一种基于脑电信号监测的疲劳驾驶预警方法及系统与流程
本发明涉及疲劳安全驾驶的技术领域，更具体地，涉及一种基于脑电信号监测的疲劳驾驶预警方法及系统。
背景技术
近年来随着高速公路以及私家车的发展，随之而来的汽车安全也成为人们广泛关注的焦点。根据国家统计部门的统计资料显示：在已发生的交通事故中大约有1/3的事故是由于疲劳驾驶所引起的。这些事故不仅给个人的生命财产带来了损失，同时也给国家和社会也带来了巨大影响。因此，研究出一套可靠的疲劳预警驾驶系统已成为社会的迫切需要。
目前对疲劳驾驶的检测方法大致上可以分为两类：第一类方法是通过认外部感官特征来判断驾驶员的精神状态，然而这种方法随意性强误差较大；第二类方法是通过人的生理特征来判别所处的状态，其中包括心电监测法(ecg)和肌电监测法，然而这种方法反映人体疲劳状态特征的信号弱，监测成本高。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种便携性好、适应性强和准确度高的基于脑电信号监测的疲劳驾驶预警方法及系统，若驾驶员处于疲劳状态，智能终端启动报警装置，并能够根据疲劳度进行不同级别的预警措施。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于脑电信号监测的疲劳驾驶预警方法，包括以下步骤：
s10.通过信号采集模块采集驾驶员的脑电信号作为原始脑电信号；
s20.步骤s10中的原始脑电信号去噪后进入信号处理模块进行模数转换处理得到数字信号，并对数字信号进行时频转换得到频域信息；
s30.移动智能终端通过对一分钟提取的数字信号建立样本空间，分别建立svm模型计算判别系数和加权距离，并通过判别系数和加权距离共同判别驾驶员是否处于疲劳状态；
s40.对专注度、放松度以及α波功率谱密度占比建立ahp模型，通过层次分析法定量计算得到疲劳程度；
s50.智能终端内的报警装置根据步骤s40中所述的疲劳程度发出不同层次的报警信号。
本发明的基于脑电信号监测的疲劳驾驶预警方法，通过脑电采集模块实时采集驾驶员的脑电信号，通过去噪放大电路对信号进行去噪放大处理，滤除其中的噪声信号并进行两级放大，得到信号后，通过两种有效的判别方式对脑电状态进行准确有效的实时监控与判别从而实现对驾驶员疲劳状态的有效预警作用，同时根据其疲劳程度进行分级预警更加有效地对驾驶员的安全提供保证。
优选地，步骤s30中的疲劳判别方法包括以下步骤：
s31.对原始脑电信号按式(1)进行小波变换；
式(1)中，x(n)为采集的原始信号，ψ(n)为母小波函数，cj,k为在j分辨率和时间平移尺度k下的信号小波变换，j为频率分辨率，k为时间平移量；
同时，对采集的原始脑电信号进行小波包有限层分解的方法进行处理得到不同节律的特征信号：
式(2)中，l为分解层数，dj为不同层级的细节分量，al为低通逼近分量，所得到的频率范围为
s32.分解提取计算α波段信号的功率谱密度百分比b，α波功率谱密度百分比也在疲劳状态和清醒状态下差别明显：
s33.分解提取计算脑电信号的专注度pa和放松度pm：
pa＝(0.89y+0.74β+0.50α)×100％(4)
pm＝(0.32θ+1.01δ+0.75α)×100％(5)
式(4)-(5)中，y、β、α分别为该波段的信号能量占比，θ、δ、α分别为该波段的信号能量占比；
s34.由于专注度和放松度在疲劳状态下存在明显的相关性，计算正常状态与疲劳状态下专注度与放松度之间的相关系数r，相关系数r作为疲劳判别的特征值之一：
式(6)中，xi，yi分别为在i时的专注度与放松度。
s35.提取1分钟的步骤s26中的相关系数r以及步骤s22中的α波段信号的功率谱密度的百分比b，建立样本空间g1和g2；计算其中的两个特征值到各自样本空间的马氏距离d1和d2:
式(7)-(8)中，
s36.比较加权距离d与阈值t的大小，若d≥t，则判定为疲劳状态；若d＜t，则判定为清醒状态，其中，阈值t可通过roc曲线获得；
s37.根据采集的样本数据对其进行支持向量模型，建立svm模型，计算适用于非线性系统的判别系数y:
式(9)中，k()为高斯径向核函数，x为实时采集的脑电信号；
s38.比较判别系数y是否小于1，若y≥1，则判定为疲劳状态；若y＜1，则判定为清醒状态。
优选地，当步骤s36和步骤s38的判别结果均为疲劳状态时，对专注度、放松度以及α波功率谱密度占比b建立ahp模型，根据层次分析法确定各层次的权重系数得到疲劳度p，智能终端根据其疲劳程度，进入不同级别的预警措施：
p＝(1.08pa+0.69pm+0.33b)×100％(10)
本发明还提供了一种基于脑电信号监测的疲劳驾驶预警系统，包括顺次连接的信号采集模块、信号处理模块以及安全报警模块，所述信号采集模块包括通讯连接的脑电采集模块以及去噪放大电路，所述信号处理模块为将脑电信号进行模数转换为数字信号的微处理器，所述信号处理模块连接有发送数字信号给安全报警模块的信号发送模块，所述安全报警模块置于内置有疲劳算法软件的智能终端内，所述智能终端设有与信号发送模块配合的信号接收模块，所述信号接收模块、疲劳算法软件、安全报警模块顺次连接。
本发明的基于脑电信号监测的疲劳驾驶预警系统，通过脑电采集模块负责对驾驶员的实时脑电信号进行原始数据采集，并通过去噪放大电路对采集的原始数据进行去噪和放大处理，获得驾驶员的实时脑电信号；通过信号处理模块将采集的原始脑电信号进行数字化处理，对信号进行时频转换得到频域信息；智能终端从的脑电信号中提取出相应的疲劳特征值，并进行预算法判别，本发明能够实时监测驾驶员的疲劳程度，并根据分析结果为驾驶员提供安全的可靠性预警。
进一步地，所述智能终端与云端连接，所述云端无线连接有服务端系统。智能终端可通过与后台服务端系统相连接实时上传数据给服务器云端，服务端系统通过分析数据同步对驾驶员提供预警，可实现对驾驶员的远程监护；在智能终端软件界面上实时观测驾驶员的具体疲劳程度，具有直观的可读性，为驾驶员提供更加可靠保障。
进一步地，所述智能终端包括车载嵌入式终端、基于安卓系统的智能手机设备以及基于ios系统的智能手机设备。智能终端可以实现录制不同的语音信息，对其疲劳状态进行语音报警，还可以通过振动、短信等其他措施提示驾驶员正处于疲劳驾驶状态，具有便携性好、适应性强和准确度高等特点。
进一步地，所述去噪放大电路包括对原始脑电信号进行放大的一级放大电路、对放大后的信号进行去除噪声的两级滤波器以及对去除噪声后的脑电信号进行放大的二级放大电路，所述一级放大电路、两级滤波器以及二级放大电路顺次连接。原始脑电信号先经过一级放大电路进行放大，其中也包括噪声信号，其次将放大后的信号通过设有高通和低通的两级滤波器滤波去除噪声，得到去除噪声的脑电信号，由于去除噪声后的脑电信号比较弱，再将其通过二级放大电路再次对其进行放大，从而得到处理后的脑电信号。
进一步地，所述脑电采集模块为单导干电极。单导干电极的供电电压为1.5v，采样频率为512hz，采用单导干电极的测量方式对人体的脑电信号进行采集。
进一步地，所述信号采集模块、信号处理模块集成在便携式的耳机中。在监测时只需佩戴耳机即可完成测试，操作简便。
与现有技术相比，本发明的有益效果是：
(1)本发明通过脑电采集模块实时采集驾驶员的脑电信号，通过去噪放大电路对信号进行去噪放大处理，滤除其中的噪声信号并进行两级放大，得到信号后，通过两种有效的判别方式对脑电状态进行准确有效的实时监控与判别从而实现对驾驶员疲劳状态的有效预警作用，同时可根据疲劳程度进行分级预警更加有效地对驾驶员的安全提供保证。
(2)本发明的智能终端与服务端系统相连接，智能终端将实时采集的数据发送至云端，服务端系统接收数据进行分析，实现对驾驶员的远程监护，为驾驶员提供更加安全的可靠性预警。
附图说明
图1为本发明的基于脑电信号监测的疲劳驾驶预警方法的流程图。
图2为本发明的基于脑电信号监测的疲劳驾驶预警系统的结构示意图。
图3为本发明的去噪放大电路的结构示意图。
图4为本发明的ahp模型的结构示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一
如图1、图4所示为本发明的基于脑电信号监测的疲劳驾驶预警方法的流程图，包括包括以下步骤：
s10.通过信号采集模块采集驾驶员的脑电信号作为原始脑电信号；
s20.步骤s10中的原始脑电信号去噪后进入信号处理模块进行模数转换处理得到数字信号，并对数字信号进行时频转换得到频域信息；
s30.移动智能终端通过对一分钟提取的数字信号建立样本空间，分别建立svm模型计算判别系数和加权距离，并通过判别系数和加权距离共同判别驾驶员是否处于疲劳状态；
s40.对专注度、放松度以及α波功率谱密度占比建立ahp模型，通过层次分析法定量计算得到疲劳程度；
s50.智能终端内的报警装置根据步骤s40中的疲劳程度发出不同层次的报警信号。
本实施例在实施时，通过脑电采集模块实时采集驾驶员的脑电信号，通过去噪放大电路对信号进行去噪放大处理，滤除其中的噪声信号并进行两级放大，得到信号后，通过两种有效的判别方式对脑电状态进行准确有效的实时监控与判别从而实现对驾驶员疲劳状态的有效预警作用。
具体地，步骤s30中的疲劳判别方法包括以下步骤：
s31.对原始脑电信号按式(1)进行小波变换；
式(1)中，x(n)为采集的原始信号，ψ(n)为母小波函数，cj,k为在j分辨率和时间平移尺度k下的信号小波变换，j为频率分辨率，k为时间平移量；
同时，对采集的原始脑电信号进行小波包有限层分解的方法进行处理得到不同节律的特征信号：
式(2)中，l为分解层数，dj为不同层级的细节分量，al为低通逼近分量，所得到的频率范围为
s32.分解提取计算α波段信号的功率谱密度百分比b，α波功率谱密度百分比也在疲劳状态和清醒状态下差别明显：
s33.分解提取计算脑电信号的专注度pa和放松度pm：
pa＝(0.89y+0.74β+0.50α)×100％(4)
pm＝(0.32θ+1.01δ+0.75α)×100％(5)
式(4)-(5)中，y、β、α分别为该波段的信号能量占比，θ、δ、α分别为该波段的信号能量占比；
s34.由于专注度和放松度在疲劳状态下存在明显的相关性，计算正常状态与疲劳状态下专注度与放松度之间的相关系数r，相关系数r作为疲劳判别的特征值之一：
式(6)中，xi，yi分别为在i时的专注度与放松度。
s35.提取1分钟的步骤s26中的相关系数r以及步骤s22中的α波段信号的功率谱密度的百分比b，建立样本空间g1和g2；计算其中的两个特征值到各自样本空间的马氏距离d1和d2:
式(7)-(8)中，
s36.比较加权距离d与阈值t的大小，若d≥t，则判定为疲劳状态；若d＜t，则判定为清醒状态，其中，阈值t可通过roc曲线获得；
s37.根据采集的样本数据对其进行支持向量模型，建立svm模型，计算适用于非线性系统的判别系数y:
式(9)中，k()为高斯径向核函数，x为实时采集的脑电信号；
s38.比较判别系数y是否小于1，若y≥1，则判定为疲劳状态；若y＜1，则判定为清醒状态。
其中，当步骤s36和步骤s38的判别结果均为疲劳状态时，对专注度、放松度以及α波功率谱密度占比b建立ahp模型，如图4所示，根据层次分析法确定各层次的权重系数得到疲劳度p，智能终端根据其疲劳程度，进入不同级别的预警措施：
p＝(1.08pa+0.69pm+0.33b)×100％(10)
实施例二
如图2至图3所示为本发明的基于脑电信号监测的疲劳驾驶预警系统的实施例，包括顺次连接的信号采集模块、信号处理模块以及安全报警模块，信号采集模块包括通讯连接的脑电采集模块以及去噪放大电路，信号处理模块为将脑电信号进行模数转换为数字信号的微处理器，信号处理模块连接有发送数字信号给安全报警模块的信号发送模块，安全报警模块置于内置有疲劳算法软件的智能终端内，智能终端设有与信号发送模块配合的信号接收模块，信号接收模块、疲劳算法软件、安全报警模块顺次连接。本实施例的智能终端与云端连接，云端无线连接有服务端系统，在智能终端软件界面上实时观测驾驶员的具体疲劳程度，具有直观的可读性；智能终端可通过与后台服务端系统相连接实时上传数据给服务器云端，服务端系统通过分析数据同步对驾驶员提供预警，可实现对驾驶员的远程监护。
具体地，去噪放大电路包括对原始脑电信号进行放大的一级放大电路、对放大后的信号进行去除噪声的两级滤波器以及对去除噪声后的脑电信号进行放大的二级放大电路，一级放大电路、两级滤波器以及二级放大电路顺次连接。原始脑电信号先经过一级放大电路进行放大，其中也包括噪声信号，其次将放大后的信号通过设有高通和低通的两级滤波器滤波去除噪声，得到去除噪声的脑电信号，由于去除噪声后的脑电信号比较弱，再将其通过二级放大电路再次对其进行放大，从而得到处理后的脑电信号。
在本实施例中，智能终端包括车载嵌入式终端、基于安卓系统的智能手机设备以及基于ios系统的智能手机设备，智能终端可以实现录制不同的语音信息，对其疲劳状态进行语音报警，还可以通过振动、短信等其他措施提示驾驶员正处于疲劳驾驶状态。脑电采集模块为单导干电极，单导干电极的供电电压为1.5v，采样频率为512hz；信号采集模块、信号处理模块集成在便携式的耳机中，监测时只需佩戴耳机即可完成测试。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！