【正文】 程中盡量保持坐姿 固定， 不做涉及 眼動、 眨眼 、面部活動等 可能 產(chǎn)生肌電信號與眼電信號干擾的動作 。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。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(jì)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 。 3. 偽跡 移除 即檢測 原始腦電信號中是否存在眼電和肌電偽跡，如果有，則只濾除偽跡部分 。 偽跡 移除的 主要 基于 以下幾種方法：線性濾波器 、 線性回歸 、 盲信源 分離 、 經(jīng)驗(yàn)?zāi)Ｊ椒纸狻?于 盲 源分離，方法之一就是基于統(tǒng)計(jì)獨(dú)立性的獨(dú)立分量分析（ Independent Component Analysis, ICA） 方法 ，以高階統(tǒng)計(jì)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(jì)獨(dú)立的成分。獨(dú)立 分量 分析是 一種 性能優(yōu)良的盲 源分離技術(shù)，在 知道 很少的信號先驗(yàn)知識 的 前提下，能有效 把 信號的 獨(dú)立 成分分離出來。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(dú)立的 源 信號 ， 可以認(rèn)為 它們 在時間上是相互統(tǒng)計(jì)獨(dú)立的 。 2. 獨(dú)立成分 分析方法 的 原理 如 圖 22為 ICA 模型 的原理 。 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。 目標(biāo) 是 ： 從 多路觀測信號 x(k)中 分離出 隱含 在其中的源信號 s， 即 尋找分離矩陣 W， 使得 ： u=Wx （ 22） 式中 : u = ,??1, ??2,… , ?????是 對隱含源信號向量 s(k)的 逼近。 第 2章 評估 模型的初步設(shè)計(jì) 17 圖 22 ICA 模型 原理圖 3. ICA 的 典型算法 FastICA 分析 獨(dú)立成分分析方法中的算法大體上可以分為兩類： （ 1） 基于 非高斯性測度的算法，如峭度函數(shù)最大化、負(fù)熵最大化，其中以固定點(diǎn)快速算法 FastICA 最為簡單直觀。 前一類算法 收斂較快， 這里 我們 選取 第一類算法中的 FastICA 算法 進(jìn)行 研究 。 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。目標(biāo) 就是 求出正交解 混 矩陣 ???，使 y 的 每個分量都是相互獨(dú)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。 （ 2） 令 w(k) = E,x(??(??? 1)???)33w(k1)， 期望值可 由 大量 x矢量 的采樣點(diǎn) 計(jì)算出來 。 （ 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 。 相比 于其他獨(dú)立成分分析方法， FastICA 具有 以下的優(yōu)點(diǎn)： （ 1） 它 是 立方收斂的，而其他 ICA 算法 一般只是線性收斂 。 （ 3） 因 為這個算法一次只提取一個獨(dú)立分量而不是所有分量。 （ 4） 不管是具有 正峭度的分量還是具有負(fù)峭度的分量，都 可以 用此算法提取出來。 HilbertHuang 變換適合 處理非 線性、非平穩(wěn)信號。 此方法 包括經(jīng)驗(yàn) 模態(tài)分解和 Hilbert 變換 兩個過程 ， 其中最關(guān)鍵的部分是EMD 方法 。 [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 。而對于 一般 的不滿足內(nèi)稟函數(shù)條件的復(fù)雜函數(shù)，則要先用 EMD第 2章 評估 模型的初步設(shè)計(jì) 19 方法 將其分解。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 。 2. EMD 進(jìn)行 信號 的 分解 過程 基于 EMD 的基本理論，可以使用它對任何信號 x(t)進(jìn)行分解，分解的過程如圖 23 所示。 因此 需要 對原始腦電信號進(jìn)行特征變換， 得到 能夠描述不同警覺度狀態(tài)下腦電模式差異 的 量化特征。 本論文 我們將重點(diǎn) 分析 討論 提取方式 較簡單， 應(yīng)用 較廣泛的 時序 特征與頻譜特征。 但 這些 統(tǒng)計(jì)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(qiáng)的 特征 提取算法。基于 自回歸 模型的腦電信號特征提取是一種線性 特征 提取方法，自回歸模型系數(shù)可以 很好地反映 大腦的生理功能和思維狀態(tài) [11]。 P 階 AR 模型 AR(p)可以 表示為 [12]： ???? = ??1????。2 + ?+ ????????。 在 AR 模型 系數(shù)的求解過程中，首先需要確定 AR 模型 的階次 p。??∑ (???? ?∑ ????????。除確定 AR 模型 階次外，還需對參數(shù)估計(jì)方法進(jìn)行選擇。 頻譜 特征 頻譜特征即分析計(jì)算腦電信號在不同頻帶上的能量強(qiáng)度 。 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(jì)算高頻分量 時 ，時窗變 窄 ，頻窗加寬；計(jì)算低頻分量時，時窗變 寬 ，頻窗變窄 ；實(shí)現(xiàn) 了時 — 頻 窗口第 2章 評估 模型的初步設(shè)計(jì) 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 。 可見 ，如果要分析一段時間內(nèi)的腦電頻譜變化，選擇基于小波 變換 的頻譜特征提取 較為 合適 。 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。具體 的 頻譜特征提取方法 有 ： 能量 譜密度的特征提取和功率譜密度的特征提取。 對于一個 電極通道 內(nèi) 的一段長度為 N的 腦電信號 ??(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???? 。 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) 。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 。對于 一個 長度為 N的 信號， 其 自相關(guān)函數(shù)的估計(jì)方法如下： (??) = 1?? ∑ ??(??)??(??+ ??)??。????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， (???) =??^ (??)??^ 。????????。(??。因此，對于頻譜特征的提取，我們可以僅提取能量譜特征。 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(guān)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(guān)的腦波特征通常變化較大且 無 規(guī)律性。 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(nèi)提取的腦電特征與相鄰的幾十個腦電特征做平均 ， 達(dá)到 平滑腦電特征的效果。1??0 （ 217） 警覺度 狀態(tài) 的 估計(jì) 警覺度 狀態(tài) 的估計(jì)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。線性 回歸 模型 雖然 訓(xùn)練簡單，結(jié)果穩(wěn)定 ， 但精度較差 。 [11] 支持 向量機(jī) （ Support Vector Machine, SVM） 是 20世紀(jì) 90年代初 Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的機(jī)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(jī)器的實(shí)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(dú)立測試集的測試誤差 較小。在線性不可分的情況下，加入了松弛變量進(jìn)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(jìn)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。 SVM 中 常用的核函數(shù)包括：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)和sigmoid 核函數(shù) 。 結(jié)合 本研究 所 使用的設(shè)備情況， 得出 圖 23 所示 警覺度 狀態(tài) 評估模型的初步設(shè)計(jì)。已有 的實(shí)驗(yàn)表示 ： 采用 ICA 可分離出多導(dǎo)聯(lián) EEG 中 的眼電與肌電 偽跡， 從而 對偽跡進(jìn)行消除； 運(yùn)用 EMD 濾波可實(shí)現(xiàn)單導(dǎo) EEG 的偽跡消除 [14]。 2） 提取 與 警覺度狀態(tài) 相關(guān) 的腦電特征 ： 我們采用基于傅里葉變換的功率譜分析進(jìn)行頻譜特征的提取。 4） 警覺度狀態(tài)估計(jì) ： 因 SVM 選擇 向量機(jī) 使用分類間隔控制學(xué)習(xí)機(jī)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(diǎn) ，因此 ， 我們 采用 SWM 選擇 向量機(jī)回歸模型 進(jìn)行 警覺度狀態(tài)估計(jì) 。 由于選擇 了 SVM 選擇 向量機(jī)回歸模型 來 進(jìn)行警覺度狀態(tài)的估計(jì) ，本 論文初步 設(shè)計(jì) 的 警覺度狀態(tài)評估 模型只能對 駕駛?cè)藢?shí)現(xiàn)離線評估。 為簡單 試驗(yàn) 該模型的性能， 我們 需要進(jìn)行駕駛?cè)四X電警覺度 的 實(shí)驗(yàn)， 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。 實(shí)驗(yàn)設(shè)備 及 其使用 介紹 本 研究 實(shí)驗(yàn) 中的硬件部分 為腦波傳感器與個人計(jì)算機(jī) 。 圖 31 Mindwave Mobile 腦波 傳感器與個人計(jì)算機(jī)組成實(shí)驗(yàn)的硬件部分 腦波 傳感器 Mindwave Mobile 本研究采用 的主要設(shè)備之一 為 Neurosky 公司推出 的 單 導(dǎo) 腦電波傳感器Mindwave Mobile。 傳感 器 內(nèi)置 芯片 計(jì)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。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(xué)會標(biāo)準(zhǔn)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(xué)會的建議 ，目前國內(nèi)外普遍采用國際 10/20 系統(tǒng) 電極放置法 。 根據(jù) 以 頭頂為中心的同心圓與半徑的交叉點(diǎn)來確定電極 部位 。 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(diǎn) 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。 第 3章 駕駛?cè)四X電警覺度實(shí)驗(yàn)的設(shè)計(jì) 26 但 Mindwave Mobile對 于腦電探測電極的設(shè)置也 限制 了 本研究 的 完整 性 與 準(zhǔn)確性 。 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） 。 LabVIEW 由 美國 國家儀器 （ National Instruments, NI） 公司 所 開發(fā) ， 是測控領(lǐng)域 中 優(yōu)秀的圖形語言開發(fā)環(huán)境。這種 創(chuàng)新 軟件產(chǎn)品，在研究 、 制造、開發(fā)、教學(xué)等 領(lǐng)域 應(yīng)用極為 廣泛 。圖形化 編程 語言 LabVIEW 和 虛擬儀器技術(shù)已經(jīng)成為工業(yè)界和學(xué)術(shù)界關(guān)注的熱點(diǎn)技術(shù)之一。 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(nèi)置芯片計(jì)算出的 原始 腦波值 。 方便 了LabVIEW 用戶利用 Mindwave Mobile 進(jìn)行 軟件 開發(fā)和 研究。 這些 模塊可以方便地讓開發(fā)者實(shí)現(xiàn)對 原始 腦波數(shù)據(jù) 讀取， 處理