【正文】 放松 但不困倦，平靜，有意識地 低頻 Beta 波 12Hz 到 15Hz 運動 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 。 （ 4） 傳感 器與駕駛?cè)似つw 沒有 進(jìn)行有效的接觸 。 3. 警覺度 狀態(tài) 的 估計 方法 現(xiàn)有 的 警覺度 狀態(tài) 估計方法 有 ：線性判別模型，線性回歸模型，人工 神經(jīng) 網(wǎng)絡(luò) 模型，支持向量機等。 第二章 ： 評估 模型的初步設(shè)計 。 （ 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 。 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 。 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。 （ 3） 用 ∥ w ∥去除 w(k)。 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 。?? +???? （ 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。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） 。1??。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 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。實驗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， 利用個人計算機完成 數(shù)據(jù) 記錄 與 分析 ； 實驗 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)實現(xiàn) ； 實驗 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)實現(xiàn) 。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。 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) 。 它 將鼻根和枕 外 粗隆的聯(lián)結(jié)線分作 10 等 份 ，其中點 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。由于 本 論文 實驗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。 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)計算法濾除或降低無關(guān)特征的影響。 基于 2秒 的時窗 ， 該變換的頻率分辨率為 。 AR 模型 系數(shù)常見估計方法 有 ：最小二乘法、解YuleWalker 方程 法、 Burg 法等 。 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。所以 ， 如果只要提取某個分量又有足夠的先驗知識，便能迅速提取出該分量 ， 從而減少計算量。 （ 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。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)行腦電警覺度實驗時更加舒適自然，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 。 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。 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。 （ 2） 對 如何 使用 Mindwave Mobile 腦波 傳感器 結(jié)合 LabVIEW 編程 環(huán)境 實現(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。 2. 警覺度 狀態(tài) 相關(guān) 特征的提取 、 過濾 警覺度狀態(tài) 分析中腦電的主要特征有： （ 1） 時域特征：自回歸系數(shù)等。 基于 腦電 信號 的駕駛 人警覺度狀態(tài)評估模型 的 設(shè)計 流程 和 關(guān)鍵 問題 圖 110 基于 腦電信號 的 駕駛?cè)司X度狀態(tài)評估 模型 設(shè)計 流程 圖 根據(jù) 腦電信號的特點， 基于 腦電信號的駕駛?cè)司X度狀態(tài)評估模型設(shè)計的具體流程 如圖 110。 波幅 ： 腦電 的波幅代表腦 電位 的強度 。 腦電 信號 簡介 人體及 生物體 活細(xì)胞 在安靜和活動時都存在電活動，這種電活動稱為生物電現(xiàn)象。相對而言， LF/HF 是一個最能反映警覺度的特征 。該系統(tǒng)不僅支持 PERCLOS 方法來檢測 疲勞，還可以分析其他眼瞼運動特征， 使其 作為疲勞檢測 標(biāo)準(zhǔn)。（ 2） 基于表情特征參數(shù)，主要通過 對 瞳孔 、嘴 、 鼻等 進(jìn)行 精確定位 。按照 汽車 保有量的道路交通事故相對死亡率 評價 標(biāo)準(zhǔn)，我國的 交通 事故死亡率遠(yuǎn)遠(yuǎn)高于世界 平均 水平。本人完全意識到本承諾書的法律結(jié)果由本人承擔(dān)。美國印第安納 大學(xué) 通過 事故現(xiàn)場調(diào)查 、 車輛結(jié)構(gòu) 檢驗 和對幸存者訪問的方式， 完成了 大量交通事故原因的 調(diào)查， 調(diào)查結(jié)果表明：大約 94%的交通事故與駕駛?cè)艘蛩?有關(guān) ，駕駛?cè)艘蛩?作為 唯一 直接 原因造成的 道路 交通事故 ， 約占事故總量的 57%； 且 在駕駛?cè)?所有 錯誤中，最常見的錯誤是感知錯誤 ， 與交通事故的發(fā)生最直接的原因是 駕駛 操作行為不當(dāng)。其中 卡耐基梅隆大學(xué)（ Carnegie Mellon University） 的 駕駛研究中心 在 1994年提出 的 PERCLOS 方法， 是其中 運用 最 廣泛，受認(rèn)可程度最高的一種方法。 基于 這一 原理，研究小組開發(fā) 出一款 駕駛 疲勞 監(jiān)測 座椅 ， 座椅上 的 傳感器 可以 探測出 這一 脈搏 信號中的 睡眠 前兆 信號，從而在駕駛?cè)诉M(jìn)入睡眠之前發(fā)出警告信號。 因 資源 和 研究時間 所限， 本論文 僅 選取 了 腦電 信號作為 駕駛?cè)?警覺度狀態(tài) 評估 的 特征 參數(shù)，對評估 過程中的主要問題進(jìn)行了分析討論， 提出了駕駛?cè)司X度狀態(tài) 的 初步 評估 模型。 EEG 是 大 腦 未接受外來刺激 情況下 的自發(fā)電活動。 目前 流行有 多種 腦電節(jié)律的劃分方法，如 Schwab 腦電 劃分方法和Walter 腦電 劃分方法 。 在 駕駛 過程中 腦電信號 主要 受到以下因素的影響： （ 1） 汽車 電器 產(chǎn)生 的電磁干擾 。即使 駕駛 人處于同一個 警覺度 狀態(tài)， 原始腦電 特征也十分不穩(wěn)定。 （ 3） 進(jìn)行 駕駛?cè)四X電 警覺度 實驗 ，提出 對 原始 實驗 數(shù)據(jù) 的 處理 方案 ， 為 將來 使用 實驗數(shù)據(jù)進(jìn)行 腦電 偽跡 去除分析 、 腦電特征提取 分析 、 腦電特征過濾 分析和 機器學(xué)習(xí) 等 模型 測試 工作 提供了 良好的基礎(chǔ)。干擾 信號可能嚴(yán)重降低所采集 到 的腦電信號的信噪比， 引發(fā) 信號失真 ， 使得采集 到的信號不可靠。 因此 ， 需要 使用 更復(fù)雜的腦電信號預(yù)處理算法 對 眼電和肌電偽跡 進(jìn)行 濾除。理論上 一般 認(rèn)為 ，腦電信號中 的眼電 和肌電偽跡 以及 其他干擾源產(chǎn)生的干擾 信號都是 來 自于相互獨立的 源 信號 ， 可以認(rèn)為 它們 在時間上是相互統(tǒng)計獨立的 。 FastICA 算法 的遞推 公式如下： w(k) = E,x(??(??? 1)???)33w(k1) （ 27） 其中 W = ????（為 W 的 第一行） ， 且 ∥ w ∥= 1。 [13] 1. EMD 基本 理論 EMD 方法基于的假設(shè)是：任一信號都是由若干個內(nèi)稟模態(tài)函數(shù)組成 ，一個信號在任何時候都可以包含許多內(nèi)稟模態(tài)函數(shù)，若內(nèi)稟模態(tài)函數(shù)之間相互重疊 ， 便形成 了復(fù)合信號 。 P 階 AR 模型 AR(p)可以 表示為 [12]： ???? = ??1????。 我們 做 駕駛?cè)司X度狀態(tài) 評估時 ， 需要 每 2秒 提取一次腦電特征（ 使用 2Hz的低頻 特征 ，最小的時窗為 2秒， 保證有 4 個 周期的 2Hz信號，從而保證頻率特征的可靠性） ，因此 需要知道 的 是 2 秒時窗 內(nèi)腦電 信號 的總體頻譜分布。????0??^ , i=0, 1, ?, N 1 （ 214） 而且 自相關(guān)函數(shù)是偶函數(shù)，從而可知， (???) =??^ (??)??^ 。 [11] 支持 向量機 （ Support Vector Machine, SVM） 是 20世紀(jì) 90年代初 Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出的一種新的機器學(xué)習(xí)方法，它以結(jié)構(gòu)風(fēng)險最小化原則為理論基礎(chǔ)，通過適當(dāng)?shù)剡x擇函數(shù)子集及該子集中的判別函數(shù)，使學(xué)習(xí)機器的實際風(fēng)險達(dá)到最小，保證 了通過有限訓(xùn)練樣本得到的小誤差分類器，對獨立測試集的測試誤差 較小。 為簡單 試驗 該模型的性能， 我們 需要進(jìn)行駕駛?cè)四X電警覺度 的 實驗， 即 在模擬 的單調(diào)環(huán)境駕駛中 測量并記錄被試的腦電信號，并且 同時 獲取被試 相應(yīng) 的 警覺度的標(biāo)注信息。 如圖 33 為 Mindwave Mobile 電極 的設(shè)置 ： 包括 前額 FP1 區(qū)域 的腦電探測電極和 左耳 耳垂的無關(guān)電極（ 參考 電極） 。 這些 模塊可以方便地讓開發(fā)者實現(xiàn)對 原始 腦波數(shù)據(jù) 讀取， 處理，儲存。 圖 32 10/20 系統(tǒng) 電極放置法 Mindwave Mobile 腦電 探測電極放置說明 Mindwave Mobile 的腦電探測電極為單點 干式電極，其電極設(shè)置位置 屬于10/20 系統(tǒng) 電極放置法 中 的 FP1， 也就是左腦前額的位置。 4） 警覺度狀態(tài)估計 ： 因 SVM 選擇 向量機 使用分類間隔控制學(xué)習(xí)機器的容量，從而使結(jié)構(gòu)風(fēng)險最小，使其 在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有 的 特點 ，因此 ， 我們 采用 SWM 選擇 向量機回歸模型 進(jìn)行 警覺度狀態(tài)估計 。1??0 （ 217） 警覺度 狀態(tài) 的 估計 警覺度 狀態(tài) 的估計算法就是利用回歸模型建立警覺度 狀態(tài) 相關(guān) 腦電 特征與警覺度狀態(tài) 的 變化之間的映射關(guān)系。這時通常使用信號功率譜代替信號的 能量譜，其反映的是信號的功率隨頻率的分布情況 。 傅里葉 變換 與小波變換的區(qū)別體現(xiàn)在：小波變換具有更好的 時 頻靈敏性，由于小波變換中時間窗口寬度與頻率窗口寬度的 乘積 是定值 ， 計算高頻分量 時 ，時窗變 窄 ，頻窗加寬；計算低頻分量時，時窗變 寬 ，頻窗變窄 ；實現(xiàn) 了時 — 頻 窗口第 2章 評估 模型的初步設(shè)計 21 的自適應(yīng)調(diào)節(jié) ， 能較準(zhǔn)確地反映一段時間內(nèi)的頻譜 變化 。 但 這些 統(tǒng)計量 特征的表征量十分有限 ， 因此 需要 一種 信息 表征能力較強的 特征 提取算法。 HilbertHuang 變換適合 處理非 線性、非平穩(wěn)信號。 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。對 于 盲 源分離，方法之一就是基于統(tǒng)計獨立性的獨立分量分析（ 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)計獨立的成分。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。（ 3） 警覺度狀態(tài)相關(guān)特征的過濾 。 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 。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。（ 3） 警覺度狀態(tài)相關(guān)特征的過濾 。 相位： 隨時間序列運動展開的波，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。 腦電 信號反映 的是腦部神經(jīng)元放電的混合效果。 目前 該 款產(chǎn)品已被 運用 在礦業(yè)、海事、物流等領(lǐng)域。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 。 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 腦電信號因為 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]。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 。