基于脑电信号和极限学习机的警觉度检测研究

杨米红，李会艳，孙晓舟，秦迎梅

（天津职业技术师范大学天津市信息传感与智能控制重点实验室，天津 300222）

警觉度即操作者在执行某项任务时对外界的刺激长时间保持警惕和注意的灵敏程度，它是检测操作者是否产生疲劳的一个重要指标[1]。随着车辆的不断增加，道路交通事故发生的频率也在逐渐增加。据不完全统计，我国每年发生交通事故约20万起[2-3]。交通事故统计结果表明，人为因素在交通事故中所占的比例最大，其中驾驶员在驾驶过程中出现警觉度下降是发生交通事故的主要原因之一。目前，警觉度的检测方法主要分为主观检测法和客观检测法2种。主观检测法通常作为警觉度检测的辅助手段应用于实验中，如Putilov等[4]的卡罗林斯卡嗜睡量表（Karolinska sleepiness scale，KSS）和 Fransolin 等[5]的斯坦福嗜睡量表（Stanford sleepiness scale，SSS）。客观检测法主要包括基于表情特征、基于生理信号和基于行为特征3种[6-9]，其中运用最多的是基于视频技术和基于脑电信号处理2种方法。采用视频技术进行研究时，需要被试头部尽量固定，不可随意移动，且易受光线等因素的影响，因此实验大多采用基于脑电信号的处理方法对警觉度进行研究。

脑电信号在警觉度检测方面应用广泛，其中大多采用人工神经网络（artif i cial neural network，ANN）[10-12]和支持向量机（support vector machine，SVM）[13-16]的方法实现对警觉度状态的检测。然而，ANN受到传统学习方法局部最小值的影响，其学习速度较低。SVM训练算法的计算复杂性也导致了难以使用SVM处理较大规模的计算问题。极限学习机（extreme learning machine，ELM）是最近提出的用于单隐层前馈神经网络的机器学习方法，其中输入权重和偏置的数值可随机初始化并得到相应的输出权重[17-18]。华东理工大学Chen等[19]曾利用ELM学习算法的非线性特征实现对被试生理信号的警觉度状态的检测，该算法不仅避免陷入局部最优，同时还拥有较快的计算速度。本文主要研究不同信号组合以及不同特征组合在ELM以及SVM分类器中的分类效果，并对分类结果进行比较，挑选出分类效果较好的信号和特征的组合方式后，对被试的警觉度状态进行检测。

1 实验设计

1.1 数据采集

采集了一位被试的实验数据用于实验处理，被试为所在实验室老师，男性，36岁，身心健康，无任何神经疾病及其他严重的身体疾病，在实验之前，精神状态良好，无饮食茶、酒等刺激性食物以及精神类药物的情况。实验总时长为1 h，采样率为1 000 Hz，由Neuroscan脑电系统中的SynAmps2放大器进行连续采集。依据便携式脑电帽的发展趋势，主要采集被试位于前额和枕区附近的10个导联的脑电信息，采集的10个导联通道位置如图1所示。实验中采用模拟驾驶平台模拟高速公路驾驶情况，该平台由Unity3D软件进行开发，驾驶场景主要由公路、沙漠、树木组成，模拟驾驶实验平台界面如图2所示。为了模拟真实的驾驶场景，被试在驾驶过程中车辆会出现向左或向右的随机偏移事件，被试需要在车辆开始偏移后调整方向盘，尽可能保证车辆在直行时位于第三车道的中间位置。被试在实验开始前有5 min的时间熟悉模拟驾驶系统平台的操作步骤和使用方法。根据被试容易出现疲劳状态的时间[20]，选择在午饭过后的时间段对被试的脑电数据进行采集。实验采集数据如图3所示。根据行车轨迹偏差，将脑电信号分为警觉状态和困倦状态。

图1 导联通道位置

图2 模拟驾驶实验平台界面

图3 实验采集数据

1.2 特征提取

为了进一步研究时频特征对警觉度状态检测的影响，采用小波变换的方法对采集到的原始脑电信号进行处理。设计选择的频率子带分别为d1（64～128Hz），d2（32～64 Hz），d3（16～32 Hz），d4（8～16 Hz），d5（4～8 Hz），d6（2～4 Hz），d7（1～2 Hz）以及d7（0～1 Hz），警觉状态和困倦状态下原始脑电信号及其小波变换各子频带信号示例如图4所示。d1和d2子频带信号主要反映脑电信号的高频信息，如肌肉收缩和环境噪声的影响[21]。根据对警觉度的研究结果，警觉度状态的明显变化主要出现在1～40 Hz频率处[22]，因此选择对子频带信号{d2，d3，d4，d5，d6，d7}进行进一步的分析。

图4 警觉状态和困倦状态下原始脑电信号及其小波变换各子频带信号示例

分别对原始脑电信号和经由小波变换得到的子频带信号进行特征提取。其特征选择为标准偏差、振幅对数和四分位数3种，标准偏差的计算公式可表示为：

振幅对数的计算公式可表示为：

四分位数的计算公式可表示为：

式中：s为脑电信号；Q1为对脑电信号进行1/4位数；Q3为对脑电信号进行3/4位数。根据提取好的脑电信号特征，采用ELM和SVM分类器分别对测试数据和训练数据进行警觉度状态的分类。

1.3 ELM

ELM是一种求解单隐层神经网络的算法，比传统的学习算法速度快，是一种新型的快速学习算法，可随机初始化输入权重和偏置并得到相应的输出权重。该算法可以克服传统梯度学习算法在实际前馈神经网络中存在的学习效率低、参数设定较为繁琐的缺陷。

假设有一个数据集D={（xi，yi|i=1，2，…，N）}，其中xi∈Rn，yi∈Rm分别作为特征向量和样本标签。含有M个隐层节点的单隐层神经网络的输出可表示为：

式中：wj=[wj1，wj2，…，wjn]T为输入权重；βj=[βj1，βj2，…，βjn]T为输出权重；bj是第i个隐层单元的偏置；g（·）为激活函数。当N→∞时，ELM可以实现零误差逼近目标函数[18]。

对于数据集D，假设ELM能以零误差逼近N个训练样本，即则βj、wj和bj满足：

可将式（5）表示为：

ELM的求解步骤为：首先随机设置输入权重wj和隐层单元的偏置bj，然后计算隐层输出矩阵H，最终根据=H+T得到输出权重。

在本研究中，ELM设置20个隐层神经元，并选择sigmoid函数作为隐层激活函数。输出层含有1个节点，定义1为困倦信号，-1为清醒信号。

2 实验结果

通过分类准确率评估不同的特征提取方法与2种分类器组合时得到的结果，分类准确率为对警觉度状态能进行正确分类所占的百分比。本文将不同信号的3种特征向量的不同组合分别代入到ELM和SVM分类器中进行比较，得到的不同特征、不同信号组合下的ELM与SVM分类准确率如表1和图5所示。

表1 不同特征、不同信号组合下ELM与SVM的分类准确率%

图5 不同特征、不同信号组合下的ELM与SVM分类准确率

从表1可知，比较不同子频带信号的分类结果，采用原始脑电信号和d4子频带信号优于其他频带得到的分类结果。其中，当特征组合为SL、SLQ时，采用ELM和SVM对警觉度进行分类，得到的分类准确率较高，分类效果较好。

从图5可知，采用原始脑电信号进行分类时，选择四分位数作为特征，得到的分类结果较差，采用SL和SLQ的特征组合时，得到的分类准确率较高，可达到99%以上；采用d4子频带信号进行分类时，以标准偏差作为特征时得到的分类结果较差，其余特征组合时得到的分类结果较好；当采用SL和SLQ的特征组合，并采用ELM分类器进行分类时，分别得到99.24%和99.89%的分类准确率；若只采用单个信号对警觉度进行分类，特征组合后得到的分类效果较好；3种特征进行组合后，ELM的分类效果优于SVM的分类效果，且ELM分类器的复杂度小于SVM分类器，因此采用ELM分类器对警觉度状态进行检测。

3 结语

本文研究了基于脑电信号的警觉度检测，采用基于DWT的ELM分类器实现对被试在驾驶过程中警觉度状态的检测，通过计算分类结果的正确率来实现对分类器性能的评估。采用DWT将被试原始脑电信号分解为子频带信号，可寻找出被试警觉度变化较为明显的频段范围，进而根据不同频带下脑电信号特征判断脑警觉度状态。结果表明：采用原始脑电信号或8～16 Hz子频带脑电信号，SL或SLQ特征组合，应用ELM或SVM算法均可达到较高的分类准确性。与传统SVM分类器相比，ELM学习算法学习速度较快，得到的分类效果相对较好。因此，采用基于DWT的ELM检测系统对警觉度状态进行检测高效、实用，能够更及时、方便地判断驾驶人员的警觉度状态，在保障安全驾驶方面具有重要意义。