[发明专利]一种基于粒子群优化的H‑ELM的驾驶疲劳检测方法

权利要求书

1.一种基于粒子群优化的H-ELM的驾驶疲劳检测方法，其特征在于，该方法具体包括如下步骤：

步骤1、使用脑电采集设备采集32个信道的驾驶脑电信号；

步骤2、对采集到的脑电信号进行预处理，包括降频、降噪；

步骤3、对预处理后的数据加窗进行离散傅里叶变换；

步骤4、根据离散傅里叶变换后的数据求功率谱密度，并根据脑电信号的频带进行频带划分，以各频带的功率作为特征；

步骤5、对提取的特征使用多层学习超限学习机进行分类学习、识别；

步骤6、通过粒子群算法对超限学习机的分类、识别效果进行优化。

2.根据权利要求1所述的一种基于粒子群优化的H-ELM的驾驶疲劳检测方法，其特征在于：所述的步骤4中根据脑电信号的频带进行频带划分，具体为：在每个信道的频域信号中提取五个频带，分别为δ(0.1-3Hz)、θ(4-7Hz)、α(8-15Hz)、β(16-31Hz)、γ(32-50Hz)。

3.根据权利要求1所述的一种基于粒子群优化的H-ELM的驾驶疲劳检测方法，其特征在于：所述的步骤5中，多层学习超限学习机进行分类学习、识别的步骤具体为：

5-1.将输入转换入一个随机的特征空间；

5-2.经过K层隐藏层，每一层隐藏层进行无监督学习，输出的Η_K代表了输入数据的高层特征，此时再通过普通的超限学习机对特征进行学习和分类；

其中每一层隐藏层的输出可以表达为

H_i＝g(H_i-1·β)，

其中，Η_i是第i个隐藏层的输出，Η_i-1是第i-1个隐藏层的输出，g(·)是隐藏层的激活函数，β是隐藏层的输出权重；

在隐藏层自学习的过程中，利用无限逼近方法设计隐藏层自编码公式

Oβ=argminβ{||Hβ-X||2+||β||l1}]]>

其中，O_β为隐藏层输入数据X和输出数据的最小误差，Η为自编码的随机输出映射，β为隐藏层的输出权重，l1为范数优化参数。

4.根据权利要求1所述的一种基于粒子群优化的H-ELM的驾驶疲劳检测方法，其特征在于：所述的步骤6中，通过粒子群算法对超限学习机的分类、识别效果进行优化，具体步骤为：

6-1.在D维空间中，初始化M个粒子的初始位置和速度，包括设定粒子群初始参数c₁和c₂，确定每个粒子的位置范围以及每个粒子的速度范围；

6-2.定义每个粒子的最优位置和整个粒子群的全局最优位置：

pbest_i＝(p_i1,p_i2,...,p_iD)

gbest_i＝(g_i1,g_i2,...,g_iD)

其中pbest为第i个粒子的最优位置，gbest为种群的全局最优位置，i＝1,2,...M；

6-3.利用初始化的参数建立多层学习超限学习机，根据训练样本对该模型进行训练，并计算适应度函数值；

6-4.根据粒子的初始适应度值得到初始的个体及全局最优位置；

6-5.根据粒子的位置和速度迭代更新公式，对粒子状态进行更新：

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

v_ij(t+1)＝ωv_ij(t)+c₁r₁(pbest_ij(t)-x_ij(t))+c₂r₂(gbest_j(t)-x_ij(t))

其中，x_ij(t)为粒子i在第j代的位置，v_ij(t)为粒子i在第j代的速度，r₁和r₂是[0,1]的随机数；

6-6.计算粒子的适应度值，并更新个体及全局最优位置；

6-7.保持迭代更新，直到达到最大的迭代次数或满足要求的误差条件；此时，全局最优位置即为参数的最优解；

6-8.以此时的参数构建多层学习超限学习机，对驾驶疲劳进行检测。