[发明专利]一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法

说明书

本发明提供一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法，本发明相对于现有技术具有较高的可靠性和准确性，通过信息流动的方向、因果关系构建有效的疲劳分类网络，以对不同精神状态下脑网络的连接特性进行分类，有效验证拓扑结构研究的结果，提高对驾驶疲劳的检测能力。本发明通过广义一致性算法的方法构建脑网络，将大脑视为一个多区域协同合作的网络，研究其信息流通方向及节点间因果关系，分析不同精神状态下大脑网络的拓扑结构变化，揭示疲劳产生的机理，为疲劳相关研究提供一种新的视角。本发明利用相关向量机对连接特征进行分类，能够实现90％以上的分类精度，验证拓扑结构分析的可靠性，还为疲劳检测提供一种新的方法。

技术领域

本发明涉及一种，尤其是一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法。

背景技术

随着经济的快速发展，汽车成为人们生活中的主要交通工具，然而，交通安全也成为社会急需解决的问题。其中疲劳驾驶是重大交通安全事故的重要诱因之一。因此，通过研究驾驶疲劳的产生及诱发的机理，检测驾驶员的生理、心理、行为等状态，对受试者的疲劳程度做出判断，有利于提高行车安全，减少因疲劳造成的交通事故。

驾驶员在正常状态下与疲劳状态下的生理特征有所差异。因此，可以通过检测生理特征判断驾驶员是否处于疲劳驾驶状态。

目前，常用基于生理特征的检测方法主要包括脑电信号(EEG)、眼电信号(EOG)、心电信号(ECG)、肌电信号(EMG)等。其中，

眼电信号EOG(Electro-oculogram)是角膜和视网膜之间的电势差信号，能够反映出视线方向变化、眨眼等眼球运动情况。根据EOG的波形变化，可以清楚地分析出在某一时刻眼睛的状态变化，从而判断此刻的驾驶员警觉程度以及是否处于疲劳驾驶状态。

正常和疲劳状态下人的心率(Heart Rate，HR)变化有着很大差异，因此，可以通过心电信号ECG(Electrocardiograph)或者脉搏信号获得心率变化，来检测驾驶员的疲劳程度。一些研究人员致力于研究心率变异性(Heart Rate Variability，HRV)与驾驶员疲劳的关系，开发基于心电图的疲劳检测系统，验证ECG或脉搏信号作为疲劳检测指标的可靠性。

肌电信号EMG(Electromyography)是肌肉活动产生的生物电信号，可以反映神经、肌肉的功能状态。Hostens等人采用诱发电位方法，发现长途驾驶的驾驶员肌电有着明显变化，随着驾驶时间的增长，驾驶员肌电信号的平均频率下降，而信号幅值却大幅度增加。

脑电信号EEG(Electroencephalograph)是最常用的检测疲劳的生理信号。EEG信号的不同节律波能够表征人的不同状态，与疲劳也有着密切关系。驾驶员精力充沛时和疲劳驾驶时的脑电信号有着明显不同的特征，通过对比分析脑电波频谱的变化规律，就可以获得可以表征驾驶员疲劳程度的特征值，如功率谱密度比值、Shannon熵等，就可以对不同程度的疲劳状态做出评价和判断。

基于生理信号的驾驶疲劳检测中，只有脑电能够直接反应人的大脑的精神状态变化，基于眼电、心电、肌电等检测方法虽然能够检测驾驶疲劳，但其仅是大脑在不同精神状态下对身体的控制的反应，无法通过相关研究揭示疲劳在脑部的演变过程以及疲劳形成的机理，促进对大脑的研究，研究疲劳产生的根源。大脑通过不同区域的相互连接和集群工作来实现信息交互。人的意识、行为等状态也并非由某个区域单独决定，而往往是由全脑的多个区域共同协作完成的。但基于功率谱、熵的驾驶疲劳检测方法没有涉及大脑区域性的信息，无法全面、系统研究驾驶疲劳产生的机理。而在脑功能网络的构建中，功能连接网络(例如：相位滞后指数方法、相位锁定值方法等)无法反映信息的流向及节点间因果关系。在现有的疲劳相关技术中，少有对疲劳与清醒状态下的脑功能网络拓扑结构进行研究，更没有对清醒与疲劳状态下的脑网络进行分类，研究其相关方法的可靠性。

发明内容