[发明专利]一种基于人工鱼群优化H-ELM的疲劳驾驶检测方法

说明书

本发明公开了一种基于人工鱼群优化H‑ELM的疲劳驾驶检测方法；具体为：1、使用32导脑电采集设备获取驾驶脑电信号；2、对原始脑电信号进行预处理，包括降频、滤波；3、对预处理后的进行短时傅里叶变换再获取其功率谱密度，并根据脑电信号的频带进行频带划分，以各频带的功率作为特征；4、对提取的特征使用多层感知超限学习机进行分类学习、识别；5、通过人工鱼群算法对超限学习机的分类、识别效果进行优化。本发明使用AFSA优化后的H‑ELM分类器对疲劳驾驶脑电信号进行检测，可有效的提高分类检测准确率。

技术领域

本发明涉及疲劳驾驶的识别分类方法，特别涉及一种基于人工鱼群优化多层感知超限学习机的疲劳驾驶检测方法。

背景技术

超限学习机(Extreme Learning Machine,ELM)是一种新型的快速求解单隐层前馈神经网络方法，在训练过程中能够随机产生隐含层偏差，无需调整，只需要设置隐含层神经元的个数以及激活函数，便可以通过最小化平方损失函数得到输出权值。因此能够轻松的实现良好的泛化能力、快速学习能力以及很强的逼近能力。多层感知超限学习机(H-ELM)通过构造一个自编码函数，以编码和解码的形式来学习并表示原始输入信号，不断减少重构误差来达到表征原始信号的目的，提取出更好的特征表示，再通过普通的超限学习机对特征进行学习和分类。由于多层感知超限学习机结构的特性，其隐含层的惩罚因子和隐含层的层数是随机设定的，且直接影响超限学习机的分类效果。

发明内容

本发明的目的是使用功率谱对原始信号进行特征提取，结合人工鱼群优化算法(AFSA)对多层感知超限学习机的隐含层惩罚因子和隐含层层数进行迭代寻优，提出了一种基于人工鱼群优化多层感知超限学习机(AFSA-H-ELM)的驾驶疲劳检测方法。

按照本发明提供的技术方案，提出了一种基于人工鱼群优化的多层感知超限学习机驾驶疲劳检测方法，包括如下步骤：

步骤1、使用脑电采集设备获取32通道下疲劳驾驶状态的信号和非疲劳驾驶状态的信号；

步骤2、对原始脑电信号进行相关预处理，其中包括降频、滤波；

步骤3、对预处理后的进行特征提取：对处理后的脑电信号进行短时傅里叶变化，然后对处理后的脑电信号的频带求功率谱密度，这样原始脑电信号就转化成由功率谱所代表的特征向量；

步骤4、对提取的特征使用多层感知超限学习机进行分类学习、识别；

步骤5、通过人工鱼群算法对多层感知超限学习机的隐含层惩罚因子C和隐含层层数K两个参数进行优化。

所述的步骤3中处理后的脑电信号的频带分别为δ(0.1-3Hz)、θ(4-7Hz)、α(8-15Hz)、β(16-31Hz)、γ(32-50Hz)。

所述的步骤4中，多层感知超限学习机进行分类学习、识别的步骤具体为：

4-1.将输入信号随机映射到一个特征空间；

4-2.经过K层隐藏层，每一层隐藏层进行无监督学习，输出的Η_K代表了输入数据的高层特征，此时再通过普通的超限学习机对特征进行学习和分类；

其中每一层隐藏层的输出表达为

H_i＝g(H_i-1·β)，

其中，Η_i是第i个隐藏层的输出，Η_i-1是第i-1个隐藏层的输出，g(·)是隐藏层的激活函数，β是隐藏层的输出权重，由下式计算而来：