技术摘要：
本发明涉及一种基于电生理信号人工智能分析的疲劳驾驶告警方法及系统,包括采集前额三通道电生理信号，构造原始待处理数据矩阵并放入缓存；对原始待处理数据矩阵作预处理；对预处理后的数据矩阵作多通道经验模态分解，三个通道上分别得到通道间对应频率一致的多个本征模  全部
背景技术：
引发交通事故发生的因素有很多，驾驶人员的疲劳驾驶是主要因素之一，已成为 重大交通事故的第二大诱因。 为了克服疲劳驾驶，目前已存在很多单独利用脑电、单独利用眼电或者联合利用 脑电和眼电进行疲劳状态判断的现有文献。对单独利用脑电的方式而言，往往需要繁琐的 脑电数据预处理，特别是去眼电的过程把与疲劳状态相关的有用眼电信号也去除了，因此 侦测效果差；对单独利用眼电的方式而言，眼电电极的设置可能干扰驾驶员的正常行驶，实 用性差；因此联合利用脑电和眼电进行疲劳状态的判断方案变得越来越流行。 联合利用脑电和眼电进行疲劳状态判断的方式，目前主要包括两种途径：一种途 径是分别设置脑电采集电极和眼电采集电极并利用两者采集到的数据联合分析；另一种途 径是只利用前额电极进行电生理信号采集，然后从其中分别提取脑电和眼电信息联合进行 分析。如中国发明专利(CN105595996A)公开了一种眼电与脑电综合判定的疲劳驾驶脑电监 测方法，分别利用眼电判定模块和脑电判定模块对信号进行处理与分析，脑电判定模块和 眼电判定模块分别利用脑电波的能量和测试人员的眨眼次数设定相应的阈值对驾驶人员 所处状态进行监测，两者均超出设定的阈值时，则做出驾驶人员处于疲劳驾驶的判断。上述 虽然将眼电与脑电相结合对疲劳状态进行了综合监测，但眼电仅提取了眨眼次数这一特 征，对眼电的利用比较粗糙，无法准确提取眼电信号加以全面的利用。
技术实现要素：
为此，本发明所要解决的技术问题在于克服现有技术中对眼电的利用比较粗糙， 无法准确提取眼电信号的问题，从而提供一种可以准确提取眼电信号的基于电生理信号人 工智能分析的疲劳驾驶告警方法。 为解决上述技术问题，本发明的一种基于电生理信号人工智能分析的疲劳驾驶告 警方法，包括：采集前额三通道电生理信号，构造原始待处理数据矩阵S＝[s1,s2,s3]并放入 缓存；对所述缓存内的原始待处理数据矩阵Sraw作预处理，得到预处理后的数据矩阵S；对所 述预处理后的数据矩阵S作多通道经验模态分解，三个通道上分别得到通道间对应频率一 致的多个本征模函数分量，其中第i个通道上的第n个本征模函数分量表示为 n＝1， 2，...，N，i＝1，2，3；根据所述本征模函数分量，基于矩阵联合对角化得到三个通道上各自 的脑电信号ei、垂直眼电分量vi和水平眼电分量hi；将所述三个通道上各自的垂直眼电分量 vi和水平眼电分量hi合并得到汇总的垂直眼电信号v和水平眼电信号h；将所述三个通道各 自的脑电信号ei、汇总的垂直眼电信号v和水平眼电信号h输入预先搭建并训练好的多通道 循环神经网络，根据输出结果判断是否属于疲劳驾驶。 5 CN 111603158 A 说　明　书 2/10 页 在本发明的一个实施例中，采集前额三通道电生理信号的方法为：采用三个数据 采集电极，且所述三个数据采集电极的位置分别为左侧眉骨上方、右侧眉骨上方以及眉心 上方，并将地电极和参考电极分别置于左侧太阳穴附近和右侧太阳穴附近。 在本发明的一个实施例中，对所述缓存内的原始待处理矩阵Sraw作预处理的方法 为：将各通道每一个采样点数值减去该通道部分时间数据的均值，再将每个通道上的数据 通过一个带通滤波器。 在本发明的一个实施例中，对所述预处理后的数据矩阵S作多通道经验模态分解 的方法为：由序列采样法在二维球面上获得合适的均匀采样点集，确定三维空间的多个方 向向量；将所述预处理后的数据矩阵S在所述L个方向向量上做投影，形成L个二维球面上的 投影，确定投影后形成的各个矩阵各列向量的极值所在位置，在每列的极值点周围插值获 取多维包络，计算包络均值 其中在每列的极值点周围插值获取多维包络 El,l＝1,2,...,L；计算所述预处理后的数据矩阵S与所述包络均值的差值H＝S-M，判断差 值H是否满足所述本征模函数分量的筛分停止条件，若不满足，则用所述差值H替换所述预 处 理 后 的 数 据 矩 阵 S ，重 复 进 行 步 骤 S 3 2 、步 骤 S 3 3 ，若 满 足 ，则 定 义 进入步骤S34；判断预处理后的数据矩阵S与已 分解出的各个本征模函数分量做差形成的余量R＝S-IMF1-IMF2-…-IMFn是否满足多通道经 验模态分解终止条件，若满足终止条件，则停止本征模函数分量提取；若不满足，将所述余 量作为输入，返回至所述步骤S32开始循环。 在本发明的一个实施例中，所述步骤S33中，所述本征模函数分量筛分停止条件为 经过若干个连续的筛分步骤后信号过零点和极值点的数目相同。 在本发明的一个实施例中，所述步骤S34中，分解终止条件为当余量只有一个极值 的函数或是一个单调函数。 在本发明的一个实施例中，基于矩阵联合对角化得到三个通道上各自的脑电信号 ei、垂直眼电分量vi和水平眼电分量hi的方法为：对于第i个通道上的第n个本征模函数分量 以多个数据点滑动、1个数据点交迭，构造增广数据矩阵Xi,n,n＝1,2,...,N,i＝1, 2,3，根据所述增广数据矩阵计算除第一本征模函数分量和第二本征模函数分量之外的本 征模函数分量对应的本征模协方差矩阵 其中n＝3～7，(·)T为矩 阵转置；对于第n(n＞2)个本征模函数分量，计算三通道数据分别对应的本征模协方差矩阵 C1 ,n、C2,n与C3 ,n的联合对角化，并提取对应于绝大部分能量的主成分基矩阵Un；以第六个主 成分基矩阵为垂直眼电分量的参考基矩阵，对于第n＝3,4,5,7个主成分基矩阵的第k列向 量un,k，若与参考基矩阵形成的相关系数 大于预设阈值，则将该向量作 为所述主成分基矩阵中垂直眼电分量基矩阵Uv ,n的新增列，否则将其作为水平眼电分量基 矩阵Uh ,n的新增列，最终形成垂直眼电的投影矩阵 水平眼电 的投影矩阵 n＝3,4,5,7和对应于垂直眼电分量参考基矩阵 6 CN 111603158 A 说　明　书 3/10 页 的参考投影矩阵 对于第i个通道，通过所述垂直眼电数据矩阵Pv,n 和水平眼电数据矩阵Ph,n分别计算出垂直眼电数据矩阵 和水平眼电数据矩阵 由向量构造 矩阵相反的方式通过所述垂直眼电数据矩阵Vi和水平眼电数据的矩阵Hi投影的结果分别反 构造出垂直眼电分量vi和水平眼电分量hi，再由三通道数据上各自与垂直眼电分量vi、和水 平眼电分量hi的差值计算脑电信号ei＝si-vi-hi。 在本发明的一个实施例中，所述合并得到汇总的垂直眼电信号和水平眼电信号的 方法为：对三通道中两两通道的垂直眼电分量v1和v2、v1和v3分别滑动求互相关系数，确定 对应于各自最大互相关系数的第一时间间隔Tv,12和Tv,13，并确定各自的水平眼电分量h1和 h2、h1和h3的最大互相关系数对应的第二时间间隔Th,12和Th,13；根据所述垂直眼电分量和所 述第一时间间隔汇总得到垂直眼电信号v(t)＝v1(t) v2(t Tv,12) v3(t Tv,13)，根据所述水 平眼电分量和所述第二时间间隔汇总得到水平眼电信号h(t)＝h1(t) h2(t Th ,12) h3(t Th,13)。 在本发明的一个实施例中，所述多通道循环神经网络为多层双向长短期记忆网 络，由一个正向的多层长短期记忆网络和一个逆向的多层长短期记忆网络构成。 本发明还提供了一种基于电生理信号人工智能分析的疲劳驾驶告警系统，包括： 采集模块，用于采集前额三通道电生理信号，构造原始待处理数据矩阵Sraw＝[s1,s2,s3]并 放入缓存；预处理模块，用于对所述缓存内的原始待处理数据矩阵Sraw作预处理，得到预处 理后的数据矩阵S；分解模块，用于对所述预处理后的数据矩阵S作多通道经验模态分解，三 个通道上分别得到通道间对应频率一致的多个本征模函数分量，其中第i个通道上的第n个 本征模函数分量表示为 n＝1，2，...，N，i＝1，2，3；提取模块，用于根据所述本征模 函数分量，基于矩阵联合对角化得到三个通道上各自的脑电信号ei、垂直眼电分量vi和水平 眼电分量hi；汇总模块，用于将所述三个通道上各自的垂直眼电分量vi和水平眼电分量hi合 并得到汇总的垂直眼电信号v和水平眼电信号h；人工智能输出模块，用于将所述三个通道 各自的脑电信号ei、汇总的垂直眼电信号v和水平眼电信号h输入预先搭建并训练好的多通 道循环神经网络，根据输出结果判断是否属于疲劳驾驶。 本发明的上述技术方案相比现有技术具有以下优点： 本发明所述的基于电生理信号人工智能分析的疲劳驾驶告警方法，通过前额干电 极采集脑电与眼电两种电生理信号，简化了电极放置方式，无需放置眼电电极，更便于实际 使用。 本发明实现了脑电与眼电的盲分离，并将眼电区分为垂直眼电和水平眼电两部分 信号，联合考虑了它们在疲劳判断中所起的不同作用，提高了疲劳监测的鲁棒性。 本发明利用多层双向长短期记忆网络这一种循环神经网络在疲劳判断中考虑数 据在多通道间、时序间的关系，提高了疲劳监测的准确率。 7 CN 111603158 A 说　明　书 4/10 页 附图说明 为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合 附图，对本发明作进一步详细的说明，其中 图1是本发明基于电生理信号人工智能分析的疲劳驾驶告警方法流程图； 图2是本发明前额电极布局示意图； 图3是本发明采集到的前额三通道脑电信号预处理后的数据实例； 图4a是左边电极上的结果； 图4b是中间电极上的结果； 图4c是右边电极上的结果； 图5是IMF分量重构得到的垂直眼电、水平眼电和三个通道上的纯净脑电信号实 例； 图6是本发明所用循环神经网络结构示意图。