[发明专利]一种基于投票分类器的视觉诱导晕动症检测方法

说明书

本发明提供一种基于投票分类器的视觉诱导晕动症检测方法，包括使用头戴设备Muse的四个通道采集受试者在驾驶车辆驾驶模拟器过程中诱发产生的EEG数据及从受试者的口头报告中采集主观VIMS级别数据的步骤，对数据依次进行滤波、标准化、数据均衡和PCA降维的数据预处理步骤，以及采用由RF分类器、SVM分类器、KNN分类器和XGBoost分类器组成的投票分类器进行分类的VIMS级别分类步骤。本申请采用头戴设备Muse采集连续的EEG数据，因而成本较低，采集数据的通道数较少，且采用投票分类器分类无论在准确率上还是在Kappa指标上都取得了很好的分类性能，对于VIMS症状的检测效果更具有客观性。

技术领域

本发明涉及虚拟现实技术领域，具体涉及一种基于投票分类器的视觉诱导晕动症检测方法。

背景技术

近年来，虚拟现实技术已经取得了很大进步，市场上出现了各种各样的平台和产品，例如洞穴状自动虚拟环境、头戴式显示器和车辆驾驶模拟器，而VIMS(VisuallyInduced Motion Sickness，视觉诱导晕动症)症状就是人们在使用这些平台和产品时发生的。VIMS症状包括典型的主观症状如疲劳、头痛、胃部不适、恶心和呕吐，以及生理不适的迹象如出汗、打嗝、干呕、定向障碍、面色苍白和胃张力减弱。目前有一种假设认为，感知冲突是VIMS症状发生的主要原因，这一假说认为如果人的前庭系统和视觉系统接收到的运动信息不匹配，那么当大脑尝试整合不匹配的信息时，就会发生冲突，而这一冲突就会引起VIMS症状的发生。

这些VIMS症状严重影响了虚拟现实产品的用户体验，极大地制约了虚拟现实技术的进一步发展。目前，许多学者利用脑电波(Electroencephalogram，EEG)研究VIMS，并得出了一些有意义的结论。然而，他们的研究主要集中在寻找可用于虚拟现实环境下VIMS评估的脑电图标志物，对于怎样检测VIMS症状的却非常少。Wei等人设计了一个基于VR的VDS(Vehicle Driving Simulator，车辆驾驶模拟器)实验，该实验采用一个32通道EEG系统和一个用于受试者实时报告VIMS级别(VIMS level，VIMSL)的操纵杆，在受试者驾驶的同时，EEG信号被记录下来，在此基础上提出了一种基于EEG的晕动检测系统，该系统的特点是采用遗传特征选择(genetic feature selection)来寻找EEG特征子集，从而优化VIMS级别的检测。为了进一步提高准确性，Ko等人提出一种特征选择算法—扩展可继承双目标组合遗传算法(extended Inheritable Bi-objective Combinatorial Genetic Algorithm，e-IBCGA)，以生成更鲁棒的优化特征集。而Lin等人则提出了一种动态驾驶环境下基于EEG的在线晕动级别评估学习系统，该系统从五个与晕动相关的大脑区域在线提取EEG特征，然后使用自组织神经模糊推理网络(Self-Organizing Neural Fuzzy Inference Network，SONFIN)来估算受试者的晕动级别。然而，本发明的发明人经过研究发现，前述研究方法采用了医用级别的EEG设备，价格昂贵，需要采集的通道数较多，在VR环境中使用不方便，并且检测依然采用传统的分类方法，往往准确率不高，使得对于VIMS症状的检测效果不太具有客观性。

发明内容

针对现有VIMS症状研究方法采用医用级别的EEG设备，价格昂贵，需要采集的通道数较多，在VR环境中使用不方便，并且检测依然采用传统分类方法，准确率不高，使得对于VIMS症状的检测效果不太具有客观性的技术问题，本发明提供一种基于投票分类器的视觉诱导晕动症检测方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于投票分类器的视觉诱导晕动症检测方法，所述方法包括以下步骤：

S1、数据采集：采用头戴设备Muse的FP1、FP2、TP9和TP10四个通道采集受试者在驾驶车辆驾驶模拟器过程中诱发产生的EEG数据，并从受试者的口头报告中采集主观VIMS级别数据，将VIMS级别数据作为EEG数据相关的标签；