脑电信号 的 降噪去伪迹预处理。 （ 2）警觉度 状态 相关特征提取。 （ 3） 警觉度状态相关特征的过滤。 （ 4）警觉度 状态的估计。 1. 脑电 信号 的预处理 脑电信号十分微弱， 在 采集 和传输过程中容易受到来自人体内部和外部的干扰。 干扰 信号可能严重降低所采集 到 的脑电信号的信噪比， 引发 信号失真 ， 使得采集 到的信号不可靠。 在 驾驶 过程中 脑电信号 主要 受到以下因素的影响： （ 1） 汽车 电器 产生 的电磁干扰。 （ 2） 肌电、 眼电、心电等生理伪迹信号的干扰。 （ 3） 驾驶人 驾驶 动作过大。 （ 4） 传感 器与驾驶人皮肤 没有 进行有效的接触。 脑电 降噪 去 伪迹采用的主要方法包括 [8]： （ 1） 直接 删除 含有伪迹 的 脑电信第 1章 绪论 11 号 片段：处理 时 通过 观察 ， 判断 脑电 信号是否存在伪迹 ， 将存在伪迹的脑电信号片段进行人工的删除 ； 或对脑 电 波的能量或幅值设定一个阀值 作为对 伪迹的 判别标准 ， 通过 计算机软件判断 采集 到的脑电波是否超过阀值，若超过则自动 删除。 （ 2） 利用 线性 滤波器对脑波信号中的伪迹进行滤除。 如 使用 高通滤波器 可 滤除部分眼电 伪迹 ，低通滤波器可 滤除 部分肌电 伪迹。 （ 3）利用 线性回归方法 从 脑电中滤除伪迹信号。 （ 4） 利用信号分解的方法，如独立成分 分析 （ ICA, Independent Component Analysis） 法，将含有 伪迹 的原始脑电信号 分成 多个成分，识别 出 伪迹成分 后 将非 伪迹的成分进行重构， 得到 去伪迹后的脑电信号。 2. 警觉度 状态 相关 特征的提取 、 过滤 警觉度状态 分析中脑电的主要特征有： （ 1） 时域特征：自回归系数等。 （ 2）频谱特性：功率谱密度或小波 系数。 （ 3） 复杂度特征 ： 近似熵和样本熵。 不同 特征 对于 警觉度 状态的表征能力不同，计算复杂度不同，抗干扰能力不同。 将 在 后面 章节 对不同特征进行分析和比较。 脑电信号 中并不是所有电位的变化都 由 警觉度状态 变化 引起，即存在很多与警觉度状态无关的信号。 直接 提取 的 原始 脑电特征因为受到 与 警觉 度状态 无关 的脑电 信号影响 ， 波动 较大。 即使 驾驶 人处于同一个 警觉度 状态， 原始脑电 特征也十分不稳定。 因此 要对 提取的原始脑电特征进行 必要 的 平滑处理。 常用 的方法是利用滑动平均滤波 的 方式对原始脑电特征进行过滤。 3. 警觉度 状态 的 估计 方法 现有 的 警觉度 状态 估计方法 有 ：线性判别模型，线性回归模型，人工 神经 网络 模型，支持向量机等。 其中 线性 模型 训练 过程简单，结果稳定 ， 但警觉度估计的精度较差。 非线性 的估计方法警觉度 估计 的精度较高， 但 也存在着 不足。 人工神经网络 模型 在不同的训练中模型参数不稳定，导致得到的警觉度估计也不稳定 ，并且神经网络结构的设置也是一个很难的课题 ； 而支持向量机模型 在 数据规模较大的时候训练 速度较慢。 另外 ，在 警觉度 状态的估计 中 ，模型训练 过程 需要大量 有警觉度状态标注 信息 的脑电数据。 本论文的 研究目的 、 主要研究内容 和 内容安排 本 论文的研究目的 和 主要研究内容 本 论文 的 研究目的在 于 ： （ 1） 对 基于脑电波的驾驶人警觉度 状态 评估模型 设计 过程中 涉及 的 关键 问题 进行 分析 ， 初步设计 出 基于 脑波信号的驾驶人警觉度状态评估模型。 （ 2） 对 如何 使用 Mindwave Mobile 脑波 传感器 结合 LabVIEW 编程 环境 实现脑电 信号的采集 与记录 进行 了详细的说明， 为 将来 进一步 使用 Mindwave 第 1章 绪论 12 Mobile 进行 脑电波 研究 提供 了 一套可行 的设备使用策略。 本论文 的主要研究内容： （ 1） 对基于脑电波的驾驶人警觉度状态评估模型设计 过程 中所 涉及 的 关键 问题 （脑电信号 的预处理 ， 脑电特征 的 提取 和 过滤， 警觉度 状态 的 估计 方法。 ）进行 深入 浅出的分析 ： 包括 研究各 个 关键 问题的原因，解决 每 个 问题 的 方法 ， 各个 方法 的特点比较 等。 根据 讨论与 分析 的 结果 初步 设计出基于脑电信号的驾驶人警觉度状态评估模型。 （ 2） 驾驶人脑电警觉度 实验 的 实验方案 设计。 基于 脑波 传感器 Mindwave Mobile 与 LabVIEW， 自行 开发 出 驾驶人 脑电 信号 采集与记录系统 ，用于 获得 实验 中被试的 脑电数据。 基于 LabVIEW 自行 开发 驾驶人 警觉度 状态 标注系统 ， 用于 获得 实验 中被试的 警觉度 标注数据。 （ 3） 进行 驾驶人脑电 警觉度 实验 ，提出 对 原始 实验 数据 的 处理 方案 ， 为 将来 使用 实验数据进行 脑电 伪迹 去除分析 、 脑电特征提取 分析 、 脑电特征过滤 分析和 机器学习 等 模型 测试 工作 提供了 良好的基础。 （ 4） 对 提出的初步模型部分性能进行了测试。 图 111 本论文 主要研究内容 论文 安排 本论文由 以下五个章节组成： 第一章 ： 总体 介绍 对 驾驶人 警觉度状态 进行 监测 的背景和 意义，国内外的 研究 成果 ，驾驶人 警觉度状态与 行车 安全 性 的 关系 ， 脑电信号 和 警觉度，利用脑电波对驾驶人警觉度 状态 进行评估 所 涉及 的关键问题，以及本论文的研究目的和主要研究内容。 第二章 ： 评估 模型的初步设计。 对 模型设计的 关键 问题 进行 分析讨论， 包括 ：脑电信号的 降噪去 伪迹预处理、脑电特征 提取 与过滤 、 警觉度 状态 的 估计 方法。 提出本 论文 的 警觉度 状态评估模型的初步设计 方案。 第三章 ： 讲述 驾驶 人脑电警觉度实验的原理 和 流程， 介绍 实验 中 用到的 设备Mindwave Mobile 脑波 传感器 ， 以及 基于 LabVIEW 自行 开发 的 驾驶人脑电采集与记录系统 和驾驶 人警觉度 状态 标注 系统。 第四章 ： 提出对原始实验数据的处理方案，为将来利用实验数据进行脑电伪迹去除分析、脑电特征提取分析、脑电特征过滤分析和机器学习提供了良好的数据基础。 最后 ，对 提出 的初步模型部分性能进行了测试。 第 1章 绪论 13 第五章 ： 对 全文进行总结， 对日后 如何 完善 该 警觉度状态评估模型作出展望。 第 2章 评估 模型的初步设计 14 第 2 章 评估 模型 的 初步设计 根据 绪论中的分析， 基于 脑电信号的驾驶人警觉度状态评估模型设计 有 以下四个方面 （ 1） 脑电信号 的 降噪去伪迹预处理。 （ 2）警觉度 状态 相关特征 提取。 （ 3） 警觉度状态相关特征的过滤。 （ 4）警觉度 状态的估计。 本章 将对这 四个方面逐一进行 分析， 讨论解决 各个问题 的 常用 方法， 得出 基于 脑电信号的 驾驶人 警觉度状态 评估 模型 的初步设计。 脑电 信号降噪、去伪迹预处理 脑电信号十分微弱， 在 采集和传输过程中容易受到来自人体内部和外部的干扰。 干扰 信号可能严重降低所采集 到 的脑电信号的信噪比， 引发 信号失真 ， 使得采集 到的信号不可靠。 因此 必须对原始脑电信号进行 降噪去 伪迹的预处理。 脑电 信号中 主要 噪音、伪迹信号的分类 与 特点 脑电信号中的主要噪音、伪迹信号有： （ 1） 设备 使用过程中工频 50Hz 的 交流电对 脑电 测量产生的干扰。 （ 2） 脑电 测量环境中其他用电设备 的 电路系统对脑电测量产生的干扰。 （ 3） 肌 电信号 （ Electromyogram， EMG） ， 在 张嘴 、 转头 等 肌肉运动 中产生的电生理信号，强度通常是脑电信号的十倍， 在 频谱上分布范围十分广（ 15Hz～ 200Hz 以上 ）。 信号源位置不固定 ， 不同的肌肉运动决定了不同的肌电信号源。 （ 4） 眼电 信号（ Electrooculogram， EOG） ， 眼球或 眼睑 的运动 ， 如眼球转动或 眨眼 等产生的电生理信号，是一种特殊的肌电信号。 频谱 上 主要集中分布在 0Hz～ 15Hz， 信号源位置固定 ， 主要集中在眼部周围。 因本 研究中所使用的 Mindwave Mobile 脑波 传感器的脑电探测电极位于FP1 区域 ，也就是左前额的 部分 ，与眼睛距离 比较 接近。 因此 ， 滤除眼电信号 的 干扰 是 本研究 中 脑电信号 预处理 的重点。 （ 5） 心电 信号（ Electrocardiogram， ECG） ， 心脏循环 血液时 引发血管节律性的舒张而产生的电生理信号。 心电 信号 受 心跳调节，主要集中在1Hz 左右。 当 脑电测量 位置附近 有 血管出现， 脑电 的测量 便 会受到心电的影响。 通过 以上对 脑电信号中主要 噪音、伪迹信号的分类可以看出，工频 交流电 以及心电信号 产生 的干扰 频率都 比较固定 ， 分别是 50Hz 和 1Hz， 可以分别 直接 利用限波器 和 高通滤波器直接 滤除。 其实 本研究 中使用的脑波采集设备 Mindwave 第 2章 评估 模型的初步设计 15 Mobile 中的 内置芯片已经设置了相应的滤波器，因此 工频 交流电和心电信号产生的影响可以不纳入本研究的考虑范围之中。 肌电 信号与眼电信号 在 频谱上分布较广，且很多频带与脑电重合 ， 若 直接利用滤波器处理会导致大量脑电 成分 的丢失 ， 如图 21 为 眼电（ 0Hz）和肌电（ 15Hz）信号与脑电信号（ ～ 30Hz）的频带重叠情况。 因此 ， 需要 使用 更复杂的脑电信号预处理算法 对 眼电和肌电伪迹 进行 滤除。 图 21 眼电（ 0Hz） 和肌电 （ 15Hz） 信号 与脑电信号 （ ～ 30Hz） 的 频带 重叠情况 现有 滤除肌电信号与眼电信号 的 方法 1. 伪迹 避免 早期研究中，对于脑电信号采集过程中肌电信号与眼电信号影响的去除采用的是伪迹避免 的 方法。 即 被试 者在进行脑电实验过程中尽量保持坐姿 固定， 不做涉及 眼动、 眨眼 、面部活动等 可能 产生肌电信号与眼电信号干扰的动作。 伪迹 避免的方法 虽然 可以有效滤除肌电信号与眼电信号的干扰，使得采集 到的脑电信号几乎包含或只含有少量的伪迹 ， 但此方法明显不适合 用于 本研究 中。 驾驶 人在驾驶过程中需要 获得 道路和车辆等信息，并对信息作出反应，无可避免会出现甩头、眨眼 等 活动，不可能一直避免产生肌电信号与眼电信号。 2. 伪迹 丢弃 直接 删除 含有伪迹 的 脑电信号 片段 来 滤除眼电与肌电的干扰，称为伪迹丢弃。 处理 时 通过 观察 ， 判断 脑电 信号是否存在伪迹 ， 将存在伪迹的脑电信号片段进行人工的删除 ； 或对脑 电 波的能量或幅值设定一个阀值 作。