基于CSP与SVM算法的警觉度脑电信号分类

基于CSP与SVM算法的警觉度脑电信号分类基于CSP与SVM算法的警觉度脑电信号分类疲劳驾驶是造成交通死亡事故的重要原因之一，而疲劳又与人的警觉程度密切相关。因此，对警觉度进行分析和评价，并及时提醒驾驶员，可以有效避免事故的发生，对改善我国交通安全状况具有重要意义。从上世纪80年代以来，国内外对警觉度进行了很多研究。参考文献[1]采用眼睛闭合程度、闭合时间、眨眼频率、点头频率、人脸的朝向、人眼注视方向以及嘴的张开程度来估计警觉度。然而上述的特征需较长的时间才能给出一个稳定准确的结果，并且易受外部环境影响。相较而言EEG信号能更快更准确地反映大脑的活动，并且有更高的时间分辨率。目前，常用的基于EEG的警觉度特征提取方法有功率谱[2-4]和小波变换[5]。但是，功率谱估计是盲相的，只包含信号的幅度信息不包含相位信息，所以在提取特征时有一定的局限性；用小波变换提取脑电节律，所提取的节律的通带信息不全，边缘特性不好，并且这两种方法都在空间特征提取上存在不足。目前对脑电特征提取的分类的方法主要有线性判别分析[7]、模糊神经元网络[8]以及支持向量机[9]等。线性判别函数局限性很大；神经网络的学习过程存在局部极小、推广能力差、容易出现过拟合等问题；SVM是一种基于结构风险最小化准则的学习方法，在解决小样本、非线性及高维模式识别问题中有许多特有的优势，其推广能力明显优于一些传统的学习方法。公共空间模式CSP(CommonSpatialPattern)[6]是一种空间滤波方法，能够抽取测试者特殊、有差别的脑部空间模型，提取人的EEG的有效特征。本文通过CSP提取特征，再结合支持向量机模型进行预测。与频带能量作为特征的已有方法进行比较，本文算法测试准确率较高。1基于CSP与SVM的警觉模型信号处理的基本框图如图1所示。[pic][pic]核参数r和