一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法

1.本发明属于疲劳检测技术领域，具体涉及一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法。


背景技术：

2.随着技术的发展疲劳驾驶检测的方法越来越多，主要有主观测量方法、基于车辆的测量方法和行为测量方法。这些方法在实际驾驶中并不实用，驾驶者的驾驶习惯、外部环境的变化都会影响检测精度，其检测结果精度较低。


技术实现要素：

3.为了解决现有技术中存在的上述问题，本发明提供了一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法。本发明要解决的技术问题通过以下技术方案实现：
4.本发明提供了一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法，包括：
5.步骤1：采集驾驶员驾驶时的脑电信号，对所述脑电信号进行预处理去除干扰；
6.步骤2：对预处理后的脑电信号进行频带划分，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号；
7.步骤3：根据δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号，计算得到采集脑电信号的所有通道对之间的相幅耦合比，根据所述相幅耦合比构建功能连接矩阵；
8.步骤4：根据所述功能连接矩阵，得到其对应的有向网络，获取所述有向网络的网络拓扑特征，所述网络拓扑特征包括平均节点度、集群系数和特征路径长度；
9.步骤5：对所述网络拓扑特征进行归一化处理后，输入至训练完成的分类器中，得到驾驶员的疲劳驾驶检测结果。
10.在本发明的一个实施例中，所述步骤1包括：
11.步骤1.1：利用脑电采集设备采集驾驶员驾驶时的脑电信号；
12.步骤1.2：利用0.5hz高通滤波器对采集的脑电信号进行处理，以去除低频漂移；
13.步骤1.3：利用50hz陷波滤波器对去除低频漂移的脑电信号进行处理，以去除工频干扰，得到预处理后的脑电信号。
14.在本发明的一个实施例中，所述步骤2包括：
15.分别采用1～4hz，4～7hz，8～12hz和13～30hz的带通滤波器对预处理后的脑电信号进行滤波处理，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号；
16.其中，δ波脑电信号的频带为1～4hz，θ波脑电信号的频带为4～7hz，α波脑电信号的频带为8～12hz，β波脑电信号的频带为13～30hz。
17.在本发明的一个实施例中，所述步骤3包括：
18.步骤3.1：利用希尔伯特变换，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号对应的解析信号；其中，按照下式进行希尔伯特变换：
[0019][0020]
式中，表示希尔伯特变换后的脑电信号，s(n)表示脑电信号，n表示时间点，h表示希尔伯特变换函数，m表示希尔伯特变换参数
[0021]
所述解析信号表示为：
[0022][0023]
式中，z(n)表示解析信号，j表示虚数单位；
[0024]
步骤3.2：根据所述解析信号，计算得到δ波脑电信号的瞬时相位，以及θ波脑电信号、α波脑电信号和β波脑电信号的瞬时幅值；
[0025]
步骤3.3：根据δ波脑电信号的瞬时相位，以及θ波脑电信号、α波脑电信号和β波脑电信号的瞬时幅值，计算得到δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合；
[0026]
步骤3.4：根据所述δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合，计算得到采集脑电信号的所有通道对之间的相幅耦合比；
[0027]
步骤3.5：根据所述相幅耦合比，构建得到功能连接矩阵。
[0028]
在本发明的一个实施例中，在所述步骤3.2中，脑电信号的瞬时相位按照下式计算得到：
[0029][0030]
式中，p(n)表示脑电信号的瞬时相位，tan-1
为反正切函数；
[0031]
脑电信号的瞬时幅值按照下式计算得到：
[0032][0033]
式中，a(n)表示脑电信号的瞬时幅值。
[0034]
在本发明的一个实施例中，在步骤3.3中，δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合按照下式计算得到：
[0035][0036]
式中，pac
δ-θ
(x,y)表示δ-θ波段的脑电信号的相位-幅值耦合，pac
δ-α
(x,y)表示δ-α波段的脑电信号的相位-幅值耦合，pac
δ-β
(x,y)表示δ-β波段的脑电信号的相位-幅值耦合，p
δ
(n)表示δ波脑电信号在时间点n时的瞬时相位，a
θ
(n)表示θ波脑电信号在时间点n时的瞬时幅值，a
α
(n)表示α波脑电信号在时间点n时的瞬时幅值，a
β
(n)表示β波脑电信号在时间点n时的瞬时幅值，n表示时间点的总数，(x,y)表示采集脑电信号的一对通道对。
[0037]
在本发明的一个实施例中，在所述步骤3.4中，采集脑电信号的所有通道对之间的相幅耦合比按照下式计算得到：
[0038][0039]
式中，λ(x,y)表示x通道和y通道的相位-幅值耦合比，λ(x,y)具有方向，从x通道指向y通道，u表示采集脑电信号的所有通道。
[0040]
在本发明的一个实施例中，所述步骤4包括：
[0041]
步骤4.1：确定所述功能连接矩阵中所有相幅耦合比的中位数，将该中位数作为通道连接阈值；
[0042]
步骤4.2：根据所述通道连接阈值判断通道对之间的连接情况，根据判断结果得到该功能连接矩阵对应的有向网络，其中，若所述功能连接矩阵中的相幅耦合比大于通道连接阈值，则该相幅耦合比对应的两通道连接，否则，该相幅耦合比对应的两通道不连接；
[0043]
步骤4.3：提取所述有向网络的平均节点度、集群系数和特征路径长度三个网络拓扑特征。
[0044]
在本发明的一个实施例中，在所述步骤4.3中，所述有向网络的平均节点度按照下式计算得到：
[0045][0046]
d(i)＝∑
j∈vaij
+∑
j∈vaji
；
[0047]
式中，d表示有向网络的平均节点度，d(i)表示有向网络中节点i的节点度，v表示有向网络的节点集合，a
ij
表示由节点i指向其他节点j的个数，a
ji
表示由其他节点j指向节点i的个数，m表示有向网络中的节点总数；
[0048]
所述有向网络的集群系数按照下式计算得到：
[0049][0050][0051]
式中，c表示有向网络的集群系数，c(i)表示有向网络中节点i的集群系数，ki表示节点i与其相邻节点之间可能连通的边的个数最大值，ei表示节点i与其相邻节点之间实际连通的边的个数；
[0052]
所述有向网络的特征路径长度按照下式计算得到：
[0053][0054][0055]
式中，l表示有向网络的特征路径长度，l(i)表示有向网络中节点i的特征路径长度，l
ij
表示从节点i到其他节点j时经过最小的边的个数。
[0056]
与现有技术相比，本发明的有益效果在于：
[0057]
本发明的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，通过计算不同通道间
不同频段之间的耦合比，给定阈值使其网络化，通过提取网络的拓扑特征区分清醒和疲劳状态，有助于提高疲劳驾驶检测的准确率。
[0058]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0059]
图1是本发明实施例提供的一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法的示意图。
具体实施方式
[0060]
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法进行详细说明。
[0061]
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
[0062]
实施例一
[0063]
请参见图1，图1是本发明实施例提供的一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法的示意图，如图所示，本实施例的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，包括：
[0064]
步骤1：采集驾驶员驾驶时的脑电信号，对脑电信号进行预处理去除干扰；
[0065]
在一个可选地实施方式中，步骤1包括：
[0066]
步骤1.1：利用脑电采集设备采集驾驶员驾驶时的脑电信号；
[0067]
可选地，可以利用64通道脑电电极帽采集驾驶员驾驶时的脑电信号。
[0068]
步骤1.2：利用0.5hz高通滤波器对采集的脑电信号进行处理，以去除低频漂移；
[0069]
步骤1.3：利用50hz陷波滤波器对去除低频漂移的脑电信号进行处理，以去除工频干扰，得到预处理后的脑电信号。
[0070]
步骤2：对预处理后的脑电信号进行频带划分，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号；
[0071]
在一个可选地实施方式中，步骤2包括：
[0072]
分别采用1～4hz，4～7hz，8～12hz和13～30hz的带通滤波器对预处理后的脑电信号进行滤波处理，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号。
[0073]
其中，δ波脑电信号的频带为1～4hz，θ波脑电信号的频带为4～7hz，α波脑电信号的频带为8～12hz，β波脑电信号的频带为13～30hz。
[0074]
步骤3：根据δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号，计算得到采集脑电信号的所有通道对之间的相幅耦合比，根据相幅耦合比构建功能连接矩阵；
[0075]
在一个可选地实施方式中，步骤3包括：
[0076]
步骤3.1：利用希尔伯特变换，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号对应的解析信号；
[0077]
具体地，按照下式对δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号分别进行希尔伯特变换，得到对应的希尔伯特变换后的脑电信号，
[0078][0079]
式中，表示希尔伯特变换后的脑电信号，s(n)表示脑电信号，n表示时间点，h表示希尔伯特变换函数，m表示希尔伯特变换参数
[0080]
根据希尔伯特变换前后的脑电信号，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号对应的解析信号，其中，解析信号表示为：
[0081][0082]
式中，z(n)表示解析信号，j表示虚数单位；
[0083]
步骤3.2：根据解析信号，计算得到δ波脑电信号的瞬时相位，以及θ波脑电信号、α波脑电信号和β波脑电信号的瞬时幅值；
[0084]
在本实施例中，脑电信号的瞬时相位按照下式计算得到：
[0085][0086]
式中，p(n)表示脑电信号的瞬时相位，tan-1
为反正切函数。
[0087]
脑电信号的瞬时幅值按照下式计算得到：
[0088][0089]
式中，a(n)表示脑电信号的瞬时幅值。
[0090]
步骤3.3：根据δ波脑电信号的瞬时相位，以及θ波脑电信号、α波脑电信号和β波脑电信号的瞬时幅值，计算得到δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合；
[0091]
其中，脑电信号的相位-幅值耦合的计算公式为：
[0092][0093]
式中，n表示时间点的总数，ah(n)表示在时间点n时高频信号的瞬时幅值，p
l
(n)为在时间点n时低频信号的瞬时相位；
[0094]
在本实施例中，对采集脑电信号的所有通道对的δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合进行计算，其中，一对通道对的相位-幅值耦合按照下式计算得到：
[0095][0096]
式中，pac
δ-θ
(x,y)表示δ-θ波段的脑电信号的相位-幅值耦合，pac
δ-α
(x,y)表示δ-α
波段的脑电信号的相位-幅值耦合，pac
δ-β
(x,y)表示δ-β波段的脑电信号的相位-幅值耦合，p
δ
(n)表示δ波脑电信号在时间点n时的瞬时相位，a
θ
(n)表示θ波脑电信号在时间点n时的瞬时幅值，a
α
(n)表示α波脑电信号在时间点n时的瞬时幅值，a
β
(n)表示β波脑电信号在时间点n时的瞬时幅值，n表示时间点的总数，(x,y)表示采集脑电信号的一对通道对。
[0097]
步骤3.4：根据δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合，计算得到采集脑电信号的所有通道对之间的相幅耦合比；
[0098]
在本实施例中，采集脑电信号的所有通道对之间的相幅耦合比按照下式计算得到：
[0099][0100]
式中，λ(x,y)表示x通道和y通道的相位-幅值耦合比，λ(x,y)具有方向，从x通道指向y通道，u表示采集脑电信号的所有通道。
[0101]
步骤3.5：根据相幅耦合比，构建得到功能连接矩阵。
[0102]
在本实施例中，将计算得到的采集脑电信号的所有通道对之间的相幅耦合比，按照阵列形式排布得到功能连接矩阵。
[0103]
步骤4：根据功能连接矩阵，得到其对应的有向网络，获取有向网络的网络拓扑特征，网络拓扑特征包括平均节点度、集群系数和特征路径长度；
[0104]
在本实施例中，对于不同的驾驶员设置不同的通道连接阈值，以对功能连接矩阵进行通道连接情况的划分，从而得到对应的有向网络。
[0105]
在一个可选地实施方式中，步骤4包括：
[0106]
步骤4.1：确定功能连接矩阵中所有相幅耦合比的中位数，将该中位数作为通道连接阈值；
[0107]
具体地，将该驾驶员的功能连接矩阵中的所有值从小到大排列为一个数列，取数列中的中位数作为驾驶员的通道连接阈值。
[0108]
步骤4.2：根据通道连接阈值判断通道对之间的连接情况，根据判断结果得到该功能连接矩阵对应的有向网络。
[0109]
其中，若功能连接矩阵中的相幅耦合比大于通道连接阈值，则该相幅耦合比对应的两通道连接，否则，该相幅耦合比对应的两通道不连接。
[0110]
步骤4.3：提取有向网络的平均节点度、集群系数和特征路径长度三个网络拓扑特征。
[0111]
在本实施例中，有向网络的平均节点度按照下式计算得到：
[0112][0113]
d(i)＝∑
j∈vaij
+∑
j∈vaji
(9)；
[0114]
式中，d表示有向网络的平均节点度，d(i)表示有向网络中节点i的节点度，v表示有向网络的节点集合，a
ij
表示由节点i指向其他节点j的个数，a
ji
表示由其他节点j指向节
点i的个数，m表示有向网络中的节点总数；
[0115]
有向网络的集群系数按照下式计算得到：
[0116][0117][0118]
式中，c表示有向网络的集群系数，c(i)表示有向网络中节点i的集群系数，ki表示节点i与其相邻节点之间可能连通的边的个数最大值，ei表示节点i与其相邻节点之间实际连通的边的个数；
[0119]
有向网络的特征路径长度按照下式计算得到：
[0120][0121][0122]
式中，l表示有向网络的特征路径长度，l(i)表示有向网络中节点i的特征路径长度，l
ij
表示从节点i到其他节点j时经过最小的边的个数。
[0123]
步骤5：对网络拓扑特征进行归一化处理后，输入至训练完成的分类器中，得到驾驶员的疲劳驾驶检测结果。
[0124]
在本实施例中，对网络拓扑特征进行最大最小归一化处理。分类器为支持向量机分类器，分类器根据输入的归一化处理后的网络拓扑特征进行疲劳驾驶检测，确定驾驶员的状态，即为清醒状态或疲劳状态。
[0125]
需要说明的是，在本实施例中，利用分类器进行疲劳驾驶检测之前需要对其进行训练测试，确定分类器参数，其中，支持向量机的核函数选用高斯径向基和函数。
[0126]
具体地，可通过选取多个被试数据对分类器进行训练测试，在本实施例中，从上海交通大学共享的公共数据集seed-vig中选取8个被试数据对分类器进行训练测试实验，从每名被试随机选取400个样本，实验中总共有3200个样本构成数据集，其中，清醒状态∶疲劳状态＝1∶1。采用分层十折交叉验证的策略将数据集(10n)划分为训练集(9n)和测试集(1n)，对训练集进行上述步骤1-步骤4的处理后得到每个样本对应的网络拓扑特征，并对所有的网络拓扑特征进行最大最小归一化处理。然后，将归一化处理后的网络拓扑特征输入至支持向量机分类器中进行训练，训练完成后将对应的测试集按照相同的方法处理得到归一化处理后的网络拓扑特征，输入到训练完成的分类器中进行评估。通过10折交叉验证在参数空间2
10
,29,...,2-9
,2-10
中得到分类器参数c和g的最佳值，当分类器参数c＝25,g＝23时达到了最大的检测精度，为82.75％。
[0127]
本发明实施例的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，通过计算不同通道间不同频段之间的耦合比，给定阈值使其网络化，通过提取网络的拓扑特征区分清醒和疲劳状态，有助于提高疲劳驾驶检测的准确率。
[0128]
应当说明的是，在本文中，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似
的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0129]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，包括：步骤1：采集驾驶员驾驶时的脑电信号，对所述脑电信号进行预处理去除干扰；步骤2：对预处理后的脑电信号进行频带划分，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号；步骤3：根据δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号，计算得到采集脑电信号的所有通道对之间的相幅耦合比，根据所述相幅耦合比构建功能连接矩阵；步骤4：根据所述功能连接矩阵，得到其对应的有向网络，获取所述有向网络的网络拓扑特征，所述网络拓扑特征包括平均节点度、集群系数和特征路径长度；步骤5：对所述网络拓扑特征进行归一化处理后，输入至训练完成的分类器中，得到驾驶员的疲劳驾驶检测结果。2.根据权利要求1所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，所述步骤1包括：步骤1.1：利用脑电采集设备采集驾驶员驾驶时的脑电信号；步骤1.2：利用0.5hz高通滤波器对采集的脑电信号进行处理，以去除低频漂移；步骤1.3：利用50hz陷波滤波器对去除低频漂移的脑电信号进行处理，以去除工频干扰，得到预处理后的脑电信号。3.根据权利要求1所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，所述步骤2包括：分别采用1～4hz，4～7hz，8～12hz和13～30hz的带通滤波器对预处理后的脑电信号进行滤波处理，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号；其中，δ波脑电信号的频带为1～4hz，θ波脑电信号的频带为4～7hz，α波脑电信号的频带为8～12hz，β波脑电信号的频带为13～30hz。4.根据权利要求1所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，所述步骤3包括：步骤3.1：利用希尔伯特变换，得到δ波脑电信号、θ波脑电信号、α波脑电信号和β波脑电信号对应的解析信号；其中，按照下式进行希尔伯特变换：式中，表示希尔伯特变换后的脑电信号，s(n)表示脑电信号，n表示时间点，h表示希尔伯特变换函数，表示希尔伯特变换参数所述解析信号表示为：式中，z(n)表示解析信号，j表示虚数单位；步骤3.2：根据所述解析信号，计算得到δ波脑电信号的瞬时相位，以及θ波脑电信号、α波脑电信号和β波脑电信号的瞬时幅值；步骤3.3：根据δ波脑电信号的瞬时相位，以及θ波脑电信号、α波脑电信号和β波脑电信号的瞬时幅值，计算得到δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合；步骤3.4：根据所述δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合，计
算得到采集脑电信号的所有通道对之间的相幅耦合比；步骤3.5：根据所述相幅耦合比，构建得到功能连接矩阵。5.根据权利要求4所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，在所述步骤3.2中，脑电信号的瞬时相位按照下式计算得到：式中，p(n)表示脑电信号的瞬时相位，tan-1
为反正切函数；脑电信号的瞬时幅值按照下式计算得到：式中，a(n)表示脑电信号的瞬时幅值。6.根据权利要求4所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，在步骤3.3中，δ-θ波段，δ-α波段和δ-β波段的脑电信号对应的相位-幅值耦合按照下式计算得到：式中，pac
δ-θ
(x,y)表示δ-θ波段的脑电信号的相位-幅值耦合，pac
δ-α
(x,y)表示δ-α波段的脑电信号的相位-幅值耦合，pac
δ-β
(x,y)表示δ-β波段的脑电信号的相位-幅值耦合，p
δ
(n)表示δ波脑电信号在时间点n时的瞬时相位，a
θ
()表示θ波脑电信号在时间点n时的瞬时幅值，a
α
()表示α波脑电信号在时间点n时的瞬时幅值，a
β
(n)表示β波脑电信号在时间点n时的瞬时幅值，n表示时间点的总数，(x,y)表示采集脑电信号的一对通道对。7.根据权利要求4所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，在所述步骤3.4中，采集脑电信号的所有通道对之间的相幅耦合比按照下式计算得到：式中，λ(x,y)表示x通道和y通道的相位-幅值耦合比，λ(x,y)具有方向，从x通道指向y通道，u表示采集脑电信号的所有通道。8.根据权利要求1所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，所述步骤4包括：步骤4.1：确定所述功能连接矩阵中所有相幅耦合比的中位数，将该中位数作为通道连接阈值；步骤4.2：根据所述通道连接阈值判断通道对之间的连接情况，根据判断结果得到该功能连接矩阵对应的有向网络，其中，若所述功能连接矩阵中的相幅耦合比大于通道连接阈值，则该相幅耦合比对应的两通道连接，否则，该相幅耦合比对应的两通道不连接；
步骤4.3：提取所述有向网络的平均节点度、集群系数和特征路径长度三个网络拓扑特征。9.根据权利要求8所述的基于脑电相位-幅值耦合比的疲劳驾驶检测方法，其特征在于，在所述步骤4.3中，所述有向网络的平均节点度按照下式计算得到：d(i)＝∑
j∈v
a
ij
+∑
j∈v
a
ji
；式中，d表示有向网络的平均节点度，d(i)表示有向网络中节点i的节点度，v表示有向网络的节点集合，a
ij
表示由节点i指向其他节点j的个数，a
ji
表示由其他节点j指向节点i的个数，m表示有向网络中的节点总数；所述有向网络的集群系数按照下式计算得到：所述有向网络的集群系数按照下式计算得到：式中，c表示有向网络的集群系数，c(i)表示有向网络中节点i的集群系数，k
i
表示节点i与其相邻节点之间可能连通的边的个数最大值，e
i
表示节点i与其相邻节点之间实际连通的边的个数；所述有向网络的特征路径长度按照下式计算得到：所述有向网络的特征路径长度按照下式计算得到：式中，l表示有向网络的特征路径长度，l(i)表示有向网络中节点i的特征路径长度，l
ij
表示从节点i到其他节点j时经过最小的边的个数。

技术总结
本发明涉及一种基于脑电相位-幅值耦合比的疲劳驾驶检测方法，通过对采集的驾驶员驾驶时的脑电信号进行预处理和频带划分后得到δ波、θ波、α波和β波脑电信号，根据不同波段的脑电信号，计算得到不同通道间不同频段之间的耦合比，并给定阈值使其网络化，通过提取网络的拓扑特征利用分类器区分驾驶员的清醒和疲劳状态，提高了疲劳驾驶检测的准确率。提高了疲劳驾驶检测的准确率。提高了疲劳驾驶检测的准确率。


技术研发人员：喻大华 宗少杰 董芳 程永欣 王娟 薛婷 袁凯
受保护的技术使用者：内蒙古科技大学
技术研发日：2023.03.17
技术公布日：2023/8/1