一种基于神经信号的紧急状态下驾驶员刹车意图检测方法

一种基于神经信号的紧急状态下驾驶员刹车意图检测方法
【专利摘要】本发明涉及一种基于神经信号的紧急状态下驾驶员刹车意图检测方法。本发明提出的方法不需要任何的肢体运动和语言，只需记录驾驶员脑电信号，通过对脑电信号的分析预测驾驶员刹车意图，辅助其提前做出刹车决策。本发明属于认知神经科学、信息技术领域的综合应用。
【专利说明】
-种基于神经信号的紧急状态下驾驶员刹车意图检测方法
技术领域
[0001] 本发明设及一种利用驾驶员神经信号预测其刹车意图的方法。本发明提出的方法 不需要任何的肢体运动和语言，只需记录驾驶员脑电信号，通过对脑电信号的分析预测驾 驶员刹车意图，辅助其提前做出刹车决策。本发明属于认知神经科学、信息技术领域和自动 控制领域的综合应用。
【背景技术】
[0002] 车载安全辅助系统作为减轻驾驶员负担，保证驾驶安全，减少事故伤亡的重要辅 助技术已经成为当今汽车行业的研究重点。其中，辅助刹车系统是该方向的主要研究方向， 该技术的主要技术难点在于车前障碍物的检测。当前，障碍物检测技术主要依靠车载传感 器，比如激光、声响、红外，另外，摄像头与图像处理技术也较常应用于障碍物检测。但是，上 述的运些检测技术通常会受到外界环境、障碍物外观等因素的制约。
[0003] 脑-机接口（BCI)可W在人脑和计算机或其他外界设备之间建立一种直接的信息 交流和控制通道，是一种不依赖与常规大脑输出通路(外围神经和肌肉组织)的全新的信息 交流系统。脑-机接口的基本原理是通过某种方式使大脑产生适合识别的脑电信号，并通过 信号处理和模式识别的方法将产生的脑电信号"翻译"成命令，从而实现脑-机交互。
[0004] 驾驶员在驾驶过程中，车辆前方发生的紧急事件，诸如：行人突然横穿马路，前方 车辆无预期的制动或者另一侧车道的车辆突然驶入当前车道，运些情况都需要驾驶员及时 做出刹车反应。然而，从驾驶员发现已经发生的紧急事件，到完成刹车反应，需要经历视觉 信息感知，屯、理评价，屯、理决策，运动准备及执行过程，运一系列的活动大概会占用850毫秒 的时间，在车速较高的情况下，可能会造成严重的后果。如果能够通过检测驾驶员的脑电信 号，分析得到其刹车意图，跳过运动准备及执行过程，直接发送给车辆刹车系统完成刹车， 则可W提前完成刹车，降低事故伤亡概率。通过检测驾驶员紧急情况下的脑电信号，预测其 刹车意图成为本发明主要目的。

【发明内容】

[0005] 本发明设及一种紧急状态下驾驶员刹车意图检测方法，所述方法包括:步骤1，对 采集的脑电信号进行预处理，获得预处理之后的脑电信号；步骤2,由所述预处理后的脑电 信号计算得到特征;步骤3，对所述特征进行特征提取，找出最优特征组合;步骤4，基于所述 最优特征组合建立刹车意图检测模型;步骤5,实时判断驾驶员刹车意图。
[0006] 所述，对采集的脑电信号进行预处理包括:步骤11，对原始脑电信号进行50化陷波 滤波W滤除工频干扰；步骤12,对所述陷波滤波之后的脑电信号进行8阶己特沃兹低通滤 波，截止频率60化;步骤13,对所述低通滤波之后的脑电信号进行降采样处理，由原始采样 频率降到200Hz;步骤14,滤除所述降采样之后的脑电信号中的巧眼伪迹。
[0007] 所述，步骤14包括:步骤141，通过离线数据确定解混矩阵W及滤波阔值;步骤142， 在线应用过程中实时滤除脑电中的巧眼伪迹。
[0008] 所述，步骤141包括：步骤1411，对离线采集到的脑电信号执行独立成分分析法 (ICA)获得独立成分W及所述解混矩阵;步骤1412，结合所述各独立成分的脑拓扑图，确定 与巧眼伪迹相关的独立成成分，并计算该所述独立成分的近似赌值(Ap化)作为所述的滤波 阔值。
[0009] 所述，步骤142包括:步骤1421，将实时采集到的驾驶员脑电信号与步骤1411中所 得解混矩阵相乘，获得该段信号的独立成分;步骤1422,计算步骤1421所得各独立成分的近 似赌值，并与步骤1412所述滤波阔值比较，将近似赌值小于滤波阔值的独立成分设为零;步 骤1413,执行独立成分分析的逆运算，获得滤波后的脑电信号。
[0010] 所述，步骤2进一步包括:采用fft谱估计法，计算步骤1所述的滤波后脑电信号的 频谱特征，所述特征包括各通道lHz-60化（不包括50化）的功率谱值，特征数量=通道数* 59 O
[0011] 所述，步骤3包括:步骤31，将步骤2所述的特征按照样本的提取时间分成两组，分 别是正常组和紧急组，所述正常组为驾驶员正常状态下提取的样本，所述紧急组为驾驶员 遭遇紧急事件后提取的样本;步骤32，对步骤31所述分组后的特征进行Wi Icoxon秩和检验， 找出差异显著的特征作为备选特征池;步骤33,对步骤32所述特征池执行顺序浮动前向捜 索算法(SFFS)，提取最优的特征组合。
[0012] 所述，步骤4进一步包括:通过步骤32所述的最优特征组合训练正则化线性分类器 (RLDA)的修正系数W及所述系数对应的分类器模型。
[001引所述，步骤5包括:步骤51，实时采集驾驶员脑电数据;步骤52,将最新采集到的脑 电数据按照步骤1所述的过程完成预处理，其中，巧眼伪迹滤除过程按照步骤142执行;步骤 53，按照步骤32所述最优的特征组合计算特征向量;步骤54，将步骤52所述特征向量输入步 骤4所述建立的分类器模型并输出分类结果，并根据该输出结果判断驾驶员刹车意图。
[0014] 本发明提出一种应用范围广泛、使用简便、准确率较高的驾驶员刹车意图预测方 法，利用驾驶员在驾驶过程中遭遇紧急状况引起的脑电信号相关特征的变化判断驾驶员的 状态。该方法可W应用于刹车辅助系统中。对大多驾驶员而言，在遭遇紧急事件之后，不正 当的反应将会导致严重后果，考虑到城市交通环境的复杂性会影响其他障碍物检测方法的 性能，因此，通过驾驶员自身经验及反应作为预测刹车意图的依据，并能根据系统判断结果 自动做出刹车反应，将会大大降低交通事故伤亡，对于发展先进刹车辅助系统具有重大意 义。
【附图说明】
[0015] 图1为本发明的工作系统框图；
[0016] 图2为本发明训练流程；
[0017] 图3为本发明实时检测驾驶员刹车意图流程图。
【具体实施方式】
[0018] 该发明所描述的基于脑电信号进行刹车意图监测方法特别适用于提高驾驶安全 性，本领域技术人员可W根据该发明的原理，进一步的扩展其他的驾驶员辅助技术。
[0019] 本发明的基本原理是当驾驶员在驾驶过程中遭遇紧急状况，不需做出肢体或者语 音反应，只需要对驾驶员在紧急状态下脑电分析处理，即可获得驾驶员是否有刹车意图。
[0020] 下面结合附图和具体实施例对本发明提供的一种紧急状态下驾驶员刹车意图检 测方法进行详细描述。
[0021] 同时，在运里做W说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选 实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施;而且附图 部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。
[0022] 本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法W及方案。为 了使公众对本发明有彻底的了解，在W下本发明优选实施例中详细说明了具体的细节，而 对本领域技术人员来说没有运些细节的描述也可W完全理解本发明。另外，为了避免对本 发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路 等。
[0023] 在本发明的实施例中，提出了一种紧急状态下驾驶员刹车意图检测方法，参考图 1，该系统包括脑电采集模块、脑电分析处理模块。
[0024] 其中，脑电采集模块用于实时采集脑电信号并且进行放大和模数转换，通过数据 线与处理器进行数据传输。其中，考虑驾驶员在遭遇紧急交通状况时所设及的一系列屯、理 活动，主要设及交通状况的视觉感知、情感突变W及紧急刹车运动策划，所W根据"10-20国 际标准导联"，脑电采集电极放置在使用者头部的Cz、Pz、Fz、0z、C3、C4、P3、P4、P7、P8、T7、 T8、01、02、F3、F4位置，将参考电极放置在使用者耳垂上的Al 1、Al 2位置。
[0025] 所述，脑电分析处理模块用于接收脑电信号，并且对脑电信号进行处理，判断驾驶 员的状态。
[0026] 所述，对脑电波进行处理包括：步骤1、分类模型训练；步骤2、实时监测驾驶员状 态。
[0027] 其中，步骤1具体如下：
[002引11)分类截取
[0029] 首次应用之前，需要完成模型训练过程。驾驶员首先完成虚拟驾驶场景中的驾驶 任务，分别是正常驾驶类和紧急状况类，同时记录所述两种不同实验场景对应的脑电数据。 完成任务后，根据场景中任务发生的时间截取驾驶员脑电数据并根据任务种类将脑电数据 分为两组，并将分组后的脑电数据进行降采样至200Hz。
[0030] 12)滤波去噪
[0031] 由于所述降采样之后的脑电信号中存在不同类型的干扰，因此在滤波去噪阶段， 将按照W下过程执行：121)对数据进行8阶己特沃兹lHz-60化带通滤波W及50化陷波滤波。 122)滤除信号中的巧眼干扰，所用方法具体是：1221)对原始脑电数据应用独立成分分析 (ICA); 1222)根据各独立成分的近似赌值排除信号中的巧眼干扰；1223)通过独立成分分析 的逆运算得到滤波后的脑电信号。123)对所述滤波后的脑电信号执行总平均参考(CAR)算 法，目的是除掉各同道中共同存在的干扰成分。
[0032] 所述，1221)中独立成分分析法的具体过程如下：
[0033] 使用过程中电极总数为n，运n个电极可得到一组数据：
[0034]
[0035] i表示采样的时间顺序，也就是说共得到了m组采样，每一组采样都是n维的，而且 由于电极配置位置较近，导致所得到的原始数据实际是由数个独立信号源发出信号的线性 组合。
[0036] 独立成分分析（ICA)的目标是从运m组采样数据中分离出每个信号源发出的信号 S，表示为：
[0037] S(Sl，S2，...，Sn)T
[0038] S的每一维都是一个独立信号源发出的信号，如此，可W建立X与S的关系。
[0039] X。) =AS(I)
[0040] A是一个未知矩阵，X是已知的，通过X推出S的过程称为盲源信号分离。可W做W下 变换：
[0041 ] W=A-I
[0042] s"=A-iX。) =WX(I)
[0043] 可W得到：
[0044]
[0045] W即为所述的解混矩阵，下面解释如何求出解混矩阵W。
[0046] 由于W与S都是未知的，在没有先验知识的前提下，是不能由X推出S的。假定每个Si 有概率密度Ps,则某一时刻原信号的联合分布是：
[0047]
[004引
[0049]
[0050] 在没有先验知识前提下，需要选取一个概率密度函数赋给S，在概率论里，密度函 数P(X)由累计分布函数F(X)求导得到。F(X)要满足两个性质是:单调递增和值域落在在[0， 1]。比较适合的一类函数是sigmoid函数：
[0化1 ]
[0化2]
[0化3]
[0054]运就是S的概率密度。
[005引现在知道了Ps(S),就只剩下W了。根据已得到的样本X，其对数似然估计如下：
[0化6]
[0057] 根据上式可求得W的迭代公式：
[0化引
[0059] 通过迭代求出解混矩阵W后，便可W通过X推出SW还原出各独立信号源发出的独 立信号，图3所示即为执行ICA算法之后得到的独立成分。
[0060] 在完成独立成分分析运算后，下一步工作就是确定近似赌的阔值，通过近似赌完 成对独立成分的滤除。所述，1223)中近似赌的计算过程如下：
[0061 ] A.设给定长度为N的一维时间序列{u( i)，i = 1…的，按式：
[0062] Xi = {u(i) ,u(i+l) ,???u(i+m-l)}
[0063] 重构m维向量Xi，i = l'''n，n = N-m+l;
[0064] B.计算任意向量Xi与其与向量Xj (j = I，? ?，N-m+1，护i)之间的距离：
[00化]dij=max|u(i+j)-u(j+k) I ,k = 0,l,…m-1
[0066] 即两向量对应元素之间差值绝对值的最大值就是两向量之间的距离；
[0067] C.给定阔值r，通常r = 0.2~0.3之间，对每个向量Xi统计dij《r X SD，（SD为序列的 标准值)的数目与距离总数(N-m)的比值，记为皆保U
[0068] D.将邱汾取对数，再对所有的i求平均值，记为(l)m(r):
[0069]
[0070] m+i(r)。
[0071]
[0072]
[0073] G.对于有限长事件序列，Ap化可W通过统计值估计得到：
[0074] Ap化
[0075] 根据近似赌算法的过程可知，一段信号的周期性越高，其近似赌值越低，信号越复 杂，近似赌值越高。由于巧眼信号存在的周期性，可W根据其近似赌值所处范围确定巧眼信 号的阔值，然后根据阔值判定各独立成分是否为巧眼干扰，在去掉独立成分中的巧眼干扰 成分后执行独立成分分析的逆运算，获得滤波后的信号，即可完成滤波过程。
[0076] 13)特征提取
[0077] 本方法所用的特征提取方法为Wi Icoxon秩和检验与顺序前向浮动捜索算法 (SFFS)结合，找出最优特征组合，其基本思想及计算过程为：
[0078] 131)分别计算两类样本中16个通道lHz-60化的功率谱值，共960个原始特征；
[0079] 132)分别对步骤131)所述的原始特征执行Wilcoxon秩和检验，设置置信因子 0.05,找出显著性水平小于置信因子的所有特征，作为备选特征池；
[0080] 133)对步骤132)所述的特征池执行顺序浮动前向捜索算法，找出最优的特征组合 作为在线检测驾驶员意图所用的特征组合。
[0081] 14)训练分类模型
[0082] 将上述所得的两组数据的特征代入正则化的线性判别方法建立驾驶员状态检测 模型。所述，驾驶员状态检测模型建立步骤如下：
[0083] 选择出要进行分类的两类样本，对两类样本进行标定，例如对于判断驾驶员是否 处于紧急状态。假设处于紧急状态的样本为Xi类，处于正常状态的样本为拉类；
[0084] A.计算各类样本在高维空间的样本均值向量mi;
[0085]
[0086] 车Sb;
[0087]
[008引
[0089]
[0090]
[0091] I间离散度 矩阵Sb:
[0092]
[0093]
[0094]
[0095]
[0096]
[0097]
[009引
[0099]
[0100] S1+S2=w^( S1+S2 )w=W^SwW
[0101] D.确定投影方向W的准则是:使原样本在该方向上类内样本的投影尽量密集，类间 样本的投影尽量分离，最佳投影方向就是使得Jf取得极值的W:
[0102]
[0103]
[0104]
[0105]
[0106]
[0107] 其中，A是修正因子，通过11)所述两组数据离线系统准确率获得，取值范围是[0， 1]，巧旨与W同维度的单位阵，trace(w)指的是W的迹，d(w)指W的维度。
[0108] 阔值WO的选取采用ROC曲线。ROC曲线是一种用于检测二分类问题的阔值函数曲 线，是根据二分类问题的一系列不同分界值，W真阳率(True Positive Rate)为纵坐标，W 假阳率(化Ise Positive Rate)为横坐标绘制的函数曲线。通过ROC曲线可W很方便的看出 选取不同分界值(阔值)时的分类性能。使用时，可W结合对实际问题的分析，选择出最佳的 分界值。
[0109] 所述，步骤1训练过程如图2所示。
[0110] 其中，步骤2具体如下：
[0111] 21)计算步骤12)所述的解混矩阵与近似赌阔值；
[0112] 22) W窗宽Is,步长0.1s实时采集驾驶员在驾驶过程中的脑电数据。
[0113] 所述对该1S数据处理过程为：
[0114] i.降采样至200Hz，8阶己特沃兹lHz-60化带通滤波，50Hz陷波滤波；
[0115] ii.由步骤21)计算的解混矩阵，将所述Is脑电数据分解为独立成分，并计算各独 立成分的近似赌；
[0116] iii.将所述各通道的近似赌与步骤21)所述近似赌阔值进行比较，并把小于阔值 的近似赌对应的独立成分设为同缔度零向量；
[0117] iv.执行逆ICA运算，得到滤除巧眼伪迹之后的脑电数据；
[0118] V.对iv所述滤除巧眼伪迹的脑电数据执行总平均参考(CAR)算法；
[0119] Vi.按照步骤133)所述捜索得到的最佳特征组合计算相关特征向量，输入步骤14) 所述分类模型，输出分类结果。
[0120] 所述，步骤2的过程参考图3,其中301指的是由22)所述Is脑电数据，按照133)所述 最优特征组合计算得到的特征向量，302指的是14)所述训练得到的正则化线性判别分类 器，303指用W辅助驾驶员在紧急状况下做出避让或其他决策的手段或设备，因其不在本发 明涵盖范围内，不作详细描述。
[0121] 最后应说明的是，W上实施例仅用W描述本发明的技术方案而不是对本技术方法 进行限制，本发明在应用上可W延伸为其他的修改、变化、应用和实施例，并且因此认为所 有运样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
【主权项】
1. 一种基于神经信号的紧急状态下驾驶员刹车意图检测方法，包括： 步骤1，离线训练过程，包括离线数据的预处理，特征提取和模型训练； 步骤2,在线检测驾驶员刹车意图过程。2. 根据权利要求1所述的一种基于神经信号的紧急状态下驾驶员刹车意图检测方法， 其中，步骤1包括： 步骤11，对离线采集的脑电数据进行预处理，具体包括8阶巴特沃兹1Ηz-60Ηζ带通滤 波，50Hz陷波滤波，基于独立成分分析和近似熵的眨眼伪迹滤除以及总平均参考； 步骤12,特征提取过程具体为：由f ft计算16个通道1Ηz-60Ηζ的功率谱值，然后由 Wilcoxon秩和检验分析各个特征的差异显著性，最后由顺序前向浮动搜索算法在所有差异 显著的特征中搜索得到最优的特征组合； 步骤13,根据离线数据，训练得到正则化的线性判别分类器。3. 根据权利要求1所述的一种基于神经信号的紧急状态下驾驶员刹车意图检测方法， 其中，步骤2在线检测驾驶员刹车意图过程： 步骤21，以Is窗宽实时采集驾驶员的脑电数据； 步骤22,对采集到的脑电数据按照步骤11进行预处理； 步骤23,根据步骤13得到的最优特征组合中包含的特征类型，计算得到步骤21所述脑 电数据对应的特征向量； 步骤24,将步骤23所述的特征向量输入步骤13所述的分类器中，得到驾驶员状态信息， 用来判断其是否有刹车意图。
【文档编号】G06K9/62GK106022291SQ201610377967
【公开日】2016年10月12日
【申请日】2016年5月31日
【发明人】毕路拯, 滕腾, 袁志涛
【申请人】北京理工大学