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(Common Spatial
Pattern)[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