基于脑电与面部特征拼接融合的驾驶疲劳识别研究

使用面部特征和脑电(Electroencephalogram, EEG)特征识别驾驶员的疲劳状态,对驾驶员进行疲劳提醒,可以有效降低事故发生概率。为解决单一面部特征或EEG特征识别精度不高的问题,提出一种基于EEG与面部特征拼接融合的疲劳识别方法。提取EEG信号的时域、频域、非线性特征和面部特征,通过特征层信息融合的方法进行特征拼接。为提高面部特征识别速度,提出了一种改进的YOLOv5_mobilenet模型。在此基础上,将拼接后的融合特征通过六大机器学习模型进行精度识别,并选择准确性、F1_score、精确率和召回率进行分析、评价。使用公开的数据集来验证所提出的方法,结果表明,改进的YOLOv5_mobilenet模型在各个特征表现均高于现有模型;不同的机器学习模型评价结果显示,与单一的疲劳特征识别相比融合特征表现更好,因此,基于EEG与面部特征拼接的融合特征用于驾驶疲劳识别是可行的。

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取，并对提取的特征向量进行了模式分类。实验中共采集5名受试者脑电信号，每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100～400ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成，各受试者样本集均含400个试次样本。非监督特征学习过程由含6个神经节的BP神经网络完成，后选用支持向量机作为分类器。对比了1试次，2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率。实验结果表明：采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90％，显著优于对各单通道时域特征向量的分类正确率，该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式。

运动疲劳后人体脑区脑电功率谱特征的反应分析

分析在运动疲劳状态下人体脑电信号的反应特征。在某体育院校中随机选择30名健康男性志愿者,在开始实验前,首先令受试者熟悉实验流程,对受试者强迫高强度运动,在对受试者脑电信号进行测试时,电极依据国际10/20系统安放,将人体两个耳垂看作参考电极,前额正中接地。正式实验包括两部分:第一部分是受试者分别以20%、60%MVC进行静态屈肘诱发屈肘肌疲劳实验;第二部分为疲劳运动后脑电波脑电功率谱百分比变化实验。不同脑区脑电功率谱能量通常集中于5~20 Hz频率区间中,每个脑区脑电信号功率谱能量曲线的峰值均为10 Hz左右。60%MVC运动疲劳实验中不同脑区脑电功率谱能量处于3~60 Hz的广泛频率区间中,功率谱能量曲线峰值均约为14 Hz;和运动前半段脑电功率谱能量比较,运动后半段左侧脑区和右侧脑区脑电功率谱能量值在一定程度呈上升趋势,中间脑区无显著变化,前、后脑区整体呈增加趋势,但在部分频率下有所降低。20%MVC与60%MVC运动疲劳实验后半段各脑区各频段能量平均值较前半段均在一定程度上有所增加。运动疲劳后γ波指数在第10 min和安静值相比显著增加,P<0.05,运动疲劳后θ波指数在第10、20和30 min和安静值相比显著降低,P<0.05;运动疲劳后α波指数均低于安静值,但无显著性差异,P>0.05;运动疲劳后β波指数在第30 min和安静值相比显著降低,P<0.05。说明运动能够提高神经系统功能,促进大脑发育。

基于HFD和LZC特征联合的单通道静息态脑电抑郁症识别研究

目前抑郁症的临床诊断多以医生经验和患者主观感受为主,主观性强、准确率低、耗时长。随着神经电生理学和计算机技术的发展,抑郁症的客观分类与识别成为可能。但是,已有的基于静息态脑电信号的抑郁症分类识别方法较为单一,脑电特征选取的精准性、综合性和有效性有待进一步探究。本文在设计包含两种模态实验范式的基础上,提出一种基于HFD和LZC特征联合的单通道静息态脑电抑郁症分类识别方法,以期用较少的特征获得较高的分类准确率。首先采集8名抑郁患者和8名健康对照的静息态脑电信号;然后提取其非线性动力学特征参数HFD和LZC;最后将特征数据输入到非线性支持向量机模型中进行分类识别。结果表明,联合特征得到的灵敏度、特异性和分类正确率最高分别为98.12%、96.67%和95.10%,较单独HFD/LZC特征平均分别提高了23.05%、17.02%和19.29%。同时,模型主体部分仅耗时约12 s。研究结果对临床实践中抑郁症的识别和辅助诊断具有重要意义。

Alertness Staging Based on Improved Self-Organizing Map

In order to classify the alertness status, 19 channels of electroencephalogram(EEG) signals from 5 subjects were acquired during daytime nap. Ten different types of features(including time domain features, frequency domain features and nonlinear features) were extracted from EEG signals, and an improved self-organizing map(ISOM) neuron network was proposed, which successfully identify three different brain status of the subjects: awareness, drowsiness and sleep. Compared with traditional SOM, the experiment results show that the ISOM generates much better classification accuracy, reaching as high as 89.59%.