一种基于Dropout-MTN的晕车状态识别方法

一种基于dropout-mtn的晕车状态识别方法
技术领域
1.本发明涉及一种基于dropout-mtn的晕车状态识别方法，属于脑电信号分析检测技术领域。


背景技术：

2.晕车是一种晕眩感，通常在长时间旅行或乘坐交通工具(包括车辆、船只等)时发生。晕车的原因多种多样，包括运动感知系统的疾病、内耳感觉器官的异常以及大脑对感觉信息的处理功能紊乱。晕车的症状包括头晕、恶心、呕吐、出汗和心率加快。尽管晕车通常是一种暂时的不适，但它可能会影响某些人的生活质量和日常活动。因此，对晕车进行诊断至关重要，为了客观地对晕车状态进行诊断，基于脑电信号的分析得到了广泛应用。目前深度神经网络模型被广泛应用于脑电信号的分析，但是，这些深度神经网络模型结构复杂，参数较多，无论是模型的训练还是测试都非常耗时。因此，难以满足对于晕车状态快速诊断的需求。


技术实现要素：

3.本发明所要解决的技术问题是提供一种基于dropout-mtn的晕车状态识别方法，采用全新设计逻辑，能够在不降低分类准确率的同时，提高检测速度。
4.本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于dropout-mtn的晕车状态识别方法，执行如下步骤a至步骤c，获得晕车状态识别模型，然后执行步骤i，应用晕车状态识别模型，完成目标人物对应目标时长段的晕车状态识别；
5.步骤a.基于与目标时长段相等的样本检测时长段，分别针对预设数量待分析人物，获得待分析人物脑部表面预设各检测位置分别对应样本检测时长段的脑电信号波形，构成待分析人物对应样本检测时长段的多维脑电检测信号波形，同时基于预设包括不晕车状态类别的各个晕车状态类别，获得待分析人物对应样本检测时长段的真实晕车状态类别，并以多维脑电检测信号波形、该真实晕车状态类别构成脑电检测样本，即获得各待分析人物分别对应的脑电检测样本，然后进入步骤b；
6.步骤b.构建自输入端至输出端依次串联输入层、多项式层、全连接层、softmax层、输出层的待训练网络，然后进入步骤c；
7.步骤c.基于待训练网络中多项式层与全连接层之间串联dropout层所构成的辅助待训网络，根据各脑电检测样本，以脑电检测样本中多维脑电检测信号波形为输入、晕车状态类别为输出，针对辅助待训网络进行训练，进而实现对待训练网络的训练，获得待训练网络对应的晕车状态识别模型；
8.步骤i.采集目标人物脑部表面预设各检测位置分别对应目标时长段的脑电信号波形，构成目标人物对应目标时长段的多维脑电检测信号波形，并应用晕车状态识别模型，获得目标人物对应目标时长段的晕车状态类别，完成目标人物对应目标时长段的晕车状态识别。
9.作为本发明的一种优选技术方案：所述步骤a包括如下步骤a1至步骤a3：
10.步骤a1.基于与目标时长段相等的样本检测时长段，分别针对预设数量待分析人物，获得待分析人物脑部表面预设各检测位置分别对应样本检测时长段中各时刻点的脑电信号波形，并以该各检测位置分别对应各脑电信号波形的平方的平均值，构成该各检测位置分别对应样本检测时长段的脑电信号波形，构成待分析人物对应样本检测时长段的多维脑电检测信号波形，然后进入步骤a2；
11.步骤a2.基于预设包括不晕车状态类别的各个晕车状态类别，根据各待分析人物对应的ssq量表，分别针对预设数量待分析人物，获得待分析人物分别对应样本检测时长段中各时刻点的参数n、o、d的值，并按如下公式：
12.ts＝n+o+d
×
3.74
13.计算获得待分析人物分别对应样本检测时长段中各时刻点的总分值ts，进而获得各时刻点总分值ts的平均分值，并按预设平均分值与各个晕车状态分类的对应关系，获得待分析人物对应样本检测时长段的真实晕车状态类别，然后进入步骤a3；
14.步骤a3.以待分析人物对应样本检测时长段的多维脑电检测信号波形、真实晕车状态类别作为脑电检测样本，即获得各待分析人物分别对应的脑电检测样本。
15.作为本发明的一种优选技术方案：所述步骤b中输入层用于接收由脑部表面预设各检测位置分别对应样本检测时长段的脑电信号波形构成的多维脑电检测信号波形x1(k)、
…
、xn(k)、
…
、xe(k)，并转发多项式层，1≤n≤e，e表示多维脑电检测信号波形所对应脑部表面的检测位置的数量，xn(k)表示脑部表面第n个检测位置对应第k个样本检测时长段的脑电信号；
16.多项式层针对所接收多维脑电检测信号波形x1(k)、
…
、xn(k)、
…
、xe(k)，根据待训练网络所对应的预设最高展开次项m，构建多项式层的输出y(k)如下，并向全连接层进行传输，1≤m≤e；
17.y(k)＝[y1(k)
ꢀ…ꢀyn
(k)
ꢀ…ꢀ
ye(k)]＝[w1ꢀ…ꢀ
wnꢀ…ꢀ
we]
t
·
v(k)
[0018]
其中，yn(k)表示多项式层对应第n个检测位置的输出，wn＝[w
n，1
ꢀ…ꢀwn，l
ꢀ…ꢀwn，l(e，m)
]，1≤l≤l(e，m)，l(e，m)表示基于e、m的多项式中单项式个数，wn表示多项式层中对应第n个检测位置的权值向量，w
n，l
表示wn中第l个权值，w
n，l
是待训练网络中的待训练参数，v(k)＝[1，x1(k)
…
xe(k)，x1(k)x2(k)
…
(xe(k))2，
…
，x1(k)
…
xm(k)
…
(xe(k))m]
t
，v(k)表示多维脑电检测信号波形关于最高展开次项m的各次项展开式。
[0019]
作为本发明的一种优选技术方案：关于所述步骤b中全连接层，基于多项式层的输出y(k)，构建全连接层的输出f(k)如下，并向softmax层进行传输；
[0020]
f(k)＝[f1(k)
ꢀ…ꢀ
fc(k)
ꢀ…ꢀ
fc(k)]
t
＝s{[λ1ꢀ…ꢀ
λcꢀ…ꢀ
λc]
t
·
y(k)}
[0021]
其中，fc(k)表示全连接层对应第c个晕车状态类别的输出，λc＝[λ
c，1
ꢀ…ꢀ
λ
c，n
ꢀ…ꢀ
λ
c，e
]，1≤c≤c，c表示晕车状态类别的类别数，λc表示第c个晕车状态类别的权值列向量，λ
c，n
表示第n个检测位置到第c个晕车状态类别的权值，λ
c，n
是待训练网络中的待训练参数，s表示激活函数relu的操作。
[0022]
作为本发明的一种优选技术方案：关于所述步骤b中softmax层，基于全连接层的输出f(k)＝[f1(k)
ꢀ…ꢀ
fc(k)
ꢀ…ꢀ
fc(k)]
t
，按构建softmax层的输出p(k)＝
[p1(k)
ꢀ…ꢀ
pc(k)
ꢀ…ꢀ
pc(k)]
t
，并向输出层进行传输，e表示自然常数，pc(k)表示对应第c个晕车状态类别的概率；输出层根据分别对应各第c个晕车状态类别的概率，确定输入层所接收多维脑电检测信号波形对应的晕车状态类别，并输出；pc(k)表示全连接层对应第c个晕车状态类别输出的概率。
[0023]
作为本发明的一种优选技术方案：所述步骤c中关于待训练网络中多项式层与全连接层之间串联dropout层所构成的辅助待训网络，基于多项式层的输出y(k)＝[y1(k)
ꢀ…ꢀyn
(k)
ꢀ…ꢀ
ye(k)]，联系服从参数为预设β的伯努利分布、分别对应各检测位置的参数r1、
…
、rn、
…
、re，分别针对各检测位置，按rn·yn
(k)的结果，针对yn(k)进行更新，更新作为dropout层的输出y(k)＝[y1(k)
ꢀ…ꢀyn
(k)
ꢀ…ꢀ
ye(k)]，并向全连接层进行传输，其中，1≤n≤e，e表示多维脑电检测信号波形所对应脑部表面的检测位置的数量，yn(k)表示多项式层关于第n个检测位置的输出，rn表示服从参数为预设β的伯努利分布、对应第n个检测位置的参数。
[0024]
作为本发明的一种优选技术方案：所述步骤c中关于对辅助待训网络的训练过程中，关于各次迭代处理下待训练参数w1、w2、
…
、we与待训练参数λ1、λ2、
…
、λc，采用小批量梯度下降方法，按如下方式进行更新；
[0025][0026]w’1、w
’2、
…
、w’e
依次表示w1、w2、
…
、we更新后的结果，λ
’1、λ
’2、
…
、λ’c
依次表示λ1、λ2、
…
、λc更新后的结果，η表示参数学习率，h表示损失函数结果。
[0027]
作为本发明的一种优选技术方案：所述步骤c中关于对辅助待训网络的训练过程中，采用交叉熵损失函数如下，实现待训练网络中各待训练参数的寻优；
[0028][0029]
其中，q表示辅助待训网络训练过程中训练集中脑电检测样本的数量，c表示晕车状态类别的类别数；y
q，c
表示符号函数，若训练集中第q个脑电检测样本的真实晕车状态类别等于第c个晕车状态类别，则y
q，c
＝1，若训练集中第q个脑电检测样本的真实晕车状态类别不等于第c个晕车状态类别，则y
q，c
＝0；p
q，c
表示辅助待训网络训练下所输出训练集中第q个脑电检测样本属于第c个晕车状态类别的概率，hq表示辅助待训网络训练下训练集中第q个脑电检测样本关于晕车状态类别识别的损失函数结果，h表示辅助待训网络训练下训练集的损失函数结果。
[0030]
本发明所述一种基于dropout-mtn的晕车状态识别方法，采用以上技术方案与现有技术相比，具有以下技术效果：
[0031]
(1)本发明所设计一种基于dropout-mtn的晕车状态识别方法，采用全新策略、以及网络结构设计，基于脑部表面预设各检测位置脑电信号波形、结合相应真实晕车状态类别所构建脑电检测样本，联系dropout层，针对自输入端至输出端依次串联输入层、多项式层、全连接层、softmax层、输出层的待训练网络，执行网络训练，获得晕车状态识别模型用
于实际应用；设计方案简化模型复杂度、提升模型泛化能力的同时，使所设计dropout-mtn可以快速地实现对于晕车状态的高精度分类，并且网络结构简单，不需要进行大量的网络训练，计算复杂度低，与常用的机器学习分类器相比，能够在不降低分类准确率的同时提高检测速度。
附图说明
[0032]
图1是本发明实施例中用于脑电信号波形提取的脑部表面预设各检测位置示意图；
[0033]
图2是本发明设计待训练网络结合dropout层的网络架构示意图；
[0034]
图3是本发明设计辅助待训网络相较其他常用网络在训练中的收敛速度示意图。
具体实施方式
[0035]
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
[0036]
本发明所设计一种基于dropout-mtn的晕车状态识别方法，实际应用当中，具体设计执行如下步骤a至步骤c，获得晕车状态识别模型。
[0037]
步骤a.基于与目标时长段相等的样本检测时长段，分别针对预设数量待分析人物，获得待分析人物脑部表面预设各检测位置分别对应样本检测时长段的脑电信号波形，构成待分析人物对应样本检测时长段的多维脑电检测信号波形，同时基于预设包括不晕车状态类别的各个晕车状态类别，获得待分析人物对应样本检测时长段的真实晕车状态类别，并以多维脑电检测信号波形、该真实晕车状态类别构成脑电检测样本，即获得各待分析人物分别对应的脑电检测样本，然后进入步骤b。
[0038]
实际执行当中，上述步骤a具体设计执行如下步骤a1至步骤a3。
[0039]
步骤a1.基于与目标时长段相等的样本检测时长段，分别针对预设数量待分析人物，获得待分析人物脑部表面预设各检测位置分别对应样本检测时长段中各时刻点的脑电信号波形，并以该各检测位置分别对应各脑电信号波形的平方的平均值，构成该各检测位置分别对应样本检测时长段的脑电信号波形，构成待分析人物对应样本检测时长段的多维脑电检测信号波形，然后进入步骤a2。
[0040]
实际应用实施中，使用32通道eeg数据采集设备对23名待分析人物进行vr眩晕测试，以获取待分析人物的脑电信号波形。为使分类效率提高，如图1所示，设计提取代表脑部表面不同脑区的30个典型电极：fp1,fp2,f11,f7,f3,fz,f4,f8,f12,ft11,fc3,fcz,fc4,ft12,t7,c3,cz,c4,t8,cp3,cpz,cp4,p7,p3,pz,p4,p8,o1,oz,o2的脑电信号波形，脑电输入样本数据维度e、最高展开次项m、样本数据长度l，并将数据集进行归一化处理，得到样本数据e
·
l阵。l指的是样本数据长度。在本实验中e＝30，l＝3960。得到这两个数据的方法如下所示：
[0041]
一秒钟200个样本(包括31个通道的脑电信号)，对每个待分析人物采集3分钟，应用中不是直接把这一秒钟的200个样本输入待训练网络，而是用一个能量值表征这200个样本。这个能量值是这200个样本信号的平方平均，即每个样本先平方，然后取其平均值作为能量信号，代表这一秒的脑电信号波形。因此，一秒钟相当于有一个能量值，这样3分钟就有180个能量值。因为23个被试中只有22个被试成功进行了实验，采集到了数据。所以数据总
量为180*22＝3960。最终输入mtn的数据的维度是e
·
1＝30*3960。
[0042]
步骤a2.基于预设包括不晕车状态类别的各个晕车状态类别，根据各待分析人物对应的ssq量表，分别针对预设数量待分析人物，获得待分析人物分别对应样本检测时长段中各时刻点的参数n、o、d的值，并按如下公式：
[0043]
ts＝n+o+d
×
3.74
[0044]
计算获得待分析人物分别对应样本检测时长段中各时刻点的总分值ts，进而获得各时刻点总分值ts的平均分值，并按预设平均分值与各个晕车状态分类的对应关系，获得待分析人物对应样本检测时长段的真实晕车状态类别，然后进入步骤a3。
[0045]
实际应用中，例如：晕动症ssq量表中第一个待分析人物的n、o、d值分别为6.8、6.09、6.06，可计算得出ts值为35.5544，类似地，计算出所有待分析人物的ts值，然后对其取均值为20.367，将ts值大于此均值的标签记为1，小于此均值的标签标记为0。这里的标签不是3分钟实验中，每一秒钟都要得到待分析人物的感觉以获取相应标签。而是实验结束，待分析人物给一个总的感觉，这个感觉对应的标签作为整个3分钟实验中的脑电信号的标签。
[0046]
步骤a3.以待分析人物对应样本检测时长段的多维脑电检测信号波形、真实晕车状态类别作为脑电检测样本，即获得各待分析人物分别对应的脑电检测样本。
[0047]
步骤b.构建自输入端至输出端依次串联输入层、多项式层、全连接层、softmax层、输出层的待训练网络，然后进入步骤c。
[0048]
如图2所示，待训练网络在实际的具体设计应用中，输入层用于接收由脑部表面预设各检测位置分别对应样本检测时长段的脑电信号波形构成的多维脑电检测信号波形x1(k)、
…
、xn(k)、
…
、xe(k)，并转发多项式层，1≤n≤e，e表示多维脑电检测信号波形所对应脑部表面的检测位置的数量，xn(k)表示脑部表面第n个检测位置对应第k个样本检测时长段的脑电信号。
[0049]
多项式层针对所接收多维脑电检测信号波形x1(k)、
…
、xn(k)、
…
、xe(k)，根据待训练网络所对应的预设最高展开次项m，构建多项式层的输出y(k)如下，并向全连接层进行传输，1≤m≤e；
[0050]
y(k)＝[y1(k)
ꢀ…ꢀyn
(k)
ꢀ…ꢀ
ye(k)]＝[w1ꢀ…ꢀ
wnꢀ…ꢀ
we]
t
·
v(k)
[0051]
其中，yn(k)表示多项式层对应第n个检测位置的输出，wn＝[w
n，1
ꢀ…ꢀwn，l
ꢀ…ꢀwn，l(e，m)
]，1≤l≤l(e，m)，l(e，m)表示基于e、m的多项式中单项式个数，wn表示多项式层中对应第n个检测位置的权值向量，w
n，l
表示wn中第l个权值，w
n，l
是待训练网络中的待训练参数，v(k)＝[1，x1(k)
…
xe(k)，x1(k)x2(k)
…
(xe(k))2，
…
，x1(k)
…
xm(k)
…
(xe(k))m]
t
，v(k)表示多维脑电检测信号波形关于最高展开次项m的各次项展开式。
[0052]
如图1所示，在多项式层的输出连接全连接层，全连接层的输入维度维度与特征的维度e一致，而输出层与类型数c一致，因此可以用于输入与输出不同维度的情况，另外，为了进一步提高dropout-mtn的拟合精度，激活函数relu被添加在了全连接层的每个输出节点的后面，以提高dropout-mtn描述非线性特性的能力。
[0053]
应用中，全连接层，基于多项式层的输出y(k)，构建全连接层的输出f(k)如下，并向softmax层进行传输；
[0054]
f(k)＝[f1(k)
ꢀ…ꢀ
fc(k)
ꢀ…ꢀ
fc(k)]
t
＝s{[λ1ꢀ…ꢀ
λcꢀ…ꢀ
λc]
t
·
y(k)}
[0055]
其中，fc(k)表示全连接层对应第c个晕车状态类别的输出，λc＝[λ
c，1
ꢀ…ꢀ
λ
c，n
ꢀ…ꢀ
λ
c，e
]，1≤c≤c，c表示晕车状态类别的类别数，λc表示第c个晕车状态类别的权值列向量，λ
c，n
表示第n个检测位置到第c个晕车状态类别的权值，λ
c，n
是待训练网络中的待训练参数，s表示激活函数relu的操作。
[0056]
softmax层，基于全连接层的输出f(k)＝[f1(k)
ꢀ…ꢀ
fc(k)
ꢀ…ꢀ
fc(k)]
t
，按，按构建softmax层的输出p(k)＝[p1(k)
ꢀ…ꢀ
pc(k)
ꢀ…ꢀ
pc(k)]
t
，并向输出层进行传输，e表示自然常数，pc(k)表示对应第c个晕车状态类别的概率；输出层根据分别对应各第c个晕车状态类别的概率，确定输入层所接收多维脑电检测信号波形对应的晕车状态类别，并输出；pc(k)表示全连接层对应第c个晕车状态类别输出的概率。
[0057]
步骤c.基于待训练网络中多项式层与全连接层之间串联dropout层所构成的辅助待训网络，根据各脑电检测样本，以脑电检测样本中多维脑电检测信号波形为输入、晕车状态类别为输出，针对辅助待训网络进行训练，进而实现对待训练网络的训练，获得待训练网络对应的晕车状态识别模型。
[0058]
在训练过程中，为了缓解上述设计待训练网络的过拟合问题，提高网络的泛化能力，这里针对训练的过程中引入dropout算法，即在待训练网络结构中添加了一个dropout层，如图1所示。为防止模型过拟合，以概率p丢弃hidden layer输出的第n个节点yn(k)，n＝1，2，...，e。为此生成一个由0、1组成的矩阵如下：
[0059][0060]
其中，rn～bernoulli(p)，n＝1，
…
，e，该矩阵为对角阵，对角线上的元素rn为0或者1，其服从参数为p(预设)的伯努利分布。
[0061]
即在具体实际应用中，关于待训练网络中多项式层与全连接层之间串联dropout层所构成的辅助待训网络，基于多项式层的输出y(k)＝[y1(k)
ꢀ…ꢀyn
(k)
ꢀ…ꢀ
ye(k)]，联系服从参数为预设β的伯努利分布、分别对应各检测位置的参数r1、
…
、rn、
…
、re，分别针对各检测位置，按rn·yn
(k)的结果，针对yn(k)进行更新，更新作为dropout层的输出y(k)＝[y1(k)
ꢀ…ꢀyn
(k)
ꢀ…ꢀ
ye(k)]，并向全连接层进行传输，其中，1≤n≤e，e表示多维脑电检测信号波形所对应脑部表面的检测位置的数量，yn(k)表示多项式层关于第n个检测位置的输出，rn表示服从参数为预设β的伯努利分布、对应第n个检测位置的参数。
[0062]
关于对辅助待训网络的训练，考虑到多维泰勒网的网状多层结构，本发明设计中不采用传统的最小二乘法估计mtn分类器的权值，而是采用小批量梯度下降(mini-batch gradient descent，mbgd)方法。该方法的优点是每次迭代都会考虑一批样本，所以可以实现全局最优。因此，本发明在训练dropout-mtn分类器、即训练辅助待训网络的过程中，使用了mbgd方法来更新模型的权重，其中一个小批量样本迭代一次权值。样本数据中的2/3被作为训练数据，而剩下的数据作为测试数据。训练数据的长度被定义为t，另外，最高展开次项、参数学习率、训练迭代数、每批处理的样本的个数以及批尺寸分别被标识为m、η、l以及t
bz
。所有的数据送入网络中完成一次前向传播及反向传播的过程被定义为一个epoch。我们用ne来定义epoch的个数。则t、t
bz
和ne满足以下关系：
[0063][0064]
在对辅助待训网络的实际训练过程中，关于各次迭代处理下待训练参数w1、w2、
…
、we与待训练参数λ1、λ2、
…
、λc，采用小批量梯度下降方法，按如下方式进行更新；
[0065][0066]
其中，w
’1、w
’2、
…
、w’e
依次表示w1、w2、
…
、we更新后的结果，λ
’1、λ
’2、
…
、λ’c
依次表示λ1、λ2、
…
、λc更新后的结果，η表示参数学习率，h表示损失函数结果。
[0067]
并且在训练过程中，采用交叉熵损失函数如下，实现待训练网络中各待训练参数的寻优；
[0068][0069]
其中，q表示辅助待训网络训练过程中训练集中脑电检测样本的数量，c表示晕车状态类别的类别数；y
q，c
表示符号函数，若训练集中第q个脑电检测样本的真实晕车状态类别等于第c个晕车状态类别，则y
q，c
＝1，若训练集中第q个脑电检测样本的真实晕车状态类别不等于第c个晕车状态类别，则y
q，c
＝0；p
q，c
表示辅助待训网络训练下所输出训练集中第q个脑电检测样本属于第c个晕车状态类别的概率，hq表示辅助待训网络训练下训练集中第q个脑电检测样本关于晕车状态类别识别的损失函数结果，h表示辅助待训网络训练下训练集的损失函数结果。
[0070]
实际应用中，如图3所示，不同模型的迭代精度曲线，与其他常用方法相比，本发明所设计辅助待训网络dropout-mtn的收敛速度最快，且分类精度最高。
[0071]
基于上述晕车状态识别模型的获得，进一步设计执行如下步骤i，应用晕车状态识别模型，完成目标人物对应目标时长段的晕车状态识别。
[0072]
步骤i.采集目标人物脑部表面预设各检测位置分别对应目标时长段的脑电信号波形，构成目标人物对应目标时长段的多维脑电检测信号波形，并应用晕车状态识别模型，获得目标人物对应目标时长段的晕车状态类别，完成目标人物对应目标时长段的晕车状态识别。
[0073]
上述技术方案所设计基于dropout-mtn的晕车状态识别方法，采用全新策略、以及网络结构设计，基于脑部表面预设各检测位置脑电信号波形、结合相应真实晕车状态类别所构建脑电检测样本，联系dropout层，针对自输入端至输出端依次串联输入层、多项式层、全连接层、softmax层、输出层的待训练网络，执行网络训练，获得晕车状态识别模型用于实际应用；设计方案简化模型复杂度、提升模型泛化能力的同时，使所设计dropout-mtn可以快速地实现对于晕车状态的高精度分类，并且网络结构简单，不需要进行大量的网络训练，计算复杂度低，与常用的机器学习分类器相比，能够在不降低分类准确率的同时提高检测速度。
[0074]
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施
方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

技术特征：
1.一种基于dropout-mtn的晕车状态识别方法，其特征在于：执行如下步骤a至步骤c，获得晕车状态识别模型，然后执行步骤i，应用晕车状态识别模型，完成目标人物对应目标时长段的晕车状态识别；步骤a.基于与目标时长段相等的样本检测时长段，分别针对预设数量待分析人物，获得待分析人物脑部表面预设各检测位置分别对应样本检测时长段的脑电信号波形，构成待分析人物对应样本检测时长段的多维脑电检测信号波形，同时基于预设包括不晕车状态类别的各个晕车状态类别，获得待分析人物对应样本检测时长段的真实晕车状态类别，并以多维脑电检测信号波形、该真实晕车状态类别构成脑电检测样本，即获得各待分析人物分别对应的脑电检测样本，然后进入步骤b；步骤b.构建自输入端至输出端依次串联输入层、多项式层、全连接层、softmax层、输出层的待训练网络，然后进入步骤c；步骤c.基于待训练网络中多项式层与全连接层之间串联dropout层所构成的辅助待训网络，根据各脑电检测样本，以脑电检测样本中多维脑电检测信号波形为输入、晕车状态类别为输出，针对辅助待训网络进行训练，进而实现对待训练网络的训练，获得待训练网络对应的晕车状态识别模型；步骤i.采集目标人物脑部表面预设各检测位置分别对应目标时长段的脑电信号波形，构成目标人物对应目标时长段的多维脑电检测信号波形，并应用晕车状态识别模型，获得目标人物对应目标时长段的晕车状态类别，完成目标人物对应目标时长段的晕车状态识别。2.根据权利要求1所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：所述步骤a包括如下步骤a1至步骤a3：步骤a1.基于与目标时长段相等的样本检测时长段，分别针对预设数量待分析人物，获得待分析人物脑部表面预设各检测位置分别对应样本检测时长段中各时刻点的脑电信号波形，并以该各检测位置分别对应各脑电信号波形的平方的平均值，构成该各检测位置分别对应样本检测时长段的脑电信号波形，构成待分析人物对应样本检测时长段的多维脑电检测信号波形，然后进入步骤a2；步骤a2.基于预设包括不晕车状态类别的各个晕车状态类别，根据各待分析人物对应的ssq量表，分别针对预设数量待分析人物，获得待分析人物分别对应样本检测时长段中各时刻点的参数n、o、d的值，并按如下公式：ts＝n+o+d
×
3.74计算获得待分析人物分别对应样本检测时长段中各时刻点的总分值ts，进而获得各时刻点总分值ts的平均分值，并按预设平均分值与各个晕车状态分类的对应关系，获得待分析人物对应样本检测时长段的真实晕车状态类别，然后进入步骤a3；步骤a3.以待分析人物对应样本检测时长段的多维脑电检测信号波形、真实晕车状态类别作为脑电检测样本，即获得各待分析人物分别对应的脑电检测样本。3.根据权利要求1所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：所述步骤b中输入层用于接收由脑部表面预设各检测位置分别对应样本检测时长段的脑电信号波形构成的多维脑电检测信号波形x1(k)、
…
、x
n
(k)、
…
、x
e
(k)，并转发多项式层，1≤n≤e，e表示多维脑电检测信号波形所对应脑部表面的检测位置的数量，x
n
(k)表示脑部表面第n个
检测位置对应第k个样本检测时长段的脑电信号；多项式层针对所接收多维脑电检测信号波形x1(k)、
…
、x
n
(k)、
…
、x
e
(k)，根据待训练网络所对应的预设最高展开次项m，构建多项式层的输出y(k)如下，并向全连接层进行传输，1≤m≤e；y(k)＝[y1(k)
ꢀ…ꢀ
y
n
(k)
ꢀ…ꢀ
y
e
(k)]＝[w1ꢀ…ꢀ
w
n
ꢀ…ꢀ
w
e
]
t
·
v(k)其中，y
n
(k)表示多项式层对应第n个检测位置的输出，w
n
＝[w
n，1
ꢀ…ꢀ
w
n，l
ꢀ…ꢀ
w
n，l(e，m)
]，1≤l≤l(e，m)，l(e，m)表示基于e、m的多项式中单项式个数，w
n
表示多项式层中对应第n个检测位置的权值向量，w
n，l
表示w
n
中第l个权值，w
n，l
是待训练网络中的待训练参数，v(k)＝[1，x1(k)
…
x
e
(k)，x1(k)x2(k)
…
(x
e
(k))2，
…
，x1(k)
…
x
m
(k)
…
(x
e
(k))
m
]
t
，v(k)表示多维脑电检测信号波形关于最高展开次项m的各次项展开式。4.根据权利要求1所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：关于所述步骤b中全连接层，基于多项式层的输出y(k)，构建全连接层的输出f(k)如下，并向softmax层进行传输；f(k)＝[f1(k)
ꢀ…ꢀ
f
c
(k)
ꢀ…ꢀ
f
c
(k)]
t
＝s{[λ1ꢀ…ꢀ
λ
c
ꢀ…ꢀ
λ
c
]
t
·
y(k)}其中，f
c
(k)表示全连接层对应第c个晕车状态类别的输出，λ
c
＝[λ
c，1
ꢀ…ꢀ
λ
c，n
ꢀ…ꢀ
a
c，e
]，1≤c≤c，c表示晕车状态类别的类别数，λ
c
表示第c个晕车状态类别的权值列向量，λ
c，n
表示第n个检测位置到第c个晕车状态类别的权值，λ
c，n
是待训练网络中的待训练参数，s表示激活函数relu的操作。5.根据权利要求1所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：关于所述步骤b中softmax层，基于全连接层的输出f(k)＝[f1(k)
ꢀ…ꢀ
f
c
(k)
ꢀ…ꢀ
f
c
(k)]
t
，按构建softmax层的输出p(k)＝[p1(k)
ꢀ…ꢀ
p
c
(k)
ꢀ…ꢀ
p
c
(k)]
t
，并向输出层进行传输，e表示自然常数，p
c
(k)表示对应第c个晕车状态类别的概率；输出层根据分别对应各第c个晕车状态类别的概率，确定输入层所接收多维脑电检测信号波形对应的晕车状态类别，并输出；p
c
(k)表示全连接层对应第c个晕车状态类别输出的概率。6.根据权利要求1所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：所述步骤c中关于待训练网络中多项式层与全连接层之间串联dropout层所构成的辅助待训网络，基于多项式层的输出y(k)＝[y1(k)
ꢀ…ꢀ
y
n
(k)
ꢀ…ꢀ
y
e
(k)]，联系服从参数为预设β的伯努利分布、分别对应各检测位置的参数r1、
…
、r
n
、
…
、r
e
，分别针对各检测位置，按r
n
·
y
n
(k)的结果，针对y
n
(k)进行更新，更新作为dropout层的输出y(k)＝[y1(k)
ꢀ…ꢀ
y
n
(k)
ꢀ…ꢀ
y
e
(k)]，并向全连接层进行传输，其中，1≤n≤e，e表示多维脑电检测信号波形所对应脑部表面的检测位置的数量，y
n
(k)表示多项式层关于第n个检测位置的输出，r
n
表示服从参数为预设β的伯努利分布、对应第n个检测位置的参数。7.根据权利要求1所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：所述步骤c中关于对辅助待训网络的训练过程中，关于各次迭代处理下待训练参数w1、w2、
…
、w
e
与待训练参数λ1、λ2、
…
、λ
c
，采用小批量梯度下降方法，按如下方式进行更新；
w
’1、w
’2、
…
、w’e
依次表示w
i
、w2、
…
、w
e
更新后的结果，λ
’1、λ
’2、
…
、λ
′
c
依次表示λ1、λ2、
…
、λ
c
更新后的结果，η表示参数学习率，h表示损失函数结果。8.根据权利要求1或7所述一种基于dropout-mtn的晕车状态识别方法，其特征在于：所述步骤c中关于对辅助待训网络的训练过程中，采用交叉熵损失函数如下，实现待训练网络中各待训练参数的寻优；其中，q表示辅助待训网络训练过程中训练集中脑电检测样本的数量，c表示晕车状态类别的类别数；y
q，c
表示符号函数，若训练集中第q个脑电检测样本的真实晕车状态类别等于第c个晕车状态类别，则y
q，c
＝1，若训练集中第q个脑电检测样本的真实晕车状态类别不等于第c个晕车状态类别，则y
q，c
＝0；p
q，c
表示辅助待训网络训练下所输出训练集中第q个脑电检测样本属于第c个晕车状态类别的概率，h
q
表示辅助待训网络训练下训练集中第q个脑电检测样本关于晕车状态类别识别的损失函数结果，h表示辅助待训网络训练下训练集的损失函数结果。

技术总结
本发明涉及一种基于Dropout-MTN的晕车状态识别方法，采用全新策略、以及网络结构设计，基于脑部表面预设各检测位置脑电信号波形、结合相应真实晕车状态类别所构建脑电检测样本，联系Dropout层，针对自输入端至输出端依次串联输入层、多项式层、全连接层、Softmax层、输出层的待训练网络，执行网络训练，获得晕车状态识别模型用于实际应用；设计方案简化模型复杂度、提升模型泛化能力的同时，使所设计Dropout-MTN可以快速地实现对于晕车状态的高精度分类，并且网络结构简单，不需要进行大量的网络训练，计算复杂度低，与常用的机器学习分类器相比，能够在不降低分类准确率的同时提高检测速度。高检测速度。高检测速度。


技术研发人员：严颖 蔡骏 朱一其 刘冠廷 周颖 陈亮
受保护的技术使用者：南京信息工程大学
技术研发日：2023.05.29
技术公布日：2023/8/21