本發(fā)明屬于生物醫(yī)學(xué)與信息學(xué)的交叉領(lǐng)域，具體涉及一種基于集成學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的在線精神疲勞評估裝置及方法。

背景技術(shù)：

由于社會競爭壓力大，精神疲勞逐漸成為了影響人體健康的主要原因之一。精神疲勞會引起人在生理與心理狀態(tài)上的變化，導(dǎo)致警覺性、持續(xù)性注意力、工作記憶力，判斷力、決策制定等能力的下降。在現(xiàn)代社會中，特別是諸如實時監(jiān)控、交通運輸、高危作業(yè)、航空航天等作業(yè)情況下，工作人員如果處于疲勞的狀態(tài)，非常容易出現(xiàn)隨意操作和違章行為，從而引發(fā)安全事故。因此，研究客觀、可靠、準確的精神疲勞檢測方法對于防范由精神疲勞引發(fā)的安全事故和維護人體的健康狀態(tài)是十分必要的，具有極大的經(jīng)濟和社會價值。

腦電信號能夠客觀的記錄大腦機能狀態(tài)的連續(xù)變化，是人腦思維活動、認知和意識狀態(tài)的一種外在表現(xiàn)。采用各種高效的信號處理技術(shù)可以挖掘腦電信號所蘊涵的豐富信息，實現(xiàn)對疲勞狀態(tài)的判定與評估。因此基于腦電信號分析的客觀評估方法被認為是最有前途、最可預(yù)報和最可靠的途徑。

圍繞基于腦電信號實現(xiàn)人的精神疲勞狀態(tài)檢測的這一思路，研究者們已經(jīng)開展了廣泛的研究。但發(fā)明人在實現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)中存在以下的不足：

對疲勞狀態(tài)的評估，傳統(tǒng)上是采用基于監(jiān)督學(xué)習(xí)的分類器來實現(xiàn)，這就需要對受試者進行長時間的訓(xùn)練來獲取大量標記的腦電樣本，以構(gòu)建可靠的分類器。并且當(dāng)標記的訓(xùn)練樣本較少時，所獲得的分類器的泛化能力往往較差。此外，在訓(xùn)練期間構(gòu)建的分類器在工作期間是固化的，不具有自適應(yīng)性。

技術(shù)實現(xiàn)要素：

鑒于此，本發(fā)明的目的是提供一種自適應(yīng)的精神疲勞評估裝置及方法。本發(fā)明提出利用選擇性集成技術(shù)為半監(jiān)督評估模型訓(xùn)練一組速度快、具有差異性的基分類器作為初始分類器，在線并行更新，進而集成強分類器，以保障分類器在更新過程中泛化能力的增強，同時取得高的分類精度和快的運行速度。

本發(fā)明的目的之一是通過以下技術(shù)方案實現(xiàn)的，一種自適應(yīng)的精神疲勞評估方法，包括

1)采集腦電信號構(gòu)成腦電樣本；

2)對采集到的腦電信號進行低通濾波，提取δ、θ、α和β四個不同的腦電節(jié)律信號，然后以δ、θ、α三個節(jié)律信號的相對能量和能量比值作為各通道腦電信號的特征信息；

3)利用訓(xùn)練好的初始基分類器對在線采集到的腦電樣本進行預(yù)測，通過多數(shù)投票的策略選擇預(yù)測結(jié)果，對樣本進行標記，給出當(dāng)前的疲勞狀態(tài)評估結(jié)果。

進一步，還包括：

4)計算步驟3)中標記過的樣本的置信度，從標記過的樣本中選擇具有高置信度的樣本加入到臨時訓(xùn)練集中；

5)利用更新的訓(xùn)練集重新訓(xùn)練三個基分類器，再利用更新后的基分類器對新采集的未標記腦電樣本進行預(yù)測和標記。

進一步，利用訓(xùn)練好的初始基分類器對在線采集到的腦電樣本進行預(yù)測，其中所述基分類器通過以下方式獲?。?/p>

1)在疲勞或者不疲勞狀態(tài)下采集腦電信號構(gòu)成腦電樣本，并對腦電信號所屬狀態(tài)進行標記，所屬狀態(tài)包括疲勞狀態(tài)和非疲勞狀態(tài)；

2)對采集到的標記了所屬狀態(tài)的腦電信號進行低通濾波，提取δ、θ、α和β四個不同的腦電節(jié)律信號，然后以δ、θ、α三個節(jié)律信號的相對能量和能量比值作為各通道腦電信號的特征信息；

3)對有標記的腦電樣本組成的訓(xùn)練數(shù)據(jù)集進行多次樣本抽取，產(chǎn)生不同的子訓(xùn)練集；選擇fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析作為基分類器，利用不同的子訓(xùn)練集分別對三種基分類器進行訓(xùn)練，得到初始基分類器。

進一步，置信度高低的判別方法為：利用訓(xùn)練集中的樣本確定類別1和類別2的置信度閾值，計算過程為：

a)分別按照由fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析所決定的投影方向?qū)τ?xùn)練集中的樣本進行投影，再分別計算投影空間中兩類樣本的均值mji，其中j＝1,2,3，分別代表三種投影方向，i＝1,2，代表兩種類別；

b)分別在三種投影空間中，計算當(dāng)前訓(xùn)練集中的各個樣本與所屬類別的類均值mji之間的歐式距離，然后分別計算兩種類別的樣本與所屬類別的類均值之間的平均歐式距離dj1和dj2；

c)在各個投影空間中，計算類別1和類別2各自的置信度閾值cji＝wji^●dji，其中，wji表示權(quán)系數(shù)；

在由對未標記樣本進行預(yù)測時取得相同預(yù)測結(jié)果的兩種分類器所決定的兩個投影空間中，分別計算該樣本的投影與投影空間中兩類類均值之間的歐氏距離dji，如果在兩個投影空間中，均有dji≤cji成立，則該樣本屬于高置信度樣本；反之，如果在其中的任意一個投影空間中，有dji﹥cji成立，則認為該樣本屬于低置信度樣本。

本發(fā)明的目的之二是通過以下技術(shù)方案實現(xiàn)的，一種自適應(yīng)的精神疲勞評估裝置，包括第一腦電樣本采集模塊、第一特征信息提取模塊和狀態(tài)評估模塊；

所述第一腦電樣本采集模塊，采集腦電信號構(gòu)成腦電樣本；

所述第一特征信息提取模塊，對采集到的腦電信號進行低通濾波，提取δ、θ、α和β四個不同的腦電節(jié)律信號，然后以δ、θ、α三個節(jié)律信號的相對能量和能量比值作為各通道腦電信號的特征信息；

所述狀態(tài)評估模塊，利用訓(xùn)練好的初始基分類器對在線采集到的腦電樣本進行預(yù)測，通過多數(shù)投票的策略選擇預(yù)測結(jié)果，對樣本進行標記，給出當(dāng)前的疲勞狀態(tài)評估結(jié)果。

進一步，還包括訓(xùn)練集更新模塊和分類器更新模塊，

所述訓(xùn)練集更新模塊，用于計算標記過的樣本的置信度，從標記過的樣本中選擇具有高置信度的樣本加入到訓(xùn)練集中；

所述分類器更新模塊，利用更新的訓(xùn)練集重新訓(xùn)練三個基分類器，再利用更新后的基分類器對新采集的未標記腦電樣本進行預(yù)測和標記。

進一步，還包括第二腦電樣本采集模塊、第二特征信息提取模塊和基分類器訓(xùn)練模塊；

所述第二腦電樣本采集模塊，在疲勞或者不疲勞狀態(tài)下采集腦電信號構(gòu)成腦電樣本，并對腦電信號所屬狀態(tài)進行標記，所屬狀態(tài)包括疲勞狀態(tài)和非疲勞狀態(tài)；

所述第二特征信息提取模塊，對采集到的標記了所屬狀態(tài)的腦電信號進行低通濾波，提取δ、θ、α和β四個不同的腦電節(jié)律信號，然后以δ、θ、α三個節(jié)律信號的相對能量和能量比值作為各通道腦電信號的特征信息；

所述基分類器訓(xùn)練模塊，通過對由有標記的腦電樣本組成的訓(xùn)練數(shù)據(jù)集進行多次樣本抽取，產(chǎn)生不同的子訓(xùn)練集；選擇fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析作為基分類器，利用不同的子訓(xùn)練集分別對三種基分類器進行訓(xùn)練，得到初始基分類器。

進一步，所述訓(xùn)練集更新模塊包括置信度計算模塊，所述置信度計算模塊利用訓(xùn)練集中的樣本確定類別1和類別2的置信度閾值，計算過程為：

a)分別按照由fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析所決定的投影方向?qū)τ?xùn)練集中的樣本進行投影，再分別計算投影空間中兩類樣本的均值mji，其中j＝1,2,3，分別代表三種投影方向，i＝1,2，代表兩種類別；

b)分別在三種投影空間中，計算當(dāng)前訓(xùn)練集中的各個樣本與所屬類別的類均值mji之間的歐式距離，然后分別計算兩種類別的樣本與所屬類別的類均值之間的平均歐式距離dj1和dj2；

c)在各個投影空間中，計算類別1和類別2各自的置信度閾值cji＝wji^●dji，其中，wji表示權(quán)系數(shù)；

在由對未標記樣本進行預(yù)測時取得相同預(yù)測結(jié)果的兩種分類器所決定的兩個投影空間中，分別計算該樣本的投影與投影空間中兩類類均值之間的歐氏距離dji，如果在兩個投影空間中，均有dji≤cji成立，則該樣本屬于高置信度樣本；反之，如果在其中的任意一個投影空間中，有dji﹥cji成立，則認為該樣本屬于低置信度樣本。

由于采用了上述技術(shù)方案，本發(fā)明具有如下的優(yōu)點：

本發(fā)明提供了一種基于集成和半監(jiān)督學(xué)習(xí)的自適應(yīng)精神疲勞評估方法，其優(yōu)點主要體現(xiàn)在以下三個方面：

1)本發(fā)明可利用未標記腦電樣本對分類器進行訓(xùn)練，降低了疲勞評估模型對有標記腦電樣本的需求數(shù)量，從而大大縮短了受試者的訓(xùn)練時間；

2)本發(fā)明基于集成學(xué)習(xí)的思想來訓(xùn)練基分類器，并將弱分類器集成為強分類器，獲得比單一分類器更高的分類正確率和更好的泛化能力；

3)本發(fā)明可從在線采集的未標記腦電樣本中，選擇具有高置信度的樣本來更新訓(xùn)練集，進而對分類器進行更新，具有在線自適應(yīng)的特點。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進一步的詳細描述，其中：

圖1為本發(fā)明所述的精神疲勞評估方法框圖；

圖2為實現(xiàn)本發(fā)明所述方法的訓(xùn)練階段的程序流程圖；

圖3為實現(xiàn)本發(fā)明所述方法的評估階段的程序流程圖。

具體實施方式

以下將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述；應(yīng)當(dāng)理解，優(yōu)選實施例僅為了說明本發(fā)明，而不是為了限制本發(fā)明的保護范圍。

本發(fā)明提出了一種自適應(yīng)的在線評估裝置及方法，利用半監(jiān)督學(xué)習(xí)模式使分類器在僅需要少量標記樣本，并充分利用大量未標記樣本的同時，又具有在線自適應(yīng)的特點。半監(jiān)督學(xué)習(xí)模式雖然可以利用未標記樣本進行學(xué)習(xí)，但利用未標記樣本訓(xùn)練分類器也可能造成泛化能力降低。鑒于此，本發(fā)明提出利用選擇性集成技術(shù)為半監(jiān)督評估模型訓(xùn)練一組速度快、具有差異性的基分類器作為初始分類器，在線并行更新，進而集成強分類器，以保障分類器在更新過程中泛化能力的增強，同時取得高的分類精度和快的運行速度。

參見圖1，本發(fā)明所述精神疲勞評估方法包括了訓(xùn)練和評估兩個實現(xiàn)階段。

在訓(xùn)練階段，首先需要在疲勞或者不疲勞狀態(tài)下，從fp1、fp2、fpz處采集標記了所屬狀態(tài)的兩類腦電信號構(gòu)成腦電樣本，利用標記樣本構(gòu)成的訓(xùn)練集來訓(xùn)練基分類器(基本流程如圖2所示)，訓(xùn)練過程如下：

1)對訓(xùn)練集中的腦電樣本進行帶通濾波，濾波截止頻率為30hz，提取δ(0-4hz)、θ(4-8hz)、α(8-13hz)和β(13-30hz)這四個腦電節(jié)律信號。

2)計算δ、θ、α和β四個節(jié)律的能量eδ，eθ，eα，eβ，計算總能量：

j＝δ,θ,α,β

計算θ、α、β的相對能量：

pj＝ej/etotal,j＝δ,θ,α,β

以及能量比值：(eθ+eα)/eβ

以δ、θ、α三個節(jié)律相對能量和能量比值作為各通道腦電信號的特征信息，從三通道腦電數(shù)據(jù)可得到包含12個特征值的特征向量。

3)為保證基分類器之間的差異性，對有標記的腦電樣本組成的訓(xùn)練數(shù)據(jù)集進行多次樣本抽取，產(chǎn)生三個不同的子訓(xùn)練集，用于訓(xùn)練初始基分類器，以保證基分類器之間的差異性。采用步驟1)和步驟2)所述方法對各子訓(xùn)練集中的樣本進行濾波和特征提取后，分別用于訓(xùn)練fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析這三種分類器。訓(xùn)練好的三個基分類器將作為實際評估過程中的初始基分類器。

fisher辨別分析找出使類間離散度最大而類內(nèi)離散度最小的投影方向?qū)颖具M行投影后分類?；诟咚箯较蚧撕瘮?shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析通過核函數(shù)所定義的映射關(guān)系，將提取的12個特征值的特征向量映射到一個高維特征空間中，然后在高維空間中利用fisher辨別分析進行分類。

在評估階段，利用訓(xùn)練的分類器對采集的未標記腦電樣本進行預(yù)測，并選擇其中具有高置信度的樣本用于更新訓(xùn)練集和分類器(基本流程如圖3所示)，具體的評估過程如下所述：

1)對采集的未標記腦電樣本進行如訓(xùn)練階段的步驟1)和步驟2)所述的帶通濾波和特征提取。

2)利用訓(xùn)練好的三個基分類器分別對在上一步中提取的未標記腦電樣本的特征進行分類，即對采集的未標記腦電樣本進行預(yù)測。按照多數(shù)投票的策略確定最終的預(yù)測結(jié)果，并對該腦電樣本做相應(yīng)的標記，給出當(dāng)前的疲勞狀態(tài)評估結(jié)果。

3)計算標記后的樣本的置信度，選擇高置信度的樣本加入到訓(xùn)練集中。

首先需要利用訓(xùn)練集中的樣本確定類別1和類別2的置信度閾值，計算過程為：

a)分別按照由fisher辨別分析，基于高斯徑向基核函數(shù)的核fisher辨別分析，和基于線性核函數(shù)的核fisher辨別分析所決定的投影方向?qū)τ?xùn)練集中的樣本進行投影，再分別計算投影空間中兩類樣本的均值mji，其中j＝1,2,3，分別代表三種投影方向，i＝1,2，代表兩種類別；

b)分別在三種投影空間中，計算當(dāng)前訓(xùn)練集中的各個樣本與所屬類別的類均值mji之間的歐式距離，然后分別計算兩種類別的樣本與所屬類別的類均值之間的平均歐式距離dj1和dj2(j＝1,2,3)；

c)在各個投影空間中，計算類別1和類別2各自的置信度閾值cji＝wji^●dji，其中，權(quán)系數(shù)wji的值是通過k折-交叉驗證的方法來確定的。

在由對未標記樣本進行預(yù)測時取得相同預(yù)測結(jié)果的兩種分類器所決定的兩個投影空間中(如果三種分類器的預(yù)測結(jié)果均相同，也只選其中兩種分類器決定的兩個投影空間)，分別計算該樣本的投影與投影空間中兩類類均值之間的歐氏距離dji(j＝1,2,3；i＝1,2)，并與相應(yīng)的兩個類別的置信度閾值cji進行比較。如果在兩個投影空間中，均有dji≤cji成立，則該樣本屬于高置信度樣本。樣本及其對應(yīng)預(yù)測類別將被放入臨時樣本集g中，用于擴大訓(xùn)練集。反之，如果在其中的任意一個投影空間中，有dji﹥cji成立，則認為該樣本屬于低置信度樣本，將不被選用。

4)訓(xùn)練集和基分類器的更新。當(dāng)臨時樣本集g中的高置信度樣本的數(shù)量達到設(shè)定的數(shù)量值k時，將臨時樣本集g中標記過的樣本全部加入到訓(xùn)練集中，利用更新后的訓(xùn)練集重新訓(xùn)練三個基分類器。

利用更新后的基分類器預(yù)測新采集的未標記腦電樣本，重復(fù)如前所述的評估過程。

根據(jù)上述方法，本發(fā)明還提供一種自適應(yīng)的精神疲勞評估裝置，包括第一腦電樣本采集模塊、第一特征信息提取模塊、狀態(tài)評估模塊、訓(xùn)練集更新模塊、分類器更新模塊、第二腦電樣本采集模塊、第二特征信息提取模塊和基分類器訓(xùn)練模塊。

所述第一腦電樣本采集模塊，采集腦電信號構(gòu)成腦電樣本。

所述第一特征信息提取模塊，對采集到的腦電信號進行低通濾波，提取δ、θ、α和β四個不同的腦電節(jié)律信號，然后以δ、θ、α三個節(jié)律信號的相對能量和能量比值作為各通道腦電信號的特征信息。

在本實施例中，濾波截止頻率為30hz，提取δ(0-4hz)、θ(4-8hz)、α(8-13hz)和β(13-30hz)這四個腦電節(jié)律信號。

利用δ、θ、α和β四個節(jié)律的能量eδ，eθ，eα，eβ，計算總能量：

j＝δ,θ,α,β

θ、α、β的相對能量：

pj＝ej/etotal,j＝δ,θ,α,β

以及能量比值：(eθ+eα)/eβ。

所述狀態(tài)評估模塊，利用訓(xùn)練好的初始基分類器對在線采集到的腦電樣本進行預(yù)測，通過多數(shù)投票的策略選擇預(yù)測結(jié)果，對樣本進行標記，給出當(dāng)前的疲勞狀態(tài)評估結(jié)果。

所述訓(xùn)練集更新模塊，用于計算標記過的樣本的置信度，從標記過的樣本中選擇具有高置信度的樣本加入到訓(xùn)練集中。

所述分類器更新模塊，利用更新的訓(xùn)練集重新訓(xùn)練三個基分類器，再利用更新后的基分類器對新采集的未標記腦電樣本進行預(yù)測和標記。

所述第二腦電樣本采集模塊，在疲勞或者不疲勞狀態(tài)下采集腦電信號構(gòu)成腦電樣本，并對腦電信號所屬狀態(tài)進行標記，所屬狀態(tài)包括疲勞狀態(tài)和非疲勞狀態(tài)。

所述第二特征信息提取模塊，對采集到的標記了所屬狀態(tài)的腦電信號進行低通濾波，提取δ、θ、α和β四個不同的腦電節(jié)律信號，然后以δ、θ、α三個節(jié)律信號的相對能量和能量比值作為各通道腦電信號的特征信息。

所述基分類器訓(xùn)練模塊，通過對由有標記的腦電樣本組成的訓(xùn)練數(shù)據(jù)集進行多次樣本抽取，產(chǎn)生不同的子訓(xùn)練集；選擇fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析作為基分類器，利用不同的子訓(xùn)練集分別對三種基分類器進行訓(xùn)練，得到初始基分類器。

所述訓(xùn)練集更新模塊包括置信度計算模塊，所述置信度計算模塊利用訓(xùn)練集中的樣本確定類別1和類別2的置信度閾值，計算過程為：

a)分別按照由fisher辨別分析、基于高斯徑向基核函數(shù)的核fisher辨別分析和基于線性核函數(shù)的核fisher辨別分析所決定的投影方向?qū)τ?xùn)練集中的樣本進行投影，再分別計算投影空間中兩類樣本的均值mji，其中j＝1,2,3，分別代表三種投影方向，i＝1,2，代表兩種類別；

b)分別在三種投影空間中，計算當(dāng)前訓(xùn)練集中的各個樣本與所屬類別的類均值mji之間的歐式距離，然后分別計算兩種類別的樣本與所屬類別的類均值之間的平均歐式距離dj1和dj2；

c)在各個投影空間中，計算類別1和類別2各自的置信度閾值cji＝wji·dji，其中，wji表示權(quán)系數(shù)；

在由對未標記樣本進行預(yù)測時取得相同預(yù)測結(jié)果的兩種分類器所決定的兩個投影空間中，分別計算該樣本的投影與投影空間中兩類類均值之間的歐氏距離dji，如果在兩個投影空間中，均有dji≤cji成立，則該樣本屬于高置信度樣本；反之，如果在其中的任意一個投影空間中，有dji﹥cji成立，則認為該樣本屬于低置信度樣本。

以上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。