1、 本科生毕业论文（设计）中文题目：基于脑电信号的驾驶人警觉度状态评估模型的初步设计英文题目：A Tentative Design of EEG-based Driver Vigilance State Detection Model 学生姓名 王向林 班级 441002 学号 44100212 学 院 交通学院 专 业 交通运输类（汽车运用工程） 指导教师 金立生 职称 教 授 1吉林大学学士学位论文（设计）承诺书本人郑重承诺：所呈交的学士学位毕业论文（设计） ，是本人在指导教师的指导下，独立进行实验、设计、调研等工作基础上取得的成果。除文中已经注明引用的内容外，本论文（设计）不包含任何其他个
2、人或集体已经发表或撰写的作品成果。对本人实验或设计中做出重要贡献的个人或集体，均已在文中以明确的方式注明。本人完全意识到本承诺书的法律结果由本人承担。学士学位论文（设计）作者签名：年 月 日摘要I摘 要驾驶疲劳是引发交通事故的所有人为因素中最主要的一个因素，判断驾驶人疲劳程度最常用的方法就是判断驾驶人集中精力执行驾驶任务时所表现出的灵敏程度，也就驾驶人的警觉度状态。对驾驶人警觉度状态进行监测，避免驾驶人疲劳驾驶的发生，是车辆辅助安全驾驶技术的一个重要环节，对解决交通安全问题具有重要的现实意义。本论文分析了基于脑电信号的驾驶人警觉度状态评估模型在设计上的主要问题以及解决各个主要问题的具体方法，提
3、出了评估模型的初步设计方案。并设计了驾驶人脑电警觉度实验，提出了在实验中对被试进行警觉度标注的方法，并基于 LabVIEW 完成了对实验设备 Neurosky 公司的 Mindwave Mobile 脑电波传感器的软件支持。最后，本论文提出了实验数据的处理方案，并对本论文提出的初步模型的部分性能进行了测试。关键词：脑电信号，驾驶人，警觉度，频谱分析，LabVIEW ABSTRACTIIAbstractThe fatigue of drivers is the main factor among all the human factors which cause road accidents.
4、A popular way to distinguish driver drowsiness is to detect drivers vigilance state, which represent the alertness that drivers show when they are driving. The detection of drivers vigilance state is an important part of driver assist security technology and has a profound practical significance. Th
5、is thesis discusses the main problems in the design of EEG-based driver vigilance state detection model, and analyses the methods to solve these problems. Then it come up with a tentative design of EEG-based driver vigilance state detection model. The thesis also design a driver EEG-vigilance state
6、experiment, develop a method to annotate the vigilance state of subjects in this experiment. In order to have a better usage of the EEG sensor Mindwave Mobile from Neurosky Company, this thesis develops programs based on LabVIEW as the software support of the hardware. Last, the thesis analyses the
7、way to process the data from the experiment, and show the result of the test on part of the performance of the tentative model.Key words: EEG, drivers, vigilance state, spectral analysis, LabVIEW 目 录i目 录摘 要 IAbstract.II第 1 章 绪论 .11.1 研究背景及意义 11.2 国内外研究现状 41.3 基于脑电信号的驾驶人警觉度状态分析概述 81.3.1 驾驶人警觉度状态与驾驶安全
8、性 81.3.2 脑电信号简介 81.3.3 脑电信号与警觉度的关系 91.3.4 基于脑电信号的驾驶人警觉度状态评估模型的设计流程和关键问题 .101.4 本论文的研究目的、主要研究内容和内容安排 .111.4.1 本论文的研究目的和主要研究内容 .111.4.2 论文安排 .12第 2 章 评估模型的初步设计 142.1 脑电信号降噪、去伪迹预处理 .142.1.1 脑电信号中主要噪音、伪迹信号的分类与特点 .142.1.2 现有滤除肌电信号与眼电信号的方法 .152.1.3 独立成分分析（ICA）技术在脑电去伪迹中的使用 162.1.4 经验模态分解（EMD）在脑电去伪迹中的应用 18目
9、 录ii2.2 脑电特征的提取 .192.2.1 时序特征 .202.2.2 频谱特征 .202.3 脑电特征的过滤 .222.4 警觉度状态的估计 .222.5 警觉度状态评估模型的初步设计 .23第 3 章 驾驶人脑电警觉度实验的设计 243.1 实验设备及其使用介绍 .243.1.1 脑波传感器 Mindwave Mobile .243.1.2 国际脑电图学会标准电极放置法 10/20 系统电极放置法.253.1.3 Mindwave Mobile 脑电探测电极放置说明 .253.1.4 LabVIEW 介绍 .263.1.5 LabVIEW 的 Neurosky driver 介绍 .
10、273.1.6 驾驶人脑电采集与记录系统开发 .273.1.7 驾驶人警觉度状态标注系统开发 .293.2 实验过程 .32第 4 章 实验数据处理 334.1 实验数据的预处理 .334.1.1 脑电输出数据的优化 .334.1.2 警觉度标注数据的获取 .354.2 实验结果 .36目 录iii4.3 模型的部分性能测试 .37第 5 章 总结与展望 395.1 论文主要工作与创新点 .395.1.1 主要工作 .395.1.2 论文创新点 .395.2 工作展望 .40参 考 文 献 .1致谢 1第 1 章 绪论1第 1章 绪论1.1 研究背景及意义2005 年至 2011 年，我国交通
11、事故死亡人数平均每年约为 9 万人，交通事故总量巨大，伤亡严重，交通安全形势不容乐观！随着人类社会的不断进步，工业与经济的不断发展，全球汽车的数量也在急剧增加。汽车数量的急剧增长在中国更为明显，从 2003 年到 2013 年的 10 年间，我国汽车保有量从 2400 万量增长到 1.37 亿辆，增加了 1100 多万辆。我国汽车保有量占了世界汽车保有量的约 1.5%，而交通事故死亡人数却占世界总数的 8%以上。按照汽车保有量的道路交通事故相对死亡率评价标准，我国的交通事故死亡率远远高于世界平均水平。年份 事故次数 直接损失（亿元） 死亡人数 受伤人数2005 450254 18.8 9873
12、8 4699112006 378781 14.9 89455 4311392007 327209 12 81649 3804422008 265204 10.1 73484 3049192009 238351 9.1 67759 2751252010 219531 9.3 65225 2540752011 210812 10.8 62387 237421表 1-1 2005 年至 2011 年交通事故统计数据道路交通系统是涉及了人、车、路的复杂的耦合系统，具有四大要素：人车路时间。针对具体的一个事故进行研究分析可以发现：在构成道路交通系统的驾驶人、车辆、道路环境和时间四要素中，人车路三要素之间
13、的不协调是引发交通事故的根本原因1 。随着驾驶时间的增长，这种不协调引发交通事故的几率也随之增加。各个要素对交通安全的影响程度不同，尤以人为因素的影响程度最大。第 1 章 绪论2图 1-1 道路系统结构图驾驶人人为因素是引发道路交通事故的主要原因这一事实已经被世界各国所公认。英国运输与道路实验室指出：驾驶人因素作为唯一因素造成的交通事故约占交通事故总量的 65%，与驾驶人有关的因素造成的事故约占交通事故总量的 95%2。美国印第安纳大学通过事故现场调查、车辆结构检验和对幸存者访问的方式，完成了大量交通事故原因的调查，调查结果表明：大约 94%的交通事故与驾驶人因素有关，驾驶人因素作为唯一直接原
14、因造成的道路交通事故，约占事故总量的 57%；且在驾驶人所有错误中，最常见的错误是感知错误，与交通事故的发生最直接的原因是驾驶操作行为不当。我国相关研究显示：驾驶人因素造成的公路交通事故数、死亡人数、受伤人数占总数的 90%左右3 。而在各种引发交通事故的驾驶人人为因素中，驾驶人的疲劳是最主要的组成部分。在美国的所有致命汽车事故中，57%的事故与驾驶员疲劳有关；英国交通研究实验室认为：疲劳驾驶导致的交通事故占全体交通事故的 10%；法国国家事故报告指出：因疲劳驾驶而发生的事故占人身伤亡事故 14.9%，占死亡事故的 20.6%4。第 1 章 绪论3图 1-2 疲劳驾驶是引发交通事故最主要的人为
15、因素可见，开发出实时监测驾驶人疲劳的技术，是降低交通事故发生最为直接和有效的方法。这项技术作为车辆辅助安全驾驶技术的一个重要课题，对解决交通安全问题有着重要的现实意义。驾驶人疲劳监测的总体思路就是找出反映驾驶人疲劳程度的因素，并根据这些因素来判断驾驶人的疲劳状态。驾驶人的疲劳程度最常用的方法就是判断驾驶人集中精力执行驾驶任务时所表现出的灵敏程度，也就驾驶人的警觉度状态。目前，警觉度研究主要是基于三个类型的参数：（1）基于生理特征参数，主要是利用皮肤阻抗、体温、血压、脑电和眼电等生理特征进行警觉度状态的估计。 （2）基于表情特征参数，主要通过对瞳孔、嘴、鼻等进行精确定位。使用眼睛闭合程度、闭合时
16、间、眨眼频率、点头频率、人脸的朝向、人眼注视方向以及嘴的张开程度等特征，对驾驶人的警觉度进行估计5 。 （3）基于驾驶行为参数，主要通过车辆的行驶速度，驾驶人对方向盘的握力、对车道的把握、以及对刹车和油门的控制来估计驾驶人的警觉度状态。而在以上所有估计驾驶人警觉度状态的参数中，生理特征参数中的脑电信号因为能更为直接地反映大脑本身的活动，有着更高的时间分辨率，且无法被人为控制或伪装，因此被称为疲劳检测方法中的“金标准” ，得到了医学界的广泛认可6 。本论文的研究便是通过脑电信号来辨识出驾驶人警觉度状态的好坏，从而实现对驾驶人的实时疲劳程度监测。第 1 章 绪论4图 1-3 脑电波被称为疲劳检测的
17、“金标准”1.2 国内外研究现状20 世纪 90 年代开始，陆续有科研机构及公司涉足驾驶人警觉度的研究当中。现阶段的驾驶人疲劳监测以视频技术为主，主要是基于驾驶人的眼部特征。其中卡耐基梅隆大学（Carnegie Mellon University）的驾驶研究中心在 1994年提出的 PERCLOS 方法，是其中运用最广泛，受认可程度最高的一种方法。PERCLOS 方法通过两个摄像头，利用视网膜对不同波长红外光的反射能力差异来定位视网膜，并以此分析眼睛的大小和位置，判断眼睛的睁闭，由此计算出眼睛闭合度超过 80%的时间与眨眼总时间的比率，作为驾驶人疲劳程度的判断依据。2001 年，伦斯勒理工大学
18、（Rensselaer Polytechnic Institute）的Qiang Ji 对 PERCLOS 进行了改良，实现了只用一个摄像头便可对视网膜进行定位。同年，卡耐基梅隆大学的机器人研究所推出了 Copilot 车载疲劳监测系统，利用 PERCLOS 方法判断疲劳，并克服了驾驶员佩戴眼镜时的反光问题。现在，PERCLOS 方法已经被美国联邦公路管理局认定是一种可靠且有效的疲劳检测方法，在车载实时疲劳监测系统中成功得到了广泛的商业应用。由汽车厂商开发出的较为成熟的疲劳监测装置中大多也是采用 PERCLOS 方法来判断驾驶人是否处于疲劳状态。如图 1-4 为较常见的基于视频技术的驾驶人疲劳
19、监测系统示意图。第 1 章 绪论5图 1-4 基于视频技术的驾驶人疲劳监测系统2003 年，澳大利亚国立大学与沃尔沃公司合作的 Seeing Machines 公司推出了 FaceLAB 系统。这一系统并非采用传统的瞳孔红外线反射技术，而是用一对立体摄像机来测量数据，能够检测到使用者面部的各种特征，包括驾驶人头部姿势、眼睑运动、视线方向、瞳孔直径等，也可作为独立的眼动仪来使用。该系统不仅支持 PERCLOS 方法来检测疲劳，还可以分析其他眼睑运动特征，使其作为疲劳检测标准。目前该系统已经发展到了第五代，成为了一套成熟的商业化产品。图 1-5 第五代的 FaceLAB 系统2004 年，欧盟开展
20、了 AWAKE 计划，其目标是开发和制定一套驾驶人疲劳监测和预警系统的标准。此计划结合了驾驶人状态和驾驶人行为信息，包括驾驶人眼睑运动、对方向盘握力、对车道把握、以及对刹车和油门的控制等，对疲劳驾驶预警系统的综合设计提供了比较全面的指导性意见。各种生理特征也被陆续应用在驾驶人警觉度状态的检测上。2005 年，武汉理工大学毛喆等人对不同精神状态时驾驶员的特异性生理指标进行了分析比较，采集了驾驶模拟器上被测试者连续操作时的心率、皮电、肌电等生理指标，并利用模糊聚类的方法实现驾驶疲劳状态的识别。2006 年，日本东京大学金子成彦教授领导的一个研究小组，利用混沌信号分析法，通过分析脉搏信号中某种指数变
21、化从而检测出人进入睡眠前会出现一种前兆信号。基于这一原理，研究小组开发出一款驾驶疲劳监测座椅，座椅上的传感器可以探测出这一脉搏信号中的睡眠前兆信号，从而在驾驶人进入睡眠第 1 章 绪论6之前发出警告信号。图 1-6 驾驶疲劳监测座椅随着人类对人体生物电认识的深入，出现了基于生物电（主要是脑电 EEG和眼电 EOG）这一类生理特征的疲劳监测方法。1993 年起，加州大学圣地亚哥分校的神经计算学院研究所（Center of the Institute for Neural Computation）便开始了对警觉度与脑电关系的研究，其主要是分析警觉度与脑电频谱特征间的对应关系，以及大脑皮层与警觉度相
22、关脑区放电方式。1998 年，日本 Niigata University 的 Kazushi Hyoki 教授等人在关于 EOG与 EEG 作为疲劳特征的研究中，分析了 EOG 的快速眼动特征与 EEG 的 alpha 波、beta 波的关系，指出疲劳实验中，快速眼动的出现与 EEG 的 alpha 波、beta 波有正相关关系。2005 年起，台湾新竹交通大学脑科学研究中心也对将脑电用于警觉度分析做出了许多研究。他们利用脑电频谱特征，结合模糊神经网络等模式识别算法，进行了一系列的模拟驾驶环境下的警觉度检测系统的研究。2008 年，中国北京航天航空大学的胡淑燕与清华大学的郑钢铁公布了他们与欧盟
23、 SENSATION 计划的合作研究结果。研究中，他们利用 EOG 中提取出的 11种眼睑特征来作为 SVM 分类器的输入，以此将驾驶员的疲劳度分为三种不同状态。2009 年，澳大利亚的 S.Hanke 等人在 EOG 与疲劳的相关关系研究中，对EOG 的速度、幅值、低频/高频比（ LF/HF）这三个特征进行了测试，结果显示速度和幅值与警觉度的关系并不明显。相对而言，LF/HF 是一个最能反映警觉度的特征。第 1 章 绪论7图 1-7 脑电 EEG（左）和眼电 EOG（右）的探测2012 年，澳大利亚的 SmartCap 公司推出了一款可监测使用者疲劳程度的帽子 SmartCap。该帽子的的内
24、衬有着可以测量脑电波活动情况和穿戴者疲劳程度的防水传感器，当穿戴者的疲劳程度达到一定水平，该帽子便会发出警告声向穿戴者进行提醒。目前该款产品已被运用在矿业、海事、物流等领域。图 1-8 基于脑电波特征的疲劳监测帽子 SmartCap综上所述，在现阶段使用视频技术的基于驾驶人眼部特征的警觉度监测方法仍然应用最广，其凭借无需接触人体，使用方便等优点，得到了很好的推广。但该技术因为存在易受环境亮度、被试人员头部位置、面部运动以及眼镜影响的问题，警觉度估计精度较低。而在其他警觉度状态检测方法中，基于脑电EEG 和眼电 EOG 的技术能够最为客观、准确地获得驾驶人的警觉度状态，在驾驶疲劳监测领域展现出了
25、巨大的潜力，但现阶段仍有其各自的问题需要解决。因资源和研究时间所限，本论文仅选取了脑电信号作为驾驶人警觉度状态评估的特征参数，对评估过程中的主要问题进行了分析讨论，提出了驾驶人警觉度状态的初步评估模型。但未来的驾驶人警觉度监测系统不应该只局限于使用一种技术，而应该是多种技术相结合的，集各种监测指标于一身的多传感器信息融合的综合监测系统。第 1 章 绪论81.3 基于脑电信号的驾驶人警觉度状态分析概述1.3.1 驾驶人警觉度状态与驾驶安全性警觉度通常的定义是：人集中精力执行一项操作任务时所表现出的灵敏程度。在许多人机交互系统需要操作人员的警觉度状态保持在一个较好的状态。在复杂的道路交通环境中，驾
26、驶行为是多源信息刺激下，驾驶人感知、判断和操纵活动的外在表征，是一个循环往复的信息处理过程。通过人车路之间的互相协调实现，通过车辆运动形式表现。因此，驾驶人驾驶状态，车辆的运动状态都时刻体现着驾驶人的警觉度状态。一旦驾驶员警觉度状态变差，便可能造成非常严重的后果。因此，驾驶人警觉度状态的好坏是衡量驾驶人驾驶安全性非常重要的指标。1.3.2 脑电信号简介人体及生物体活细胞在安静和活动时都存在电活动，这种电活动称为生物电现象。脑电属于人体生物电之一。脑电信号是脑部大量神经元在同时放电过程中，在头表皮上反映出的微弱电位差。脑电信号反映的是脑部神经元放电的混合效果。由于大脑皮层有序的多层结构中椎体细胞
27、的轴突径向排列，树突在外层呈切向分布，使得有序的电偶极子放电可以克服颅骨的屏蔽，在头表皮上记录到 0.540Hz 较大幅度（1100 ）的脑电信号。脑电变化可分为两类：（1）当人受到声音、闪光、触击等刺激时，会在头皮上产生微弱的电位变化，称为事件相关点位（ERP, event-related potential） ，也称为诱发电位（ EP, evoked potential） 。 （2）神经系统本身自发地产生的电位变化，周围没有任何刺激时仍然存在，称为自发电活动。EEG 是大脑未接受外来刺激情况下的自发电活动。电位作为纵轴，时间特征为横轴，记录得到的描述自发脑电活动的电位与时间相互关系平面图，
28、即为脑电图。脑电图是是神经细胞群的电生理活动在大脑皮层或头皮表面的总体反映。脑电图反映了大脑组织的电活动及大脑的功能状态7 。此外，脑电还可以以脑电地型图（Brain Map）的形式进行描述，其反映的是一个特定时刻或时间内脑电或脑电能量在整个头皮上的分布情况。第 1 章 绪论9图 1-9 反映脑电能量分布的脑电地形图脑电信号的三个基本特征分别为频率（周期） 、波幅和相位。频率（周期）：脑电的周期指的是一个波离开基线后又重回基线所需要的时间。基线是脑电波上下摆动时中点联结成的一条直线。频率是指单位时间内周期的数目。波幅：脑电的波幅代表脑电位的强度。波幅大小与参与同步放电的神经元数目以及神经元排列
29、的方向等因素有密切关系。如参与同步放电的神经元数目多，神经元排列的方向一致，脑电探测电极与神经元的距离近，则波幅增大；反之则降低。相位：随时间序列运动展开的波，在基线上或基线下所处的瞬时位置即为该波的相位，它代表着波的极性及其时间与波幅的相对关系。以脑电基线为标准，朝上的波被称为负向波（负性波） ，朝下的波称为正相波（正性波） 。同时记录的两个导联的相位取决于脑内放电部位的位置、数目、大小以及电极导联方法、诱导部位。按照脑电信号在频谱上的特征，通常将其分为不同的节律，节律内的脑电信号模式相近。目前流行有多种脑电节律的划分方法，如 Schwab 脑电划分方法和 Walter 脑电划分方法。考虑到
30、本论文研究中采用的脑电波传感器为Neurosky 公司推出的 Mindwave Mobile 脑波传感器，本论文将采用 Neurosky推荐的脑电节律划分方式。具体的脑电节律划分方式及某节律对应特点如表 1-2。表 1-2 Neurosky 推荐的脑电节律划分方式脑波类型 频率范围 精神状态Delta 波 0.1Hz 到 3Hz 沉睡，非快速动眼睡眠，无意识状态Theta 波 4Hz 到 7Hz 直觉的，创造性的，回忆，幻想，想象，浅睡Alpha 波 8Hz 到 12Hz 放松但不困倦，平静，有意识地低频 Beta 波 12Hz 到 15Hz 运动感觉节律，即轻松又专注，有协调性中频 Beta
31、 波 16Hz 到 20Hz 思考，对于自我和周围环境意识清楚高频 Beta 波 21Hz 到 30Hz 警觉，激动1.3.3 脑电信号与警觉度的关系第 1 章 绪论10脑电信号作为人体重要生理特征参数之一，直接反映了大脑的活动，且具有较高的时间分辨率。基于目前的研究情况，将脑电作为警觉度状态的评估手段在医学界得到广泛认可。脑电信号与警觉度状态的关系主要体现在以下几个方面：6 （1） 随着警觉度状态的改变，从清醒到入睡过程中一些事件相关电位的潜伏期或峰值会发生改变。（2） 随着警觉度状态的改变，不同节律的脑电信号活跃程度会发生改变，如在频域上观察脑电信号会发现：随着警觉度的改变，脑电的功率谱分
32、布会发生变化。（3） 随着警觉度状态的改变，不同节律的脑电信号生成的脑电地形图会呈现出规律性的变化。（4） 另外，警觉度状态变化造成的脑电模式改变也会直接反映在脑电的时序特征中，这些时序特征通常可以利用近似熵，样本熵，自回归系数等来表示。1.3.4 基于脑电信号的驾驶人警觉度状态评估模型的设计流程和关键问题图 1-10 基于脑电信号的驾驶人警觉度状态评估模型设计流程图根据脑电信号的特点，基于脑电信号的驾驶人警觉度状态评估模型设计的具体流程如图 1-10。完成评估模型设计的关键便是对四个关键问题作出解答，这四个关键问题是：（1）脑电信号的降噪去伪迹预处理。 （2）警觉度状态相关特征提取。 （3）
33、警觉度状态相关特征的过滤。 （4）警觉度状态的估计。1. 脑电信号的预处理脑电信号十分微弱，在采集和传输过程中容易受到来自人体内部和外部的干扰。干扰信号可能严重降低所采集到的脑电信号的信噪比，引发信号失真，使得采集到的信号不可靠。在驾驶过程中脑电信号主要受到以下因素的影响：（1）汽车电器产生的电磁干扰。 （2）肌电、眼电、心电等生理伪迹信号的干扰。（3）驾驶人驾驶动作过大。 （ 4）传感器与驾驶人皮肤没有进行有效的接触。脑电降噪去伪迹采用的主要方法包括8 ：（1）直接删除含有伪迹的脑电第 1 章 绪论11信号片段：处理时通过观察，判断脑电信号是否存在伪迹，将存在伪迹的脑电信号片段进行人工的删除
34、；或对脑电波的能量或幅值设定一个阀值作为对伪迹的判别标准，通过计算机软件判断采集到的脑电波是否超过阀值，若超过则自动删除。 （2）利用线性滤波器对脑波信号中的伪迹进行滤除。如使用高通滤波器可滤除部分眼电伪迹，低通滤波器可滤除部分肌电伪迹。 （3）利用线性回归方法从脑电中滤除伪迹信号。 （4）利用信号分解的方法，如独立成分分析（ICA, Independent Component Analysis）法，将含有伪迹的原始脑电信号分成多个成分，识别出伪迹成分后将非伪迹的成分进行重构，得到去伪迹后的脑电信号。2. 警觉度状态相关特征的提取、过滤警觉度状态分析中脑电的主要特征有：（1）时域特征：自回归系
35、数等。（2）频谱特性：功率谱密度或小波系数。 （3）复杂度特征：近似熵和样本熵。不同特征对于警觉度状态的表征能力不同，计算复杂度不同，抗干扰能力不同。将在后面章节对不同特征进行分析和比较。脑电信号中并不是所有电位的变化都由警觉度状态变化引起，即存在很多与警觉度状态无关的信号。直接提取的原始脑电特征因为受到与警觉度状态无关的脑电信号影响，波动较大。即使驾驶人处于同一个警觉度状态，原始脑电特征也十分不稳定。因此要对提取的原始脑电特征进行必要的平滑处理。常用的方法是利用滑动平均滤波的方式对原始脑电特征进行过滤。3. 警觉度状态的估计方法现有的警觉度状态估计方法有：线性判别模型，线性回归模型，人工神经
36、网络模型，支持向量机等。其中线性模型训练过程简单，结果稳定，但警觉度估计的精度较差。非线性的估计方法警觉度估计的精度较高，但也存在着不足。人工神经网络模型在不同的训练中模型参数不稳定，导致得到的警觉度估计也不稳定，并且神经网络结构的设置也是一个很难的课题；而支持向量机模型在数据规模较大的时候训练速度较慢。另外，在警觉度状态的估计中，模型训练过程需要大量有警觉度状态标注信息的脑电数据。1.4 本论文的研究目的、主要研究内容和内容安排1.4.1 本论文的研究目的和主要研究内容本论文的研究目的在于：（1）对基于脑电波的驾驶人警觉度状态评估模型设计过程中涉及的关键问题进行分析，初步设计出基于脑波信号的
37、驾驶人警觉度状态评估模型。 （2）对如何使用 Mindwave Mobile 脑波传感器结合 LabVIEW第 1 章 绪论12编程环境实现脑电信号的采集与记录进行了详细的说明，为将来进一步使用Mindwave Mobile 进行脑电波研究提供了一套可行的设备使用策略。本论文的主要研究内容：（1） 对基于脑电波的驾驶人警觉度状态评估模型设计过程中所涉及的关键问题（脑电信号的预处理，脑电特征的提取和过滤，警觉度状态的估计方法。 ）进行深入浅出的分析：包括研究各个关键问题的原因，解决每个问题的方法，各个方法的特点比较等。根据讨论与分析的结果初步设计出基于脑电信号的驾驶人警觉度状态评估模型。（2）
38、驾驶人脑电警觉度实验的实验方案设计。基于脑波传感器 Mindwave Mobile 与 LabVIEW，自行开发出驾驶人脑电信号采集与记录系统，用于获得实验中被试的脑电数据。基于 LabVIEW 自行开发驾驶人警觉度状态标注系统，用于获得实验中被试的警觉度标注数据。（3） 进行驾驶人脑电警觉度实验，提出对原始实验数据的处理方案，为将来使用实验数据进行脑电伪迹去除分析、脑电特征提取分析、脑电特征过滤分析和机器学习等模型测试工作提供了良好的基础。（4） 对提出的初步模型部分性能进行了测试。图 1-11 本论文主要研究内容1.4.2 论文安排本论文由以下五个章节组成：第一章：总体介绍对驾驶人警觉度状
39、态进行监测的背景和意义，国内外的研究成果，驾驶人警觉度状态与行车安全性的关系，脑电信号和警觉度，利用脑电波对驾驶人警觉度状态进行评估所涉及的关键问题，以及本论文的研究目的和主要研究内容。第二章：评估模型的初步设计。对模型设计的关键问题进行分析讨论，包括：脑电信号的降噪去伪迹预处理、脑电特征提取与过滤、警觉度状态的估计方法。提出本论文的警觉度状态评估模型的初步设计方案。第三章：讲述驾驶人脑电警觉度实验的原理和流程，介绍实验中用到的设备 Mindwave Mobile 脑波传感器，以及基于 LabVIEW 自行开发的驾驶人脑电采集与记录系统和驾驶人警觉度状态标注系统。第四章：提出对原始实验数据的处
40、理方案，为将来利用实验数据进行脑电伪迹去除分析、脑电特征提取分析、脑电特征过滤分析和机器学习提供了良好第 1 章 绪论13的数据基础。最后，对提出的初步模型部分性能进行了测试。第五章：对全文进行总结，对日后如何完善该警觉度状态评估模型作出展望。第 2 章 评估模型的初步设计14第 2章 评估模型的初步设计根据绪论中的分析，基于脑电信号的驾驶人警觉度状态评估模型设计有以下四个方面（1）脑电信号的降噪去伪迹预处理。 （2）警觉度状态相关特征提取。（3）警觉度状态相关特征的过滤。 （4）警觉度状态的估计。本章将对这四个方面逐一进行分析，讨论解决各个问题的常用方法，得出基于脑电信号的驾驶人警觉度状态评
41、估模型的初步设计。2.1 脑电信号降噪、去伪迹预处理脑电信号十分微弱，在采集和传输过程中容易受到来自人体内部和外部的干扰。干扰信号可能严重降低所采集到的脑电信号的信噪比，引发信号失真，使得采集到的信号不可靠。因此必须对原始脑电信号进行降噪去伪迹的预处理。2.1.1 脑电信号中主要噪音、伪迹信号的分类与特点脑电信号中的主要噪音、伪迹信号有：（1） 设备使用过程中工频 50Hz 的交流电对脑电测量产生的干扰。（2） 脑电测量环境中其他用电设备的电路系统对脑电测量产生的干扰。（3） 肌电信号（Electromyogram，EMG） ，在张嘴、转头等肌肉运动中产生的电生理信号，强度通常是脑电信号的十倍
42、，在频谱上分布范围十分广（15Hz200Hz 以上） 。信号源位置不固定，不同的肌肉运动决定了不同的肌电信号源。（4） 眼电信号（Electrooculogram，EOG） ，眼球或眼睑的运动，如眼球转动或眨眼等产生的电生理信号，是一种特殊的肌电信号。频谱上主要集中分布在 0Hz15Hz，信号源位置固定，主要集中在眼部周围。因本研究中所使用的 Mindwave Mobile 脑波传感器的脑电探测电极位于 FP1 区域，也就是左前额的部分，与眼睛距离比较接近。因此，滤除眼电信号的干扰是本研究中脑电信号预处理的重点。（5） 心电信号（Electrocardiogram，ECG） ，心脏循环血液时引
43、发血管节律性的舒张而产生的电生理信号。心电信号受心跳调节，主要集中在 1Hz 左右。当脑电测量位置附近有血管出现，脑电的测量便会受到心电的影响。通过以上对脑电信号中主要噪音、伪迹信号的分类可以看出，工频交流电以及心电信号产生的干扰频率都比较固定，分别是 50Hz 和 1Hz，可以分别直接第 2 章 评估模型的初步设计15利用限波器和高通滤波器直接滤除。其实本研究中使用的脑波采集设备Mindwave Mobile 中的内置芯片已经设置了相应的滤波器，因此工频交流电和心电信号产生的影响可以不纳入本研究的考虑范围之中。肌电信号与眼电信号在频谱上分布较广，且很多频带与脑电重合，若直接利用滤波器处理会导
44、致大量脑电成分的丢失，如图 2-1 为眼电（0Hz）和肌电（15Hz）信号与脑电信号（0.1Hz 30Hz）的频带重叠情况。因此，需要使用更复杂的脑电信号预处理算法对眼电和肌电伪迹进行滤除。图 2-1 眼电（0Hz）和肌电（15Hz）信号与脑电信号（0.1Hz30Hz）的频带重叠情况2.1.2现有滤除肌电信号与眼电信号的方法1. 伪迹避免早期研究中，对于脑电信号采集过程中肌电信号与眼电信号影响的去除采用的是伪迹避免的方法。即被试者在进行脑电实验过程中尽量保持坐姿固定，不做涉及眼动、眨眼、面部活动等可能产生肌电信号与眼电信号干扰的动作。伪迹避免的方法虽然可以有效滤除肌电信号与眼电信号的干扰，使得
45、采集到的脑电信号几乎包含或只含有少量的伪迹，但此方法明显不适合用于本研究中。驾驶人在驾驶过程中需要获得道路和车辆等信息，并对信息作出反应，无可避免会出现甩头、眨眼等活动，不可能一直避免产生肌电信号与眼电信号。2. 伪迹丢弃直接删除含有伪迹的脑电信号片段来滤除眼电与肌电的干扰，称为伪迹丢弃。处理时通过观察，判断脑电信号是否存在伪迹，将存在伪迹的脑电信号片段进行人工的删除；或对脑电波的能量或幅值设定一个阀值作为对伪迹的判别标准，通过计算机软件判断采集到的脑电波是否超过阀值，若超过则自动删除。该方法直接将含有伪迹的脑波片段删除，会造成大量的脑电数据丢失，无法通过脑电信号准确地评估驾驶人警觉度状态。3
46、. 伪迹移除即检测原始脑电信号中是否存在眼电和肌电伪迹，如果有，则只滤除伪迹部分。相比于伪迹避免和伪迹丢弃，伪迹移除既可以让被试在进行脑电警觉度实验时更加舒适自然，也可以避免丢失大量脑电数据，因此目前的研究人员更第 2 章 评估模型的初步设计16倾向于使用伪迹移除来滤去眼电与肌电信号的干扰。伪迹移除的主要基于以下几种方法：线性滤波器、线性回归、盲信源分离、经验模式分解。2.1.3 独立成分分析（ICA）技术在脑电去伪迹中的使用 1. 独立成分分析（ICA）方法简介盲源分离（Blind Source Separation, BSS）是信号处理领域中的一个重要研究方向，在近些年来得到了飞速发展，成
47、为了研究的热点。对于盲源分离，方法之一就是基于统计独立性的独立分量分析（Independent Component Analysis, ICA）方法，以高阶统计量为基础，是一种自适应优化算法，主要用于揭示和提取多维信号中的潜在部分，基本思路从多维观测信号中提取统计独立的成分。与传统的多维信号分析方法截然不同的是，经处理得到的各个分量不仅去除了相关性，还是相互统计独立的，并且是非高斯分布的信号。独立分量分析是一种性能优良的盲源分离技术，在知道很少的信号先验知识的前提下，能有效把信号的独立成分分离出来。9ICA 方法非常适合用于生物医学信号的分析处理，如脑电信号的分析处理。理论上一般认为，脑电信号
48、中的眼电和肌电伪迹以及其他干扰源产生的干扰信号都是来自于相互独立的源信号，可以认为它们在时间上是相互统计独立的。ICA 方法在脑电去伪迹中的应用便是将脑电信号和伪迹信号分解成一些相互独立的分量，并通过一定的判断准则去除伪迹的干扰，再经过逆运算还原成脑电信号。2. 独立成分分析方法的原理如图 2-2 为 ICA 模型的原理。假设存在 为 N 个源信()=1(), ()号构成的 n 维向量，通过信道后线性叠加成为在传感器上接受到的 M 个观察信号： ，一般规定 。存在混合矩阵 A，使得()=1(), () （2-1）()=()其中 维的矩阵 A 成为混合矩阵，矩阵的元素表示信号的混合情况。式x 的
49、含义是：n 个源信号混合得到 m 维观测数据向量。目标是：从多路观测信号 x(k)中分离出隐含在其中的源信号 s，即寻找分离矩阵 W，使得：u=Wx （2-2）式中: 是对隐含源信号向量 s(k)的逼近。=1, 2, , 综上所述，独立成分分析方法的目的是：在混合矩阵 A 和源信号未知的情况下，仅根据观测信号数据向量 x(k)确定分离矩阵 W，使得变换后输出第 2 章 评估模型的初步设计17，即为源信号向量 s(k)的估计向量。()=()图 2-2 ICA 模型原理图3. ICA 的典型算法 FastICA 分析独立成分分析方法中的算法大体上可以分为两类：（1） 基于非高斯性测度的算法，如峭度函数最大化、负熵最大化，其中以固定点快速算法 FastICA 最为简单直观。（2） 基于信息理论框架的算法，如 Infomax 算法、互信息最小化算法等。前一类算法收敛较快，这里我们选取第一类算法中的 FastICA 算法进行研究。在 FastICA 算法中，有基于峭度最大化、负熵最大化
