一种基于自加权增量RVFL网络的脑电疲劳预测方法与流程

一种基于自加权增量rvfl网络的脑电疲劳预测方法
技术领域
1.本发明属于脑电信号处理技术领域，具体涉及一种基于自加权增量rvfl网络的脑电疲劳预测方法。


背景技术：

2.随着我国交通事业的日益发展，研究更为实用客观的驾驶疲劳检测对于提高主动交通安全具有重要的意义。综合国内外的疲劳检测方法，主要分为主观评价和客观检测两种。主观评价方法主要是通过记录主观调查问卷如皮尔逊疲劳量表、斯坦福睡眠尺度表等，判断是否处于疲劳状态。客观检测领域主要分为：基于车辆行为特征的检测、基于驾驶员特征行为特征的检测、基于生理电特征的检测。其中，基于客观检测方法中的脑电信号作为中枢神经信号活动的表征，具有检测准确率高的特点，是疲劳判定的金标准。
3.目前的脑电疲劳模型大多是批处理模式，没有考虑到脑电数据的流式属性，往往在使用一段时间后由于被试疲劳状态的变化而产生性能下降的现象；并且传统的疲劳预测模型预测结果一般是离散型的，其对疲劳的预测只有简单的几个状态，无法精确地显示被试的疲劳程度。因此，本发明在随机向量函数链接网络(random vector functional link network,rvfl)的基础上提出一种基于自加权增量rvfl网络的脑电疲劳预测方法。该方法引入了增量学习的模式使得模型可以随时加入采集到的脑电数据以更新模型，并且模型的预测是回归式的，连续的疲劳值可以更准确地显示被试的疲劳程度，另外，该方法也引入了自加权变量以学习各个神经元的重要性分布，降低rvfl网络随机化映射对模型性能的影响，保证模型具有较高的预测精度。


技术实现要素：

4.本发明的目的在于提供一种基于自加权增量rvfl网络的脑电疲劳预测方法。通过该方法可以实现疲劳的回归预测以及模型的增量学习。
5.本发明的具体步骤如下：
6.步骤1、对处于逐渐疲劳的过程中的多个被试者进行脑电数据采集。
7.步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取。处理后的每一组数据均作为一个样本矩阵x。每个样本矩阵x均对应一个标签向量y；标签向量y对应被试者的疲劳程度。
8.步骤3、建立用于离线训练的自加权rvfl网络。
9.步骤3-1、建立一个自加权rvfl网络目标函数如式(1)所示：
[0010][0011]
式中，是经过rvfl网络隐层激活的数据表示，其中n表示样本个数，d表示特征维数；是rvfl网络的输出权重向量；表示训练数据的疲劳值向
量；表示特征权重分布向量；θ是一个对角矩阵且第i个对角线元素为θi；λ是正则化系数；表示向量的2-范数的平方，其计算方法为
[0012]
步骤4、对(1)式求解，得到θ和β的更新公式。
[0013]
步骤5、采集在线脑电数据，并进行和步骤2相同的脑电数据预处理和特征提取。
[0014]
步骤6、建立用于在线训练的自加权增量rvfl网络。
[0015]
步骤6-1、建立用于在线训练的自加权增量rvfl网络目标函数如(2)所示；
[0016][0017]
式中，dn和yn分别表示n个样本数据以及对应的标签。θ
n 1
和β
n 1
分表表示训练n 1个样本所获得的特征权重分布和输出权重。
[0018]
步骤7、对(2)式求解，得到增量学习后的θ
n 1
和β
n 1
的更新公式。
[0019]
步骤8、依据已学到的θ，β参数对实时脑电数据进行疲劳值进行预测，预测后若能得到实时脑电数据的真实标签，则对该数据进行增量学习。
[0020]
作为优选，步骤1中，通过让被试者用模拟驾驶平台在一条笔直且单调的道路上持续模拟驾驶的方式来使得被试者逐渐疲劳。
[0021]
作为优选，步骤2中所述的标签向量y通过被试者在脑电数据采集过程中单位时间内眼睑闭合一定程度的时长比例来确定。通常，标签向量y中元素的范围为0～1。
[0022]
作为优选，步骤2中的预处理过程如下：
[0023]
步骤2-1、将脑电数据下采样至200hz后并对其进行带通滤波至1-50hz范围；根据5频段法，将其划分为delta,theta,alpha,beta和gamma五个频段
[0024]
步骤2-2、针对这5个频段的脑电数据分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征h(x)如式(3)所示，
[0025]
h(x)＝-∫
x
f(x)ln(f(x))dx，
ꢀꢀꢀ
(3)
[0026]
式(3)中，x为输入的样本矩阵，x为输入的样本矩阵中的元素；f(x)为概率密度函数。经过更新后的微分熵特征h(x)如式(4)所示：
[0027][0028]
式(4)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。
[0029]
作为优选，所述的脑电数据采集采用17导联，选用5个频段；5个频段分别为1-4hz、4-8hz、8-14hz、14-31hz、31-50hz。
[0030]
作为优选，步骤4中对θ和β的具体求解过程如下：
[0031]
步骤4-1.固定θ，更新β
[0032]
此时，(1)式变为：
[0033][0034]
对(5)式关于β求导并令导数为0得β的更新公式：
[0035]
[0036]
步骤4-2.固定β，更新θ
[0037]
此时，(1)式变为：
[0038][0039]
(7)式的目标函数写为：
[0040][0041]
其中，ο表示矩阵点乘；令对称矩阵向量b＝2diag(d0y0β
t
)，(7)式变为：
[0042][0043]
(9)式为一个凸二次规划问题，根据增广拉格朗日法求解(alm)得到θ。
[0044]
作为优选，步骤7中对增量学习后的θ
n 1
和β
n 1
的具体求解过程如下：
[0045]
步骤7-1.固定θ
n 1
，更新β
n 1
；
[0046]
此时，(2)式变为：
[0047][0048]
根据(6)式，得：
[0049][0050]
令则有如下化简：
[0051][0052]
根据woodbury公式得：
[0053][0054]
(11)式右半部分做如下化简：
[0055][0056]
基于(11)式，(13)式和(14)式，得到β
n 1
的增量更新式：
[0057]
[0058]
步骤7-2.固定β
n 1
，更新θ
n 1
[0059]
此时，(2)式变为：
[0060][0061]
(16)式的目标函数为：
[0062][0063]
令则有：
[0064][0065]
以及
[0066][0067]
同理，根据alm方法得到更新后的θ
n 1
。
[0068]
本发明具有的有益效果是：
[0069]
1.本发明采用了增量学习模式，充分利用了脑电数据的流式属性，使得模型在预测疲劳值的同时更新模型，使模型更符合被试的疲劳状态变化，从而提升模型预测精度。
[0070]
2.本发明是回归的疲劳预测，相比离散型的疲劳预测，具有更直观以及更精确的优点。
[0071]
3.本发明中引入了自适应权重变量，可以抽象地对rvfl网络中的各神经元的重要性进行学习，降低随机映射对模型性能的影响，从而提升整个模型的性能。
附图说明
[0072]
图1为本发明的流程示意图；
[0073]
图2为本发明中自加权变量θ嵌入过程示意图；
[0074]
图3为模型rvfl、增量rvfl、自加权rvfl以及自加权增量rvfl在23个被试上的均方根误差对比图。
具体实施方式
[0075]
以下结合附图对本发明作进一步说明。
[0076]
本发明解决在疲劳检测中脑电信号的流式属性以及重要性特征挖掘这两个重要
问题基于如下的出发点：
[0077]
我们认为在疲劳检测中，脑电信号是一种流式数据，数据按顺序依次到达模型，这一过程中被试的数据内在分布可能会不断变化，如果能使模型在预测过程中不断进行模型更新，以此适配被试不断变化的数据内在分布，则可以有效提高模型的预测精度。由于rvfl网络中各个神经元在训练中仍有数据上的特征重要性差异，因此，引入自加权变量对各神经元重要性进行学习也可以有效提升模型的性能。
[0078]
如图1和图2所示是基于自加权增量rvfl网络的脑电疲劳预测方法，如图3所示是rvfl、增量rvfl、自加权rvfl以及我们提出的自加权增量rvfl在23个被试上的均方根误差对比图，可以看到我们的模型相较于其他三个模型有明显的提升，并且解决了增量rvfl和自加权rvfl在脑电数据上相较于传统rvfl性能不稳定的问题。
[0079]
下面结合附图对我们的模型进行详细的介绍。
[0080]
步骤1、利用模拟驾驶系统(本实施例中使用包含明显诱发受试者疲劳的模拟驾驶场景)采集受试者的诱发疲劳状态脑电数据。
[0081]
对n个受试者在相同的模拟驾驶环境下进行m次脑电数据采集，得到n
·
m组脑电数据，每一组数据的数据量均为d*n，其中，d是每组数据的维度，n是单次采集获得的与时间有关的脑电数据样本个数。一组数据包括一次采集中获得的多个时刻的脑电数据。每一组数据均作为一个样本矩阵x。每个样本矩阵x均对应一个标签y；标签y对应受试者的疲劳程度，其通过受试者在脑电数据采集过程中眼睛闭合的时长占采集总时长的百分比来确定。眼睛闭合的时长越长表示受试者越疲劳。
[0082]
统一受试者在测试任务中对应的被测任务场景，每个受试者均完成所有的被测任务场景的测试。在本实施例中，被测任务场景为笔直而单调的道路，实验时间为午饭后进行，以使受试者更容易疲劳。这些不同批次的实验所做的内容是相同的，但是他们在不同日期所处的状态可能是不同的；这反应了脑电的本质特征不会随着时间或实验场景的改变而出现较大改变。这些时间的不同，或者实验时的场景的不同即为差异化部分。
[0083]
步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取。本发明基于17导联、5频段(delta(1-4hz)，theta(4-8hz)，alpha(8-14hz)，beta(14-31hz)和gamma(31-50hz))，并提取微分熵特征来进行。在实际应用中，导联数目取决于数据采集时候受试者佩戴的脑电帽；频段的划分也遵循具有生理学意义的5频段划分；脑电信号最常用的特征为功率谱密度和微分熵。人的脑电信号是非常微弱的，这就意味着脑电信号易受干扰，采集的结果很难直接做实验，这就对脑电信号预处理提出了要求：
[0084]
预处理的过程如下：
[0085]
步骤2-1.将脑电数据下采样至200hz后并对其进行带通滤波至1-50hz范围。根据5频段法，将其划分为delta,theta,alpha,beta和gamma五个频段。
[0086]
步骤2-2.将这5个频段的脑电数据分别作为样本矩阵，分别进行时间窗口为4秒且不重叠的短时傅立叶变换，提取微分熵特征。微分熵特征h(x)定义为：
[0087]
h(x)＝-∫
x
f(x)ln(f(x))dx
ꢀꢀꢀ
(20)
[0088]
式(20)中，x为输入的样本矩阵，x为输入的样本矩阵中的元素；f(x)为概率密度函数。经过更新后的微分熵特征h(x)如式(21)所示：
[0089][0090]
式(21)中，σ为概率密度函数的标准差；μ为概率密度函数的期望。
[0091]
可以看出，本质上微分熵特征为功率谱密度特征的对数形式，即脑电信号的预处理旨在提高信噪比，从而提高数据的预处理效果，减少干扰。
[0092]
步骤3、建立一个自加权rvfl网络以离线训练已有脑电数据，从而得到一个基础的脑电疲劳预测模型。通过引入自加权变量θ＝diag(θ)来衡量rvfl网络中各个神经元的重要性，并减少随机化对模型性能的影响。其中，θi表示第i个神经元的重要性分布且有约束θ
t
＝1。将自加权变量嵌入rvfl网络后便得到如式(22)所示的自加权rvfl网络。
[0093][0094]
式中，是经过rvfl网络隐层激活的数据表示，其中n表示样本个数，d表示特征维数；是rvfl网络的输出权重向量；表示训练数据的疲劳值向量；表示特征权重分布向量；θ是一个对角矩阵且第i个对角线元素为θi；λ是正则化系数；表示向量的2-范数的平方，其具体计算方法为
[0095]
步骤4、基于拉格朗日法对模型进行优化并求解θ和β的更新公式。
[0096]
步骤4-1.固定θ，更新β
[0097]
此时，(22)式可变为：
[0098][0099]
对(23)式关于β求导并令导数为0可得β的更新公式：
[0100][0101]
步骤4-2.固定β，更新θ
[0102]
此时，(22)式可变为：
[0103][0104]
(25)式的目标函数可写为：
[0105][0106]
其中，
○
表示矩阵点乘。令对称矩阵向量b＝2diag(d0y0β
t
)，(25)式可变为：
[0107][0108]
(27)式为一个凸二次规划问题，可根据增广拉格朗日法求解(alm)得到θ。
[0109]
步骤5、采集在线脑电数据，并进行和步骤2相同的预处理和特征提取。
[0110]
步骤6、在已离线训练完成的基础模型上将其变为在线模型，即将自加权rvfl网络变为自加权增量rvfl网络，如式(28)所示：
[0111][0112]
式中，dn和yn分别表示n个样本数据以及对应的标签。θ
n 1
和β
n 1
分表表示训练n 1个样本所获得的特征权重分布和输出权重。
[0113]
步骤7、求解变量θ和β的更新公式。
[0114]
步骤7-1.固定θ
n 1
，更新β
n 1
[0115]
此时，(28)式可变为：
[0116][0117]
根据(24)式，可得：
[0118][0119]
令则有如下化简：
[0120][0121]
根据woodbury公式，可得：
[0122][0123]
(30)式右半部分可做如下化简：
[0124][0125]
基于(30)式，(32)式和(33)式，可得到β
n 1
的增量更新式：
[0126][0127]
步骤7-2.固定β
n 1
，更新θ
n 1
[0128]
此时，(28)式可变为：
[0129][0130]
(35)式的目标函数为：
[0131][0132]
令则有：
[0133][0134]
以及
[0135][0136]
同理，可根据alm方法得到更新后的θ
n 1
。
[0137]
步骤8、依据已学到的θ，β等参数对实时脑电数据进行疲劳值进行预测，预测后若能得到实时脑电数据的真实标签，则可对该数据进行增量学习。