[发明专利]一种结合PCA和PCANet的驾驶疲劳特征提取方法

说明书

本发明公开了一种结合PCA和PCANet的驾驶疲劳特征提取方法。本发明包含以下步骤：1、使用脑电采集设备采集驾驶脑电信号；2、对采集到的脑电信号进行预处理，包括降频、降噪；3、对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征；4、对提取的特征使用分类器进行分类学习、识别。本发明使用结合PCA和PCANet的驾驶疲劳特征提取方法，相比单独使用PCANet产生的维度爆炸，一方面可以降低对计算机的运算要求，同时加快了计算速度，减少了运算的时间，有利于后续的实时监测；另一方面PCANet这个图像的处理方法跨领域使用在驾驶疲劳特征的提取，也使分类的准确率有了有效的提升。

技术领域

本发明涉及驾驶疲劳的特征提取方法，特别涉及一种结合PCA和PCANet的驾驶疲劳特征提取方法，将原本运用在图像处理的方法PCANet运用到BCI的领域，并运用在疲劳驾驶的研究方向。

背景技术

主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析首先是由K.皮尔森(Karl Pearson)对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。

PCANet是关于图像分类的深度学习框架，这个框架主要依赖几个基本的数据处理方法：1)主成分分析PCA。2)二值化哈希编码。3)分块直方图。在这个框架中，首先通过PCA方法来学习多层滤波器核，然后使用二值化哈希编码以及块直方图特征来进行下采样和编码操作。

发明内容

本发明的目的一方面是解决由于PCANet导致维度的升高，并且使计算复杂度上升，计算速度变慢的问题，另一方面可以提高在疲劳检测的分类准确率。从而提出了一种结合PCA和PCANet的疲劳驾驶检测方法。

按照本发明提供的技术方案，提出了一种结合PCA和PCANet的驾驶疲劳特征提取方法，包括如下步骤：

步骤1、使用脑电采集设备采集模拟驾驶脑电信号；

步骤2、对采集到的脑电信号进行预处理，包括降频、降噪；

步骤3、对预处理后的信号通过结合PCA和PCANet提取方法提取特征；

步骤4、对提取的特征使用分类器进行分类学习、识别；

所述的步骤1中，脑电信号采集包括记录驾驶者脑电信号的实时变化，因为脑电的主要频段是0.1-50Hz,所以确定10秒作为每段脑电信号片段的长度，并对每段脑电信号片段进行分析处理。

所述的步骤3中，对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征的步骤具体为：

步骤3-1：对预处理后信号首先采用PCA进行降维处理，为保持原信号足够信息量同时起到尽可能的降维处理，设定一个保持原信号99％的阈值，对每段信号进行处理，最后根据每段信号特征确定所降的维数；

步骤3-2：对由3-1所得的降维处理后的信号进行PCANet的运算，以运算结果作为特征。

所述的步骤3中，对预处理后信号通过PCA运算得到降维信号的步骤具体为：

(1)对采集的脑电信号进行特征中心化处理，即每一维的样本都减去它的均值；

(2)计算中心化后的协方差矩阵C；