专利名称：基于连续小波变换的脑电信号警觉度检测方法
技术领域：
本发明涉及的是一种信号处理技术领域的方法，具体是一种基于连续小波变换的 脑电信号(EEG)处理及警觉度分析方法。
背景技术：
警觉度(vigilance)是指人在执行任务时的注意力或警惕性的水平。在日常生活 中，有很多工作岗位需要工作人员保持较高的警觉度，例如驾驶员，飞行员等，对于工作人 员来说，警觉度的下降很可能导致非常严重的后果。但是，过去的研究已经表明，像上述这 样的执行单调但又需要保持警觉度的工作岗位，工人几乎不可能长时间地维持在一个高的 警觉度水平。所以，如何对人的警觉度进行定量、准确和实时地分析，已经成为了一个亟待 解决的课题，而使用机器和自动化的方法或设备来达到这一目的，正是解决该课题的一条 重要路线。通过提取人的生理信号，使用计算机来连续、准确和实时地分析出人的警觉度水 平，并在检测到警觉度下降到某个危险水平时给出警告或其他手段，这样可以有效地防止 可能出现的事故。在众多的生理信号中，脑电信号与人的认知行为、警觉度状态紧密相关。与其他信 号，比如脸部表情、肢体动作等相比，脑电信号被认为最及时、可靠地反映了人警觉度水平， 其神经生理学基础是人的脑电信号在不同的精神状态时所表现出的节律行为。人在睁眼的 清醒状态时，α波能量较低，而且人的困倦程度与α波的能量成负相关性，与θ波的能量 成正相关性，人在从安静的闭眼状态逐渐进入睡眠状态时，α波的能量逐渐降低，而θ波 的能量逐渐增加。本发明提出的方法利用这一神经生理学基础，通过处理和分析脑电信来 达到分析人的警觉度的目的。警觉度分析属于经典的模式识别问题，其处理框架可分为信号处理，特征提取，特 征选择，分类器分类四个步骤，在过去的研究中，这四个过程都分别有很多有价值的成果。 对于信号处理和特征提取而言，大部分的方法都试图用有效的特征来捕获到脑电信号中的 节律信息。Yeo等人，Shen等人使用了快速傅立叶变换(Fast Fourier Transform)处理脑 电信号，然后从能量谱中提取出一组良好定义的特征，Shi等人，Liu等人用了离散短时傅 立叶变换(Short Time Fourier ^Transform)，而在众多的已用于脑电信号分析的时频分析 方法中，小波分析已经显示出了其优势，连续和离散小波变换(Continuous and Discrete Wavelet Transform)都已经在很多研究中用来分析和分类脑电信号，但是这些研究大部分 都是比较简单的应用场合，它们都是对从两个或几个明显不同的精神状态下提取的脑电信 号进行分类，比如分类癫痫患者的脑电信号和正常人的脑电信号。一部分研究是基于同步 的脑机接口实验，这些实验会要求受试者在指定的时段内完成一些指定的动作或任务，但 是，当脑机接口实验是异步时，甚至是有些实时的应用场景时，传统的小波分析方法就不足 以提取出脑电信号中节律活动的细微变化信息，因为在这些场景中，人的精神状态是连续 变化的。
发明内容
本发明针对现有技术存在的上述不足，提供一种基于连续小波变换的脑电信号警 觉度检测方法，通过脑电信号的连续小波变换处理、基于小波系数计算和特征提取、基于随 机森林的特征排序和选择以及支持向量机(Support Vector Machine)的训练和分类实现 脑电信号的处理分析，来区分人的不同警觉度水平。本发明是通过以下技术方案实现的，本发明采用小波函数得到脑电信号序列的小 波系数的特征值作为特征集，再用随机森林法对特征集进行排序简化后使用样本训练支持 向量机，并采用训练得到的支持向量机对脑电信号进行警觉度检测。所述的脑电信号序列是指经过人工观测去除伪迹以及受到干扰而被严重破坏的 电极信号所余下的，经过带宽为1Ηζ-40Ηζ的有限冲击响应滤波器进行滤波处理后的脑电 信号的序列。所述的小波系数的特征值通过以下方式获得1)将脑电信号序列分成5秒长度的若干片段，相邻的两个片段之间重叠2. 5秒的 长度，每个片段是一个N*T的矩阵，其中N是脑电信号的通道数，T是脑电信号的时间点个 数；2)然后将所有片段随机地分成数目相等的两组，一组作为训练集，另一组作为验 证集；3)用预设的小波函数对训练集进行连续小波变换，得到N*C组小波系数，构成一 个N*C行T列的矩阵；4)对每一组小波系数分别计算小波系数绝对值的平均值和小波系数绝对值的标 准差作为特征值，得到每个片段对应的N*C*2维的向量作为特征值。所述的连续小波变换是指
权利要求
1.一种基于连续小波变换的脑电信号警觉度检测方法，其特征在于，采用小波函数得 到脑电信号序列的小波系数的特征值作为特征集，再用随机森林法对特征集进行排序简化 后使用样本训练支持向量机，并采用训练得到的支持向量机对脑电信号进行警觉度检测。
2.根据权利要求1所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是， 所述的脑电信号序列是指经过人工观测去除伪迹以及受到干扰而被严重破坏的电极信号 所余下的，经过带宽为1Ηζ-40Ηζ的有限冲击响应滤波器进行滤波处理后的脑电信号的序 列。
3.根据权利要求1所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是， 所述的小波系数的特征值通过以下方式获得1)将脑电信号序列分成5秒长度的若干片段，相邻的两个片段之间重叠2.5秒的长度， 每个片段是一个N*T的矩阵，其中N是脑电信号的通道数，T是脑电信号的时间点个数；2)然后将所有片段随机地分成数目相等的两组，一组作为训练集，另一组作为验证集；3)用预设的小波函数对训练集进行连续小波变换，得到N*C组小波系数，构成一个N*C 行T列的矩阵；4)对每一组小波系数分别计算小波系数绝对值的平均值和小波系数绝对值的标准差 作为特征值，得到每个片段对应的N*02维的向量作为特征值。
4.根据权利要求1所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是， 所述的连续小波变换是指W(S,t) =$/_°^(τ)ψ(〒) 1τ，其中对每一个通道，t是时间变元，s表示尺度，Ψ为小波函数，f为信号函数。
5.根据权利要求1或3或4所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是，所述的小波函数为Morlet小波ψ(χ) = ★expphrfWexpi-g}，其中f。表示中心频率，fb是带宽参数，Morlet复小波在时域和频域上均具有类高斯的形状，在时域上的标准 偏差为。t，在频域上的标准偏差为。f，而ο f与fb具有以下关系A = 1Zc2^afy
6.根据权利要求1所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是， 所述的用随机森林法对特征集进行排序简化是指采用由一组随机化的决策树构成的随机 森林对样本分类，随机森林在对样本分类的同时能计算各个特征对分类结果的贡献，作为 特征的重要性指标，对特征集进行排序并从中去除重要性最低的特征后重新建立随机森林 并重新排序，并重复上述迭代过程实现简化。
7.根据权利要求6所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是， 所述的去除重要性最低的特征是指从特征集中去除按重要性排序的最后L个特征，随着 迭代的继续L可根据需要选定。
8.根据权利要求1所述的基于连续小波变换的脑电信号警觉度检测方法，其特征是， 所述的警觉度检测是指支持向量机对样本分类的结果，在训练时所有的样本被标定为清 醒、困倦或睡眠，这些样本经过随机森林对特征简化后用于训练支持向量机，在新的样本到 达时，支持向量机可将其分类为清醒、困倦或睡眠。
全文摘要
一种信号处理技术领域的基于连续小波变换的脑电信号警觉度检测方法，采用小波函数得到脑电信号序列的小波系数的特征值作为特征集，再用随机森林法对特征集进行排序简化后使用样本训练支持向量机，并采用训练得到的支持向量机对脑电信号进行警觉度检测。本发明通过脑电信号的连续小波变换处理、基于小波系数计算和特征提取、基于随机森林的特征排序和选择以及支持向量机的训练和分类实现脑电信号的处理分析，来区分人的不同警觉度水平。
文档编号A61B5/0476GK102058413SQ20101057151
公开日2011年5月18日 申请日期2010年12月3日 优先权日2010年12月3日
发明者任庆生, 卢宏涛, 欧阳甜 申请人:上海交通大学