本发明涉及脑电信号处理，尤其涉及一种基于单通道eeg的疲劳驾驶检测方法。
背景技术：
1、疲劳驾驶是由司机高强度、长时间、长距离的持续驾驶而引起的困倦现象，通常会导致司机注意力下降，决策反应时间延长，威胁交通安全。据统计，因疲劳驾驶引发交通事故的概率是正常驾驶四倍以上，且占重大事故40％以上。因此，及时、客观、准确的疲劳驾驶检测，对于保证交通安全具有重要意义。研究表明疲劳驾驶状态下特定脑区的神经元活动发生变化，进而引起大脑皮层的eeg信号随之发生相应变化。同时，eeg是一种动态的、非线性的时序信号，具有不可掩饰、高时间分辨率、无创性和低成本等优势，因而被认为是疲劳驾驶检测的“金标准”。
2、在过去十年里，有关eeg在疲劳驾驶检测领域的研究成果持续涌现，通常基于多通道eeg的疲劳检测准确率均能达80％以上，但均以增加计算复杂性代价。同时，多通道eeg数据采集往往使司机感到不适，产生抵触心理。前额为头部无毛发区域，对eeg数据采集干扰小，近来基于前额eeg通道的疲劳驾驶检测受到了广泛关注，然而，前额eeg通道的疲劳驾驶检测方法在简化采集设备，降低计算复杂度的同时也在一定程度降低了检测准确率。为此，从单通道前额eeg数据中发掘更多疲劳驾驶检测信息，是提高检测性能的有效途径之一。眨眼作为疲劳驾驶检测的重要指标，其频率、幅度伴随疲劳程度而变化，ebp作为频率、幅度的量化形式。
3、在上述分析基础上，本发明通过检测与定位疲劳驾驶过程时eeg中内嵌ebp，以及探索eeg内嵌ebp特征和eeg子带特征的融合策略，实现并提供了一种基于单通道eeg的疲劳驾驶检测方法。
技术实现思路
1、本发明目的就在于为了解决上述的问题，而提供一种基于前额单通道eeg的疲劳驾驶检测方法。
2、为实现上述目的，本发明采取的技术方案为：具体步骤如下：
3、步骤一：输入前额fp1通道的eeg信号x[n]，并预处理；
4、步骤二：设计msd算法实现内嵌ebp检测与定位，其过程如下：
5、(1)对eeg信号执行窗口滑动操作，计算各窗口内k个数据点的msd，eeg信号x[n]的msd计算如下：
6、
7、式中，w＝2k+1为滑动窗口长度，i是信号索引，i＝k+1,2k+2,…,n-k；
8、(2)计算ut，并与各窗口内msd的局部最大值比较，选取大于ut的msd局部最大值作为潜在ebp局部峰值。
9、
10、式中，0.6745是高斯噪声常量，a是比例因子，n是信号长度；
11、(3)通常ebp持续时间为200ms至500ms，因此，当两个潜在ebp局部峰值之间距离小于200ms时，选择其中较大者作为候选峰值，映射ebp候选峰值至原eeg信号；
12、(4)噪声干扰会造成ebp映射峰值偏差，为此，对每个ebp映射峰值进行前后各100ms延伸，该范围内最大信号值为ebp修正峰值，以ebp修正峰值为中心，设定长度200ms检测框即为ebp检测与定位结果。
13、步骤三：ebp检测与定位基础上，提取eeg中内嵌ebp的br、aba、abi等能够反映疲劳驾驶状态的特征作为一种类型融合特征；
14、步骤四：ebp特征提取后，对eeg中的ebp进行dwt滤波，将其从eeg信号中剔除；
15、步骤五：滤波后的eeg信号多尺度分解至delta、theta、alpha、beta、gamma等5个子频带，提取各子带中反映驾驶过程中大脑状态变化的特征作为另一种类型融合特征；
16、步骤六：剔除冗余特征，保留最有效特征，提供基于改进pcc的特征选择方法，计算特征与特征之间以及特征与类别之间的pcc，选择与类别相关性最强，与已选择特征相关性弱的特征；
17、步骤七：设计基于权重系数的特征融合策略，为不同特征分配不同权重系数，输入融合后特征至rf分类器实现高效的疲劳驾驶检测。其中，基于权重系数的特征融合策略步骤如下：
18、(1)计算各个特征的标准差：
19、
20、式中，x是每个特征的平均值；
21、(2)基于各个特征标准差si，计算对应权重系数，为不同特征分配不同权重系数wi：
22、
23、(3)在eeg内嵌ebp特征和eeg的delta、theta、alpha、beta、gamma等5子带特征选择基础上，进行基于权重系数的特征融合：
24、ffusion＝{w1f1,w2f2,…,wifi} (15)
25、式中，w1+w2+…+wi＝1，f1,f2,…,fi为被融合特征。
26、进一步地，步骤三和步骤五中的特征提取过程如下：
27、(1)以6s为特征提取时间片段，提取eeg中内嵌ebp特征及eeg的delta、theta、alpha、beta、gamma等子带特征；
28、(2)提取ebp中br、aba、abi等能够反映疲劳驾驶状态的特征：
29、
30、其中，i是眨眼次数，n是eeg信号长度，mi是第i个ebp所在位置，a[mi]是mi的幅值；
31、(3)提取delta、theta、alpha、beta、gamma等eeg子带的psd、ree、wle、kfd、hjorth参数等特征，psd用于度量司机的精神状态：
32、
33、式中，积分限f2和f1为频率的上下限；
34、ree用于度量司机状态改变时的能量分布：
35、
36、式中，xi是子带的信号值，ci是对应子带的小波系数；
37、wle用于度量各频段司机警觉性水平程度：
38、
39、式中，pi是第i个小波系数能量占总能量的比例，n是小波分解的层数；
40、kfd用于度量司机驾驶过程eeg波形变化：
41、
42、式中，l是信号总长度，l0是信号曲线长度；
43、hjorth参数包括活动性(activity)、移动性(mobility)和复杂性(complexity)，分别用于反映司机的注意力水平、警觉性、及复杂性决策能力：
44、act＝var[x(t)] (10)
45、
46、式中，var为信号方差，x(t)为t时刻的eeg信号，x′(t)为x(t)的一阶导数。
47、与现有技术相比，本发明采用上述技术方案所产生的有益效果在于：
48、(1)解决基于多通道eeg疲劳驾驶检测时间复杂度高、数据采集过程司机不适等问题，提供一种前额单通道eeg的疲劳驾驶检方法，通过信息互补理论，融合前额fp1通道eeg内嵌ebp特征及其子带特征，一方面ebp特征能够作为eeg信号的补充，提高疲劳驾驶检测的准确率，另一方面眨眼电位有利于精准捕获疲劳驾驶状态下eeg信号出现时段。从而有效降低检测时间复杂度，提高检测准确率。
49、(2)本发明设计并提供了一种基于msd的ebp检测与定位方法，其核心技术是对时序eeg信号执行滑动窗口操作，计算各窗口内k个数据点的msd，并获取msd序列的局部最大值，进而基于ut法，将msd局部最大值与ut比较，选取大于ut的msd局部最大值；避免噪声干扰会造成ebp峰值偏差，通过峰值修正，以保证ebp检测与定位的精准性。
50、(3)通常机器学习算法赋予全部特征同等重要性，忽略不同特征蕴含信息量差异问题。本发明提供了一种基于权重系数的特征融合策略，为各ebp特征和eeg子带特征分配不同特征权重，从而充分反映不同特征对疲劳驾驶检测的贡献度差异，实现智能化的检测。采用rf作为分类器，获得了最高95.41％的检测准确率。
1.一种基于单通道eeg的疲劳驾驶检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于单通道eeg的疲劳驾驶检测方法，其特征在于：步骤二中过程如下：
3.根据权利要求1所述的一种基于单通道eeg的疲劳驾驶检测方法，其特征在于：步骤三和步骤五中提取特征过程如下：
4.根据权利要求1所述的一种基于单通道eeg的疲劳驾驶检测方法，其特征在于：步骤七的具体过程如下：
