##一、 问题分析
###1.1疲劳驾驶的检测
给定n个用户的数据，包含剔除信息，对它们加以处理，训练回归，利用迁移学习得到新用户的疲劳检测的回归模型，并用这个回归模型来判断新用户的驾驶疲劳状态。
###1.2流程图
训练这样一个回归模型的过程，分析如下：
##二、 数据预处理
对于获取的EEG信号，我们必须进行相关的处理，才能把数据拿去进行训练或分类，这就是数据预处理，常见的数据预处理有：降采样，重参考，滤波，基线校正
当前所给数据根据说明文件可知，已经进行降采样，重参考，我们所做的就是对它进行滤波操作，这样就预处理完成。
##三、 划分trial
采样频率250Hz，时间窗口30s，窗口间隔10s，最大时长1h，我们可以得出时间窗口右边界取值最多为30:10:3600共358个取值，也就是最多为358个trail。
idsNaN是标记数据中对数据有效性的一个评估，给定数据idsNaN信息也被用于划分trial，idsNaN有两个作用：
1、idsNaN长度代表可以最大划分的trail数目；idsNaN是一个最大为358的列向量，它的长度为N，代表我们划分trail的数量为N，划分的trail为前N个时间窗口。即我们划分的时间窗口右边界取值30:10:(30*N+20)，当长度为358，我们划分的时间窗口最多，其右边界取值则最大为30:10:3600
2、idsNaN中每一个数据用于代表第一步划分的trial的有效性：其中只有0与1，为0代表数据没有出错，数据有效，为1代表数据出错，应该去掉。根据有效与否，我们会删除第一步中的trail
经过两个步骤之后，我们就得到了我们的trail。
举个例子：060227.mat中idsNaN长度为353，那么358个窗口取前353个窗口使用，即窗口右边界取值为30:10:3550共353个取值。接着可以根据idsNaN中取值为1的地方对窗口进一步裁剪，比如060227.mat中idsNaN在第132135共4个位置取值为1，那么在353个从前往后的窗口中，第132135共4个位置的窗口需要去掉。两次裁剪后剩下共349个滑动窗口
##四、 特征提取
###4.1特征提取
脑电信号的常见特征为时域分析与频域分析，特征參数主要包括时域信号(如幅值)和频域信号(如频率)两大类，相应的特征提取方法也分为时域法、频域法 和时-频域方法。频域分析方法主要是基于EEG信号各频段功率、相干等；时域分析方法则主要分析EEG波形的几何性质，如幅度、均值、方差、偏歪度、峭度等。
常使用的特征提取方法：
自回归、傅里叶变换、表面拉普拉斯变换和小波变换。
###4.2平均功率谱
在这个问题中，我们选取对信号进行功率谱分析。因为，基于先验知识，我们知道疲劳与否最主要的是与Theta(4 – 7 Hz)信号有关，所以我就提取代表Theta(4 – 7 Hz)信号的强弱的平均功率谱来做为特征。
经典功率谱估计采用的是传统傅里叶变换分析方法(又称线性谱估计)，主要包括直接法(又称周期图法)和间接法(又称自相关法)两种
##五、 模型回归与测试
###5.1岭回归RR
####5.1.1原理：
线性回归模型的目标函数：
找到最小的beta使得J（beta）最小，得beta的表达式：
采用不同的邻参数lamda，多次测试后找到使目标函数最小的那个beta ####5.1.2训练策略： 每个被使者大约有360个样例，随机选取连续的100个样例做训练，其余做测试，最后观察其模型误差，当模型误差控制在0.1以下，我们认为我们已经找到比较好的RR模型，不必进行接下去的训练，而经过全部训练之后返回的模型平均方差在10以上，这是个很糟糕的模型，我们不满意，再一次训练以找到更好的模型。
###5.2迁移学习TL 在剔除一个坏数据之后（060629.mat），我们可以得到14个RR模型，我们将它取平均，用到测试模型上，再进行归一化处理，得到最终结果。 ###5.3 结果 获取最后的RR模型的beta值，测试效果符合预期