[发明专利]结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法

说明书

本发明公开了一种结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法。本发明包含以下步骤：1、使用脑电采集设备采集驾驶脑电信号；2、对采集到的脑电信号进行预处理，包括降频、降噪；3、对预处理后的信号通过结合经验模态分解和能量谱密度的特征提取方法提取特征；4、对提取的特征使用分类器进行分类学习、识别。本发明使用结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法对驾驶疲劳特征进行提取，可有效的提高后续的分类检测准确率。

技术领域

本发明涉及驾驶疲劳的特征提取方法，特别涉及一种结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法。

背景技术

经验模态分解(Empirical Mode Decomposition,EMD)是黄锷(N.E.Huang)在美国国家宇航局与其他人于1998年创造性地提出的一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理，是希尔伯特-黄变换的重要部分。它基于信号的时间尺度产生自适应基函数，将给定的信号分解为一系列从高到低的固有模态函数(IntrinsicMode Function,IMF)分量。每个分量都具有独立的时间尺度，且每个分量都具有正交性、完备性等特点。可以将EMD看作小波分解的一种，它的子带根据分解信号的各分量而建立，产生的每个IMF分量都在一定的尺度和频带上代表了信号的细节。

能量谱(Energy Spectral Density,ESD)是频谱特征的一种。动态信号因其含有多个频段的信号成分，在时域上难以有效的对信号的成分进行区分，因此可以在频域上对信号进行分析处理，而频谱特性作为信号的基本特性之一，是特征提取的主要特征之一。通过傅立叶分析方法可以将动态的信号分解为许多的谐波分量，其中每一个谐波分量都由其振幅和相位表征，当各谐波按频率高低排列成谱状，就形成了频谱。

发明内容

本发明的目的是在功率谱对信号进行特征提取的基础上，结合粒子群优化算法(PSO)对多层学习超限学习机的范数和比例因子进行迭代寻优，提出了一种基于粒子群优化的多层学习超限学习机(PSO-HELM)的驾驶疲劳检测方法。

按照本发明提供的技术方案，提出了一种结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法，包括如下步骤：

步骤1、使用脑电采集设备采集驾驶员脑电信号；所述的脑电信号采集包括记录驾驶者脑电信号的实时变化，以10秒作为每段脑电信号片段的长度。

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、对预处理后的脑电信号通过结合经验模态分解和能量谱密度的特征提取方法提取特征；

步骤4、对提取的特征使用分类器进行分类学习、识别。

对预处理后的脑电信号通过结合经验模态分解和能量谱密度的特征提取方法提取特征，具体为：

步骤3-1：对预处理后信号通过经验模态分解得到一系列固有模态分量；

步骤3-2：对前三层固有模态函数分量提取能量谱密度的特征，并以此作为信号特征。

所述的步骤3-1中经验模态分解具体为：

(1)识别脑电信号中所有极大值点并拟合成信号的上包络线e_up(t)，识别脑电信号中所有极小值点并拟合成信号的下包络线e_low(t)；

(2)根据合成的上下包络线计算平均值m₁(t)，其公式为：

(3)将预处理后的脑电信号x(t)减去m₁(t)得到h₁(t)，将得到的h₁(t)作为新的脑电信号，