[发明专利]基于生成对抗域自适应的跨被试EEG疲劳状态分类方法

说明书

本发明公开了一种基于生成对抗域自适应的跨被试EEG疲劳状态分类方法。本发明首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。

技术领域

本发明属于生物特征识别领域中的脑电信号(EEG)疲劳状态识 别领域，具体涉及一种基于生成对抗域自适应的跨被试EEG疲劳状态 分类方法。

背景技术

精神疲劳是一种复杂的生理和心理状态，可导致人的机敏性、注 意力和认知能力下降。全世界每年约有130万人死于交通事故，疲劳 驾驶是其中的主要因素。因此，如何在驾驶时进行有效的精神状态检 测和预测对于减少疲劳驾驶所造成的生命和财产损失非常重要。

近年来，已经提出了许多疲劳驾驶检测方法。其中，基于EEG的 心理状态分析方法是一种有效且客观的疲劳检测方法。因为脑电图记 录了人类大脑皮层神经细胞的电活动，可以直接反映大脑的即时状态， 并避免人的主观影响。然而，由于脑电数据存在难获取、信噪比大、 时效性低、不同人之间差异很大等问题，因此如何有效地将现有受试 者的脑电图分析模型转移到其他受试者上仍然很困难。

如今，基于领域自适应方法的迁移学习模型已广泛应用于自然语 言处理，图像分类等许多领域，并取得了很好的性能。DANN是典型 的域自适应方法，它的最重要特征是可以在没有标记目标样本的情况 下对齐源域和目标域，但其在跨被试的EEG分析中仍然存在一些缺陷。 首先，DANN要求平衡源域和目标域之间的样本，而对于跨被试脑电 图分析，源域中的样本通常比目标域中的样本大得多，这表明存在严 重的失衡。其次，由于跨受试者的脑电信号存在显着差异，因此某些 源域样本可能与目标域的分布极为不一致，这将导致“负迁移”，并 使DANN的性能下降。

基于这种情况，我们希望探索迁移学习神经网络在EEG疲劳状态 分类上的应用，为后续做精确的识别以及心理状态分析打下坚实的基 础。针对上述问题及现实意义，本发明将生成对抗网络和域不变思想 进一步结合，通过优化参数设置，利用适当的训练技巧，训练生成对 抗域自适应的迁移学习神经网络模型，以实现更好的分类性能。

发明内容

为了克服上述现有技术在跨被试EEG疲劳状态分类中判别性能 不佳、源域目标域数据不匹配、过多源域样本导致负迁移等问题，本 发明提出一种基于生成对抗域自适应的跨被试EEG疲劳状态分类方 法Generative-DANN(GDANN)。

本发明采用的技术方案是：

本发明使用独立成分分析(ICA)及带通滤波对EEG数据集进行 预处理；其次通过功率谱密度方法(PSD)对预处理后的EEG数据集 进行EEG特征提取，获得二维特征样本集；然后对二维特征样本集进 行划分，获得初始源域数据集及初始目标域数据集；用结合生成对抗 网络(GAN)的域自适应模型GDANN作为分类器，实现跨被试下的疲 劳、清醒两种状态的有效区分。

本发明的具体实现包括如下步骤：

步骤S1.数据获取：

S1-1：搭建模拟平台

搭建模拟驾驶平台，设计模拟驾驶实验，还原驾驶过程场景。同 时选取N名被试驾驶员，并让他们分别进行不同驾驶难度的模拟驾驶 实验，其中N是不小于2的整数。通过设置不同的刺激率来设计TAV (驾驶任务)的五个级别(TAV1-TAV5)，用不同级别的工作量需求来 反应驾驶员的整体精神疲劳状态，最后进行使驾驶员昏昏欲睡的实验 任务，即DROW级别；