【技術實現步驟摘要】
一種基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法
[0001]本專利技術涉及人工智能在交通領域的應用，尤其涉及一種基于EEG(腦電信號)通道多尺度并行卷積的跨主體疲勞檢測深度學習方法。
技術介紹
[0002]駕駛員由疲勞嗜睡引發的交通事故，一直是現代交通運輸業迫切需要解決的問題。駕駛員監控系統(DMS)是減少交通事故主要方法，DMS是通過采集與分析駕駛員的行為和狀態，預測異常情況和降低潛在危險，從而避免交通事故。DMS的研究可以分為2類：(1)基于車輛運行狀態檢測，(2)基于駕駛員狀態檢測。前者針對汽車的狀態，后者研究駕駛員的狀態。
[0003]目前研究人員任務基于駕駛員的狀態檢測準確率更高，其中最主流有效的方法，是使用EEG生理信號進行疲勞檢測。
[0004]基于EEG的疲勞檢測，從手工特征提取階段進入使用深度學習方法的階段，使用深度學習方法可以直接輸入EEG原始信號，利用方法完成特征提取和分類，極大的提高了效率與準確率。
[0005]但是目前主流方法都是依賴主體校準，這代表每個受試者在進行檢測前，都需要進行耗時的校準，若對每位受試者都進行校準，時間成本令人難以接受，阻礙了基于EEG認知狀態的研究。需要校準的原因，是EEG不可避免受個體固有差異的影響，影響檢測效率。具體而言，每個受試者的頭部形狀、大小以及大腦活動模式均不同。所以跨主體的疲勞檢測受到了廣泛的關注，因為跨主體疲勞檢測僅使用現有受試者EEG數據進行訓練，便可檢測其他新受試者的疲勞狀態。
[0006]然而當前主流
【技術保護點】
【技術特征摘要】
1.一種基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法，其特征在于，該方法包括以下步驟：步驟1、通過多個電極采樣得到待處理的EEG信號；步驟2、構建深度可分離卷積模塊，深度可分離卷積模塊由2層卷積層構成，包括逐點卷積和逐深度卷積；將采樣得到的EEG信號送入深度可分離卷積模塊進行特征提取，獲取EEG空間與通道維度的特征信息；步驟3、構建通道切分的多尺度并行卷積模塊，包括通道切分模塊和多尺度并行分組卷積模塊；通過通道切分模塊對深度可分離模塊輸出的特征信息按通道維度進行切片分組；通過多尺度并行分組卷積模塊將分組后的子特征分別用不同尺寸卷積核進行多頻率提取，以提取子特征被忽略的信息，并且對疲勞駕駛關鍵的δ頻段進行多頻率的提取融合；步驟4、構建分類模塊，包括一個全連接層和softmax層，將經過通道切分的多尺度并行卷積模塊提取融合后的特征信息送入分類模塊，得到疲勞狀態的分類檢測結果。2.根據權利要求1所述的基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法，其特征在于，所述步驟2中的逐點卷積具體包括：逐點卷積的卷積核為(k1，1)，輸入的EEG信號為X(1,E,H)，其中E為電極數，H為信號長度；第一層為逐點卷積，k1＝E，即對每一個電極位置分配了一個(1,1)的卷積核，實現E個電極信號特征統一提取，完成電極方向的融合，逐點卷積的輸出為：其中，i＝1,2,3,...,C1表示輸出的通道維數，即第一層卷積核個數；p＝1,2,3...E表示電極，x
p,
是輸入EEG信號樣本的第p個通道的第j個采樣點；表示在第一層卷積中的權重，由于有E個電極，故有E個權重和1個偏差參數。3.根據權利要求2所述的基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法，其特征在于，所述步驟2中的逐深度卷積具體包括：第二層為逐深度卷積，用于從中進一步獲取空間相關與交叉通道相關特征；不同于常規卷積操作，逐深度卷積的一個卷積核負責一個通道；即一個通道只被一個卷積核卷積，輸入和輸出的不同通道間沒有任何計算將它們聯系起來；第一層逐點卷積本身具有通道和電極方向融合的能力，兩層卷積結合實現EEG信號時空維度與通道維度特征的提取；逐深度卷積具體過程為：逐深度卷積的卷積核為(1,k2)，對第一層的輸出進行卷積操作，由C1個通道維度按G組進行分組卷積操作，擴展成C2個通道維度，該層的輸出為：其中，m＝1,2,...C2表示所在的通道節點，q＝1,2,...,k2表示所在的卷積核；權重W
(2)
的形狀為(C2，1，k2)，這些權重從中取樣,每一個計算節點都有偏置4.根據權利要求3所述的基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法，其特征在于，所述步驟3中的通道切分模塊具體包括：完成深度可分離卷積后的輸出數據從通道維度為1的EEG原始數據依然擴展成了C2；其頻率信號的通道內依然包含大量有效信息，每一部分通道間的特征f
c
都寫成：f
i
＝σ(Conv(x
i
))其中，i＝1,2,...,C表示所在通道數，σ是激活函數，Conv表示卷積操作，x
c
是第c個通道中的輸入；而當有一系列的通道特征時，僅僅使用相同的過濾器，會忽略子特征中的一些信息，所以將子特征分別送入不同的過濾器，得到特征f表示成：其中，G表示通道切分成的組數，C表示表示通道數，Conv
i
表示第i個卷積操作，通道分為G組故有G個卷積。5.根據權利要求4所述的基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法，其特征在于，所述步驟3中的多尺度并行分組卷積模塊具體包括：在EEG信號數據中，頻帶是δ＝1
–
3hz是最重要的頻域之一，通過δ能提供更多關于困倦狀態的信息，能反映駕駛員困倦的精神狀態；因此針對δ＝1
–
3hz的頻段進行多尺度的并行分組卷積；以0.5hz為間隔，選取了1.5hz，2hz，2.5hz，3hz的頻率信號，并進行融合，；為此使用了四個不同尺寸的卷積核分別提取上述的4種信號，從而從子特征中獲取多個頻率特征；為了獲取上述4個信號，在本模塊設置尺寸分別為(1,K1),(1,K2),(1,K3),(1,K4)的卷積核進行分組卷積，卷積操作如下：其中，n＝1,2,3,4代表卷積核的分組，表示所在的通道節點，q＝1,2,...K
n
表示所在卷積的卷積核；對提取出特征獨立進行ReLU函數的激活:批量歸一化Batch Normalization：
全局平均池化GAP，防止過擬合：其中，W、H分別是全局平均池化GAP核的長與高；最終將并行的四個輸出進行融合：其中，表示從4個頻率中提取出通道子特征。6.根據權利要求5所述的基于EEG通道多尺度并行卷積的跨主體疲勞檢測深度學習方法，其特征在于，所述步驟4中的分類模塊具體包括：全連接層表示如下：其中，m＝1,2,...,C2表示所在的通道節點，s＝1或0，分別表示警惕狀態或困倦狀態；在輸出結果時，用softmax函數將未規范化的預測變換為非負數并且總和為1，即輸出...
【專利技術屬性】
技術研發人員：朱容波，李松泉，王晗銘，潘昕耀，
申請(專利權)人：華中農業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。