【導讀】除文中已經(jīng)注明引用的內容外，本論文（設計）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。對本人實驗或設計中做出。重要貢獻的個人或集體，均已在文中以明確的方式注明。識到本承諾書的法律結果由本人承擔。對駕駛人警覺度狀態(tài)進行監(jiān)測，避免駕駛人。題具有重要的現(xiàn)實意義。Mobile腦電波傳感器的軟件支持。最后，本論文提出了實驗數(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行了測試。

　　

【正文】 信號 ??(0),…,??(??? 1), 它 的離散傅里葉變換 可以表示 為： X(????) = ∑ ??(??)??。??????????。1??0 , k=0, 1, ?,N 1, （ 211） 對于單腦電探測電極的 Mindwave Mobile 腦波傳感器而言 X(ω) = ∑ ??(??)??。????????。1??0 （ 212） 其中 ω = 2???? 。 基于 2秒 的時窗 ， 該變換的頻率分辨率為 。 信號 的能量譜密度函數(shù) 可 表示 為 ： E(ω)= X(??)???(??)， （ 213） 其中 ???(ω)和 X(ω)互為 共軛函數(shù) 。 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，就無法進行傅里葉變換 ，也就無法計算能量譜。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 。 這時 ，功率譜 密度函數(shù)就是信號自相關函數(shù) r(i)的 傅里葉變換。對于 一個 長度為 N的 信號， 其 自相關函數(shù)的估計方法如下： (??) = 1?? ∑ ??(??)??(??+ ??)??。1。????0??^ , i=0, 1, ?, N 1 （ 214） 而且 自相關函數(shù)是偶函數(shù)，從而可知， (???) =??^ (??)??^ 。 這段 信號 的功率譜密度函數(shù)可表示為： P(ω) = ∑ ??(??)??。????????。1??。(??。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，如果認為該段信號寬平穩(wěn)，則它第 2章 評估 模型的初步設計 22 的能量譜和功率譜等價，僅相差一個常量因子 。因此，對于頻譜特征的提取，我們可以僅提取能量譜特征。 腦電 特征 的 過濾 前面已經(jīng)提到 ，原始腦波信號中存在大量的無關信號，雖然對腦波信號的降噪去偽跡可以 消除部分無關信號，卻沒有辦法完全消除，因此，提取出的原始腦電特征與警覺度狀態(tài)相關的腦電特征 之間仍存在較大偏差。 之前研究顯示，警覺度狀態(tài)的變化使一個緩慢漸變的過程，因此警覺度狀態(tài)相關的腦電特征的變化也是一個緩慢漸變的過程，而警覺度 狀態(tài) 無關的腦波特征通常變化較大且 無 規(guī)律性。 利用 警覺度 狀態(tài) 相關特征的漸變性，即時序依賴性，可以設計算法濾除或降低無關特征的影響。 較為 常用的 解決 方案是利用滑動平均濾波器來平滑原始的腦電特征，即對每一個 2秒 時窗內提取的腦電特征與相鄰的幾十個腦電特征做平均 ， 達到 平滑腦電特征的效果。 設 滑 動窗口的寬度為 L，每次在滑動后 把 L 個 數(shù)據(jù)進行算術平均 ， 就可得到一組經(jīng)過滑動平均濾波的新序列，其表達式為 ： y(n) = 1?? ∑ ??(??? ??)??。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 腦電 特征與警覺度狀態(tài) 的 變化之間的映射關系。 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回歸模型。線性 回歸 模型 雖然 訓練簡單，結果穩(wěn)定 ， 但精度較差 。支持 向量機回歸模型 因為 可以很好地處理 高維 小樣本問題， 泛化 性能良好，模型比較稀疏，因而在腦電信號分類研究中得到了 廣泛 的應用。 [11] 支持 向量機 （ Support Vector Machine, SVM） 是 20世紀 90年代初 Vapnik等人根據(jù)統(tǒng)計學習理論提出的一種新的機器學習方法，它以結構風險最小化原則為理論基礎，通過適當?shù)剡x擇函數(shù)子集及該子集中的判別函數(shù)，使學習機器的實際風險達到最小，保證 了通過有限訓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。 支持向量機的基本思想 ：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。在線性不可分的情況下，加入了松弛變量進行分析，通過使用非線性映射將低維輸入空間的樣本映射到高維屬性空間使其變?yōu)榫€性情況，從而使得在高維屬性空間采用線性算法對樣本的非線性進行分析成為可能，并在該特征空間中尋找最優(yōu)分類超平面。其次，它通過使用結構風險最小化原理在屬性第 2章 評估 模型的初步設計 23 空間構建最優(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險以某個概率滿足一定上界。 SVM 中 常用的核函數(shù)包括：線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和sigmoid 核函數(shù) 。 警覺度狀態(tài) 評估模型的初步設計 圖 23 駕駛 人警覺度狀態(tài)評估模型 初步 構建 經(jīng)過對以上 四 個 關鍵問題的 詳細 討論 ， 分析 并比較 了 現(xiàn)階段 解決這四 個 問題的常用方法。 結合 本研究 所 使用的設備情況， 得出 圖 23 所示 警覺度 狀態(tài) 評估模型的初步設計。 1） 腦電信號的降噪去 偽跡 ： 本論文分析 了兩種腦電降噪去偽跡 方法，分別是 獨立分量分析 (ICA)以及 經(jīng)驗模態(tài)分解 (EMD)。已有 的實驗表示 ： 采用 ICA 可分離出多導聯(lián) EEG 中 的眼電與肌電 偽跡， 從而 對偽跡進行消除； 運用 EMD 濾波可實現(xiàn)單導 EEG 的偽跡消除 [14]。由于 本 論文 實驗中使用的腦波傳感器 Mindwave Mobile 屬于 單導腦波傳感器 ， 所以采用 EMD 方法 進行偽跡的消除更加合適。 2） 提取 與 警覺度狀態(tài) 相關 的腦電特征 ： 我們采用基于傅里葉變換的功率譜分析進行頻譜特征的提取。 3） 腦電 特征 的 過濾： 根據(jù) 警覺度 狀態(tài) 相關特征的漸變性，即時序依賴性，我們 采用滑動平均濾波 器對已提取的 腦電特征進行過濾。 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習機器的容量，從而使結構風險最小，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 進行 警覺度狀態(tài)估計 。 另外 ，在 警覺度 狀態(tài)的估計 中 ，模型訓練 過程 需要大量有警覺度狀態(tài)標注 信息 的腦電數(shù)據(jù) ， 這些警覺度狀態(tài) 的 標注信息將 由第 3章提及 的駕駛人警覺度標注系統(tǒng)在駕駛人腦電警覺度實驗中獲得。 由于選擇 了 SVM 選擇 向量機回歸模型 來 進行警覺度狀態(tài)的估計 ，本 論文初步 設計 的 警覺度狀態(tài)評估 模型只能對 駕駛人實現(xiàn)離線評估。第 3章 駕駛人腦電警覺度實驗的設計 24 第 3 章 駕駛 人腦電警覺度實驗 的 設計 在第 2章 中 ，我們分析了 基于 腦電信號的駕駛人 評估 模型設計中 所涉及 的 四個 主要問題 （腦電 信號的降噪去偽跡、腦電信號的特征提取 、 特征過濾、警覺度狀態(tài)估計方法） ， 并 基于討論結果 作出 了對評估模型的初步設計。 為簡單 試驗 該模型的性能， 我們 需要進行駕駛人腦電警覺度 的 實驗， 即 在模擬 的單調環(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 的 警覺度的標注信息。 為實現(xiàn)這 一實驗目的， 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 被試警覺度標注信息的方法。 實驗設備 及 其使用 介紹 本 研究 實驗 中的硬件部分 為腦波傳感器與個人計算機 。實驗使用的腦波傳感器是 Neurosky 公司推出的 單 導 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 中對于駕駛人 警覺度 狀態(tài) 的標注 是使用基于 LabVIEW 自主開發(fā) 的駕駛人 警覺度 狀態(tài) 標注 系統(tǒng)實現(xiàn) 。 圖 31 Mindwave Mobile 腦波 傳感器與個人計算機組成實驗的硬件部分 腦波 傳感器 Mindwave Mobile 本研究采用 的主要設備之一 為 Neurosky 公司推出 的 單 導 腦電波傳感器Mindwave Mobile。 腦波 傳感器 Mindwave Mobile 通過傳感 器上內置芯片計算出第 3章 駕駛人腦電警覺度實驗的設計 25 原始腦電信號 值 ， 以 串行數(shù)據(jù)流的形式通過藍牙串行協(xié)議（ Serial Port Profile）進行 傳輸 ， 傳輸速度為 9600bps。 傳感 器 內置 芯片 計算出的 原始腦電信號 值 是 包含兩個字節(jié)（ byte） 的整數(shù) ，所以 腦電 信號值的大小 范圍 是從 32768 到 32767。由原始 腦電 信號 值轉化為 以伏特 （ V） 為 單位的電壓值可根據(jù)以下公式： Voltage = 0rawValue?. （ 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。10% （ 3） EEG 頻率檢測范圍： ~50Hz （ 4） 硬件過濾頻率范圍： 3Hz~100Hz （ 5） 電池： 1 節(jié) 3A電池 國際 腦電圖學會標準電極 放置 法 — 10/20 系統(tǒng) 電極放置法 頭皮上的腦電波探測電極 位置不是隨意 放置 的 ， 根據(jù)國際腦電圖學會的建議 ，目前國內外普遍采用國際 10/20 系統(tǒng) 電極放置法 。 它 將鼻根和枕 外 粗隆的聯(lián)結線分作 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)結線也 10等分。 根據(jù) 以 頭頂為中心的同心圓與半徑的交叉點來確定電極 部位 。電極 總數(shù) 共23 個 （ 包括兩側 耳垂電極） 。 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。 根據(jù) Neurosky 公司 的解釋， FP1 區(qū)域 可以 傳遞較為準確的原始 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 。 第 3章 駕駛人腦電警覺度實驗的設計 26 但 Mindwave Mobile對 于腦電探測電極的設置也 限制 了 本研究 的 完整 性 與 準確性 。 因為 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 腦電波得到準確的駕駛人警覺度狀態(tài)評估模型 ， 就要通過某種方式找到 與 警覺度狀態(tài) 最 相關的關鍵腦區(qū)， 通過 從關鍵腦區(qū)獲得的腦電特征 可以 更加準確地評估駕駛人警覺度狀態(tài)的變化，得到 更 加準確的狀態(tài)評估模型。 如圖 33 為 Mindwave Mobile 電極 的設置 ： 包括 前額 FP1 區(qū)域 的腦電探測電極和 左耳 耳垂的無關電極（ 參考 電極） 。 圖 33 Mindwave Mobile 的 電極設置 LabVIEW 介紹 本研究中 的軟件部分主要是使用 LabVIEW 進行開發(fā)。 LabVIEW 由 美國 國家儀器 （ National Instruments, NI） 公司 所 開發(fā) ， 是測控領域 中 優(yōu)秀的圖形語言開發(fā)環(huán)境。它 用 數(shù)據(jù)流編程方法來描述程序的執(zhí)行，用圖標和連線代替文本的形式編寫程序。這種 創(chuàng)新 軟件產(chǎn)品，在研究 、 制造、開發(fā)、教學等 領域 應用極為 廣泛 。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，從大學實驗室到科研 院所 ， 越來越多的 LabVIEW 成果 和開發(fā)的產(chǎn)品應用于各行各業(yè)。圖形化 編程 語言 LabVIEW 和 虛擬儀器技術已經(jīng)成為工業(yè)界和學術界關注的熱點技術之一。 第 3章 駕駛人腦電警覺度實驗的設計 27 圖 34 LabVIEW 的 圖形化編程界面 LabVIEW 的 Neurosky driver 介紹 API（ Application Programming Interface,應用程序編程接口）是一些預先定義的函數(shù)，目的是提供應用程序與開發(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，或理解內部工作機制的細節(jié)。 Neurosky 公司 將 Mindwave Mobile 的 API 提供 給了開發(fā) 者 ，使開發(fā)者可以根據(jù)接口提供的方式訪問腦波傳感器內置芯片計算出的 原始 腦波值 。 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) 。 方便 了LabVIEW 用戶利用 Mindwave Mobile 進行 軟件 開發(fā)和 研究。 圖 35 為 LabVIEW 中的 Neurosky Driver 模塊。 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 35 LabVIEW 中 的 Neurosky Driver 駕駛人 腦電采集與記錄系統(tǒng)開發(fā) 為了 能 在 駕駛人腦電警覺度實驗中 實時 地 采集 和 記錄腦電波 數(shù)據(jù)，并在 實驗結束后及時將實驗數(shù)據(jù)