英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
译文
摘要
本文提出了一种基于各种熵和复杂度测量的实时方法，从记录的脑电图(EEG)、肌电图(electromyogram)和眼电图(electroocugram)信号中检测和识别驾驶疲劳。通过计算脑电图近似熵(ApEn)的Lempel-Ziv复杂度，利用复杂性特征来区分受试者是否是经验丰富的驾驶员。可以分别为这两种驱动程序设置不同的阈值。从采集的信号中提取基于熵的特征，即小波熵(WE)、峰值熵(PP-ApEn)和样本熵(PP-SampEn)，以估计驾驶疲劳阶段。我们提出了滑动窗口(WES)、滑动窗口(PP-ApEn)和滑动窗口(PP-SampEn)的实时驾驶疲劳分析方法。将WE、PP-ApEn、PP-SampEn三种具有滑动窗口的实时特征应用于人工神经网络进行训练和测试，给出了受试者疲劳程度的四种情况:正常状态、轻度疲劳、情绪波动、过度疲劳。从而实时确定驾驶员的疲劳程度。估计精度约为96.5%-99.5%。利用受试者工作特性(ROC)曲线来表征神经网络分类器的性能。ROC曲线下面积为0.9931。结果表明，该方法对避免驾驶员疲劳引起的交通事故具有一定的应用价值。
指标:驾驶员疲劳、脑电图(EEG)、肌电图(EMG)、眼电图(EOG)、熵、神经网络。
- 简介。
疲劳是一种身体或精神极度疲劳的感觉。几乎每个人都会有疲劳的时候，但是驾驶员的疲劳是一个严重的问题，每年都会导致成千上万的交通事故。疲劳过程通常是由警觉和精力充沛状态向疲劳和虚弱状态的转变。它不仅伴随着嗜睡，而且对情绪有负面影响。已有研究通过测量生理变量如脑电图(EEG)、眼电图(EOG)和肌电图(EMG)[4] -[6]来检测和量化疲劳。然而，脑电图、肌电图和EOG信号并没有同时使用和实时分析。这就是本文所带来的新奇之处。
脑电图信号在国家歧视方面做得很好。所有与驾驶有关的身心活动都反映在脑电图信号[4]中。肌电信号受肌肉活动的影响;当一个人的疲劳过程进一步达到[7]时，他的肌电紧张度就会降低。EOG信号对检测睡意非常有用。据观察，当人进入疲劳状态时，眼球运动减少，眨眼频率增加。显然，同时使用EEG、EMG和EOG信号可以提高识别和分类结果的准确性。
所记录的生理信号是非线性的、时变的、空间变化的、非平稳的。与传统的线性时间序列分析方法如傅立叶分析、频谱分析等[9]、[10]相比，非线性动力学分析可以提供生理或心理状态下的动力学补充信息。摘要从非线性动力系统的相关积分、李亚普诺夫指数和相关维数等理论出发，发展起来的非线性动力分析技术，近年来在许多领域得到了广泛的应用。驾驶员疲劳评价是最特殊的应用领域之一[4]、[11]、[12]。
复杂性分析是动态脑电图、EOG和EMG活动非线性估计的一种方法。在复杂性分析方法中，基于熵的算法是一种有用的、鲁棒的估计方法，可用于评估bb0的规律性和可预测性。香农熵(SE)是一个无序量词，是小波域[4]、[14]中能量谱平坦性的度量。In paper, 我们 使用 能量 序列 分布 代替 SE probability 分布 的 分布 来 计算 小 波 熵 (WE).近似熵(ApEn)及其改进版本，即由于样本熵对噪声和数据集的有限性具有较强的鲁棒性，对随机、非线性确定性和复合过程[15]、[16]具有较强的适用性，因此样本熵被发展成为一种可操作的生理测量方法。LZC (Lempel-Ziv复杂度)是一种解决问题的方法，它将特定序列的复杂性与沿着给定序列[17]逐渐形成的新模式联系起来。它可以表示有限序列与随机序列之间的逼近程度。序列的LZC越大，就越接近随机序列。脑电LZC能反映脑电信息的量，反映脑电活动的规律性。
本文提出了一种从记录的EEG、EOG和EMG信号中自动检测正常和疲劳状态的方法。通过计算脑电近似熵的LZC，利用复杂性特征来判别受试者是否是经验丰富的驾驶员。可以分别为这两种驱动程序设置不同的阈值。从采集的信号中提取三个基于熵的特征，即WE，即ApEn的峰间值(PP-ApEn)和SampEn的峰间值(PP-SampEn)。我们提出了滑动窗口(WES)，滑动窗口(PP-ApEn)，滑动窗口(PP-ApEnS)，滑动窗口(PP-SampEn)的实时驾驶疲劳分析方法。将基于WE、PP-ApEn和PP-SampEn的滑动窗口实时计算结果输入人工神经网络(ANN)分类器，实时判断驾驶员疲劳程度。
- 实验和数据
- 实验设计
实验对象为20名健康男性，年龄从20岁到35岁不等，平均年龄为27.5岁。6名受试者被要求在模拟驾驶情景的繁忙交通中驾驶，以获得不同类型的驾驶活动来评估每个驾驶员的技能和表现。我们小组的目的是通过生理信号来区分受试者是否是有经验的司机。选择8名受试者获取测试信号。我们小组的目标是找到测试信号的疲劳特征，从而开发出一种能够实时估计人类驾驶员疲劳状态的新方法。为了验证估计方法并获得更好的系统综合性能，本文选择了另外6个研究对象。所有受试者均被要求在模拟驾驶状态下驾驶2小时，采集脑电图、EOG、EMG信号。在实验中，参与者的反应和他们出现的时间被记录下来以进行验证。
当被试者表现出厌烦、焦虑、不安和不安的情绪或做鬼脸时，就会被认为是情绪波动。时间被记录下来。它是由主体提供信息并通过观察获得的。当受试者开始感到疲劳时，就认为他们处于轻度疲劳状态。时间被记录下来。它由主体提供信息。当受试者出现打哈欠、打瞌睡等人类无法控制的疲劳表现时，即认为他们处于过度疲劳状态。时间被记录下来。它是通过观察得到的。
在实验中，EEG、EOG和EMG同时被记录到佩戴在身上的数据采集设备上，然后通过无线蓝牙发送到外部笔记本电脑上进行进一步处理。分别在枕部、上眼睑和颈部采集脑电图(EEGs)、电生理图(EOGs)和肌电图(emg)(见图1)。采样频率为200hz，模拟数字转换为16位。脑电图电极按国际10-20系统O1、O2放置。在驾驶疲劳期间，枕叶和顶叶的阿尔法会向更前面的区域扩散，比如前额叶和颞叶的[8]区域。它可能导致熵和复杂度的显著变化。这就是我们把电极放在O1 O2上的原因。EMG电极放在脖子后面考虑受试者的舒适,行车安全及质量的测试信号自四肢司机常常不规则移动,将电极放入衣服联系躯干不适合长期测量(受试者可能会感到不舒服,而且可能有接触不良和电极之间的皮肤因为出汗和摩擦)。
图 1. 实验设置。
- 数据预处理
由于实验中采集到的信号会受到噪声的干扰，因此我们利用小波变换实现了脑电信号的滤波分析。小波变换对于表示信号的各个方面特别有效，比如趋势、不连续和重复模式，而其他信号处理方法要么失败，要么效果不佳。它特别适用于非平稳信号分析[19]。小波变换将信号分解成一组称为小波的基本函数。这些基本的函数是通过一个称为小波原型的独特函数的扩展、收缩和移位得到的。小波变换分为连续小波变换和离散小波变换。
DWT通过将信号分解成粗略的近似和详细的信息，对不同频段不同分辨率的信号进行分析。DWT采用尺度函数集和小波函数集，分别与低通滤波器g[n]和高通滤波器h[n]相关。滤波后，根据奈奎斯特规则剔除一半样本，区分出粗近似值和详细信息。这一过程形成了一个层次的小波分解。数学表达式由
公式1
公式2
其中Yhigh[k]和Ylow[k]分别是高通滤波器和低通滤波器的输出。
在本文中，我们使用了6阶(db6)的Daubechies小波，因为它的有效性。选取5个分解水平(图2)，将脑电图信号分解为细节D1-D5和近似A1-A5。A2分解在我们关心的EEG范围内(0 - 30hz)。
图2.DWT实现的子带分解 g[n]为低通滤波器;h[n]为高通滤波器。
- 特征提取
- WES
如果我们使用小波变换对一个信号进行m级分解，假设第j级的小波系数向量为wj = (wj1, wj2)，其中1表示近似信息，2表示细节信息。我们使用具有采样长度的滑动窗口进行实时分析。定义滑动窗口小波系数向量的能量为
公式3
其中l为滑动窗口的长度(l =采样频率)。
将滑动窗口中的能量序列分布定义为各小波系数向量的归一化能量
公式4
其中E为总能量，即
公式5
结合熵的定义，将概率分布用能量序列分布pi代替。基于能量分布的熵定义为
公式6
在本文中，我们使用长度为200点(1秒)的滑动窗口来分析实验数据。窗口沿数据点逐步移动，计算EOG (j = 1,2,3,4,5)、EMG (j = 1,2,3,4,5)、EEG (0- 30hz j = 3,4,5)信号的WE (m = 5)。从而得到实验数据的熵时间序列。
- PP-ApEnS
ApEn是由Pincus在1991年提出的一个用于测量数据规律性的非线性动态参数。它指定一个非负数来表示时间序列的复杂度，并反映新信息出现的概率。研究表明，ApEn可以表征人体生理状态的变化。利用短噪声数据集可以得到ApEn的鲁棒估计。让我们考虑一个时间序列{x (n) = (1) x (2),hellip;, x (n)}。ApEn是由这个公式给出的
公式7
公式8
其中Bi =令d|X(i)， X(j)|le;r的j个数，定义两个m维向量为:
公式9
公式10
其中d|X(i)， X(j)|是X(i)和X(j)之间距离的度量。将距离定义为对应元素之间的最大差异。m为嵌入维数，r为尺度或容差参数，N为相空间中数据点的个数。在ApEn的计算中，参数通常被选择为m = 2和r = 0.2 SD (SD是原始时间序列x(n)的标准偏差)。
我们还使用采样长度为1 s的滑动窗口对EEG、EOG、EMG的ApEn进行实时分析。然而，ApEn与时间曲线并不容易看出[21]的趋势。因此，计算PP-ApEn需要以下步骤。在本文中，我们将PP-ApEn定义为移动窗口中最大值和最小值的差值，即
公式11
其中a为平移因子，l为滑动窗口的宽度，C[a, b]为[a, a l]处的一组ApEn(t)。
- PP-SampEnS
SampEn是Richman和Moornan[16]提出的一种新的测量系统复杂度的方法，其目的是减少ApEn的误差。它与已知的随机部分有更好的一致性。SampEn是与ApEn类似的测量方法，但它提高了准确性。萨姆潘是由这个公式给出的
公式12
定义Bm (r)
公式13
在SampEn的计算中，参数通常被选择为m = 2和r = 0.2 SD。我们仍然使用采样长度为1 s的滑动窗口对EEG、EOG、EMG的采样进行实时分析。然而，SampEn与时间的曲线并不容易看出[21]的趋势。因此，计算PP-SampEn需要以下步骤。在本文中，我们将PP-SampEn定义为移动窗口中最大值和最小值的差值，即
公式14
其中a为平移因子，l为滑动窗口的宽度，C[a, b]为[a, a l]处的一组样本(t)。
- LZC
LZC算法是由Lempel和Ziv提出的一种估计复杂度度量[17]的方法。LZC算法描述如下:
1）对于一个给定的二进制序列P = [x(1)， x(2)，hellip;，x(n)]， S和Q表示它的两个子序列。一开始，S = x(1)， Q = x(2)。令SQ表示S和Q的级联，而序列SQv则是在序列的最后一个字符被删除后由SQ得到的(v表示删除序列中最后一个字符的操作)。
2）判断Q是否是SQv的子序列。如果Q是SQv的子序列，那么Q的字符可以从s中复制，然后将P的下一个字符级联到Q;如果Q不是SQv的子序列，则意味着SQv的字符是插入字符。级联Q到S, S = SQ。重构Q，则Q是P的下一个字符。
3）重复(2)和(3)直到Q中包含了P的最后一个字符。
- 每当Q级联到S时，就会出现一种新的模式。新模式的数量由复杂度c(n)给出。
为了得到与序列长度无关的复杂度测度，需要对c(n)进行归一化。Lempel和Ziv证明了当n→infin;时，c(n)趋于n/ logl n的固定值(对于二进制序列，l = 2)，归一化公式如下:
公式15
本文将脑电信号样本转换成二进制序列p，通过计算脑电信号ApEn的复杂度，用复杂的计算方法来判别受试者是否是有经验的驾驶员。
- 分类决策
- 国家分类
本文利用神经网络分析脑电图信号所反映的情绪波动，SampEn分析脑电图信号的疲劳时间，ApEn分析肌电图信号的疲劳时间，EOG信号的疲劳时间。
根据这些熵的不同模式，我们定义了四个疲劳等级:正常状态(1级)、轻度疲劳(2级)、情绪波动(3级)和过
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239378]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
