【正文】 進(jìn)行 必要 的 平滑處理。 （ 2） 對 如何 使用 Mindwave Mobile 腦波 傳感器 結(jié)合 LabVIEW 編程 環(huán)境 實(shí)現(xiàn)腦電 信號的采集 與記錄 進(jìn)行 了詳細(xì)的說明， 為 將來 進(jìn)一步 使用 Mindwave 第 1章 緒論 12 Mobile 進(jìn)行 腦電波 研究 提供 了 一套可行 的設(shè)備使用策略。 （ 4） 對 提出的初步模型部分性能進(jìn)行了測試。 第 1章 緒論 13 第五章 ： 對 全文進(jìn)行總結(jié)， 對日后 如何 完善 該 警覺度狀態(tài)評估模型作出展望。 因此 必須對原始腦電信號進(jìn)行 降噪去 偽跡的預(yù)處理。 因此 ， 濾除眼電信號 的 干擾 是 本研究 中 腦電信號 預(yù)處理 的重點(diǎn)。 圖 21 眼電（ 0Hz） 和肌電 （ 15Hz） 信號 與腦電信號 （ ～ 30Hz） 的 頻帶 重疊情況 現(xiàn)有 濾除肌電信號與眼電信號 的 方法 1. 偽跡 避免 早期研究中，對于腦電信號采集過程中肌電信號與眼電信號影響的去除采用的是偽跡避免 的 方法 。相比 于 偽跡 避免 和偽跡丟棄，偽跡移除 既可以 讓被試在進(jìn)行腦電警覺度實(shí)驗(yàn)時更加舒適自然，也可以避免 丟失 大量腦電 數(shù)據(jù) ， 因此目前 的研究人員 更傾向于使用 偽跡移除 來 濾去眼電與肌電信號的干擾 。 ICA方法 在腦電去偽跡中的應(yīng)用便是將腦電信號和偽跡信號分解成一些 相互獨(dú)立的分量 ，并 通過一定的 判斷準(zhǔn)則 去除偽跡的干擾，再經(jīng)過逆運(yùn)算還原成腦電信號。 （ 2） 基于 信息理論框架的算法，如 Infomax 算法 、互信息 最小化 算法等。 第 2章 評估 模型的初步設(shè)計(jì) 18 FastICA 的 具體算法實(shí)現(xiàn) 如下 ： （ 1） 初始化 w(0)，令其模為 1，置 k=1。所以 ， 如果只要提取某個分量又有足夠的先驗(yàn)知識，便能迅速提取出該分量 ， 從而減少計(jì)算量。 對于 內(nèi)稟模態(tài) 函數(shù)，可以使用 Hilbert 變換 構(gòu)造解析信號，然后求出瞬時頻率。 對于 腦電特征的 定義 和分類都有較多的方法，在這里我們采用將 腦電 特征簡單分成 4類 的方法： （ 1）時序 特征 ， （ 2）頻譜 特征 ， （ 3） 空間同步性特征 ， （ 4） 復(fù)雜度特征。1 +??2????。 AR 模型 系數(shù)常見估計(jì)方法 有 ：最小二乘法、解YuleWalker 方程 法、 Burg 法等 。 因此 ，使用傅里葉變換的方法對 2 秒 時窗內(nèi)的腦電信號提取頻譜特征。 基于 2秒 的時窗 ， 該變換的頻率分辨率為 。 這段 信號 的功率譜密度函數(shù)可表示為： P(ω) = ∑ ??(??)??。 利用 警覺度 狀態(tài) 相關(guān)特征的漸變性，即時序依賴性，可以設(shè)計(jì)算法濾除或降低無關(guān)特征的影響。 支持向量機(jī)的基本思想 ：首先，在線性可分情況下，在原空間尋找兩類樣本的最優(yōu)分類超平面。由于 本 論文 實(shí)驗(yàn)中使用的腦波傳感器 Mindwave Mobile 屬于 單導(dǎo)腦波傳感器 ， 所以采用 EMD 方法 進(jìn)行偽跡的消除更加合適。 為實(shí)現(xiàn)這 一實(shí)驗(yàn)?zāi)康模?本 論文基于 LabVIEW 開發(fā) 了 一整套腦電 信號 的 記錄 系統(tǒng) ，并提出了 一種獲得 被試警覺度標(biāo)注信息的方法。 它 將鼻根和枕 外 粗隆的聯(lián)結(jié)線分作 10 等 份 ，其中點(diǎn) 為頭頂，然后把鼻根 、 外 耳 孔和枕 外 粗隆的聯(lián)結(jié)線也 10等分。 圖 33 Mindwave Mobile 的 電極設(shè)置 LabVIEW 介紹 本研究中 的軟件部分主要是使用 LabVIEW 進(jìn)行開發(fā)。 而 LabVIEW則 根據(jù) Neurosky 公司 提供的 API 開發(fā) 了 Neurosky Driver， 使得 LabVIEW 用戶可以通過圖像編程的方式獲得并使用 Mindwave Mobile 中 的數(shù)據(jù) 。 圖 35 為 LabVIEW 中的 Neurosky Driver 模塊。它 用 數(shù)據(jù)流編程方法來描述程序的執(zhí)行，用圖標(biāo)和連線代替文本的形式編寫程序。電極 總數(shù) 共23 個 （ 包括兩側(cè) 耳垂電極） 。實(shí)驗(yàn)使用的腦波傳感器是 Neurosky 公司推出的 單 導(dǎo) 腦電波傳感器 Mindwave Mobile， 利用個人計(jì)算機(jī)完成 數(shù)據(jù) 記錄 與 分析 ； 實(shí)驗(yàn) 中 腦電波的采集與記錄 是 使用基于 LabVIEW 自主 開發(fā)的腦電波采集與記錄系統(tǒng)實(shí)現(xiàn) ； 實(shí)驗(yàn) 中對于駕駛?cè)?警覺度 狀態(tài) 的標(biāo)注 是使用基于 LabVIEW 自主開發(fā) 的駕駛?cè)?警覺度 狀態(tài) 標(biāo)注 系統(tǒng)實(shí)現(xiàn) 。 3） 腦電 特征 的 過濾： 根據(jù) 警覺度 狀態(tài) 相關(guān)特征的漸變性，即時序依賴性，我們 采用滑動平均濾波 器對已提取的 腦電特征進(jìn)行過濾。其次，它通過使用結(jié)構(gòu)風(fēng)險最小化原理在屬性第 2章 評估 模型的初步設(shè)計(jì) 23 空間構(gòu)建最優(yōu)分類超平面，使得分類器得到全局最優(yōu)，并在整個樣本空間的期望風(fēng)險以某個概率滿足一定上界。 設(shè) 滑 動窗口的寬度為 L，每次在滑動后 把 L 個 數(shù)據(jù)進(jìn)行算術(shù)平均 ， 就可得到一組經(jīng)過滑動平均濾波的新序列，其表達(dá)式為 ： y(n) = 1?? ∑ ??(??? ??)??。1??。 信號的能量譜反映的是信號的總能量隨頻率的分布情況，如果信號 的 總能量，即信號的平方在整個時間軸上不可積，就無法進(jìn)行傅里葉變換 ，也就無法計(jì)算能量譜。在 特征 提取過程中，我們 采 用有成熟快速 解法 的離散傅里葉變換 （ DFT） 。常用的方法有 [6]：1） 基于傅里葉變換 的 頻譜特征提取 2） 基于小波 變換 的 頻譜特征 提取 。?? +???? （ 28） 式 中， ???? 為時間 序列 t 時刻 觀測值， ????為 AR 模型 系數(shù)， ????表示 白噪聲。 時序 特征 對于 一段時序形態(tài)的原始腦電波信號來說， 最簡單 的方法便是直接利用其均值、方差或其他高階統(tǒng)計(jì)量作為特征來描述腦電信號的模式 。 EMD 方法 將一個復(fù)雜的信號分解為若干個內(nèi)稟模態(tài)函數(shù)之和 。 [10] 經(jīng)驗(yàn) 模 態(tài) 分解（ EMD）在 腦電去偽跡中的應(yīng)用 1998 年美國國家宇航局的 Norden E Huang 提出了基于模態(tài)分解 的時頻 分析法 ， 他是 運(yùn)用基于經(jīng)驗(yàn)的模態(tài)分解方法 ， 將一個時間序列信號分解成有限個不同時間尺度的內(nèi)稟 模態(tài) 函數(shù) MF(intrinsic mode function)， 再 對 每個 MF 進(jìn)行HilbertHuang 變換 ， 得到時頻平面上的能量分布 譜 圖，用來分析信號時頻特征的信號分析 方法 。 （ 3） 用 ∥ w ∥去除 w(k)。在 FastICA 算法 中 ， 有基于峭度 最大化 、 負(fù)熵最大化等形式 ， 這里我們選擇 研究基于 峭 度 最大化的 FastICA 算法 。 假設(shè) 存在 s(k) = ,??1(k),… , ????(k)?為 N個 源信號 構(gòu)成 的 n維 向量，通過信道后線性疊加成為在傳感器上接受到的 M個 觀察信號：x(k) = ,??1(k),… , ????(k)?， 一般規(guī)定 M ≥ N。 第 2章 評估 模型的初步設(shè)計(jì) 16 獨(dú)立 成分分析 （ ICA） 技術(shù)在腦電 去 偽跡中的使用 1. 獨(dú)立成分 分析（ ICA） 方法 簡介 盲 源分離（ Blind Source Separation, BSS） 是信號處理領(lǐng)域 中 的一個重要研究方向，在近些年來得到了飛速發(fā)展，成為了研究的熱點(diǎn)。 偽跡 避免的方法 雖然 可以有效濾除肌電信號與眼電信號的干擾，使得采集 到的腦電信號幾乎包含或只含有少量的偽跡 ， 但此方法明顯不適合 用于 本研究 中 。心電 信號 受 心跳調(diào)節(jié)，主要集中在1Hz 左右 。 （ 2） 腦電 測量環(huán)境中其他用電設(shè)備 的 電路系統(tǒng)對腦電測量產(chǎn)生的干擾 。（ 2）警覺度 狀態(tài) 相關(guān)特征 提取 。 第二章 ： 評估 模型的初步設(shè)計(jì) 。 ）進(jìn)行 深入 淺出的分析 ： 包括 研究各 個 關(guān)鍵 問題的原因，解決 每 個 問題 的 方法 ， 各個 方法 的特點(diǎn)比較 等 。 3. 警覺度 狀態(tài) 的 估計(jì) 方法 現(xiàn)有 的 警覺度 狀態(tài) 估計(jì)方法 有 ：線性判別模型，線性回歸模型，人工 神經(jīng) 網(wǎng)絡(luò) 模型，支持向量機(jī)等。 （ 3） 復(fù)雜度特征 ： 近似熵和樣本熵。 （ 4） 傳感 器與駕駛?cè)似つw 沒有 進(jìn)行有效的接觸 。（ 2）警覺度 狀態(tài) 相關(guān)特征提取 。 表 12 Neurosky 推薦 的腦電節(jié)律劃分方式 腦波 類型 頻率 范圍 精神 狀態(tài) Delta 波 到 3Hz 沉睡 ，非快速動眼睡眠 ， 無意識狀態(tài) Theta 波 4Hz 到 7Hz 直覺 的，創(chuàng)造性的，回憶， 幻想 ，想象，淺睡 Alpha 波 8Hz 到 12Hz 放松 但不困倦，平靜，有意識地 低頻 Beta 波 12Hz 到 15Hz 運(yùn)動 感覺節(jié)律，即 輕松 又專注，有協(xié)調(diào)性 中頻 Beta 波 16Hz 到 20Hz 思考 ，對于自我和周圍環(huán)境意識清楚 高頻 Beta 波 21Hz 到 30Hz 警覺 ，激動 腦電 信號 與警覺度的關(guān)系 第 1章 緒論 10 腦電信號 作為 人體重要生理特征參數(shù)之一， 直接 反映了大腦的活動，且具有較高的時間分辨率 。如 參與 同步放電的神經(jīng)元數(shù)目多，神經(jīng)元排列的方向一致，腦電探測電極與神經(jīng)元的距離近，則波幅 增大； 反之則降低。腦電圖 反映 了大腦組織的 電 活動及大腦的功能狀態(tài) [7]。 腦電信號 是 腦部大量神經(jīng)元在 同時 放電過程中， 在 頭表皮上反映出的微弱 電位差。在許多 人機(jī)交互 系統(tǒng) 需要操作人員的警覺度 狀態(tài) 保持在一個 較 好的 狀態(tài) 。該帽子 的 的內(nèi)襯有著可以測量腦電波活動情況和穿戴者疲勞程度的防水傳感器 ，當(dāng)穿戴者的疲勞程度達(dá)到 一定 水平 ， 該 帽子便 會發(fā)出 警告聲 向 穿戴者 進(jìn)行提醒 。 1998 年 ， 日本 Niigata University 的 Kazushi Hyoki 教授等人 在 關(guān)于 EOG與 EEG 作為疲勞特征的研究 中 ， 分析了 EOG 的快速眼動特征與 EEG 的 alpha 波、beta 波的關(guān)系，指出疲勞實(shí)驗(yàn)中，快速眼動的出現(xiàn)與 EEG 的 alpha 波、 beta 波有正相關(guān)關(guān)系 。 圖 15 第五代 的 FaceLAB 系統(tǒng) 20xx 年 ，歐盟 開展了 AWAKE 計(jì)劃 ， 其 目標(biāo) 是 開發(fā)和制定一套駕駛?cè)似?監(jiān)測 和預(yù)警系統(tǒng)的標(biāo)準(zhǔn)。 同年 ， 卡耐基梅隆大學(xué)的機(jī)器人研究所 推出 了 Copilot 車載疲勞監(jiān)測 系統(tǒng)，利用PERCLOS 方法判斷疲勞 ， 并克服了駕駛員佩戴眼鏡時的反 光問題 。 （ 3） 基于 駕駛行為參數(shù)，主要通過車輛的 行駛 速度 ，駕駛?cè)藢Ψ较虮P的 握力、 對車道的把握 、 以及對 剎車和油門的控制來估計(jì)駕駛?cè)说木X度狀態(tài)。 在 美國 的 所有致命汽車 事故中 ， 57%的事故與駕駛員疲勞有關(guān) ； 英國交通研究實(shí)驗(yàn)室認(rèn)為：疲勞駕駛導(dǎo)致的交通事故占全體交通事故的 10%；法國 國家 事故 報告指出： 因 疲勞駕駛而發(fā)生的 事故占 人身傷亡事故 %，占死亡事故的%[4]。 針對 具體的一個事故進(jìn)行研究分析可以發(fā)現(xiàn)：在構(gòu)成道路交通系統(tǒng)的駕駛?cè)?、車輛、道路環(huán)境和時間四要素中，人 — 車 — 路 三要素之間的不協(xié)調(diào)是引發(fā)交通事故的根本原因 [1]。 本論文 分析 了基于腦電信號的 駕駛?cè)?警覺度狀態(tài)評估模型在設(shè) 計(jì)上的主要問題以及 解決 各個主要問題的 具體 方法，提出了評估模型的初步設(shè)計(jì)方案 。除文中已經(jīng)注明引用的內(nèi)容外，本論文（設(shè)計(jì)）不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的作品成果。 關(guān)鍵 詞：腦電信號 ，駕駛?cè)?，警覺度 ， 頻譜 分析 ， LabVIEW ABSTRACT II Abstract The fatigue of drivers is the main factor among all the human factors which cause road accidents. A popular way to distinguish driver drowsiness is to detect drivers’ vigilance state, which represent the alertness that drivers show when they are driving. The detection of drivers’ vigilance state is an important part of driver assist security technology and has a profound practical significance. This thesis discusses the main problems in the design of EEGbased driver vigilance state detection model, and analyses the methods to solve these problems. Then it e up with a tentative design of EEGbased driver vigilance state detection model. The thesis also design a driver EEGvigilance state experiment, develop