[发明专利]一种基于脑电数据的危险交通场景辨识方法及系统

权利要求书

1.一种基于脑电数据的危险交通场景辨识方法，其特征在于，包括以下步骤：

基于交通场景，获取刺激对象和实验变量；

通过刺激对象和实验变量完成对驾驶员的驾驶测试，获取预设时长内驾驶员包含脑电信号的EEG数据；

对采集到的脑电信号进行预处理，去除脑电信号中的信号噪音；

对预处理后的脑电信号提取特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；

计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值；

根据所述差值辨识交通场景的危险程度。

2.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，对采集到的脑电信号进行预处理，包括去除脑电信号中的信号噪音，包括陷波和带通滤波去噪、基于I CA法的眼电去噪、实验变量刺激段数据提取、基线校正。

3.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，对预处理后的脑电信号提取特征指标，包括：从EEG数据提取出若干节律波的功率谱密度作为特征指标。

4.根据权利要求3所述的基于脑电数据的危险交通场景辨识方法，其特征在于，从EEG数据提取出若干节律波的功率谱密度作为特征指标，包括：从脑电信号中分别提取出α波、β波、θ波、δ波，四种节律波的功率谱密度作为全脑平均功率谱密度的特征指标：

其中，f_up表示节律波对应的频率上界，f_down表示节律波对应的频率下界。

5.根据权利要求4所述的基于脑电数据的危险交通场景辨识方法，其特征在于，采用数理统计的方法分析得到具有显著性的特征指标，包括：

提取全脑α波、β波、θ波、δ波,得到4个特征指标；

将脑通道按额叶、顶叶、枕叶和颞叶划分为四个脑区，分别对四个脑区提取脑电δ波、θ波、α波和β波的功率谱密度，得到16个特征指标；

采用功率谱估计方法分析驾驶过程中驾驶员的脑电信号，

其中，所述AR功率谱估计模型为：

AR功率谱估计模型中的阶数p使用代价函数进行估计，-jtw为复指数信号，AR功率谱估计模型的系数c_pi和σ²使用Burg算法进行求取，使AR模型前后项预测误差的功率之和为最小；

采用正态性检验对采集到的特征指标的P(w)差异性进行检验分析；

对P(w)服从正态分布和方差齐性要求的特征指标进行单因素方差分析，对P(w)不服从正态分布或不满足方差齐性要求的特征指标进行非参数方差分析；

确定P(w)小于预设值的特征指标为具有显著性的特征指标。