数据集:
年龄在 25 ~ 30 岁、有 5 年以上驾龄的 20名长途货运驾驶员为研究样本,在大型客运车驾驶模拟器上进行实验. 实验场景为一条双向 4 车道道路,车道宽 3. 75 m,全长 200 km,背景车流仅为增加实验真实度,不干扰被试驾驶操作. 要求被试驾驶车辆按 70 ± 5 km / h 的速度行驶,驾驶过程中在被试前方 5 个位置,以随机时间间隔((14 ± 1. 5) s)呈现红点(代表各种突发随机事件). 要求被试者发现红点后尽快点击安装于转向盘上的反应按钮,系统自动记录被试反应时间. 整个实验持续 60 min. 实验
场景见图
实验设备:
德国 Brain Products 公司的 32导脑电采集系统
记录带宽: 0.5 ~ 100 Hz
采样率:1000 Hz.
数据预处理和特征提取:
当大脑处于活跃兴奋状态且具有较高注意水平时脑电频谱分布趋向于高频段,当大脑处于疲劳或较低觉醒水平时则脑电频谱分布趋向于低频段。
(1)0 ~ 80 Hz滤波,去除工频电及部分肌电等伪迹干扰。以长度为 2 s 的时间窗,从左至右滑动将该段信号予以分割
(2)一个时间窗的信号为h(n),将之点乘汉明窗W(n),得到H(n).
(汉明窗参考文献:WEBSTER R J. A generalized hamming window [ J].IEEE Transactions on Acoustics Speech & Signal Processing, 1978, 26(2): 176-177)
(3)对H(n)进行快速傅里叶变换,得到EEG的频域幅值分布密度函数 f[k]
(4)从从 f[k]中分别提取EEG 三种信号频段(θ(4 ~ 8 Hz)、α(8 ~ 13 Hz)、β
(13 ~ 30 Hz)) 的平均幅值,将各个频段组成的合成指标(α + β) / β、α/ β、
(θ + α) / (α + β)、θ / β、(α + β) / θ 作为该时间窗内信号的脑电参数。
(5)最后得到8项参数序列集合:θ、 α、β、(α +β) / β、α/ β、(θ + α) / (α + β)、θ / β、(α + β) / θ,将每列集合去除3倍标准异常值后求平均得到一个电极时间段内的脑电信号参数
(其余电极信号参数同理)
特征选择:
采用的机器学习里面的Relief算法:通过考察脑电参数在同类临近样本与异类临近样本之间的差异来度量该脑电参数对持续性注意水平的区分能力。
分类模型:
径向基核函数(RBF)的SVM分类器
PSO算法为SVM寻找最优参数