基于脑电微分熵的警觉度估计方法

为提高人员警觉度实时估计精度,提出了一种基于微分熵(DE)、改进滑动平均和双向二维主成分分析(TD-2DPCA)的警觉度实时估计方法.首先将总频带以某一带宽分解为多个子频带,在每个子频带提取DE;然后结合警觉度的时间动态特征对传统滑动平均方法进行改进,利用改进滑动平均对DE进行了平滑处理;之后利用TD-2DPCA对DE进行降维,并采用最小二乘支持向量机(LS-SVM)建立特征矩阵与警觉度之间的回归模型,以实现警觉度的实时准确估计.最后利用SEED-VIG数据集进行了实验验证,结果表明,采用改进滑动平均和TD-2DPCA方法对数据进行处理可以提高警觉度估计的精度并降低估计时间;总频带在0～35 Hz以内,分解带宽为1 Hz或2 Hz时,提取的DE进行警觉度估计能够达到最高的估计精度;Pearson相关系数约为0.91,RMSE约为0.09,优于现有的警觉度估计方法.