本發(fā)明涉及生物信號處理領域，具體涉及一種基于時序增強混合架構的eeg信號疲勞檢測方法。

背景技術：

1、駕駛員疲勞是許多交通事故的主要原因。研究表明，全球近20％的交通事故與瞌睡駕駛有關。疲勞的一個重要前兆是微睡眠現(xiàn)象。微睡眠指的是不自主發(fā)生的短暫睡眠或嗜睡，可持續(xù)一微秒至15秒。在微睡眠期間，人的意識會暫時喪失或減弱，從而導致工作能力受損，更容易發(fā)生意外。微睡眠通常由多種因素引起，包括睡眠不足以及嗜睡癥和睡眠呼吸暫停等潛在疾病，值得注意的是，微睡眠通常在睡眠不足或從事單調(diào)工作期間出現(xiàn)，有效的檢測和預警可以避免大量此類事件的發(fā)生以及相關的人員傷亡。因此，基于計算模型的疲勞檢測研究對于學術研究與實際應用都具有重要意義。

2、檢測駕駛員疲勞狀態(tài)的計算方法可分為三類：基于計算機視覺的方法、基于人車互動的方法以及基于生理信號的方法。基于計算機視覺的方法主要分析來自駕駛員面部或眼睛的視覺線索。此方法通過檢測面部地標、測量閉眼時間、打哈欠頻率和估計頭部姿勢來評估疲勞程度。基于人車互動的方法側重于分析駕駛員與車輛的互動。此方法通過監(jiān)測方向盤角度、速度和橫向偏差等參數(shù)來檢測司機是否疲勞或有無異常駕駛行為?；谏硇盘柕姆椒ㄖ饕治鲴{駛員的生理信號，如心電圖(electrocardiograph?ecg)、腦電圖(electroencephalogram?eeg)和肌電圖(electromyography?emg)等，以檢測疲勞跡象。三類方法中，生理信號方法中的eeg由于可以直接測量大腦動態(tài)，適合評估人的心理生理狀態(tài)，一般被認為是識別疲勞的黃金標準。

3、基于eeg疲勞檢測的生物信息學計算方法可分為兩類：基于傳統(tǒng)機器學習的檢測方法與基于深度學習的檢測方法。

4、基于傳統(tǒng)機器學習的檢測方法是計算模型最先采用的方法，主要通過線性判別分析(linear?discriminant?analysis?lda)、支持向量機(support?vector?machine?svm)以及人工神經(jīng)網(wǎng)絡(artificial?neural?network?ann)等進行特征提取以檢測疲勞程度。然而，計算方法旨在充分提取相關生物學特征，但對于機器學習方法而言，特征的構建需要領域知識與專家手動設計。預定義的特征僅能提供固定的見解，這限制了模型從原始數(shù)據(jù)進行模塊學習，使得基于傳統(tǒng)機器學習的疲勞檢測方法難以充分提取eeg特征。

5、基于深度學習的檢測方法通過將原始eeg數(shù)據(jù)轉化為與任務相關的高層次表示，避免了先驗特征工程，從而實現(xiàn)了更優(yōu)的性能，是當前計算方法構建模型的首要選擇。然而，現(xiàn)有基于eeg的疲勞檢測模型但在處理時序信息和特征選擇方面存在局限性。首先，在局部特征提取階段，現(xiàn)有模型在卷積(cnn)特征提取部分未能充分考慮腦電圖信號的時間依賴性，難以全面挖掘信號中的復雜時空特征，導致識別性能受到限制。其次，在全局特征提取階段，transformer架構依賴于位置編碼來捕捉序列中元素的順序信息，此方式在長序列中不夠有效；并且，其在面對與訓練數(shù)據(jù)分布不同的測試數(shù)據(jù)時泛化性不足，尤其對于需要捕獲不同受試者eeg信號的疲勞檢測任務。最后，在分類階段，現(xiàn)有模型均采用多層感知器(multilayer?perceptron?mlp)作為分類器。然而，mlp依賴于固定的激活函數(shù)和線性權重，這限制了其對復雜非線性關系的建模能力。此外，隨著網(wǎng)絡規(guī)模的增加，mlp的計算和存儲需求也會急劇上升，訓練效率變低，容易出現(xiàn)過擬合現(xiàn)象。

技術實現(xiàn)思路

1、針對上述問題，本發(fā)明的目的在于提供一種基于時序增強混合架構的eeg信號疲勞檢測方法，通過設計時序感知的squeeze-and-excitation模塊，自適應地對時間維度進行注意力加權；同時，將固定位置編碼替換為lstm(long?short?term?memory長短記憶)時間嵌入編碼，進一步增強模型在時間維度上對重要信息的關注；進一步地，設計結合空間選擇模塊與transformer注意力模塊的混合架構，增強長上下文序列感知能力，提高模型的魯棒性和泛化能力；最后，使用kolmogorov–arnold?networks(kan)替換mlp作為分類器，引入可學習的激活函數(shù)替代固定的線性權重，并通過樣條函數(shù)等非線性表示來增強模型的表達能力。技術方案如下：

2、一種基于時序增強混合架構的eeg信號疲勞檢測方法，包括如下步驟：

3、s1：獲取sadt數(shù)據(jù)集中的eeg信號數(shù)據(jù)，并進行數(shù)據(jù)下采樣處理提取eeg樣本；根據(jù)反應時間定量估計特定時刻的困倦程度，并依賴局部反應時間和全局反應時間標記eeg樣本；

4、s2：利用逐點卷積層擴展輸入的原始eeg信號數(shù)據(jù)的通道數(shù)，根據(jù)多尺度深度卷積分支捕獲各尺度的局部特征，作為eeg疲勞表征的局部特征向量；

5、s3：根據(jù)提取的局部特征向量，使用時序感知的擠壓-激勵模塊，計算每個時間步的通道統(tǒng)計特征，及注意力權重，并對局部特征向量進行縮放，得到時序增強的特征；

6、s4：基于時序增強的特征，使用長短期記憶網(wǎng)絡獲取時間嵌入編碼，構建具有時間位置信息的特征向量，結合空間選擇機制與多頭注意力機制完成eeg信號全局特征向量的提??；

7、s5：基于結合局部特征的全局特征向量，采用kolmogorov–arnold網(wǎng)絡，使用非線性表示對eeg信號進行分類。

8、本發(fā)明的有益效果是：

9、1)本發(fā)明通過時序感知的squeeze-and-excitation(擠壓-激勵se)模塊，能夠自適應地對eeg信號的時間維度進行注意力加權，有效地提取關鍵時序特征，提高疲勞檢測的準確性和可靠性；

10、2)本發(fā)明采用lstm時間嵌入編碼替換固定位置編碼，增強模型在時間維度上對eeg信號重要信息的關注能力，提升模型對時間序列特性的識別和處理能力；

11、3)本發(fā)明設計的混合架構結合空間選擇mamba模塊與transformer多頭注意力模塊，增強模型對長上下文序列的感知能力，提高模型的魯棒性和泛化能力，尤其是在不同受試者eeg信號的疲勞檢測任務中；

12、4)本發(fā)明使用kolmogorov–arnold?networks(kan)作為分類器，引入可學習的激活函數(shù)和非線性表示，優(yōu)化模型對復雜非線性關系的建模能力，減少過擬合現(xiàn)象，提高分類的準確性和效率。

13、5)本發(fā)明在處理eeg信號的疲勞檢測中，相較于現(xiàn)有技術，能夠更有效地捕捉eeg信號的疲勞跡象，尤其在不同受試者的檢測上具有顯著優(yōu)勢，對于減少由駕駛員疲勞引起的交通事故具有重要的實際應用價值。

技術特征：

1.一種基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，步驟s1具體包括：

3.根據(jù)權利要求1所述的基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，步驟s2具體為：

4.根據(jù)權利要求1所述的基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，步驟s3具體為：

5.根據(jù)權利要求1所述的基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，步驟s4具體為：

6.根據(jù)權利要求5所述的基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，步驟s41中長短期記憶網(wǎng)絡的隱藏狀態(tài)計算如下：

7.根據(jù)權利要求5所述的基于時序增強混合架構的eeg信號疲勞檢測方法，其特征在于，步驟s5具體為：

技術總結
本發(fā)明涉及生物信號處理領域，公開了一種基于時序增強混合架構的EEG信號疲勞檢測方法，設計時序感知的擠壓?激勵模塊，自適應地對時間維度進行注意力加權，有效地提取關鍵時序特征，提高疲勞檢測的準確性和可靠性；將固定位置編碼替換為LSTM時間嵌入編碼，進一步增強模型在時間維度上對重要信息的關注；設計結合空間選擇模塊與Transformer多頭注意力模塊的混合架構，增強長上下文序列感知能力及泛化能力；引入可學習的激活函數(shù)替代固定的線性權重，并通過樣條函數(shù)等非線性表示來增強模型的分類能力。本發(fā)明能夠有效地捕捉EEG信號的疲勞跡象，尤其在不同受試者的檢測上具有顯著優(yōu)勢，對于減少由駕駛員疲勞引起的交通事故具有重要的實際應用價值。

技術研發(fā)人員：朱敏,甘霖,管弦
受保護的技術使用者：四川大學
技術研發(fā)日：
技術公布日：2025/5/15