一种基于脑电波的智能自适应司机人机交互情绪调节方法

医药医疗技术的改进;医疗器械制造及应用技术1.本发明属于人工智能与物联网领域，涉及一种基于脑电波的智能自适应司机人机交互情绪调节方法。背景技术：2.随着车辆智能化程度的提升、人工智能技术及互联网科技在汽车领域的蓬勃发展，智能人机交互等方面也发生了巨大变化。而近年来公交事故仍然居高不下，其中的原因之一是司机的心理状况没有受到关注，时常发生因为情绪问题而导致司机的行为失控。3.医学中脑波检测较为复杂，需要在头部涂抹药膏以增加电极导电性，被称为“湿电极”方法，虽然脑电波精度很高，但日常中无法使用。而消费级的单通道脑波传感器“干电极”可以直接佩戴，使用方便，获取的信号却十分有限，信号弱，噪声多，无法形成精确脑电图来有效分析，因此大多用于教育、娱乐领域。近几年兴起的机器学习，能提取信号中的高维度特征，可以对有限的脑波特征进行分类。4.在机器学习的有监督学习算法中，虽然我们希望可以获得一个各方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型。如朴素贝叶斯适合不同维度之间相关性较小的模型，随机森林则适合数据维度相对低的数据。而集成学习(ensemble methods)，是一种″群体决策″的思想。即用多个模型来进行训练，用于预测同一个问题。其中主要包含三种方法。voting方法的整体错误率，将比每一个独立的模型拥有更低的错误率。bootstrap aggregating方法随机地抽取训练集，为基础训练多个弱分类器。然后通过取平均，或者投票的方式决定最终的分类结果。可以一定程度上避免过渡拟合。boosting方法通过算法集合将弱学习器转换为强学习器，训练一系列的弱学习器可以组合多个弱监督模型以期得到一个更好更全面的强监督模型。这些集成学习潜在的思想是，即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来，将几种机器学习技术组合成一个预测模型的元算法，以达到减小模型方差、偏差或改进预测的效果，使模型更加稳定。5.因此本发明关注司机心理状态，利用精度有限的干电极、单通道的便携式脑波检测设备和集成学习，建立一套实时分析司机情绪，同时实现即时反馈和预警的方法，以减少事故发生的诱因问题，整体降低交通安全风险并提升车舱内的驾驶舒适度。技术实现要素：6.本发明目的在于利用精度有限的干电极、单通道的便携式脑波检测设备，提供了一种基于脑电波的智能自适应司机人机交互情绪调节方法，该方法利用集成学习对脑电信号高效的提取和分类能力，对司机情绪进行分类，并以此为依据进行基于脑电波的智能自适应反馈，及时改善司机驾驶时的心理状态，降低事故发生率。7.本发明提出的一种基于脑电波的智能自适应司机人机交互情绪调节方法，包括以下三个模块：8.脑波信号检测和预处理模块，用于检测脑波、预处理数据、提取脑电信号时序特征；9.情绪分类模块，用于对脑波信号进行分类，得到一段时间内(可随需求调整，范围：5秒-1分钟)的司机情绪；10.反馈模块，用于脑波可听化并用语音和音乐反馈司机，调节其情绪。11.进一步地，所述脑波信号检测和预处理模块中采集脑电信号的具体方式为：利用精度有限的干电极、单通道脑波检测模块(包括单通道信号处理模块、三个电极：耳垂处两个，额头处一个)采集司机脑电信号。每次采集脑电信号包括δ，θ，lowα，highα，lowβ，highβ，lowγ，highγ共8种波，12.进一步地，所述脑波信号检测和预处理模块中数据预处理具体方式为：清洗数据后，利用sfresh工具提取信号时序特征，包括均值、方差、求和、中位数、标准差、偏度值、峰度值、极大值、极小值、数列长度。13.进一步地，所述情绪分类模块具体方法为：使用集成学习的voting方法，投票方式为hard voting，集成k近邻、决策树、随机森林、adaboosting、梯度提升(gradientboosting)、连续型朴素贝叶斯(gaussiannb)、线性判别分析、极端梯度提升(xgboosting)8种模型。将预测值分为5类，分别对应：非常负面、负面、中性、正面、兴奋。14.所述反馈模块：判断情绪类别，先进行语音提示，让司机知晓其心理状态，将情绪可听化，之后播放音乐，对其负面或者过度兴奋的情绪进行干预。15.本发明的优点和积极效果是：16.提取了脑波信号的时序特征，可以反映出脑电信号连续变化的规律性、周期性，并在统计上减少了极端数值、错误数值造成的偏差，作为机器学习的输入，增加了模型的稳定性和分类准确性。17.使用集成学习模型中的voting，方法而非单一的机器学习模型，学习准确率更高。使用基于boosting(如adaboosting、gradientboosting、xgboosting)和bootstrap aggression(如随机森林)方法的多个分类器和训练时的随机取样，减小了噪声样本的对整体模型的影响，减小模型的方差。并且随着模型数量的增加，方差会不断减小。这种方法适合于脑波这种信号变化大、噪声多、不稳定的情景。18.使用了消费级的脑波模块进行测量，无需涂抹导电膏，佩戴没有不适感，方便使用，适合推广。附图说明19.为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。20.附图1：基于脑电波的智能自适应司机人机交互情绪调节方法结构图。21.附图2：基于脑电波的智能自适应司机人机交互情绪调节方法流程图。22.附图3：脑波采集方式。具体实施方式23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。24.本发明提出的一种基于脑电波的智能自适应司机人机交互情绪调节方法，主要包括脑波信号检测和预处理模块、情绪分类模块和反馈模块。25.如基于脑电波的智能自适应司机人机交互情绪调节方法结构图(附图1)：26.在司机驾驶过程中采集脑电波信号，实时传入脑电处理模块，采集一定数量之后进行分类，最后依据分类结果对司机进行反馈。27.基于脑电波的智能自适应司机人机交互情绪调节方法流程图(附图2)：28.所述的脑波信号检测和预处理模块使用消费级的单通道脑波模块采集脑波，预处理信号数据，提取时序特征。29.第一步，脑波采集方式如附图3，耳垂处有两个电极夹，额头处一个电极，采样频率512hz。使用uart输出数据，波特率57600，8bit数据，1个停止位。采集8种脑电波类型，输出为8个3byte无符号整数的序列，串口通信协议为ch340。8种类型脑波为：δ(0.5-2.75hz)，θ(3.5-6.75hz)，lowα(7.5-9.25hz)，highα(10-11.75hz)，lowβ(13-16.75hz)，highβ(18-29.75hz)，lowγ(31-39.75hz)，highγ(41-49.75hz)。每1秒采集一次，8次(8秒)为一小组，40次(40秒)为一个批次，形成一个8×8×5的矩阵，整体进行预处理。30.第二步，去除空数据、异常值，利用tsfresh对时序数据提取数值特征(包括均值、方差、求和、中位数、标准差、偏度值、峰度值、极大值、极小值、数列长度10个特征)形成10×5的特征矩阵，输入分类器。31.所述的情绪分类模块使用了集成学习的voting，方法，投票方式为hard voting，集成k近邻、决策树、随机森林、adaboosting、梯度提升(gradientboosting)、连续型朴素贝叶斯(gaussiannb)、线性判别分析、极端梯度提升(xgboosting)8种模型。将预测值分为5类，分别对应：非常负面、负面、中性、正面、兴奋。32.第一步，定义分类器，加载预训练的8种机器学习模型，载入scikit-learn的集成学习voting集成分类器，定义类型为“硬投票”(hard voting)。33.第二步，载入10×5的特征矩阵，每个批次(10个特征值)经过每个分类器生成一个情绪指数ei，t(0＜ei，t＜1)，集成分类器中一共8个模型，因此经过hard voting形成最终预测值et。共5批次，最终形成1×5的voting矩阵，取均值为最终预测值。34.第三步，设定阈值，根据阈值对预测值进行分类。35.所述的反馈模块使用语音合成技术合成反馈提示音，并选择不同的音乐进行播放。当司机处于非常负面、负面情绪时候自动播放积极愉悦的歌曲，当司机处于兴奋状态则播放舒缓柔和的歌曲，其余状态不用音乐反馈。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!