一种基于四导联脑电和深度森林的脑力疲劳识别方法

1.本发明涉及疲劳识别领域中的脑力疲劳识别方法，更具体地，涉及一种基于四导联脑电和深度森林的脑力疲劳识别方法。


背景技术：

2.脑力劳动疲劳是指由于长期脑力劳动、饮食不规律、缺乏运动，加之工作压力，常常会使人感到身心疲惫。如若不及时调整状态、恢复精力，长而久之就会导致疲劳综合征，不仅会影响工作效率，而且还会影响身体健康.脑力疲劳的评估方法可分为主观评估和客观评估两种。主观评估方法主要是通过让实验对象根据自己的主观感受填写量表，如卡罗琳斯卡嗜睡量表、nasa任务负荷指数等，不同人群对于脑力疲劳的感知程度存在差异，导致评分标准不一致，因此量表结果必然会受到主观倾向的影响。
3.近些年来，随着人工智能技术的发展，通过生理信号的变化来检测脑方疲劳逐渐成为主流的客观评估方法，研究表明常见的生理信号包括脑电(edg)、心电(ecg)、肌电(emg)以及眼电(eog)等，目前，eeg被认为是最可靠的一种生理信号，其不同频带的功率谱密度已被证明是与脑力疲劳变化密切相关的特征。由于脑力疲劳涉及的脑区较广，大部分研究者利用多通道脑电设备进行疲劳识别的研究，常用的有64导脑电和32导脑电，但其导联较多，计算较为复杂，信号采集也相对困难，部分脑电采集设备为单导联，但在脑力疲劳识别应用上单导联采集分析又存在采集位点单一，信号不稳定，准确率较低的问题。
4.虽然传统机器学习和深度学习已经被广泛应用于eeg分析中，但是一方面传统的机器学习分类器svm、决策树等，存在泛化能力不高等问题，但脑力疲劳的脑电活动过程是异常复杂的。另一方面深度学习虽然表现出较好的泛化能力，不过其模型超参数较多，依赖调参过程，需要大量的训练数据及算力，目前暂无大规模的公开的脑力疲劳数据集，且整体算法是“黑匣子”型，即使现在研究人员也不能完全了解深层网络的“内部”。


技术实现要素：

5.根据现有技术的不足，本发明提供一种基于四导联脑电和深度森林的脑力疲劳识别方法，相比于多导联脑电计算，本发明只需要计算特定四个电极点(fp1，fp2，f7，f8)的脑电信号的功率谱密度特征，特定的四个电极点电极所处位置一般无头发，方便采集信号分析；相比于单导联采集分析，本发明又可以减少信号不稳定，提升疲劳识别的准确率，避免采集位点单一的问题。
6.同时，深度森林是建立在决策树之上的集成深度模型，具有级联结构的集成方式，其结合了传统机器学习和深度学习的优势，可解释性较好，即使在小样本数据集上仍有较好表现，且参数较少，更容易训练。具有级联结构的集成方式，能够像深度神经网络一样进行表示学习，但同时其内部为“白盒”模型，可解释性较好，参数较少，更容易训练。深度森林已经在大规模金融欺诈检测、图像、文本重构等许多任务中取得了优异的性能。
7.虽然深度森林在传统的分类任务中已经被证明有用，但是在本发明之前，尚没有
人注意到将其应用于脑力疲劳识别的潜力。
8.本发明所提出的一种基于四导联脑电和深度森林的脑力疲劳识别方法步骤如下：
9.步骤1：对采集到的脑电信号数据进行相应的预处理
10.由于eeg的信号幅度处于微伏量级，且信号易受干扰，在脑电信号的采集过程中，会受到周围噪声的干扰以及工频噪声的影响，因此，需要首先对原始信号进行噪声的滤除，通过利用带通滤波器，将0.5hz-75hz频率之间的信号取出，同时在其中去除50hz的工频干扰。采用独立分量分析法去除眨眼、眼动等导致的伪迹。
11.步骤2：提取特定四个电极点(fp1，fp2，f7，f8)的脑电信号的功率谱密度特征
12.不同频带的功率谱密度是与脑力疲劳变化密切相关的特征，在进行分析前需要提取特定四个电极点的脑电信号中的delta波，theta波，alpha波，beta波以及gamma波的功率谱密度特征。
13.delta波：0.5～4hz；
14.theta波：4～8hz；
15.alpha波：8～13hz；
16.beta波：13～32hz；
17.gamma波：＞32hz；
18.功率谱密度的单位是瓦特每赫兹(w/hz)或使用电压表示为v2/hz。信号x(n)的功率谱密度的定义公式如下：
[0019][0020]
其中自相关函数r(k)＝e[x(n)x*(n k)]，e为函数的期望，x*为x的复共轭。
[0021]
采用周期图法对eeg信号的功率谱密度进行计算，其具体过程为：对于一个长度有限的非连续信号u(n)＝0，1，
…
，n-1，先进行离散傅里叶变换，其公式为：
[0022][0023]
式中wn＝e-j2π/n
，k＝0，1，
…
，n-1。其中wn有周期性，所以u(k)也具有周期性，其周期大小为n，然后将求得的u(k)求其幅值的平方并除以n得到功率谱密度的公式为：
[0024]
psd＝u2(k)/n
[0025]
在信号特征提取部分，需要分别计算四个电极点(fp1，fp2，f7，f8)的频段范围是0.5～4hz，4～8hz，8～13hz，13～32hz，32hz～75hz。
[0026]
步骤3：将步骤2所提取的脑电功率谱特征输入深度森林模型进行脑力疲劳识别
[0027]
本发明使用的深度森林模型是一种基于决策树的集成学习方法，它将由多棵决策树所组成的随机森林集成到一起，对数据进行分类，这种集成方式大幅提高了模型的泛化能力。如附图3所示，每个级联层采用随机森林和完全随机森林两种类型的森林算法作为基学习器进行建模，然后采用stack策略实现逐层训练。
[0028]
在本发明中，步骤2所提取的脑电功率谱特征输入深度森林模型，并仅需要设置2个超参数，每个森林中树木的数量是一个超参数，森林的个数是另一个超参数。设置森林的个数为m时，代表模型中的每一层将同时具有m个随机森林和m个完全随机森林。随机选择个特征作为候选(q是输入特征的数量)并选择具有最佳基尼值的分割。基尼系数是随机森
gonogo任务8具体时长因人而异脑力疲劳诱发70具体时长因人而异gonogo任务8具体时长因人而异静息态3 填写自评价表及个人信息3主试需离开房间移除设备5 [0045]
表1试验流程表
[0046]
4)信号采集说明
[0047]
采用国际脑电图学会标定的10/20电极导联定位标准，并使用用于测量成人的脑电活动导脑电仪brain products32导脑电设备采集eeg信号。取前额区fp(fp1，fp2)、侧额区if(f7，f8)等其他区域放置头皮电极，以头顶cz电极为参考电极，控制头皮阻抗小于5kω，eeg波采集率1k hz，ac采集。采集诱发脑力疲劳过程前后的3分钟静息态脑电信号。
[0048]
2.实施过程
[0049]
步骤1：对采集到的脑电信号数据进行相应的预处理
[0050]
需要首先对采集到的诱发脑力疲劳过程前后的3分钟静息态脑电信号进行噪声的滤除，通过利用带通滤波器，将0.5hz-75hz频率之间的信号取出，同时在其中去除50hz的工频干扰。采用独立分量分析法去除眨眼、眼动等导致的伪迹。
[0051]
步骤2：提取特定四个电极点(fp1，fp2，f7，f8)的脑电信号的功率谱密度特征
[0052]
将预处理后的数据切割为2s每段，在信号特征提取部分，需要分别计算四个电极点(fp1，fp2，f7，f8)的频段范围是0.5～4hz，4～8hz，8～13hz，13～32hz，32hz～75hz。分别是delta波：0.5～4hz；theta波：4～8hz；alpha波：8～13hz；beta波：13～32hz；gamma波：＞32hz。
[0053]
功率谱密度的单位是瓦特每赫兹(w/hz)或使用电压表示为v2/hz。信号x(n)的功率谱密度的定义公式如下：
[0054][0055]
其中自相关函数r(k)＝e[x(n)x*(n k)]，e为函数的期望，x*为x的复共轭。
[0056]
采用周期图法对eeg信号的功率谱密度进行计算，其具体过程为：对于一个长度有限的非连续信号u(n)＝0，1，
…
，n-1，先进行离散傅里叶变换，其公式为：
[0057][0058]
式中wn＝e-j2π/n
，k＝0，1，
…
，n-1。其中wn有周期性，所以u(k)也具有周期性，其周期大小为n，然后将求得的u(k)求其幅值的平方并除以n得到功率谱密度的公式为：
[0059]
psd＝u2(k)/n
[0060]
步骤3：将步骤2所提取的脑电功率谱特征输入深度森林模型进行脑力疲劳识别
[0061]
将步骤2所提取的脑电功率谱特征输入深度森林模型，并设置2个超参数，每个森林中树木的数量是一个超参数设置为500，森林的个数是另一个超参数设置为8。设置森林的个数为8时，代表模型中的每一层将同时具有8个随机森林和8个完全随机森林。随机选择个特征作为候选(q是输入特征的数量)并选择具有最佳基尼值的分割。基尼系数是随机
森林中决定特征选择的重要参数。本具体实施实例的x为2，即存在脑力疲劳与不存在脑力疲劳，在任意一个节点n，该点的基尼系数的计算公式为：
[0062][0063]
其中，x表示类别，b
nx
表示在节点n中属于类别x的样本所占的比例，这种比例越高，gini系数就越小，就说明在节点n的类分布越均匀，寻找基尼系数最小的节点进行分裂。
[0064]
本具体实施实例为8层级联森林，其输入是一个d维特征向量v＝[v1，v2，...，vd]
t
，经过第一层的处理后产生c维增强特征v1′
＝[v
′1，v
′2，...，v
′c]
t
，则第一层的输出为一个(d c)维特征向量v1＝v v
′1；向量在经过级联中的每一层时，都会额外产生一个c维增强特征vm′
＝[v
m1
、v
m2
，...，v
mc
]
t
。
[0065]
随着层数的叠加，特征在每一层都得到增强，在第8层将输出(d 8c)维的特征向量。
[0066]
最后一层，所有森林产生的类向量会被平均，作为每个样本的最终的类向量，这个类向量中包含当前样本属于疲劳或不疲劳的概率，其中概率最大的类别即为当前是否存在脑力疲劳的识别结果。
[0067]
5.结果：
[0068]
以十折交叉验证的方式，对14名被试分别进行了用户相关实验，实例实验结果如表2所示，最终得到的结果为：平均脑力疲劳识别准确率达94.7％。
[0069]
被试编号准确率177.9％298.1％396.4％496.9％595.8％696.6％793.8％891.9％994.4％1096.9％1197.9％1298.8％1397.8％1492.5％平均准确率94.7％
[0070]
表2实例实验结果
[0071]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求
的保护范围之内。
[0072]
与现有技术相比，本发明的有益效果在于：相比于多导联脑电计算，本发明只需要计算特定四个电极点(fp1，fp2，f7，r8)的脑电信号的功率谱密度特征，特定的四个电极点电极所处位置一般无头发，方便采集信号分析；相比于单导联采集分析，本发明又可以减少信号不稳定，提升疲劳识别的准确率，避免采集位点单一的问题；内部结构可解释性好，参数较少，鲁棒性较强，即使用于小样本数据时仍准确度较高。