一种基于脑电信号的驾驶意图识别方法及系统与流程

1.本发明涉及数据处理技术领域，特别涉及一种基于脑电信号的驾驶意图识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.驾驶意图提前识别为辅助驾驶和自动驾驶的发展提供了理论和实践的支持，驾驶意图准确性的识别是决定辅助驾驶和自动驾驶的关键问题之一。自动驾驶需要获取更有力的参数和更准确的识别，直接采用脑电信号对驾驶意图进行识别，不经过任何媒介传输数据进行处理，提供输入参数的直接性，减少了传播介质的传播误差，提前识别驾驶意图为辅助驾驶和自动驾驶的安全性提供有力保障，对交通安全有着重要的理论和实践意义。
4.发明人发现，基于脑电信号的驾驶意图关键问题在于脑电信号的降噪，脑电信号是一种非常弱的信号，在信号的采集过程中，会受到各种信号噪声的干扰，得到的脑电信号的驾驶意图数据比较混杂，采用现有的支持向量机模型、神经网络模型或者深度学习模型大多不能反应驾驶意图的真实数据。


技术实现要素：

5.为了解决现有技术的不足，本发明提供了一种基于脑电信号的驾驶意图识别方法及系统，提高了驾驶意图的识别准确度。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明第一方面提供了一种基于脑电信号的驾驶意图识别方法。
8.一种基于脑电信号的驾驶意图识别方法，包括以下过程：
9.获取驾驶员在驾驶过程中的脑电信号，对脑电信号进行预处理；
10.通过小波包重构得到预处理后的脑电信号的小波包系数；
11.提取小波包系数的能量特征；
12.根据提取的能量特征与贝叶斯模型，得到驾驶意图识别结果。
13.本发明第二方面提供了一种基于脑电信号的驾驶意图识别系统。
14.一种基于脑电信号的驾驶意图识别系统，包括：
15.数据获取模块，被配置为：获取驾驶员在驾驶过程中的脑电信号，对脑电信号进行预处理；
16.小波重构模块，被配置为：通过小波包重构得到预处理后的脑电信号的小波包系数；
17.特征提取模块，被配置为：提取小波包系数的能量特征；
18.驾驶意图识别模块，被配置为：根据提取的能量特征与贝叶斯模型，得到驾驶意图识别结果。
19.本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处
理器执行时实现如本发明第一方面所述的基于脑电信号的驾驶意图识别方法中的步骤。
20.本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于脑电信号的驾驶意图识别方法中的步骤。
21.与现有技术相比，本发明的有益效果是：
22.1、本发明所述的基于脑电信号的驾驶意图识别方法及系统，通过小波变换对脑电信号的驾驶意图数据进行分析降噪，把脑电信号分为五层，运用软阈值法对信号进行处理，提高了驾驶意图识别的准确性。
23.2、本发明所述的基于脑电信号的驾驶意图识别方法及系统，运用小波包对降噪后的脑电信号提取能量特征，输入到驾驶意图的贝叶斯识别模型中，进一步的提高了驾驶意图识别的准确性。
24.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
25.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
26.图1为本发明实施例1提供的基于脑电信号的驾驶意图识别方法的流程示意图。
27.图2为本发明实施例1提供的右转驾驶意图的脑电信号部分数据示意图。
28.图3为本发明实施例1提供的左转驾驶意图的脑电信号部分数据示意图。
29.图4为本发明实施例1提供的直行驾驶意图的脑电信号部分数据示意图。
30.图5为本发明实施例1提供的小波三层分解示意图。
31.图6为本发明实施例1提供的原始信号与降噪后信号示意图。
32.图7为本发明实施例1提供的小波包分解示意图。
具体实施方式
33.下面结合附图与实施例对本发明作进一步说明。
34.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
35.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
36.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
37.实施例1：
38.如图1所示，本发明实施例1提供了一种基于脑电信号的驾驶意图识别方法，包括以下过程：
39.获取驾驶员在驾驶过程中的脑电信号，对脑电信号进行预处理；
40.通过小波包重构得到预处理后的脑电信号的小波包系数；
41.提取小波包系数的能量特征；
42.根据提取的能量特征与贝叶斯模型，得到驾驶意图识别结果。
43.具体的，包括以下内容：
44.s1：实验搭建
45.搭建驾驶模拟实验平台和脑电信号采集平台，通过脑电设备g.usbamp，采集脑电信号，选定路线，路线的驾驶过程含有左转、右转、直行等驾驶意图操作。选取9位驾驶人，年龄在20-23岁之间，拥有驾驶证，没有任何脑部疾病，并对驾驶人进行相关实验前的培训工作。本实验已通过相关单位的伦理委员会同意。
46.驾驶操作通过驾驶模拟器进行并同时采集脑电信号的信息，采集驾驶人在驾驶过程中左转、右转、直行驾驶意图的脑电信号的前3秒数据和后3秒数据，在脑电信号采集的过程中，通过脑电设备已经过滤掉了50hz的工频噪声信号。采集频率为256hz，采集脑电信息的时间为3秒。采集16通道的脑电信号的信息，16通道电极主要包括大脑的左半球和右半球上方的区域，16个通道的电极分别为：f3，fc3，c3，f1，fc1，c1，fz，fcz，cz，cpz，f2，f4，c2，c4，fc2，fc4。通过对这些电极的测试，得出相应的脑电数据，为脑电信号分析提供基础，脑部分区电极位置如表1所示：
47.表1：电极位置
48.部位名称代号前额frontal polefp1、fp2额frontalf3、f4、fz中央centralc3、c4、cz顶parietalo1、o2侧额occipitalf7、f8颞inferior frontalt3、t4后颞temporalt5、t6耳auriculara1、a2
49.s2：驾驶意图数据分析
50.驾驶意图主要有左转、右转、直行三种主要的驾驶意图，对这三种驾驶意图的脑电信号进行采集，传统的驾驶意图对象的时间窗数据一般选取3秒、6秒、10秒等进行研究，本实施例选取3秒数据进行分析、研究；分别采集驾驶人左转、右转、直行的3秒脑电信号，并对这3秒脑电信号进行处理分析。
51.采样频率为256hz，3秒的左转驾驶意图、右转驾驶意图、直行驾驶意图对应的脑电信号分别共768个数据点，以右转驾驶意图为例，把驾驶人开右转转向灯时确定驾驶人右转的时刻，采集右转时刻的前3秒的脑电数据作为研究的数据，运用python软件对脑电信号进行读取，如图2所示，为右转驾驶意图的脑电部分数据。
52.左转驾驶意图的脑电信号部分数据，如图3所示；直行驾驶意图的脑电信号部分数据，如图4所示。
53.s3：模型及方法
54.将脑电信号在小波域中进行分解，选取小波db3，分解为三层、四层、五层，小波变
换得到小波系数，小波系数一部分分解为脑电信号和噪声，一部分分解为噪声信号，通过小波分解变换提取出有用的脑电信号。并把分解的信号输入到独立成分分析模型继续进行滤波，然后通过小波包处理技术，提取能量作为输入模型的输入数据，进行训练并测试。
55.s3.1：小波变换原理
56.小波变换是进行时频研究的重要工具，通过小波变换可以进行频率的局部化分析，克服了傅立叶变换的缺点，适合处理非平稳信号。小波变换是一种时频分析法，具有多分辨率特性，能够在时域和频域都有良好的分辨率，比较适合对脑电信号进行处理。小波变换是时间频域的局部化分析，通过伸缩平移运算对信号进行多尺度细化，在低频处频率细分，在高频处可以时间细分。对各种时变信号可以有效的进行分解，可以很好的将信号和噪声分离。常用的小波基函数包括小波函数、小波函数系和复数小波。小波基的选择是根据哪一组小波基取得的小波系数最大并且方差值小，就选择哪组小波基。小波函数daubechies系中的小波基记为dbn，其中，n为序列n＝1，2，
…
，10。
57.小波变换的基本原理是用小波函数系去逼近一个信号，通过一个基本的小波函数通过平移或者伸缩得到信号。
58.小波一维变换分解：
[0059][0060][0061]
式中，φ(x)为母小波，a为平移因子，b为伸缩因子，w
(a,b)
为信号f(x)的小波系数。
[0062]
将连续小波和小波系数进行离散化处理，取将连续小波和小波系数进行离散化处理，取得到离散的小波函数：
[0063][0064][0065]
小波变换分为三层，它只对低频部分进行分解，对于高频的部分没有考虑。信号s＝ca3 cd3 cd2 cd1。其中，ca为逼近的信号也就是低频部分，cd为细节信号也就是高频部分，如图5所示。
[0066]
脑电信号中β波的频率范围在14-30hz；γ波的频率范围在30-60hz。因此，通过db3小波将脑电信号分为三层，分别为：a3，d3，d2，d1。采样频率是256hz，根据采样定理，因此d1为第一层，频率范围是64-128hz。d2为第二层，频率范围是32-64hz。d3为第三层，频率范围是16-32hz。a3为第三层，频率范围是8-16hz。因此，β波在第三层，γ波在第二层。
[0067]
s3.2：小波阈值降噪
[0068]
小波阈值降噪是通过小波变换，把大于阈值的小波系数保留，把小于阈值的小波系数置为零，把有用的信号信息保留下来，把噪声信号过滤出去。然后把处理后的小波系数进行重构，得到降噪后的脑电信号。
[0069]
阈值的选取规则主要有极小极大阈值、固定阈值、无偏似然估计原理的自适应阈值、启发式阈值等，这四种阈值选取规则各有优缺点。极小极大值主要实现的是最大均方误差最小化，产生最小方差极值；固定阈值是在降噪的时候根据信号的特征选定一个固定的阈值进行降噪；自适应阈值是一种软阈值估计器，估计最小化分险，得出自适应阈值；启发式阈值是在自适应阈值和固定阈值的思想基础上提出的阈值方法。
[0070]
阈值函数的选取，主要有硬阈值函数和软阈值函数两种。硬阈值函数通过小波变换前的小波系数和阈值进行比较，小波系数绝对值大于阈值的保留，绝对值小于阈值的设置为零。
[0071]
硬阈值函数：
[0072][0073]
式中，w
i,j
为原始信号的小波系数；为阈值量化后的小波系数；t为阈值。
[0074]
软阈值函数通过小波变换前的小波系数与阈值进行比较，绝对值大于等于阈值的小波系数设置为恒定差值，小于阈值的小波系数设置为零。硬阈值在处理后容易失去一些有用的信号，因此选取软阈值对脑电信号进行处理分析。
[0075]
软阈值函数：
[0076][0077]
式中，w
i,j
为原始信号的小波系数；为阈值量化后的小波系数；t为阈值。
[0078]
通过信噪比和最小均方值误差评价降噪的效果，最小均方误差越小表明处理后的信号与原始信号更接近，信噪比越大表示有用的信息越多，噪声信息越少。
[0079]
极大极小值阈值法：
[0080]
极大极小值阈值法让最大风险最小化，原始含噪声信号看作与未知的回归函数的估计式相似，这种极值估计在函数中实现最大均值误差最小化，本实施例采用极大极小值阈值法求取阈值。
[0081]
把经过小波变化的信号，通过独立成分分析法进行滤波，并对滤波后的信号进行小波包变换处理。
[0082]
小波包变换是在小波变换理论的基础上，对高频也进行分解的一种变换。
[0083]
python仿真：
[0084]
利用python对小波变换的脑电信号降噪进行处理分析，并通过最小均方误差和信噪比对处理后的效果进行评价。
[0085]
没有降噪前的信号和降噪后的信号进行对比，通过小波分层，采用软阈值进行小波变换降噪分析，以f3通道的右转为例，如图6所示。
[0086]
利用python仿真降噪得到的最小均方误差为0.001697，说明效果优。
[0087]
s3.3：小波包理论及其特征分析
[0088]
正交小波分解是把低频系数分解为两个部分，分别得到低频系数向量和高频系数向量。然后把新的低频系数向量继续分解为低频系数向量和高频系数向量，但是对高频系
数向量不再分解。而小波包分解会继续分解高频系数，高频系数向量分解为两个部分，这是与小波分解的不同，小波包分解更为细致。
[0089]
本实施例运用小波包能量作为特征向量输入到贝叶斯理论的识别模型进行识别，通过小波包系数求得小波包能量。
[0090]
s4：基于贝叶斯理论的驾驶意图识别
[0091]
s4.1：贝叶斯理论
[0092]
设a，b是任意两个事件，且p(a)》0，则在事件a已经发生的条件下，事件b发生的条件概率为：
[0093][0094]
p(a)称为先验概率，p(b/a)称为后验概率。
[0095]
因此，可得到乘法定理：
[0096]
若对任意两个事件a和b都有p(a)》0和p(b)》0，则有：
[0097]
p(ab)＝p(a)p(b|a)＝p(b)p(a|b)
ꢀꢀꢀ
(8)
[0098]
设a1，a2，...，an为任意n个事件，n》＝2，且p(a1，a2，...，an)》0，则有：
[0099]
p(a1a2...an)＝p(a1)p(a2|a1)p(a3|a1a2)...p(an|a1a2...a
n-1
)
ꢀꢀꢀ
(9)
[0100]
对任意事件b，有全概率公式：
[0101][0102]
由以上条件概率和全概率公式可以得到贝叶斯定理如下：
[0103][0104]
s4.2：朴素贝叶斯分类器
[0105]
朴素贝叶斯分类器是基于公式(12)工作的：
[0106][0107]
其中，p(y|x1,...,xj)为后验概率，p(x1,...,xj|y)为似然概率，p(y)为先验概率，p(x1,...,xj)为边缘概率。
[0108]
假设特征x的似然概率服从正态分布：
[0109][0110]
s4.3：基于贝叶斯理论的驾驶意图识别
[0111]
对驾驶意图识别的类别主要有三类：左转、右转、直行，假设类别为某类别的概率相同，则先验概率为：
[0112]
[0113]
在进行驾驶意图识别时，公式为：
[0114][0115]
其中，j表示左转、直行、右转，i表示通道数，k表示驾驶人数，x
ik
表示第i通道数的第k个特征参数。y
ij
表示第i个通道数的类别。
[0116]
本实施例选取大脑的左半球的第1通道(f3)进行研究，分析结果表明，小波分解和小波包分解为五层时，识别率最高，通过python仿真驾驶意图的识别率最大达到71.51％。
[0117]
本实施例中通过小波变换对脑电信号的驾驶意图数据进行分析降噪，利用小波变换能够分析处理非平稳信号，可以进行频率的局部化分析等特征，对脑电信号的驾驶意图数据进行处理分析，并把脑电信号分为五层，然后运用软阈值法对信号进行处理，降噪后信号的最小均方误差为0.001697，得到了很好的降噪效果；小波变换理论的降噪，仍然存在不足之处，只对低频信号进行分解，对高频信号不能进行分解，因此，运用再运用小波包对降噪后的脑电信号提取能量特征，输入到驾驶意图的识别模型中，得到很好的识别效果。
[0118]
实施例2：
[0119]
本发明实施例2提供了一种基于脑电信号的驾驶意图识别系统，包括：
[0120]
数据获取模块，被配置为：获取驾驶员在驾驶过程中的脑电信号，对脑电信号进行预处理；
[0121]
小波重构模块，被配置为：通过小波包重构得到预处理后的脑电信号的小波包系数；
[0122]
特征提取模块，被配置为：提取小波包系数的能量特征；
[0123]
驾驶意图识别模块，被配置为：根据提取的能量特征与贝叶斯模型，得到驾驶意图识别结果。
[0124]
所述系统的工作方法与实施例1提供的基于脑电信号的驾驶意图识别方法相同，这里不再赘述。
[0125]
实施例3：
[0126]
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于脑电信号的驾驶意图识别方法中的步骤。
[0127]
实施例4：
[0128]
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于脑电信号的驾驶意图识别方法中的步骤。
[0129]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0130]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0131]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0132]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0133]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0134]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。