基于脑电信号的驾驶意图识别外文翻译资料

武汉理工大学

毕业设计（论文）

基于脑电信号的驾驶意图识别

[摘要] 在不同驾驶环境下，通过脑电信号（EEG）识别驾驶人员的意图能够对自动驾驶的实际应用提供理论和实践支持。通过设计一个驾驶模拟实验，建立了脑电信号采集系统，并通过一个特定的时间窗口对驾驶员左转、右转、直行的脑电信号进行收集，通过小波包变换对采集到的数据进行特征参数提取。基于神经网络，建立一个驾驶意图识别模型，将粒子群优化（PSO）的方法应用于模型的参数最优化。提取出来的特征参数将输入识别模型中，用于识别左转、右转和直行前的驾驶意图，Matlab用于模拟和验证建立的模型所获得的结果。对驾驶意图的最高识别概率达到92.9%。结果显示驾驶人员的脑电信号可以用于分析脑电信号的规律，而且基于粒子群优化的神经网络模型可适用于识别驾驶意图。

[关键词] 小波包；脑电信号（EEG）；驾驶意图；神经网络模型

本研究是结合理论与实践来探索在大脑不同区域的脑电信号。特别的，自动驾驶的发展引领人们在驾驶意图领域进行深入研究。国外对于驾驶的的研究起源于十九世纪三十年代中，通用汽车公司开发了一种基于特征参数的识别方法，该方法通过采用加速踏板的变化率来进行驾驶意图识别，从而辅助换挡控制器。Tarek Taha等人采用部分可观测马尔可夫决策过程识别了一位操作者的意图，应用在了一个新型辅助轮椅驾驶系统上。Takuya Mizushima等人结合数理统计理论采用隐式马尔科夫模型建立了驾驶人员方向盘的偏转角模型。现有的研究仍然集中在基于贝叶斯方式的驾驶人员意图评估，在2013年，Liebner Martin等人在城市的十字路口，通过车辆跟随和转向行为的参数模型估计车速和驾驶人员意图。Rodemerk C等人为驾驶人员在十字路口的转向提出了一个预测模型，他们通过汽车、驾驶人员和路面参数作为输入参数来获得预测结果。

与此同时，当地的对驾驶意图和驾驶辅助系统的研究仍然尚未成熟，这一定程度上是因为对驾驶人员意图进行识别的数学模型发展依然具有很大挑战性，模型通常将车辆驾驶状态、驾驶员操作和驾驶经验相结合作为评估的依据。

对于驾驶意图的特征参数选择和提取在这一研究领域是非常重要的。传统的来说，方向盘偏转角、踏板距离、油门加速和其他参数都被用作识别驾驶意图的特征参数。在现在的研究中，小波包技术常被用于对驾驶过程中提取到的脑电信号进行分解和特征提取。接着，提取到的脑电信号特征将作为输入量参数输入到识别模型中，用于识别驾驶意图。现有的研究不仅会为未来的自动驾驶研究提供理论支持，还会给辅助车辆驾驶提供参考。

1．实验分析

本次实验的设备包括两部分：一个是虚拟驾驶单元和一个是脑电信号获取设备。虚拟驾驶单元用于帮助驾驶人员左转、右转、直行和执行其他操作，获取设备则用于获取当驾驶人员左转、右转、直行和执行其他操作时的脑电信号。

本实验的目的是为了测试驾驶人员在一个典型的城市环境进行左转、右转、直行和执行其他操作时候的脑电信号。G.USBamp作为一种脑电信号设备，常用于测试驾驶人员的脑电信号，还能够储存和分析这些数据以实现脑电信号特征提取。这些特征值将输入基于粒子群优化算法的神经网络识别模型中，实现识别驾驶人员左转、右转或直行的驾驶意图。本次实验得到的结果会为汽车自动驾驶研究提供理论支撑。

本次实验选取了10位试验对象，因为头发密度会影响脑电信号强度，所以实验人员选取了9位男性，1位女性。实验对象年龄均处于26到36之间，由奥克兰大学的研究生和博士组成，拥有C级驾驶执照且1至10年的驾驶经验。

本次实验的实验过程和方法如下：采用g.USBamp作为脑电信号设备测试驾驶人员的脑电信号，通过虚拟仿真城市道路的典型路段，10位驾驶人员在虚拟环境下进行正常的驾驶操作，并通过硬件设备来模拟驾驶情况，例如方向盘、油门和刹车。在本次实验中，设计了16个电极放置于驾驶人员头顶用于检测，虚拟驾驶单元和脑电信号采集设备如图1所示。

在驾驶人员头顶的16个电极通道用于获取脑电信号，这是16个电极通道分别是F₃，FC₃，C₃，F₁，FC₁，C₁，F_z，FC_z，C_z，F₂，FC₂，C₂，F₄，FC₄，C₄和CP_z。

图1 虚拟驾驶单元和脑电信号采集设备

2.小波包分析

小波包具有很强的信号分析能力，它可以提高信号高频部分的频率定位。小波包的分解公式给出如下：

（1）

（2）

公式1显示的是信号有2j个小波包在j层，且那2j个小波包是间隔信号在i进行小波包分解滤波器H经过j-1层卷积得到的结果。公式2显示2i 1个小波包是信号在i个小波包分解滤波器G在j-1层上的卷积后得到的结果。

从几种用于分类的小波基中选择分类效率高的小波基函数。dbl图与EEG图相似，因此，dbl函数常作为小波基函数用于这项研究。

本研究中小波包分解的节点图如图2所示。

图2小波包分解节点图

theta;波：4-8Hz，对应于节点32；alpha;波：8-13Hz,对应于节点33；beta;波：13-30Hz，对应于节点140，70，37和77；gamma;波：30-60Hz，对应于节点78，9，21和45。根据三种波的频率范围，节点必须分解为7层。在其他不必要的频率范围，节点的分解不需要显示在该图表中。

基于脑电信号在theta;、alpha;、beta;和gamma;波的能量特征且采用小波包分解的方法，驾驶人员在开车的过程中，可以明显的提取出在这四个频率段中波的能量。每个波形的能量比率将作为输入参数输入到驾驶意图识别的识别模型中。

3．基于神经网络的粒子群优化

3.1 粒子群优化

粒子群优化的基本思想是一组随机的粒子群跟随当前最佳例子去寻找解空间，从而通过迭代找到最佳的解决方法。粒子根据两个最优解来更新它的位置和速度，一个是粒子群本身最优解，另一个是粒子数量的最优解。

当例子进行自我更新的时候，粒子群优化的模型被用作以下公式：

（3）

这里的omega;指的是惯性重量，d=1，2，hellip;，D；i=1，2，hellip;，n，k指的是当前惯性；V_id指的是粒子速度，c₁和c₂为加速度系数，r₁和r₂指的是随机数。

3.2 神经网络

本研究采用反向传播（BP）神经网络进行识别，该模型是根据大脑的问题解决原则和一个多层网络建立的，多层网络用于推广纠错（W-H）学习规则以实现非线性可微函数的权值训练，这是一种梯度下降的寻找方法。反向传播神经网络是一种拥有三层或更多层的多次网络，每一层都拥有几个神经元。它的左右两个神经元都是完全连接的，然而上下两个神经元是没有连接关系的，以上如图3所示。

图3 反向传播神经网络的结构

S函数因为它具有连续可微分性和比其他方程更接近信号输出的生物神经元的形式，所以该函数常用作激活函数。S函数可以表示为：

（4）

3.3 基于粒子群优化的神经网络

神经网络的权值和成千上万的输入输出层都是随机的，这两者会对神经网络的分类或者预测产生重大的影响，这四个参数不能通过随机测定取得最佳的数值，因此为了能够确定最佳的权重和成千上万个输入输出层，神经网络训练的准确率将取决于适应值。为了得到一个很高的准确率，粒子群优化将用于确定最佳权重和多个最佳输入输出层。采用权重和多个输入输出层作为粒子，将神经网络的准确率作为适应值，粒子群优化的原理与公式将持续更新从而决定出最佳的权重和阈值。得到最佳权重和阈值的神经网络模型将用作驾驶意图识别。

大脑的功能区是与其他三个区分隔的，目的是确保该研究是基于驾驶人员的16个电极。拥有最高识别率的通道将在每个区域进行采集，采集到的数据将用于指示器，具体表现在图4中（以左侧的F1频道为例）。

驾驶意图是通过基于粒子群优化的神经网络进行识别的。如图4和图5所示，直行的识别率和左转的识别率最高可达92.9%，训练识别率达到85.1%，且总共的识别率达到了84.2%。在所有三个区域的驾驶意图识别率如表1所示。

表1 驾驶意图的识别率

通过基于粒子群优化的神经网络得到的驾驶意图识别率最高可达92.9%。

图4 左转和直行意图识别的混淆图

图5 左转和直行意图识别的受试者工作特征曲线图

4. 总结

本次研究中，通过小波包分解和重建，对输入参数脑电信号波形进行特征提取。驾驶人员的大脑上部被分为3个区域（左半脑，右半脑和中央区域）。三个区域中通道的能量与能量之比将用作输入参数，并将其输入到基于粒子群优化的神经网络中进行识别。结果得到如下：

1、在左半脑（F1）中，对于左转和右转的意图识别率达到了85.7%，对于右转和直行的意图识别率达到了90.5%，对于左转和直行的意图识别率达到了92.9%。

2、在右半脑（FC2）中，对于左转和右转的意图识别率达到了85.7%，对于右转和直行的意图识别率达到了90.5%，对于左转和直行的意图识别率达到了92.9%。

3、在大脑的中央区域，对于左转和右转的意图识别率达到了85.7%，对于右转和直行的意图识别率达到了85.7%，对于左转和直行的意图识别率达到了92.9%。

研究结果得出的结论是通过基于粒子群优化的神经网络构建的模型可以通过分析在不同驾驶情况下的脑电信号来进行驾驶意图识别，并且该方法拥有较高的精度，能够为自动驾驶的实际应用提供理论和实践支撑。

基于模糊聚类的脑电数据高精度分类评价

[概述] 脑电信号分类的一个重要步骤是数据处理。传统的方法很难去除噪声和还原完整原始信号。在这项研究中，提出了一种基于模糊C均值聚类的新型方法来实现脑电数据的处理。这个新型的方法可以弥补传统方式的缺陷，能够评估某个阶段的数据是否满足要求。在排除了不符合要求的数据后，模型分类效率会得到显著提高。提出的方法在脑机接口竞赛Ⅳ数据集Ⅰ的数据上取得了良好的效果。

[关键词] 脑机接口，数据处理，模糊C均值聚类，脑电信号分类

1．简介

脑电信号分类是脑机接口

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[236882]，资料为PDF文档或Word文档，PDF文档可免费转换为Word