一种基于自加权增量RVFL网络的脑电疲劳预测方法与流程

技术特征：
1.一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：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；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；步骤3、建立用于离线训练的自加权rvfl网络；步骤3-1、建立一个自加权rvfl网络目标函数如式(1)所示：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θ
i
；λ是正则化系数；表示向量的2-范数的平方，其计算方法为步骤4、对(1)式求解，得到θ和β的更新公式；步骤5、采集在线脑电数据，并进行脑电数据的预处理和特征提取；步骤6、建立用于在线训练的自加权增量rvfl网络；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；式中，d
n
和y
n
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；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；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。2.根据权利要求1所述的一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：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。3.根据权利要求1所述的一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：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；标签向量y中元素的范围为0～1。4.根据权利要求1所述的一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：步骤2中的预处理过程如下；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，
h(x)＝-∫
x
f(x)ln(f(x))dx，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)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：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。5.根据权利要求1所述的一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：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。6.根据权利要求1所述的一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：步骤4中对θ和β的具体求解过程如下；步骤4-1、固定θ，更新β此时，(1)式变为：对(5)式关于β求导并令导数为0得β的更新公式：步骤4-2、固定β，更新θ此时，(6)式变为：(7)式的目标函数写为：其中，表示矩阵点乘；令对称矩阵向量b＝2diag(d0y0β
t
)，(7)式变为：(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。7.根据权利要求1所述的一种基于自加权增量rvfl网络的脑电疲劳预测方法，其特征在于：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：步骤7-1、固定θ
n 1
，更新β
n 1
此时，(2)式变为：根据(6)式得：
令则有如下化简：根据woodbury公式，得：(11)式右半部分做如下化简：基于(11)式，(13)式和(14)式，得到β
n 1
的增量更新式：步骤7-2、固定β
n 1
，更新θ
n 1
此时，(2)式变为：(16)式的目标函数为：令则有：以及
同理，根据alm方法得到更新后的θ
n 1
。

技术总结
本发明提供一种基于自加权增量RVFL网络的脑电疲劳预测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立自加权RVFL网络用于离线训练一个基础疲劳预测模型。4、求解输出权重和特征权重分布5、采集在线脑电数据并进行与步骤2相同的步骤。6、将离线训练完成的疲劳预测模型转为增量式的在线疲劳预测模型。7、求解输出权重和特征权重分布。8、对在线脑电数据进行预测与学习。本发明通过回归预测、增量学习和自加权变量的方式提高了模型的预测精度。权变量的方式提高了模型的预测精度。权变量的方式提高了模型的预测精度。


技术研发人员：陈柯锭 张怿恺 彭勇
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.10.19
技术公布日：2022/1/28