[发明专利]一种基于四导联脑电和深度森林的脑力疲劳识别方法

权利要求书

1.一种基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，包括如下步骤：

步骤1：对采集到的脑电信号数据进行相应的预处理。

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。

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。

2.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤1包括如下步骤：

(a1)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。

(a2)采用独立分量分析法去除眨眼、眼动等导致的伪迹。

3.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤2中的特定四个电极点为Fp1，Fp2，F7，F8。

4.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤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，其具体为需要分别计算四个电极点(Fp1，Fp2，F7，F8)的Delta波：0.5～4Hz，Theta波：4～8Hz，Alpha波：8～13Hz；，Beta波：13～32Hz；，Gamma波：＞32Hz的功率谱密度。

5.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤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，功率谱密度的计算公式为：

PSD＝U²(k)/N

其中，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：

式中W_N＝e^-j2π/N，k＝0，1，…，N-1。

6.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤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，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。假设数据集中共有x个类别的样本，在任意一个节点n，该点的基尼系数的计算公式为：

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。

7.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤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，对于m层级联森林，假设其输入是一个d维特征向量V＝[v₁，v₂，...，v_d]^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V_m′＝[v^m₁，v^m₂，...，v^m_c]^T。随着层数的叠加，特征在每一层都得到增强，在第m层将输出(d+mc)维的特征向量。

8.根据权利要求1所述的基于四导联脑电和深度森林的脑力疲劳识别方法，其特征在于，所述步骤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，深度森林模型的最后一层，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。