基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)研究

周 揚(yáng)

（湖南科技學(xué)院，湖南 永州 411201）

0 引言

基于深度信念網(wǎng)絡(luò)展開腦電信號(hào)疲勞檢測(cè)系統(tǒng)的設(shè)計(jì)和應(yīng)用，相比于以往的疲勞檢測(cè)系統(tǒng)，應(yīng)用效能更強(qiáng)、檢測(cè)效率更高，能夠在短時(shí)間內(nèi)實(shí)現(xiàn)腦電信號(hào)相關(guān)特征數(shù)據(jù)的高效檢測(cè)，也不會(huì)因?yàn)闄z測(cè)環(huán)境的變化而受到影響，普適應(yīng)較強(qiáng)，能夠切實(shí)保障人們的生命財(cái)產(chǎn)安全。

1 深度信念網(wǎng)絡(luò)的基本運(yùn)作原理

深度信念網(wǎng)絡(luò)最早在2006年由Hinton提出，通常是由多個(gè)受限玻爾茲曼機(jī)和一層分類器堆疊構(gòu)成?，F(xiàn)在已經(jīng)廣泛應(yīng)用于社會(huì)生活的方方面面，如語音識(shí)別、生物特征識(shí)別和疾病預(yù)防檢測(cè)等領(lǐng)域。受限玻爾茲曼機(jī)是由玻爾茲曼機(jī)演變發(fā)展而來，實(shí)現(xiàn)了應(yīng)用效能的優(yōu)化，受限玻爾茲曼機(jī)由可見層和隱含層構(gòu)成，兩個(gè)層體結(jié)構(gòu)之間并沒有任何直接關(guān)系，整個(gè)結(jié)構(gòu)模型基于能量構(gòu)建而成，每一種能量構(gòu)成代表著不同的狀態(tài)，能量值的高低也會(huì)直接反映模型結(jié)構(gòu)本身的功能性和穩(wěn)定性。

2 基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)發(fā)展現(xiàn)狀

現(xiàn)階段，腦電信號(hào)疲勞檢測(cè)系統(tǒng)處于不斷發(fā)展過程中，還存在很大的進(jìn)步發(fā)展空間，并未構(gòu)建統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)。較多應(yīng)用于個(gè)別疲勞狀態(tài)的檢測(cè)，需要工作人員不斷加強(qiáng)技術(shù)研究，促使疲勞檢測(cè)系統(tǒng)能夠朝向高效化、智能化的方向發(fā)展。

基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)與傳統(tǒng)的疲勞檢測(cè)系統(tǒng)相比，在檢測(cè)效率和檢測(cè)性能上都有所提升。疲勞駕駛檢測(cè)通常都會(huì)采用面部識(shí)別的方法，通過人臉面部特征和信息識(shí)別，實(shí)現(xiàn)疲勞情況的實(shí)時(shí)檢測(cè)，這個(gè)方法雖然能夠快速采集人臉信息，但是很容易因?yàn)橥饨绛h(huán)境變化而受到影響，使實(shí)際檢測(cè)效率降低。通過玻爾茲曼機(jī)在硬件采集模塊中提取的信號(hào)實(shí)現(xiàn)腦電信號(hào)的實(shí)時(shí)檢測(cè)，并能夠就疲勞和未疲勞進(jìn)行合理劃分，促使整個(gè)信號(hào)檢測(cè)系統(tǒng)的完成，為處于疲勞駕駛狀態(tài)的工作人員予以生命安全保障。疲勞本身是由于長時(shí)間高強(qiáng)度工作引發(fā)的，主要表現(xiàn)為注意力不集中、日常工作反應(yīng)慢，給人們的日常生活帶來了許多不良影響，如果處于疲勞駕駛狀態(tài)甚至?xí)绊戱{駛?cè)藛T自身的生命安全[1]。

3 基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)設(shè)計(jì)

3．1 腦電信號(hào)疲勞檢測(cè)系統(tǒng)整體結(jié)構(gòu)設(shè)計(jì)

需要明確的是，深度信念網(wǎng)絡(luò)作為一種概率生成模型，與傳統(tǒng)判別神經(jīng)網(wǎng)絡(luò)相比，具有多方面的性能優(yōu)勢(shì)。深層信念網(wǎng)絡(luò)作為深度學(xué)習(xí)過程中關(guān)鍵的學(xué)習(xí)模型，近年來受到了廣泛關(guān)注，能夠?qū)⒅T多受限玻爾茲曼機(jī)進(jìn)行堆疊處理，在開展具體訓(xùn)練工作時(shí)可以按照由低到高的次序，對(duì)受限玻爾茲曼機(jī)進(jìn)行訓(xùn)練。具體訓(xùn)練主要包括2個(gè)內(nèi)容：預(yù)訓(xùn)練和精調(diào)。預(yù)訓(xùn)練通過無監(jiān)督逐層學(xué)習(xí)的方法實(shí)現(xiàn)初始化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置。精調(diào)則是在模型最后通過應(yīng)用反向傳播算法，完成對(duì)系統(tǒng)全方位、多角度的微調(diào)處理。深層信念網(wǎng)絡(luò)又可以將其劃分為可視層和隱藏層兩個(gè)層次?？梢晫雍碗[藏層表面保持著緊密聯(lián)系，但是內(nèi)部結(jié)構(gòu)并不相關(guān)。在深度信念網(wǎng)絡(luò)的條件下開展腦電信號(hào)疲勞檢測(cè)系統(tǒng)的設(shè)計(jì)，能夠促使檢測(cè)系統(tǒng)的應(yīng)用性能提高，更加直觀精準(zhǔn)地反映出測(cè)試對(duì)象的個(gè)人精神狀態(tài)。

腦電信號(hào)疲勞檢測(cè)系統(tǒng)，能夠通過EEG采集儀實(shí)現(xiàn)對(duì)測(cè)試對(duì)象腦電信號(hào)的實(shí)時(shí)檢測(cè)。通過接口構(gòu)建腦電信號(hào)和機(jī)器之間的連接渠道，使個(gè)人能夠直接表達(dá)自身想法，強(qiáng)化腦電信號(hào)的直觀檢測(cè)，當(dāng)大腦產(chǎn)生相應(yīng)的動(dòng)作后，腦電信號(hào)也將會(huì)隨之發(fā)生變化，傳輸?shù)浇涌?，之后通過預(yù)處理、特征參數(shù)計(jì)算、能量和疲勞指數(shù)計(jì)算，對(duì)個(gè)人疲勞程度預(yù)估和輸出[2]。

3.2 腦電信號(hào)疲勞檢測(cè)系統(tǒng)硬件模塊設(shè)計(jì)

3．2．1 采集模塊設(shè)計(jì)

基于深度信念網(wǎng)絡(luò)將開展腦電信號(hào)疲勞檢測(cè)系統(tǒng)的設(shè)計(jì)工作，主要包括信號(hào)采集、輸出、圖像處理、結(jié)果顯示、預(yù)警報(bào)警以及同步邏輯控制。在整個(gè)系統(tǒng)設(shè)計(jì)過程中，可以采用seed-vpm642作為整個(gè)腦電信號(hào)疲勞檢測(cè)系統(tǒng)應(yīng)用模塊平臺(tái)，開展基本硬件結(jié)構(gòu)的設(shè)計(jì)，并通過DSP數(shù)字信號(hào)處理器和信號(hào)編碼器的應(yīng)用，完成彼此的互聯(lián)互通[3]。

對(duì)腦電信號(hào)疲勞檢測(cè)系統(tǒng)硬件結(jié)構(gòu)中的采集模塊進(jìn)行設(shè)計(jì)，主要是通過應(yīng)用CCD完成信號(hào)采集工作，進(jìn)而將采集得到的信號(hào)經(jīng)由A/D轉(zhuǎn)換，轉(zhuǎn)換成數(shù)字信號(hào)形式。以某公司生產(chǎn)的數(shù)字解碼器為例，該數(shù)字解碼器能夠完成數(shù)字化信號(hào)的連接和分離，并將不同的信號(hào)輸入端口和輸出端口進(jìn)行編號(hào)處理，確保所有輸入的信號(hào)都是合成信號(hào)，并能夠透過信號(hào)處理器的總線接口對(duì)存儲(chǔ)器進(jìn)行串行拓展，實(shí)現(xiàn)輸入輸出速率的提高，進(jìn)一步使信號(hào)采集精準(zhǔn)度提升。

3.2.2 顯示模塊設(shè)計(jì)

將DSP數(shù)字信號(hào)處理器的信號(hào)端口與編碼器進(jìn)行連接，還可以通過FPGA完成編碼器的復(fù)合信號(hào)編碼工作。FPGA基于眾多可編碼器件發(fā)展而成，有效解決了原有電路設(shè)計(jì)過程中的各種問題，還能夠應(yīng)對(duì)原有可編程器件與門電路數(shù)有限的問題。在對(duì)腦電信號(hào)檢測(cè)系統(tǒng)硬件平臺(tái)選擇上主要采用seed-vpm642硬件平臺(tái)，該硬件平臺(tái)能夠通過CCD元件完成各種特征信號(hào)的檢測(cè)和轉(zhuǎn)換工作，當(dāng)完成基本的數(shù)字信號(hào)轉(zhuǎn)換后，需要對(duì)其進(jìn)行預(yù)處理、分割、分離等工作。通過應(yīng)用DSP數(shù)字信號(hào)處理器可以實(shí)現(xiàn)不同端口的信號(hào)合成、復(fù)合信號(hào)編碼工作，進(jìn)而實(shí)現(xiàn)腦電信號(hào)疲勞檢測(cè)系統(tǒng)硬件模塊設(shè)計(jì)工作。

3.3 腦電信號(hào)疲勞檢測(cè)系統(tǒng)軟件模塊設(shè)計(jì)

基于深度信念網(wǎng)絡(luò)開展腦電信號(hào)疲勞檢測(cè)系統(tǒng)軟件模塊設(shè)計(jì)工作，主要包括監(jiān)督訓(xùn)練和非監(jiān)督貪婪逐層訓(xùn)練2個(gè)階段，通過以上2種訓(xùn)練方法能夠完成深度信念網(wǎng)絡(luò)訓(xùn)練和整體網(wǎng)絡(luò)調(diào)整。

深度信念網(wǎng)絡(luò)作為重要的深度學(xué)習(xí)模型，也是實(shí)現(xiàn)人工智能的重要方式，在其網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)部包括諸多神經(jīng)元，并能夠在整個(gè)計(jì)算過程中將不同層級(jí)的輸出工作視作下層網(wǎng)絡(luò)輸入。工作人員設(shè)置深度信念網(wǎng)絡(luò)最底層輸入的腦電信號(hào)數(shù)據(jù)。需要明確的是，在模塊設(shè)計(jì)過程中，深度信念網(wǎng)絡(luò)第一層隱藏層與可視層將會(huì)構(gòu)建相應(yīng)的受限玻爾茲曼機(jī)，并能夠透過深度網(wǎng)絡(luò)信念測(cè)試中的非監(jiān)督貪婪逐層訓(xùn)練的方式使受限玻爾茲曼機(jī)達(dá)成基本的能量平衡情況，進(jìn)而完成檢測(cè)結(jié)果輸出和參數(shù)調(diào)整工作。

整個(gè)腦電信號(hào)疲勞檢測(cè)系統(tǒng)軟件設(shè)計(jì)主要包括以下4個(gè)流程，首先，通過應(yīng)用CCD實(shí)現(xiàn)測(cè)試對(duì)象腦電信號(hào)的采集工作。之后完成預(yù)處理和信號(hào)處理工作，并就腦電信號(hào)進(jìn)行特征檢測(cè)和信號(hào)跟蹤，提取信號(hào)特征參數(shù)，對(duì)腦電時(shí)間序列近似熵展開分析工作。接著由工作人員對(duì)處于疲勞狀態(tài)下的腦電波動(dòng)指數(shù)展開分析，通常而言，當(dāng)個(gè)體處于疲勞狀態(tài)時(shí)，腦電波動(dòng)信號(hào)強(qiáng)度較大，腦電信號(hào)將會(huì)呈現(xiàn)為具有一定波動(dòng)規(guī)律的波形，但是復(fù)雜性較弱，將其與未疲勞狀態(tài)的腦電波動(dòng)信號(hào)相比，波動(dòng)更加劇烈。最后，完成對(duì)腦電信號(hào)變化強(qiáng)度的檢測(cè)工作。

4 結(jié)論

綜上所述，對(duì)基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)的研究具有十分重要的意義。通過應(yīng)用該腦電信號(hào)檢測(cè)系統(tǒng)能夠?qū)崿F(xiàn)疲勞信息數(shù)據(jù)的精準(zhǔn)檢測(cè)，與其他檢測(cè)系統(tǒng)相比，檢測(cè)效果更好。今后也應(yīng)當(dāng)加強(qiáng)對(duì)檢測(cè)系統(tǒng)的研究，通過深度信念網(wǎng)絡(luò)完成對(duì)人腦復(fù)雜腦電信號(hào)的深層次檢測(cè)，使檢測(cè)能力提升。