【正文】 （ 31） Mindwave Mobile 腦波 傳感器的其他參數(shù)如下： （ 1） 采樣率 ： 512Hz/s （ 2） 測量 精度： 177。 因?yàn)?不是所有腦區(qū)都對駕駛 人 警覺度狀態(tài) 的變化敏感， 要能基于 腦電波得到準(zhǔn)確的駕駛?cè)司X度狀態(tài)評估模型 ， 就要通過某種方式找到 與 警覺度狀態(tài) 最 相關(guān)的關(guān)鍵腦區(qū)， 通過 從關(guān)鍵腦區(qū)獲得的腦電特征 可以 更加準(zhǔn)確地評估駕駛?cè)司X度狀態(tài)的變化，得到 更 加準(zhǔn)確的狀態(tài)評估模型。 第 3章 駕駛?cè)四X電警覺度實(shí)驗(yàn)的設(shè)計 27 圖 34 LabVIEW 的 圖形化編程界面 LabVIEW 的 Neurosky driver 介紹 API（ Application Programming Interface,應(yīng)用程序編程接口）是一些預(yù)先定義的函數(shù)，目的是提供應(yīng)用程序與開發(fā)人員基于某軟件或硬件的以訪問一組例程的能力，而又無需訪問源碼，或理解內(nèi)部工作機(jī)制的細(xì)節(jié)。 圖 35 LabVIEW 中 的 Neurosky Driver 駕駛?cè)?腦電采集與記錄系統(tǒng)開發(fā) 為了 能 在 駕駛?cè)四X電警覺度實(shí)驗(yàn)中 實(shí)時 地 采集 和 記錄腦電波 數(shù)據(jù)，并在 實(shí)驗(yàn)結(jié)束后及時將實(shí)驗(yàn)數(shù)據(jù) 輸出。從 簡單 的數(shù)據(jù) 采集 、 儀器 控制 到尖端 的測試和工業(yè)自動化，從大學(xué)實(shí)驗(yàn)室到科研 院所 ， 越來越多的 LabVIEW 成果 和開發(fā)的產(chǎn)品應(yīng)用于各行各業(yè)。 根據(jù) Neurosky 公司 的解釋， FP1 區(qū)域 可以 傳遞較為準(zhǔn)確的原始 腦波 信號 ， 且對 由于 意識變化 ， 如注意、放松等 造成 的腦波變化 較為敏感 。 腦波 傳感器 Mindwave Mobile 通過傳感 器上內(nèi)置芯片計算出第 3章 駕駛?cè)四X電警覺度實(shí)驗(yàn)的設(shè)計 25 原始腦電信號 值 ， 以 串行數(shù)據(jù)流的形式通過藍(lán)牙串行協(xié)議（ Serial Port Profile）進(jìn)行 傳輸 ， 傳輸速度為 9600bps。 另外 ，在 警覺度 狀態(tài)的估計 中 ，模型訓(xùn)練 過程 需要大量有警覺度狀態(tài)標(biāo)注 信息 的腦電數(shù)據(jù) ， 這些警覺度狀態(tài) 的 標(biāo)注信息將 由第 3章提及 的駕駛?cè)司X度標(biāo)注系統(tǒng)在駕駛?cè)四X電警覺度實(shí)驗(yàn)中獲得。 警覺度狀態(tài) 評估模型的初步設(shè)計 圖 23 駕駛 人警覺度狀態(tài)評估模型 初步 構(gòu)建 經(jīng)過對以上 四 個 關(guān)鍵問題的 詳細(xì) 討論 ， 分析 并比較 了 現(xiàn)階段 解決這四 個 問題的常用方法。 常用于 警覺度 狀態(tài)估計 的算法有 線性 回歸模型和支持向量機(jī)回歸模型。1) （ 215） 其中 ， ω = 2???? ， 經(jīng)變換后可得到 ： P(ω) = 1??X(ω)???(??)= 1????(??) （ 216） 對于 2秒的腦電信號而言，由于能量有限，如果認(rèn)為該段信號寬平穩(wěn)，則它第 2章 評估 模型的初步設(shè)計 22 的能量譜和功率譜等價，僅相差一個常量因子 。 這時 ，功率譜 密度函數(shù)就是信號自相關(guān)函數(shù) r(i)的 傅里葉變換。??????????。而 傅里葉 變換反映的是一段時間內(nèi) 信號 總體的頻譜分布 關(guān)系 ， 不能反映 出這段時間內(nèi)頻譜的變化。通常 AR 模型 階次由 AIC 信息 準(zhǔn)則確定， AIC 表示 為 AIC(p) = ln????2 +2?? （ 29） 當(dāng)時間序列包含 n個觀測值時，式（ 29）中 ????定義 為 ????2 = 1??。 在 腦電分析中最常用的時序特征提取算法 主要 是基于自回歸 （ AR, Autoregressive） 模型 。 在此 假設(shè) 基礎(chǔ)上，可以采用 EMD 方法 通過下面 步驟 對任何信號 x(t)進(jìn)行 分解?？紤]到腦電信號的也存在 非線性 、非平穩(wěn)的特點(diǎn) ，該方法 被用于腦電信號的去偽跡。??(??)???(??),?? = 1,2,…等于其中 一個 源 信號。 設(shè) 觀測 信號 為 x， 白化后的信號為 ??~， 即 把觀測信號 x 線性 變換為矩陣??~ = Mx， 使得 ： E*x??~?+= I （ 23） 變換 后 有： ??~ = Mx = MAs = Bs （ 24） 其中 M是 白化矩陣， B=MA是一個 正交矩陣。式x 的含義是： n個 源信號 混合 得到 m 維觀測 數(shù)據(jù)向量。 與傳統(tǒng)的多維信號分析方法截然不同的是，經(jīng)處理得到的各個分量不僅去除了相關(guān)性，還是相互統(tǒng)計獨(dú)立的，并且是非高斯分布的信號。 2. 偽跡 丟棄 直接 刪除 含有偽跡 的 腦電信號 片段 來 濾除眼電與肌電的干擾，稱為偽跡丟棄。 通過 以上對 腦電信號中主要 噪音、偽跡信號的分類可以看出，工頻 交流電 以及心電信號 產(chǎn)生 的干擾 頻率都 比較固定 ， 分別是 50Hz 和 1Hz， 可以分別 直接 利用限波器 和 高通濾波器直接 濾除 。 信號源位置不固定 ， 不同的肌肉運(yùn)動決定了不同的肌電信號源。（ 4）警覺度 狀態(tài)的估計。提出本 論文 的 警覺度 狀態(tài)評估模型的初步設(shè)計 方案 。 （ 2） 駕駛?cè)四X電警覺度 實(shí)驗(yàn) 的 實(shí)驗(yàn)方案 設(shè)計 。 非線性 的估計方法警覺度 估計 的精度較高， 但 也存在著 不足。將 在 后面 章節(jié) 對不同特征進(jìn)行分析和比較。（ 2） 利用 線性 濾波器對腦波信號中的偽跡進(jìn)行濾除。（ 4）警覺度 狀態(tài)的估計。 腦電信號 與警覺度 狀態(tài) 的關(guān)系主要體現(xiàn)在 以下 幾個方面： [6] （ 1） 隨著警覺度 狀態(tài) 的改變，從清醒 到 入睡過程中一些 事件 相關(guān)電位的潛伏期或峰值會發(fā)生改變。 以 腦電基線為標(biāo)準(zhǔn)，朝上的波被稱為負(fù)向波（ 負(fù) 性波） ， 朝下的波稱為正相波（ 正 性波） 。 第 1章 緒論 9 圖 19 反映腦電 能量分布的腦電地形圖 腦電信號的 三 個 基本特征 分別為頻率（周期）、波幅和相位。 由于 大腦 皮層有序的多層結(jié)構(gòu) 中 椎體細(xì)胞的軸突 徑向 排列， 樹突 在 外層 呈切向分布， 使得 有序 的 電偶極子放電可以克服顱骨的屏蔽 ， 在頭表皮上記錄到 ~40Hz 較大 幅度（ 1~100μV）的 腦電信號 。 通過 人 — 車 — 路之間的互相協(xié)調(diào) 實(shí)現(xiàn) ，通過車輛運(yùn)動形式 表現(xiàn) 。 圖 18 基于腦電 波 特征 的疲勞監(jiān)測帽子 SmartCap 綜上所述 ， 在 現(xiàn)階段 使用視頻技術(shù) 的 基于駕駛?cè)搜鄄刻卣鞯木X度 監(jiān)測 方法仍然 應(yīng)用最廣， 其 憑借 無需 接觸人體， 使用 方便 等 優(yōu)點(diǎn)， 得到 了很好的推廣。 他們 利用腦電頻譜特征，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)等 模 式識別算法，進(jìn)行了一系列的模擬駕駛環(huán)境下的警覺度檢測系統(tǒng)的研究。 各種 生理特征 也 被陸續(xù)應(yīng)用在 駕駛?cè)司X度 狀態(tài) 的 檢測 上 。由汽車 廠商開發(fā) 出 的較為成熟的疲勞 監(jiān)測 裝置中 大多 也是采用 PERCLOS 方法 來 判斷 駕駛?cè)耸欠裉幱谄跔顟B(tài)。 本論 文 的 研究 便是通過 腦電 信號來辨識出駕駛?cè)司X度 狀態(tài) 的好壞，從而 實(shí)現(xiàn)對 駕駛?cè)?的 實(shí)時 疲勞 程度 監(jiān)測 。 這項(xiàng) 技術(shù)作為 車輛輔助安全 駕駛 技術(shù)的 一個 重要課題 ， 對解決交通安全問題有著重要的 現(xiàn)實(shí) 意義。 各個 要素 對交通安全的影響程度不同，尤 以 人為因素 的 影響程度最大。 最后 ，本論文 提出了 實(shí)驗(yàn)數(shù)據(jù)的處理方案 ，并 對本論文提出的初步模型 的 部分性能進(jìn)行了測試。 本科生畢業(yè)論文（設(shè)計） 中文題目 ： 基于腦電信號的駕駛?cè)司X度狀態(tài)評估模型的 初步設(shè)計 英文題目 ： A Tentative Design of EEGbased Driver Vigilance State Detection Model 學(xué)生姓名 王向林 班級 441002 學(xué)號 44100212 學(xué) 院 交通學(xué)院 專 業(yè) 交通 運(yùn)輸類 （ 汽車運(yùn)用工程 ） 指導(dǎo)教師 金立生 職稱 教 授 1 吉林大學(xué)學(xué)士學(xué)位論文（設(shè)計）承諾書 本人鄭重承諾：所呈交的學(xué)士學(xué)位畢業(yè)論文（設(shè)計），是本人在指導(dǎo)教師的指導(dǎo)下，獨(dú)立進(jìn)行實(shí)驗(yàn)、設(shè)計、調(diào)研等工作基礎(chǔ)上取得的成果。 并 設(shè)計 了 駕駛?cè)四X電警覺度實(shí)驗(yàn) ， 提出 了 在 實(shí)驗(yàn)中 對被試進(jìn)行警覺度 標(biāo)注 的 方法，并 基于 LabVIEW 完成了 對 實(shí)驗(yàn) 設(shè)備 Neurosky 公司 的 Mindwave Mobile 腦電波傳感器 的軟件支持 。隨 著 駕駛時間的增長，這種不協(xié)調(diào)引發(fā) 交通 事故的幾率也隨之增加 。 第 1章 緒論 3 圖 12 疲勞 駕駛是引發(fā)交通事故 最主要 的 人為 因素 可見，開發(fā)出實(shí)時 監(jiān)測 駕駛?cè)似诘募夹g(shù)，是降低交通事故發(fā)生最為直接和有效的方法 。 而在以上 所有 估計 駕駛?cè)司X度狀態(tài)的 參數(shù) 中， 生理特征參數(shù) 中的 腦電信號因?yàn)?能更為直接 地 反映大腦 本身 的活動，有 著 更高的時間分辨率，且無法被 人為控制 或 偽裝 ，因此被稱為疲勞 檢測 方法中的 “ 金 標(biāo)準(zhǔn) ” ， 得到了醫(yī)學(xué)界 的 廣泛認(rèn)可 [6]。 現(xiàn)在 ， PERCLOS方法 已經(jīng)被美國聯(lián)邦公路管理局認(rèn)定是一種可靠且有效的疲勞檢測方法， 在車載實(shí)時疲勞監(jiān)測 系統(tǒng)中成功得到 了廣泛 的 商業(yè)應(yīng)用。此 計劃 結(jié)合 了 駕駛?cè)藸顟B(tài)和駕駛?cè)诵袨樾畔?，包括駕 駛?cè)搜鄄€運(yùn)動、對方向盤握力、對車道把握、以及對剎車和油門的控制等 ，對疲勞駕駛預(yù)警系統(tǒng)的綜合設(shè)計提供了比較全面 的 指導(dǎo) 性 意見 。 20xx 年起 ，臺灣新竹交通大學(xué) 腦科學(xué) 研究中心也對 將腦電 用于警覺度分析做出 了許多研究 。 目前 該 款產(chǎn)品已被 運(yùn)用 在礦業(yè)、海事、物流等領(lǐng)域。 在 復(fù)雜的道路交通環(huán)境中，駕駛行為是多源信息 刺激下 ， 駕駛?cè)烁兄?、判斷和操縱活動 的 外在表征，是一個循環(huán)往復(fù)的信息處理過程。 腦電 信號反映 的是腦部神經(jīng)元放電的混合效果。 此外， 腦電還 可以 以腦電地 型 圖 （ Brain Map） 的形式進(jìn)行描述 ，其反映 的是一個特定時刻或時間內(nèi)腦電或腦電能量在整個頭皮上的分布情況。 相位： 隨時間序列運(yùn)動展開的波，在基線上 或 基線下所處的瞬時位置即為該波的相位，它代表著波的極性 及 其時間 與 波幅的相對關(guān)系。 基于 目前的研究 情況 ， 將 腦電 作為警覺度 狀態(tài) 的 評估手段 在醫(yī)學(xué)界得到 廣泛 認(rèn)可。（ 3） 警覺度狀態(tài)相關(guān)特征的過濾 。 腦電 降噪 去 偽跡采用的主要方法包括 [8]： （ 1） 直接 刪除 含有偽跡 的 腦電信第 1章 緒論 11 號 片段：處理 時 通過 觀察 ， 判斷 腦電 信號是否存在偽跡 ， 將存在偽跡的腦電信號片段進(jìn)行人工的刪除 ； 或?qū)δX 電 波的能量或幅值設(shè)定一個閥值 作為對 偽跡的 判別標(biāo)準(zhǔn) ， 通過 計算機(jī)軟件判斷 采集 到的腦電波是否超過閥值，若超過則自動 刪除 。不同 特征 對于 警覺度 狀態(tài)的表征能力不同，計算復(fù)雜度不同，抗干擾能力不同。其中 線性 模型 訓(xùn)練 過程簡單，結(jié)果穩(wěn)定 ， 但警覺度估計的精度較差。 根據(jù) 討論與 分析 的 結(jié)果 初步 設(shè)計出基于腦電信號的駕駛?cè)司X度狀態(tài)評估模型 。 對 模型設(shè)計的 關(guān)鍵 問題 進(jìn)行 分析討論， 包括 ：腦電信號的 降噪去 偽跡預(yù)處理、腦電特征 提取 與過濾 、 警覺度 狀態(tài) 的 估計 方法 。（ 3） 警覺度狀態(tài)相關(guān)特征的過濾 。 （ 3） 肌 電信號 （ Electromyogram， EMG） ， 在 張嘴 、 轉(zhuǎn)頭 等 肌肉運(yùn)動 中產(chǎn)生的電生理信號，強(qiáng)度通常是腦電信號的十倍， 在 頻譜上分布范圍十分廣（ 15Hz～ 200Hz 以上 ） 。當(dāng) 腦電測量 位置附近 有 血管出現(xiàn)， 腦電 的測量 便 會受到心電的影響。駕駛 人在駕駛過程中需要 獲得 道路和車輛等信息，并對信息作出反應(yīng)，無可避免會出現(xiàn)甩頭、眨眼 等 活動，不可能一直避免產(chǎn)生肌電信號與眼電信號。對 于 盲 源分離，方法之一就是基于統(tǒng)計獨(dú)立性的獨(dú)立分量分析（ Independent Component Analysis, ICA） 方法 ，以高階統(tǒng)計量為基礎(chǔ)，是一種自適應(yīng)優(yōu)化算法，主要用于 揭示 和 提取多維 信號中的潛在部分 ， 基本思路從多維觀測信號中提取統(tǒng)計獨(dú)立的成分。 存在 混合 矩陣 A， 使得 x(k) = As(k) （ 21） 其中 m n維 的 矩陣 A成為 混合 矩陣，矩陣 的元素表示信號的混合情況。 在 使用 FastICA 算 之前 ，需要對觀測信號 進(jìn)行 白化 預(yù)處理 ， 即對信號進(jìn)行 線型 變換，使變換后信號的各分量互不 相關(guān) 且各分量的方差都為 1。 （ 4） 如果 |??(??)???(??? 1)|不滿足 充分接近 1， 則置 k=k+1， 返回至（ 2） ；否則輸出矢量 w(k) 算法 最后給出 w(k)，表示已經(jīng) 從混合信號 x(k)中 分離了一個非高斯信號 。 HilbertHuang 變換適合 處理非 線性、非平穩(wěn)信號。它基于的假設(shè)便是：任何復(fù)雜函數(shù)都是 由 一些不 同的內(nèi)稟模態(tài)函數(shù)組成的，每一個內(nèi)稟模態(tài)函數(shù)無論是線性 的 還是非線性的、非平穩(wěn)的，都具有相同數(shù)量的 極值點(diǎn)和過零點(diǎn)，相鄰兩個過零點(diǎn)之間只有一個極值點(diǎn)，且上下包絡(luò)線關(guān)于時間軸局部對稱，任何兩個模態(tài)之間相互獨(dú)立； 一個信號