论文部分内容阅读
Drowsiness(困倦)状态属于人体常见的生理状态，它是介于觉醒状态与睡眠状态之间的过渡状态，在这个阶段人的注意力和警觉度逐渐下降，导致反应时间变慢，同时也逐渐趋于睡眠状态。白天短时睡眠包含了人从觉醒状态到drowsiness状态再进入睡眠状态的生理过程。由于睡眠不足和工作负荷等影响，许多人愿意选择白天短时睡眠来提高自身在日常生活中的生理状态。研究drowsiness状态和白天短时睡眠之间的相互联系，有利于了解人体生理状态的周期性节律，并有效地控制drowsiness状态的出现。人体的生理状态变化反映在生物电信号中，例如脑电、眼电、心电信号等。因而，通过分析生物电信号，能够对人体的状态变化进行较为准确的检测。 本文结合白天短时睡眠的数据采集实验，围绕drowsiness状态检测问题，基于贝叶斯概率模型，研究并提出了生物电信号的特征提取方法和模式分类算法，并在实验数据上对方法的有效性进行了分析和验证。论文的主要工作如下: (1)针对从受试者的生物电信号中提取的特征参数存在相关性的特点，本文基于传统的贝叶斯决策分类方法，提出了一种Bayesian-Copula判别分类器(Bayesian-CopulaDiscriminant Classifier, BCDC)。该方法无需对传统贝叶斯决策理论中类条件概率密度函数的形式进行假设，而是将Copula理论和核密度估计相结合进行构建，提高了类条件概率密度函数估计的准确性和灵活性。通过drowsiness状态检测的实际问题验证了，相比于一些传统的贝叶斯决策概率模型，BCDC算法在不同的性能指标上表现较好，且鲁棒性较强。 (2)针对自动提取脑电信号中与drowsiness状态相关的特征参数的问题，本文将贝叶斯理论和传统的CP张量分解相结合，提出了一种贝叶斯非负CP张量分解(BayesianNonnegative CP Tensor Decomposition，BNCPD)。传统的非负CP张量分解能有效地探究多维脑电数据的内在模式，但需要事先设定分解的秩。BNCPD算法考虑了模型参数的先验信息，基于观测数据从而自动确定分解的秩，出于参数求解计算速度上的考虑，给出了基于变分贝叶斯的后验推断算法，并提取出与受试者生理状态相关的特征参数。通过drowsiness状态检测的实际问题验证了，相比基于专家知识的特征参数和传统的二维特征提取方法，基于BNCPD算法提取的特征参数在SVM分类模型中显示出较好的分类识别精度。