基于功能性脑网络和多特征融合的疲劳驾驶状态识别方法研究

Driver fatigue has become one of the important causes of traffic accidents.Because driver fatigue will be accompanied by a series of physiological changes,researchers analyzed the physiological feature indexes related to driver fatigue, in which EEG is considered the “gold standard” in the detection method. Because EEG signals with low signal-to-noise ratio, easier to be influenced by the background noise and environmental impact, but also there exist larger variance between different EEG signals of the same subjects or among different subjects, so a certain degree of difficulty is faced for the use of local features of driver fatigue to detection. In this project, ERP (Event-Related Potential) and ERS (Event-Related Synchronization)/ERD (Event-Related Desynchronization) are used to explore the neural mechanism of the formation of driving fatigue. Based on functional groups related to driver fatigue and five kinds of association algorithm, functional brain network (FBN) was constructed, using the maximum spanning tree, optimization model, traceability, brain network evolution model, network topology, network dynamics and related network index of FBN related to driver fatigue were analyzed. Detection model of driver fatigue was built based on multi-feature fusion. Three fusion strategies are used to fuse local and global feature for driver fatigue detection. This project is important for vehicle auxiliary driving safety field, and has important practical significance to solve the traffic safety problem.

疲劳驾驶已成为导致交通安全事故的重要原因之一。由于驾驶疲劳产生时，会伴随一系列生理变化, 研究者分析了与这些功能相关的生理指标来检测驾驶疲劳，其中EEG（脑电）被认为是检测方法中的“金标准”。由于EEG信号的低信噪比，受背景噪声和环境影响大，在同一受试者自身不同EEG信号之间或不同受试者之间差异较大，运用传统的特征检测驾驶疲劳存在一定困难。本项目将采用ERP（事件诱发电位）、ERS（事件相关同步）/ERD（事件相关去同步）探索驾驶疲劳形成的神经机理。基于疲劳相关功能团，采用五种关联算法，构建功能性脑网络（FBN），应用最大生成树、最优化模型、溯源、脑网络演化模型等方法，对FBN网络拓扑络特性、动力学变化和相关网络指标进行分析。运用多特征融合算法，建立检测模型，采用三种融合策略将局部特征和全局特征相融合进行检测。本项目是车辆辅助安全驾驶领域的一个重要课题,对解决交通安全问题具有重要的现实意义

本项目将采用ERP、ERS/ERD探索驾驶疲劳形成的神经机理。基于疲劳相关功能团，采用五种关联算法，构建功能性脑网络，应用最大生成树、最优化模型、溯源、脑网络演化模型等方法，对FBN网络拓扑络特性、动力学变化和相关网络指标进行分析。运用多特征融合算法，建立检测模型，采用三种融合策略将局部特征和全局特征相融合进行检测。.实验表明基于模糊熵的FBN模型可以实现优良的识别准确率和良好的识别稳定性。且识别效果不受截获的脑电信号长度影响。在CSPT分类研究中对于β带的每个脑区，我们发现中心区和中央顶叶区的准确率最高，分别为95%和95.83%，这说明脑电右中心区和中央顶叶之间的β带放电异常，β带放电的产生与β带的产生有关疲劳很可能与该地区密切相关。疲劳状态和正常状态下，熵特征具有明显的差异性，通过对三种不同的多尺度熵在疲劳驾驶检测中的识别率分析，得出以下结论：1. 前额区电极数据可用于疲劳驾驶检测，最高识别率为88.74%。2. 通过在传统的熵特征中加入尺度信息，能提高检测效率。3. 经验模态分解可以应用于脑电信号的处理，提高疲劳驾驶的检出率和检出率。.课题组在传统的脑电熵特征提取的算法研究得到了如下结论：1. 男性个体使用前额脑电对疲劳驾驶检测在稳定性上要优于女性个体，但对女性的前额脑电的疲劳驾驶检测的准确率要高于男性。2. 自适应多尺度排列熵 AMPE、自适应多尺度样本熵 AMSE、自适应多尺度模糊熵特征 AMFE 能够有效的的提高疲劳驾驶检测的准确率，其中组合电极下的 AMFE 特征对疲劳驾驶的检测准确率最高达 95.37%。3. 选择七种分类器用做疲劳驾驶分类的检测，综合对比发现使用线性判别(LDA)分类器对实验的检测效果最好。.采用三种分类器进行参数设置和分类性能比较等实验，结果表明只需要一个EEG通道就可以检测驾驶员的疲劳状态。在眼动与脑电混合特征检测中采用saccade_length +10导的混合疲劳特征的疲劳检测模型效果是最好的。不仅具有较高的检测率，检测效果还具有较强的稳定性。