基于脑电数据的驾驶风格识别方法及系统

1.本发明涉及驾驶行为建模及机理研究技术领域，具体涉及一种基于脑电数据的驾驶风格识别方法及系统。


背景技术：

2.在“人-车-路-环境”组成的交通系统中，驾驶员是交通安全与秩序的决定因素，其在驾驶过程中的风险行为是交通事故的主要诱因。在驾驶过程中及时发现并干预驾驶员的不良驾驶行为，可以避免可能造成的交通危害。因此，对驾驶员的驾驶行为进行深入挖掘对提升道路交通安全具有重要意义。
3.驾驶过程中，不同驾驶员对同一驾驶情境的感知以及下一情境的预测不尽相同，从而展现出不同的驾驶行为。现有对驾驶行为研究的技术方案中，主要包括对驾驶行为数据研究，或优化驾驶员感知层面的识别与判断研究以探究驾驶员意图及行为。如中国发明专利申请cn 109086794 a提出了一种使用改进主题模型的驾驶行为模式识别方法，通过对驾驶行为数据进行特征提取，挖掘不同驾驶员驾驶模式的差异性，从而提高驾驶模式识别的准确性。中国发明专利申请cn 115027484 a开发了一种面向高度自动驾驶的人机融合感知方法，通过提取驾驶员头动、眼动信号特征以加深对驾驶人驾驶意图的理解，并生成混合增强感知图谱训练人机共驾感知系统，以减轻驾驶员感知负担、提升系统安全性。但该类技术方案往往侧重研究环境感知输入与驾驶行为输出之间的关系或直接对驾驶行为进行分析研究，将驾驶员本身视为一个黑箱，较少分析驾驶员认知在其中所起的关键作用。
4.脑电(electroencephalogram,eeg)信号中蕴含丰富的人因信息，能够从人类脑活动的角度反映驾驶过程中驾驶员的认知变化，从而帮助驾驶系统更好理解驾驶员的状态与意图。现有研究虽然发现了脑电与驾驶行为间的部分关联性，但仍缺少有效的手段与方法，挖掘驾驶过程中驾驶员感知、认知以及行为间的逻辑关联，揭示同一情境下不同驾驶行为的生成机理。
5.因此，需要一种方法，通过将脑电数据引入驾驶行为研究，挖掘驾驶过程中驾驶员面对各类驾驶情境时做出不同驾驶行为反应的生成机理，同时探究具有不同驾驶风格驾驶员展现出的认知与驾驶状态的异同，以开发出更为安全、舒适的驾驶辅助系统。


技术实现要素：

6.本发明的目的在于提供一种基于脑电数据的驾驶风格识别方法及系统，以解决上述背景技术中存在的至少一项技术问题。
7.为了实现上述目的，本发明采取了如下技术方案：
8.一方面，本发明提供一种基于脑电数据的驾驶风格识别方法，包括：
9.采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；
10.使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；
11.使用模糊c均值聚类算法提取驾驶情境感知及行为特征；
12.分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；
13.在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
14.进一步的，数据预处理过程包含对采集到的脑电数据进行滤波、降噪、降采样率处理，对无效电极通道做内插补充；利用独立成分分析对得到的原始脑电数据进行伪迹去除，获得脑电独立成分数据；对脑电数据与驾驶数据进行时间对齐操作。
15.进一步的，脑电特征的提取过程为：使用小波变换对脑电数据进行时频域分析，获得脑电能量谱；借助各信号间的概率密度函数，计算不同频带下额、颞、顶、枕等各脑皮质区的互信息熵，从而获得脑电时频互信息熵矩阵；通过卷积神经网络对其进行降维处理，获得脑电特征。
16.进一步的，选取采集到的车辆跟驰数据中前车与主车间的驾驶员情境感知参量与主车驾驶行为参量，进行标准化处理，并采用模糊c均值聚类方法分别进行聚类，获得驾驶情境感知特征与驾驶行为特征。
17.进一步的，对驾驶情境感知变量集合驾驶行为变量集合脑电特征变量集合进行定义；
18.式中i表示第i个样本，s表示变量的数据长度，p为驾驶情境感知特征维度，q为驾驶行为特征维度，r为脑电特征变量维度；
19.根据驾驶情境感知特征ya与脑电特征x构造驾驶员“感知-认知”向量集合，将脑电特征x与驾驶行为特征yb组合，构成“认知-行为”向量集合，并基于驾驶情境感知特征ya、脑电特征x和驾驶行为特征yb构建“感知-认知-行为”向量集合，从而建立基础语料库。
20.进一步的，分别使用lda主题模型挖掘驾驶员认知模式与驾驶模式分布，并对驾驶员风格进行识别；通过定义模型参数，根据每个驾驶状态所含“驾驶情境感知特征-脑电特征”、“脑电特征-驾驶行为特征”以及“感知-认知-行为”向量单词及其概率密度分布、驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员认知模式、驾驶模式识别结果。
21.第二方面，本发明提供一种基于脑电数据的驾驶风格识别系统，包括：
22.采集模块，用于采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；
23.分析模块，用于使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；
24.提取模块，用于使用模糊c均值聚类算法提取驾驶情境感知及行为特征；
25.构建模块，用于分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；
26.识别模块，用于在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
27.第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于脑电数据的驾驶风格识别方法。
28.第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于脑电数据的驾驶风格识别方法。
29.第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于脑电数据的驾驶风格识别方法的指令。
30.本发明有益效果：将脑电信息作为人因特征引入驾驶行为研究体系，借助多层主题模型解析驾驶员的感知信息、脑电特征以及反应行为间关联耦合构成的内生语义，以“感知-认知-行为”特征模块组成基础单元，挖掘驾驶员的认知与驾驶行为模式，并对驾驶员风格进行精确识别。
31.本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
33.图1为本发明实施例所述的基于脑电数据的驾驶风格识别方法流程图。
34.图2为本发明实施例所述的标准lda主题模型的图模型。
具体实施方式
35.下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
36.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
37.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
38.为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
39.本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
40.实施例1
41.本实施例1中，首先提供了一种基于脑电数据的驾驶风格识别系统，包括：采集模块，用于采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；分析模块，用于使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；提取模块，用于使用模糊c均值聚类算法提取驾驶情境感知及行为特征；构建模块，用于分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；识别模块，用于在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
42.本实施例1中，利用上述的系统，实现了基于脑电数据的驾驶风格识别方法，包括：使用采集模块采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；利用分析模块使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；利用提取模块使用模糊c均值聚类算法提取驾驶情境感知及行为特征；利用构建模块分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；利用识别模块在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
43.其中，数据预处理过程包含对采集到的脑电数据进行滤波、降噪、降采样率处理，对无效电极通道做内插补充；利用独立成分分析对得到的原始脑电数据进行伪迹去除，获得脑电独立成分数据；对脑电数据与驾驶数据进行时间对齐操作。
44.脑电特征的提取过程为：使用小波变换对脑电数据进行时频域分析，获得脑电能量谱；借助各信号间的概率密度函数，计算不同频带下额、颞、顶、枕等各脑皮质区的互信息熵，从而获得脑电时频互信息熵矩阵；通过卷积神经网络对其进行降维处理，获得脑电特征。
45.选取采集到的车辆跟驰数据中前车与主车间的驾驶员情境感知参量与主车驾驶行为参量，进行标准化处理，并采用模糊c均值聚类方法分别进行聚类，获得驾驶情境感知特征与驾驶行为特征。
46.对驾驶情境感知变量集合驾驶行为变量集合脑电特征变量集合进行定义；
47.式中i表示第i个样本，s表示变量的数据长度，p为驾驶情境感知特征维度，q为驾驶行为特征维度，r为脑电特征变量维度；
48.根据驾驶情境感知特征ya与脑电特征x构造驾驶员“感知-认知”向量集合，将脑电特征x与驾驶行为特征yb组合，构成“认知-行为”向量集合，并基于驾驶情境感知特征ya、脑电特征x和驾驶行为特征yb构建“感知-认知-行为”向量集合，从而建立基础语料库。
49.分别使用lda主题模型挖掘驾驶员认知模式与驾驶模式分布，并对驾驶员风格进行识别；通过定义模型参数，根据每个驾驶状态所含“驾驶情境感知特征-脑电特征”、“脑电特征-驾驶行为特征”以及“感知-认知-行为”向量单词及其概率密度分布、驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员认知模式、驾驶模式识别结果。
50.实施例2
51.为解决现有技术中的不足，本实施例2中提供一种基于脑电数据的驾驶风格识别方法，通过挖掘驾驶员的隐藏认知与驾驶状态对其驾驶风格进行识别，从而分析不同驾驶员驾驶行为的生成机理。
52.所述的基于脑电数据的驾驶风格识别方法，包括如下步骤：
53.步骤1：设计实验场景，使用驾驶模拟器同步采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行降噪、伪迹去除等预处理。
54.步骤2：使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征。
55.步骤3：使用模糊c均值聚类算法提取驾驶情境感知及行为特征。
56.步骤4：分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元。
57.步骤5：在“感知-认知”语料库和“认知-行为”语料库上分别使用lda(latend dirichlet allocation)主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布。并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
58.其中，步骤1中，数据预处理的具体过程为：
59.(1)对采集到的脑电数据进行滤波、降噪、降采样率处理，对无效电极通道做内插补充。
60.(2)利用独立成分分析(ica)对得到的原始脑电数据进行伪迹去除，获得脑电独立成分数据。
61.(3)对脑电数据与驾驶数据进行时间对齐。
62.其中，所述步骤2中脑电特征提取的具体过程为：首先使用小波变换对脑电数据进行时频域分析，获得脑电能量谱。后借助各信号间的概率密度函数，计算其互信息熵，从而获得脑电时频互信息熵矩阵。最后通过卷积神经网络对其进行降维处理，获得脑电特征。
63.其中，所述步骤3中驾驶特征提取的具体过程为：选取与驾驶员感知、行为相关的驾驶数据变量，进行标准化处理，使用模糊c均值(fcm)算法对驾驶数据进行聚类分析，从而获得驾驶情境感知特征与驾驶行为特征。
64.其中，所述步骤4中各语料库建立的具体过程为：
65.定义驾驶情境感知变量集合：
66.驾驶行为变量集合：
67.脑电特征变量集合：
68.其中i表示第i个样本，s表示变量的数据长度，p为驾驶情境感知特征维度，q为驾
驶行为特征维度，r为脑电特征变量维度。
69.根据驾驶情境感知特征ya与脑电特征x构造驾驶员“感知-认知”向量集合，将脑电特征x与驾驶行为特征yb组合，构成“认知-行为”向量集合，并基于驾驶情境感知特征ya、脑电特征x和驾驶行为特征yb构建“感知-认知-行为”向量集合，从而建立基础语料库。
70.其中，所述步骤5驾驶员认知主题模型建立具体过程为：
71.(1)定义驾驶员“感知-认知”文档集d＝{di|i∈{1,2,...m}}由m位驾驶员文档组成，文档di＝{ω
ij
＝[ya,x]|j∈{1,2,...ni}}包含驾驶员的ni个“驾驶情境感知特征-脑电特征”向量单词，每个单词都与文档对应主题集k＝{k
l
|l∈{1,2,...,k}}中的隐含主题相关，文档集中所有单词构成词库t＝{ωj|j∈{1,2,...t}}。
[0072]
(2)对每一个驾驶员的“感知-认知”向量单词概率进行采样，得到主题-单词的多项式分布参数：
[0073][0074]
其中，n
kt
为所有文档中归属于主题k的单词t的总数，β为主题中词分布的超参数，t为总单词数。
[0075]
对每一段文档中驾驶员认知模式主题采样，得到文档-主题的多项式分布参数：
[0076][0077]
其中，n
dk
为文档d中归属于主题k的单词总数，α为文档中主题分布的超参数，k为主题数量。
[0078]
(3)对文档的主题多项分布进行采样得z
t
～multinomial(θd)；对主题下的单词多项分布采样得
[0079]
(4)使用吉布斯采样方法求解模型中参数。首先为每个单词随机赋一个主题，构成马尔可夫链的初始状态；之后在其他单词和主题给定的条件下，计算当前单词分配给每个主题的概率，并循环上述过程，不断更新参数，直到超参数α,β收敛至所需的平稳分布，计算公式如下：
[0080][0081]
其中，z
d,t,-表示除当前模式之外的所有驾驶员认知模式；n
dk-为除去当前元素时，文档d中归属于主题k的单词总数，n
kt-为除去当前元素时，所有文档中归属于主题k的单词t的总数；α,β为超参数，用于控制主题个数和单词分布的平滑程度；k为主题数量，t为总单词数。
[0082]
其中，所述步骤5驾驶员驾驶行为主题模型与认知模式主题分布提取过程类似：
[0083]
定义驾驶员“认知-行为”文档集d＝{di|i∈{1,2,...m}}由m位驾驶员文档组成，文档di＝{ω
ij
＝[x,yb]|j∈{1,2,...ni}}包含驾驶员的ni个“脑电特征-驾驶行为特征”向量单词，每个单词都与文档对应主题集k＝{k
l
|l∈{1,2,...,k}}中的隐含主题相关，文档集中所有单词构成词库t＝{ωj|j∈{1,2,...t}}。
[0084]
根据每个驾驶状态所含“脑电特征-驾驶行为特征”向量单词及其概率密度分布与
驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员驾驶行为模式识别结果。
[0085]
其中，所述步骤5驾驶员驾驶风格主题模型建立具体过程为：
[0086]
(1)定义驾驶员“感知-认知-行为”文档集d＝{di|i∈{1,2,...m}}由m位驾驶员文档组成，文档di＝{ω
ij
＝[ya,x,yb]|j∈{1,2,...ni}}包含驾驶员的ni个“驾驶情境感知特征-脑电特征-驾驶行为特征”向量单词，每个单词都与文档对应主题集k＝{k
l
|l∈{1,2,...,k}}中的隐含主题相关，文档集中所有单词构成词库t＝{ωj|j∈{1,2,...t}}。
[0087]
根据每个驾驶状态所含“驾驶情境感知特征-脑电特征-驾驶行为特征”向量单词及其概率密度分布与驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员驾驶风格识别结果。
[0088]
综上，本实施例2提供的基于脑电数据的驾驶风格识别方法框架，具体为同步采集驾驶员驾驶过程中的脑电数据和驾驶数据并进行预处理，借助信息熵理论及卷积神经网络挖掘驾驶员脑电特征。并使用模糊c均值聚类算法提取驾驶情境感知及行为特征。分别建立驾驶员“感知-认知”、“认知-行为”与“感知-认知-行为”语料库，获得语义单元。在其基础上分别使用lda(latend dirichlet allocation)主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布。并对驾驶员风格进行识别。
[0089]
实施例3
[0090]
如图1、图2所示，本实施例提供了一种基于脑电数据的驾驶风格识别方法，包括以下步骤：
[0091]
步骤1：通过跟驰场景下的驾驶模拟实验，同步采集驾驶员模拟驾车的脑电数据和驾驶行为数据，并对数据进行预处理。包括：
[0092]
步骤1.1：对采集到的脑电数据进行滤波、降噪处理，对无效电极通道做内插补充。
[0093]
步骤1.2：利用独立成分分析(ica)对得到的原始脑电数据进行伪迹去除，获得脑电独立成分数据。
[0094]
步骤1.3：对脑电数据与驾驶数据进行时间对齐。
[0095]
步骤2：使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征。首先使用小波变换对脑电数据进行时频域分析，获得脑电能量谱。后借助各信号间的概率密度函数，计算不同频带下额、颞、顶、枕等各脑皮质区的脑电互信息熵，从而获得脑电时频互信息熵矩阵。最后通过卷积神经网络(cnn)对其进行降维处理，获得脑电特征。
[0096]
步骤3：使用聚类算法提取驾驶感知及行为特征。
[0097]
选取采集到的车辆跟驰数据中前车与主车间的车头时距、速度差等驾驶员情境感知参量与主车加速度等驾驶行为参量，进行标准化处理，并采用模糊c均值(fcm)聚类方法分别对其进行聚类，获得驾驶情境感知特征与驾驶行为特征。
[0098]
步骤4：分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元。包括：
[0099]
步骤4.1：定义驾驶情境感知变量集合：
[0100][0101]
驾驶行为变量集合：
[0102]
脑电特征变量集合：
[0103]
其中i表示第i个样本，s表示变量的数据长度，p为驾驶情境感知特征维度，q为驾驶行为特征维度，r为脑电特征变量维度。
[0104]
步骤4.2：建立语料库：根据驾驶情境感知特征ya与脑电特征x构造驾驶员“感知-认知”向量集合，将脑电特征x与驾驶行为特征yb组合，构成“认知-行为”向量集合，并基于驾驶情境感知特征ya、脑电特征x和驾驶行为特征yb构建“感知-认知-行为”向量集合，从而建立基础语料库。
[0105]
步骤5：分别基于“感知-认知”、“认知-行为”、“感知-认知-行为”语料库建立主题模型，获得驾驶员认知模式分布、驾驶行为模式分布与驾驶员风格分布。包括：
[0106]
步骤5.1：建立驾驶员认知主题模型：
[0107]
(1)定义驾驶员“感知-认知”文档集d＝{di|i∈{1,2,...m}}由m位驾驶员文档组成，文档di＝{ω
ij
＝{ya,x}|j∈{1,2,...ni}}包含驾驶员的ni个“驾驶情境感知特征-脑电特征”向量单词，每个单词都与文档对应主题集k＝{k
l
|l∈{1,2,...,k}}中的隐含主题相关，文档集中所有单词构成词库t＝{ωj|j∈{1,2,...t}}。
[0108]
(2)选择合适的狄利克雷分布超参数α和β，并设置主题数范围k∈{k
min
,k
max
}。使用吉布斯采样方法求解模型中参数：
[0109]
初始化主题编号，随机给每一个驾驶员文档分配主题编号，构成马尔科夫链的初始状态。对每一个驾驶员的“感知-认知”向量单词概率进行采样，得到主题-单词的多项式分布参数：
[0110][0111]
其中，n
kt
为所有文档中归属于主题k的单词t的总数，β为主题中词分布的超参数，t为总单词数。
[0112]
对每一段文档中驾驶员认知模式主题采样，得到文档-主题的多项式分布参数：
[0113][0114]
其中，n
dk
为文档d中归属于主题k的单词总数，α为文档中主题分布的超参数，k为主题数量。
[0115]
对文档的主题多项分布进行采样得z
t
～multinomial(θd)；对主题下的单词多项分布采样得
[0116]
在其他单词和主题给定的条件下，计算当前单词分配给每个主题的概率：
[0117][0118]
其中，z
d,t,-表示除去第t个词外，第k篇文档中所有单词对应的主题；n
dk-为除去第t
个词外，文档d中归属于主题k的单词总数，n
kt-为除去第t个词外，所有文档中归属于主题k的单词t的总数；α,β为超参数，用于控制主题个数和单词分布的平滑程度；k为主题数量，t为总单词数。
[0119]
循环上述过程，不断更新参数，直到超参数α,β收敛至所需的平稳分布。
[0120]
借助困惑度选取最佳主题个数，并输出所对应的主题模型：
[0121][0122]
其中，ni为驾驶员文档di中“驾驶情境感知特征-脑电特征”向量单词ω
ij
的数量，p(ω
ij
)为测试集中每个单词出现的概率。
[0123]
步骤5.2：建立驾驶员驾驶行为主题模型：该过程与上述认知模式主题分布提取过程类似，根据每个驾驶状态所含“脑电特征-驾驶行为特征”向量单词ω
ij
＝[x,yb]及其概率密度分布与驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员驾驶行为模式识别结果。
[0124]
步骤5.3：建立驾驶员驾驶风格主题模型：该过程与上述主题分布提取过程类似，根据每个驾驶状态所含“驾驶情境感知特征-脑电特征-驾驶行为特征”向量单词ω
ij
＝[ya,x,yb]及其概率密度分布与驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员驾驶风格分布结果。
[0125]
按照上述步骤，在驾驶行为研究中，本实施例所述方法得到的驾驶风格识别结果具有较好效果，对驾驶行为形成机理做出了较好解释。
[0126]
在步骤1数据采集中，是根据设计场景后使用驾驶模拟器采集驾驶数据，也可以利用便携式的脑电采集设备采集脑电数据，在实际路段中借助各类传感器采集驾驶数据。在步骤4、5采用lda主题模型识别驾驶员的认知模式、行为模式与驾驶风格分布，实际中plsa(概率潜在语义分析)等主题模型也具有相似的分布生成效果。
[0127]
实施例4
[0128]
本实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于脑电数据的驾驶风格识别方法，该方法包括：
[0129]
采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；
[0130]
使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；
[0131]
使用模糊c均值聚类算法提取驾驶情境感知及行为特征；
[0132]
分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；
[0133]
在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
[0134]
实施例5
[0135]
本实施例5提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于脑电数据的驾驶风格识别方法，该方法包括：
[0136]
采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；
[0137]
使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；
[0138]
使用模糊c均值聚类算法提取驾驶情境感知及行为特征；
[0139]
分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；
[0140]
在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
[0141]
实施例6
[0142]
本实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于脑电数据的驾驶风格识别方法的指令，该方法包括：
[0143]
采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；
[0144]
使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；
[0145]
使用模糊c均值聚类算法提取驾驶情境感知及行为特征；
[0146]
分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；
[0147]
在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。
[0148]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0149]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0150]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0151]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0152]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于脑电数据的驾驶风格识别方法，其特征在于，包括：采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；使用模糊c均值聚类算法提取驾驶情境感知及行为特征；分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。2.根据权利要求1所述的基于脑电数据的驾驶风格识别方法，其特征在于，数据预处理过程包含对采集到的脑电数据进行滤波、降噪、降采样率处理，对无效电极通道做内插补充；利用独立成分分析对得到的原始脑电数据进行伪迹去除，获得脑电独立成分数据；对脑电数据与驾驶数据进行时间对齐操作。3.根据权利要求1所述的基于脑电数据的驾驶风格识别方法，其特征在于，脑电特征的提取过程为：使用小波变换对脑电数据进行时频域分析，获得脑电能量谱；借助各信号间的概率密度函数，计算不同频带下额、颞、顶、枕等各脑皮质区的互信息熵，从而获得脑电时频互信息熵矩阵；通过卷积神经网络对其进行降维处理，获得脑电特征。4.根据权利要求1所述的基于脑电数据的驾驶风格识别方法，其特征在于，选取采集到的车辆跟驰数据中前车与主车间的驾驶员情境感知参量与主车驾驶行为参量，进行标准化处理，并采用模糊c均值聚类方法分别进行聚类，获得驾驶情境感知特征与驾驶行为特征。5.根据权利要求1所述的基于脑电数据的驾驶风格识别方法，其特征在于，对驾驶情境感知变量集合驾驶行为变量集合脑电特征变量集合进行定义；式中i表示第i个样本，s表示变量的数据长度，p为驾驶情境感知特征维度，q为驾驶行为特征维度，r为脑电特征变量维度；根据驾驶情境感知特征y
a
与脑电特征x构造驾驶员“感知-认知”向量集合，将脑电特征x与驾驶行为特征y
b
组合，构成“认知-行为”向量集合，并基于驾驶情境感知特征y
a
、脑电特征x和驾驶行为特征y
b
构建“感知-认知-行为”向量集合，从而建立基础语料库。6.根据权利要求1所述的基于脑电数据的驾驶风格识别方法，其特征在于，分别使用lda主题模型挖掘驾驶员认知模式与驾驶模式分布，并对驾驶员风格进行识别；通过定义模型参数，根据每个驾驶状态所含“驾驶情境感知特征-脑电特征”、“脑电特征-驾驶行为特征”以及“感知-认知-行为”向量单词及其概率密度分布、驾驶员文档中所含驾驶状态主题种类及其概率密度分布构建单词-主题-文档关系，对lda模型进行训练，并使用吉布斯采样法求解模型参数，输出驾驶员认知模式、驾驶模式识别结果。7.一种基于脑电数据的驾驶风格识别系统，其特征在于，包括：
采集模块，用于采集驾驶员驾驶过程中的脑电数据与驾驶行为数据，并对脑电信号进行预处理；分析模块，用于使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征；提取模块，用于使用模糊c均值聚类算法提取驾驶情境感知及行为特征；构建模块，用于分别建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元；识别模块，用于在“感知-认知”语料库和“认知-行为”语料库上分别使用lda主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布；并基于“感知-认知-行为”语料库中对驾驶员风格进行识别。8.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-6任一项所述的基于脑电数据的驾驶风格识别方法。9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的基于脑电数据的驾驶风格识别方法。10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的基于脑电数据的驾驶风格识别方法的指令。

技术总结
本发明提供基于脑电数据的驾驶风格识别方法及系统，属于驾驶行为建模及机理研究技术领域，采集驾驶员驾驶过程中的脑电信号和驾驶行为数据，并对脑电信号进行降噪、伪迹去除预处理。使用小波变换对脑电信号进行时频域分析，并利用信息熵理论、卷积神经网络获得脑电特征。使用模糊C均值聚类算法提取驾驶情境感知及行为特征。建立驾驶员“感知-认知”语料库、“认知-行为”语料库以及“感知-认知-行为”语料库，获得语义单元。使用LDA主题模型获得驾驶员认知模式主题分布与驾驶行为模式主题分布，对驾驶员风格进行识别。本发明通过分析驾驶员的感知信息、脑电特征以及反应行为间的关联耦合，挖掘驾驶员认知与驾驶行为模式，识别驾驶员驾驶风格。员驾驶风格。员驾驶风格。


技术研发人员：奇格奇 杨柳 李培豪 关伟 黄爱玲
受保护的技术使用者：北京交通大学
技术研发日：2023.07.12
技术公布日：2023/10/11