一种基于注意机制的疲劳驾驶网络特征分析方法

1.本发明涉及监测领域，尤其涉及一种基于注意机制的疲劳驾驶网络特征分析方法。

背景技术：

2.疲劳驾驶是导致交通事故的一个重要因素，疲劳驾驶是指由于长时间连续驾驶车辆而导致的驾驶员在信息获取、信息处理以及操纵能力方面下降的现象，疲劳驾驶作为导致交通事故的重要原因之一，严重威胁着道路交通安全、经济发展和人民生活质量。因此，改进疲劳检测和预测技术对于减少事故和提高驾驶安全性具有重要意义。通过生理指标检测，例如心电图(electrocardiogram，ecg)，眼电图(electro-oculogram，eog)，肌电图(electromyogram，emg)和脑电图(electroencephalogram，eeg)，在这些测试睡意或警觉性的方法中，使用eeg信号的测试结果最好(hashemi，saba和resalat，2014；johnson等人，2011)，对于需要长期连续检测的任务，eeg的优势更为明显。
3.da silveira等人使用小波包变换(wavelet packet transform，wpt)提取脑电信号的五种传统节律。根据不同节律功率谱的特点，提出了两种睡意检测指标。结果表明，基于五种传统节律功率谱的嗜睡检测指标具有良好的效果，也表明可以使用单通道脑电信号检测嗜睡。nguyen等人将脑电图和近红外光谱相结合来检测驾驶员的嗜睡。使用眨眼频率、闭眼、心率、α和β波段功率来确定受试者的状况。对eeg和nirs信号进行统计测试，以到信息量最大的参数。采用fisher线性判别分析方法对清醒和困倦状态进行分类。wang hui等人在对脑电图(eeg)信号进行小波包分解的基础上，利用基于遗传算法的支持向量机(ga-svm)寻最佳睡眠检测脑电节律的方法。结果表明，在五种传统节律中，伽马节律的检测效率最高，准确率为80.94％，新节律(iii)(43.75
–
48.046875hz)的检测准确率为89.52％。
4.上述现有方法，即不能反映大脑区域之间的功能连接关系，对大脑整体的功能状态描述有很大的局限性。

技术实现要素：

5.为解决现有技术的不足，本发明提出了一种基于注意机制的疲劳驾驶网络特征分析方法，通过多层脑网络和深度学习相结合的疲劳驾驶检测框架，根据不同的频带与不同的大脑功能的关系，对多通道脑电信号进行多频段小波包重构，以进行时频表示；通过建立以多层脑网络为输入的基于注意机制的卷积神经网络(am-cnn)模型实现对疲劳驾驶的分析。
6.为实现上述目的，本发明所采取的技术方案是：
7.一种基于注意机制的疲劳驾驶网络特征分析方法，包括以下步骤：
8.s1：采集疲劳的脑电波信号样本，对x名受试者进行模拟驾驶实验，通过摄像头，记录受试者正常及疲劳状态；通过脑电信号采集设备采集受试者在正常及疲劳状态下的脑电信号，记录并存储到上位机中；
9.s2：建立基于脑电图的多层脑网络，多层脑网络包括时间、频率及通道信息，以n通道脑电信号构建多层脑网；其中，k＝1,2,3...,n，l表示脑电信号的长度，k表示第k个通道的脑电信号；每一层脑网络对应一个脑电信号频段；
10.s3：将获得的多层脑网络所有层叠加到加权投影网络中，引入网络测度、全局效率、加权平均聚集系数、聚集系数熵、全局聚集系数、谱半径和图能量定量表征多层脑网络的动力学特性，进行t检验；
11.s4：以获得的多层脑网络作为输入，建立基于注意机制的卷积神经网络(am-cnn)模型用于疲劳驾驶检测。
12.所述脑电信号采集设备包括脑电极帽及nuamps放大器。
13.所述s2具体包括以下步骤：
14.s2.1：利用dbn小波基将每个通道的脑电信号分解成α个频段，j＝1,2,
…
,n；α＝2j，小波包分解的数学表达式，如式(1)所示：
[0015][0016]
其中，h为低通滤波器，g为高通滤波器，为第j层小波包分解得到的第i个小波包；
[0017]
s2.2：对每个频带的小波包系数进行重构，获得重构序列小波包系数重构表示，如式(2)所示：
[0018][0019]
其中，h
*
为h的对偶算子，g
*
为g的对偶算子；
[0020]
s2.3：在每个频段中，将大脑通道定义为网络节点，网络节点间连边的权重由两个网络节点重构序列之间的斯皮尔曼秩相关系数确定，计算如式(3)所示：
[0021][0022]
其中，和分别表示序列和中第l个变量在排序后的位置；取值范围为[-1,1]，每个层都有n个节点；对于每层保留最大的25％权重的边；
[0023]
所述s3中加权投影网络r
mn
如式(4)所示：
[0024][0025]
引入网络测度全局效率eg、加权平均聚集系数聚集系数熵ec、全局聚集系数gc、谱半径r和图能量e定量表征多层脑网络的动力学特性，进行t检验，如式(5)-式(12)所示：
[0026][0027]km
＝∑
m≠namn
(5)
[0028]
其中，a
mn
是节点m和节点n之间的连接，当节点m和节点n之间有直接的边相连，则a
mn
为1，否则为0；
[0029][0030]
其中，d
mn
为网络中两个节点m和节点n之间的最短距离；
[0031][0032][0033]
其中，trim为节点m上的实际三角形个数；
[0034][0035]
其中，n
triangle
为网络中三角形个数，n
triplet
为网络中三元组个数；
[0036][0037][0038]
其中，λw为邻接矩阵r
mn
的特征值；
[0039][0040]
所述am-cnn模型包括第一模块及第二模块；第一模块在α个频段中获取多层网络特征；邻接矩阵中位置(ν,κ)处的元素表示权重w
ν,κ
；第一模块包括am-femodule1模块及am-femodule2模块；am-femodule1模块有8层；设置卷积层l1及卷积层l2卷积层通过设计n2个卷积核实现特征提取，卷积层l1和卷积层l2表示，如式(13)所示：
[0041][0042]
其中，a0为邻接矩阵，作为输入数据；和分别是l1和l2的第k个输出特征图；wk和bk表示第k个卷积核的权重矩阵和偏差项，conv(
·
)表示卷积运算；在am-femodule1模块每一层中，设定卷积核的数量及核大小，在l2后，引入注意机制增强获得的特征映射σ2的特征；在l3中，利用全局平均池层生成通道统计信息，每个特征映射贡献平均值，如式(14)所示：
[0043]
[0044]
其中，表示中所有元素的平均值，ave(
·
)表示平均运算；l3之后的l4、l5为致密层；其中，l4有k2/2神经元，l5有k2神经元；在l6中，l5的输出用于加权l2的每个特征映射；l3-l6构成了注意路径，对l2的输出结果进行特征增强；l6之后，l7为卷积层；l8为一个批处理规范化(bn)层，如式(15)所示：
[0045][0046]
其中，θ和π为可学习的参数，如式(16)所示：
[0047][0048]
其中，mean(
·
)和std(
·
)表示的期望值和标准偏差；随着卷积核数的增加，通过am-fe module2模块进行进一步的网络特征提取。
[0049]
所述am-fe module2模块与am-fe module1架构相同，包括与l1-l8层分别对应的l9-l16层。
[0050]
所述第二模块包括串联层l17、卷积层l18、卷积层l19、变平层l20、密集层l21；集成p个频段的网络特征，将来自p个频带的输出和串联作为串联层l17；设置卷积层l18进行特征融合；l18的特征映射通过卷积层l19学习；l19的输出在变平层l20中；使用softmax激活功能将所有学习到的网络特征输入到密集层l21中，用于疲劳驾驶状态检测。
[0051]
采用上述技术方案所产生的有益效果在于：
[0052]
1、本发明结合多层脑网络和am-cnn模型检测疲劳驾驶，基于多通道脑电信号，构建了一个结合频率依赖性和通道关联性的多层脑网络。
[0053]
2、本发明通过网络定量分析，结果表明疲劳驾驶状态与警觉状态的脑网络拓扑结构存在显著差异。然后，通过引入注意机制，设计am-cnn模型，从多层脑网络中学习和提取脑拓扑特征。为脑电信号的特征化提供了新的思路，也为构建高效、准确的疲劳驾驶状态检测系统提供了技术支持。
附图说明
[0054]
图1为本发明实施例提供的一种基于注意机制的疲劳驾驶网络特征分析方法流程图；
[0055]
图2为本发明实施例提供的一种基于注意机制的疲劳驾驶网络特征分析方法过程示意图；
[0056]
图3为本发明实施例提供的两个随机多层脑网络拓扑示意图；
[0057]
图4为本发明实施例提供的am-cnn模型结构示意图；
[0058]
图5为本发明实施例提供的不同网络层数下的疲劳驾驶检测结果示意图。
具体实施方式
[0059]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
[0060]
本实施例提出了一种基于注意机制的疲劳驾驶网络特征分析方法，如图1所示，通过将多层脑网络和深度学习相结合的疲劳驾驶检测框架，根据不同的频带与不同的大脑功
能的关系，对多通道脑电信号进行多频段小波包重构，以进行时频表示；提出改进的基于小波包重构系数的多层脑网络，其中，每一层包含一个基于斯皮尔曼等级相关性(spearman rank correlation，src)的功能性脑网络及对应的频带；所述多层脑网络根据多通道eeg信号的频率特性和通道耦合，提供了大脑的全面映射，通过建立以多层脑网络为输入的基于注意机制的卷积神经网络(am-cnn)模型实现对疲劳驾驶的分析，如图2所示，包括以下步骤：
[0061]
s1：采集疲劳的脑电波信号样本，对x名受试者进行模拟驾驶实验，通过摄像头，记录受试者正常及疲劳状态；通过脑电信号采集设备采集受试者在正常及疲劳状态下的脑电信号，记录并存储到上位机中；
[0062]
所述脑电信号采集设备包括脑电极帽及nuamps放大器；
[0063]
本实施例中，招募了8名右利手志愿者，包括5名男性和3名女性进行模拟驾驶实验。疲劳驾驶实验采集系统包括：(1)一套提供驾驶条件的模拟系统，包括方向盘、制动器和加速器；(2)用来记录的高清摄像头，记录受试者的状态(正常或疲劳)；(3)一套eeg信号采集设备，包括脑电极帽和nuamps放大器；(4)实验过程中记录和存储eeg信号的计算机。
[0064]
在参与者成功适应驾驶条件之后，模拟驾驶实验才正式开始。此时，开始采集eeg数据。我们使用由美国neuroscan公司研发的40通道nuamps放大器来采集eeg信号。电极的位置安放依照国际10-20标准。配备的电极帽包括30个eeg有效采集通道、2个耳后参考通道和4个eog检测通道。选择a1和a2作为参考，其他通道数据按照国际10-20系统在1000hz进行数字化，存储在计算机中进行离线分析。水平和垂直的eog监测眼睛的眨眼和运动。然后，利用eeglab软件对采集到的脑电图数据进行预处理，即利用fir(finite impulse response)，对获得的原始数据通过1-50hz带通滤波器进行带通滤波以去除噪声，然后，应用独立成分分析(ica)方法消除闪烁伪迹和眼电信号干扰。下午(14:00
–
17:00)进行正式模拟驾驶试验。每个受试者模拟大约90分钟；定义了受试者在90min内的两种状态：1)正常驾驶，即90min虚拟驾驶操作前500sec的脑电信号；2)疲劳驾驶，即90min虚拟驾驶操作中最后500sec的脑电信号。
[0065]
s2：从多个脑区获得的多通道脑电信号可以直接反映大脑的状态。在不同的频段，它们表现不同，对应不同的大脑功能；从多频分析的角度，结合复杂网络表征复杂拓扑特征的能力，建立基于eeg的多层脑网络来研究与疲劳驾驶相关的大脑状态，其中每一层对应一个特定的频段，该多层脑网络示意图如图2所示；
[0066]
建立基于脑电图的多层脑网络，多层脑网络包括时间、频率及通道信息，以n通道脑电信号构建多层脑网；其中，k＝1,2,3...,n，l表示脑电信号的长度，k表示第k个通道的脑电信号；每一层脑网络对应一个脑电信号频段；
[0067]
s2.1：利用dbn小波基将每个通道的脑电信号分解成α个频段，j＝1,2,
…
,n；α＝2j，小波包分解的数学表达式，如式(1)所示：
[0068][0069]
其中，h为低通滤波器，g为高通滤波器，为第j层小波包分解得到的第i个小波
包；
[0070]
s2.2：对每个频带的小波包系数进行重构，获得重构序列小波包系数重构表示，如式(2)所示：
[0071][0072]
其中，h
*
为h的对偶算子，g
*
为g的对偶算子；
[0073]
s2.3：在每个频段中，将大脑通道定义为网络节点，网络节点间连边的权重由两个网络节点重构序列之间的斯皮尔曼秩相关系数确定，计算如式(3)所示：
[0074][0075]
其中，和分别表示序列和中第l个变量在排序后的位置；取值范围为[-1,1]，每个层都有n个节点；当两个时间序列之间的斯皮尔曼值可以达到+1或-1，表示两个时间序列的相关性最强；如果斯皮尔曼值为0，说明两个序列之间的相关性最弱；相关度越高，这两种电极信号的演化规律越接近。通过上述方法确定每个电极对或节点对之间的边缘，可以得到一个频段下的网络。通过在8个频段重复上述过程，可以构建多层大脑网络。所获得的多层脑网络由8层(分别对应于8个频带)组成，每个层都有n个节点。对于每层，保留最大的25％权重的边；以供后续分析。
[0076]
基于eeg的多层脑网络集成了时间、频率和通道相关信息，可以有效地描述大脑；如图4所示的两个随机选择的多层脑网络；一个子图对应于多层脑网络的一层，并与一个对应的频带相关。疲劳驾驶状态的多层脑网络位于第一排，警觉驾驶状态的多层脑网络位于第二排。可以看出，网络拓扑在不同的频带上表现出明显的差异；这表明疲劳驾驶与频带能量密切相关；
[0077]
s3：为了进一步探索疲劳驾驶状态的大脑生理变化，将获得的多层脑网络所有层叠加到加权投影网络r
mn
如式(4)所示：
[0078][0079]
引入网络测度全局效率eg、加权平均聚集系数聚集系数熵ec、全局聚集系数gc、谱半径r和图能量e定量表征多层脑网络的动力学特性，进行t检验，如式(5)-式(12)所示：
[0080][0081]km
＝∑
m≠namn
(5)
[0082]
其中，a
mn
是节点m和节点n之间的连接，当节点m和节点n之间有直接的边相连，则a
mn
为1，否则为0；
[0083][0084]
其中，d
mn
为网络中两个节点m和节点n之间的最短距离；
[0085][0086][0087]
其中，trim为节点m上的实际三角形个数；
[0088][0089]
其中，n
triangle
为网络中三角形个数，n
triplet
为网络中三元组个数；
[0090][0091][0092]
其中，λw为邻接矩阵r
mn
的特征值；
[0093][0094]
s4：以获得的多层脑网络作为输入，建立基于注意机制的卷积神经网络(am-cnn)模型用于疲劳驾驶检测；
[0095]
am-cnn模型包括第一模块及第二模块；如图3所示，am-cnn模型每一层的参数如表1所示：
[0096]
表1 am-cnn模型每一层的详细参数
[0097][0098]
第一模块在8个频段中获取多层网络特征；多层大脑网络的每一层都表示为一个邻接矩阵，邻接矩阵中位置(ν,κ)处的元素表示权重w
ν,κ
；第一模块包括am-fe module1模块及am-fe module2模块；am-femodule1模块有8层；设置卷积层l1及卷积层l2卷积层通过设计n2个卷积核实现特征提取，卷积层l1和卷积层l2表示，如式(13)所示：
[0099][0100]
其中，a0为邻接矩阵，作为输入数据；和分别是l1和l2的第k个输出特征图；wk和bk表示第k个卷积核的权重矩阵和偏差项，conv(
·
)表示卷积运算；在am-fe module1模块每一层中，设定k＝32个卷积核，核大小设置为3
×
3，在l2后，引入注意机制增强获得的特征映射σ2的特征；在l3中，利用全局平均池层生成通道统计信息，每个特征映射贡献平均值，如式(14)所示：
[0101]
[0102]
其中，表示中所有元素的平均值，ave(
·
)表示平均运算；l3之后的l4、l5为致密层；其中，l4有k2/2神经元，l5有k2神经元；在l6中，l5的输出用于加权l2的每个特征映射；l3-l6构成了注意路径，对l2的输出结果进行特征增强；l6之后，l7为卷积层，设定k＝32个卷积核，核大小设置为3
×
3；l8为一个批处理规范化(bn)层，如式(15)所示：
[0103][0104]
其中，θ和π为可学习的参数，如式(16)所示：
[0105][0106]
其中，mean(
·
)和std(
·
)表示的期望值和标准偏差；随着卷积核数的增加，通过am-fe module2模块进行进一步的网络特征提取；
[0107]
所述am-fe module2模块与am-fe module1架构相同，设定为48个卷积核，卷积核大小设置为3
×
3，包括与l1-l8层分别对应的l9-l16层。
[0108]
所述第二模块包括串联层l17、卷积层l18、卷积层l19、变平层l20、密集层l21；集成p个频段的网络特征，将来自8个频带的输出和串联为l17；设置96核的卷积层l18进行特征融合，l18内核大小为5
×
5；l18的96个特征映射通过卷积层l19学习，内核大小为1
×
1；l19的输出在变平层l20中；使用softmax激活功能将所有学习到的网络特征输入到密集层l21中，用于疲劳驾驶状态检测。
[0109]
所述“am-fe”是指基于注意机制的特征提取模块；“ff”指特征融合模块；“conv”、“gap”、“bn”和“concat”分别表示卷积层、全局平均池层、批处理规范化层和连接层。
[0110]
本实施例中，基于所述疲劳驾驶数据集，为警觉状态获得4000个样本，为疲劳状态获得4000个样本；进行十次交叉验证，对于一次交叉验证，选择90％的样本作为训练集，其余10％作为测试集。将10％的训练样本设置为验证集；该模型通过具有交叉熵损失函数的adam优化器进行训练。当验证集上的损失达到最小值时，将记录最佳模型。迭代次数设置为40。批量大小为128。学习率设置为0.001。引入了四个性能指标来评估模型的性能，包括准确性、敏感性、特异性和f-度量；以多层脑网络为输入，对提出的am-cnn模型进行训练，并在测试集上进行测试；结果表明，该方法能较好地检测疲劳驾驶，准确率97.27％，敏感性98.72％，特异性96.47％，f值0.9785。
[0111]
为了进一步探索网络层数对疲劳驾驶检测的影响，我们还提供了单层网络(n通道原始信号构成网络)、2层网络和4层网络的结果。相关结果如图5所示。可以看出，与单层网络相比，多层脑网络与cnn模型相结合的方法显示了较好的结果，平均精度随网络层数的增加而提高，且均在90％以上。

技术特征：

1.一种基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：包括以下步骤：s1：采集疲劳的脑电波信号样本，记录并存储到上位机中；s2：建立基于脑电图的多层脑网络，多层脑网络包括时间、频率及通道信息；s3：将获得的多层脑网络所有层叠加到加权投影网络中，引入网络测度、全局效率、加权平均聚集系数、聚集系数熵、全局聚集系数、谱半径和图能量定量表征多层脑网络的动力学特性，进行t检验；s4：以获得的多层脑网络作为输入，建立am-cnn模型用于疲劳驾驶检测。2.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述脑电信号采集设备包括脑电极帽及nuamps放大器。3.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述采集疲劳的脑电波信号样本为，对x名受试者进行模拟驾驶实验，通过摄像头记录受试者正常及疲劳状态；通过脑电信号采集设备采集受试者在正常及疲劳状态下的脑电信号。4.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：以n通道脑电信号构建多层脑网；其中，k＝1,2,3...,n，l表示脑电信号的长度，k表示第k个通道的脑电信号；每一层脑网络对应一个脑电信号频段。5.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述s2具体包括以下步骤：s2.1：利用dbn小波基将每个通道的脑电信号分解成α个频段，小波包分解的数学表达式，如式(1)所示：其中，h为低通滤波器，g为高通滤波器，为第j层小波包分解得到的第i个小波包；s2.2：对每个频带的小波包系数进行重构，获得重构序列小波包系数重构表示，如式(2)所示：其中，h
*
为h的对偶算子，g
*
为g的对偶算子；s2.3：在每个频段中，将大脑通道定义为网络节点，网络节点间连边的权重由两个网络节点重构序列之间的斯皮尔曼秩相关系数确定，计算如式(3)所示：其中，和分别表示序列和中第l个变量在排序后的位置；取值范围为[-1,1]，每个层都有n个节点；对于每层保留最大的25％权重的
边。6.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述s3中加权投影网络r
mn
如式(4)所示：7.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述引入网络测度全局效率e
g
、加权平均聚集系数聚集系数熵e
c
、全局聚集系数g
c
、谱半径r和图能量e定量表征多层脑网络的动力学特性，进行t检验，如式(5)-式(12)所示：k
m
＝∑
m≠n
a
mn
(5)其中，a
mn
是节点m和节点n之间的连接，当节点m和节点n之间有直接的边相连，则a
mn
为1，否则为0；其中，d
mn
为网络中两个节点m和节点n之间的最短距离；为网络中两个节点m和节点n之间的最短距离；其中，tri
m
为节点m上的实际三角形个数；其中，n
triangle
为网络中三角形个数，n
triplet
为网络中三元组个数；为网络中三元组个数；其中，λ
w
为邻接矩阵r
mn
的特征值；8.如权利要求1所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述am-cnn模型包括第一模块及第二模块；第一模块在α个频段中获取多层网络特征；邻接矩阵中位置(ν,κ)处的元素表示权重w
ν,κ
；第一模块包括am-femodule1模块及am-femodule2模块；am-femodule1模块有8层；设置卷积层l1及卷积层l2卷积层通过设计n2个卷积核实现特征提取，卷积层l1和卷积层l2表示，如式(13)所示：
其中，a0为邻接矩阵，作为输入数据；和分别是l1和l2的第k个输出特征图；w
k
和b
k
表示第k个卷积核的权重矩阵和偏差项，conv(
·
)表示卷积运算；在am-femodule1模块每一层中，设定卷积核的数量及核大小，在l2后，引入注意机制增强获得的特征映射σ2的特征；在l3中，利用全局平均池层生成通道统计信息，每个特征映射贡献平均值，如式(14)所示：其中，表示中所有元素的平均值，ave(
·
)表示平均运算；l3之后的l4、l5为致密层；其中，l4有k2/2神经元，l5有k2神经元；在l6中，l5的输出用于加权l2的每个特征映射；l3-l6构成了注意路径，对l2的输出结果进行特征增强；l6之后，l7为卷积层；l8为一个批处理规范化(bn)层，如式(15)所示：其中，θ和π为可学习的参数，如式(16)所示：其中，mean(
·
)和std(
·
)表示的期望值和标准偏差；随着卷积核数的增加，通过am-femodule2模块进行进一步的网络特征提取。9.如权利要求8所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述am-femodule2模块与am-femodule1架构相同，包括与l1-l8层分别对应的l9-l16层。10.如权利要求8所述的基于注意机制的疲劳驾驶网络特征分析方法，其特征在于：所述第二模块包括串联层l17、卷积层l18、卷积层l19、变平层l20、密集层l21；集成p个频段的网络特征，将来自p个频带的输出和串联作为串联层l17；设置卷积层l18进行特征融合；l18的特征映射通过卷积层l19学习；l19的输出在变平层l20中；使用softmax激活功能将所有学习到的网络特征输入到密集层l21中，用于疲劳驾驶状态检测。

技术总结

本发明公开一种基于注意机制的疲劳驾驶网络特征分析方法，涉及监测领域；通过多层脑网络和深度学习相结合的疲劳驾驶检测框架，根据不同的频带与不同的大脑功能的关系，对多通道脑电图信号进行多频段小波包重构，以进行时频表示；提出改进的基于小波包重构系数的多层脑网络，其中，每一层包含一个基于斯皮尔曼等级相关性(SpearmanRankCorrelation，SRC)的功能性脑网络及对应的频带；所述多层脑网络根据多通道EEG信号的频率特性和通道耦合，提供了大脑的全面映射。通过建立以多层脑网络为输入的基于注意机制的卷积神经网络(AM-CNN)模型实现对疲劳驾驶的分析。实现对疲劳驾驶的分析。实现对疲劳驾驶的分析。