基于KPCA的疲劳驾驶状态识别方法的研究
发布时间：2021-03-21 03:31
驾驶员的疲劳驾驶行为对交通事故的发生已经造成了严重的影响。本文研究分析驾驶员正常状态和疲劳状态下的脑电信号（Electroencephalograph,EEG）。针对疲劳驾驶状态识别研究中采集的EEG数据具有非线性这一特点,这使得目前EEG数据基于熵特征进行疲劳驾驶状态识别研究时依然存在分类准确率不理想的问题,本文建立了一个在EEG熵特征的基础上结合核主成分分析（Kernel principal component analysis,KPCA）构建疲劳驾驶状态识别的模型,提出了相应的算法;又针对疲劳驾驶状态识别的时间性能问题,本文在所使用的算法基础上又加入了t检验进行进一步的研究,提出了不同熵特征以及t检验结合KPCA（ENTROPYTKPCA）的算法,并且在30个导联数据上进行研究都达到了理想的效果。主要研究内容和创新点如下:（1）针对现有的疲劳驾驶脑电信号的熵特征提取方法对疲劳驾驶状态识别测试的准确率不是很理想这一问题。本文先是研究了不同熵结合主成分分析（Principal Component Analysis,PCA）对EEG数据进行重...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
模型构建过程
第 4章 测试与结果分析第 4 章 测试与结果分析4.1 实验环境及实验数据4.1.1 实验软硬件平台本文的实验是在 Windows 10 操作系统，以 MATLAB R2014b 软件为平台的基础下完成的。本实验数据收集设备为一套静态的模拟驾驶器(北京中育联合教学设备有限公司，ZY-31D 车辆驾驶模拟器)如图 4.1 所示，包括 3 块 24 英寸的显示器及一套驾驶模拟的软件教学系统(ZG-601 V9.2)，被试者使用 32 电极的脑电采集帽，数据预处理软件使用 Neuroscan 4.5。
选择 数据为 1000Hz 采样率下的 32 导联 600 秒的时个电极，本文主要针对这 30个电极进行实验两组实验，因为本次实验个体为 25 个，随机 个人作为另一组，取不同数量的样本数也是为验结果的影响，但限于数据有限，所以只分人的部分数据，每个人 60 秒（静息状态下前成一个 600×30 的数据矩阵，如图 4.2 所示；的部分数据，每个人 60 秒（静息状态下前 3一个 900×30 的数据矩阵，如图 4.3 所示。目实验的运算时间，以及 30 秒并不算很少的数据况进行了测试，但是在后续的实验中我们会增）来进行测试。
【参考文献】：
期刊论文
[1]汽车疲劳驾驶客观监测方法分析[J]. 杨云皓. 科学咨询(教育科研). 2018(11)
[2]结合非线性全局特征和谱特征的脑电情感识别[J]. 孙颖,马江河,张雪英. 计算机工程与应用. 2018(17)
[3]基于脑电信号的疲劳驾驶状态研究[J]. 陈骥驰,王宏,王翘秀,化成城,刘冲. 汽车工程. 2018(05)
[4]一种基于驾驶员生理信号的非接触式驾驶疲劳检测技术[J]. 王琳,张陈,尹晓伟,付荣荣,王宏. 汽车工程. 2018(03)
[5]基于PCA多导联的癫痫脑电信号分类及致痫灶定位研究[J]. 李冬梅,尔西丁·买买提,杨日东,陈子怡,田翔华,董楠,张洋,周毅. 生物医学工程研究. 2017(03)
[6]驾驶疲劳的理论分类及影响因素[J]. 李晓峰,马锦飞. 决策探索(下半月). 2017(08)
[7]基于级联卷积神经网络的疲劳检测[J]. 赵雪鹏,孟春宁,冯明奎,常胜江. 光电子·激光. 2017(05)
[8]小波包特征能量算子与多核函数组合KPCA的声目标识别[J]. 曾番,黄文龙,夏伟鹏,冯卉. 电光与控制. 2017(04)
[9]抑郁症静息脑电的小波包节点功率谱熵分析[J]. 盖淑萍,刘欣阳,刘军涛,孔壮,徐声伟,蔡新霞. 传感器与微系统. 2017(03)
[10]基于眼部特征的疲劳驾驶辨识方法研究[J]. 刘志强,宋雪松,汪彭,周桂良. 重庆理工大学学报(自然科学). 2016(10)
博士论文
[1]抑郁症静息态功能脑网络异常拓扑属性分析及分类研究[D]. 郭浩.太原理工大学 2013
硕士论文
[1]基于经验模态分解的多尺度熵在疲劳驾驶前额脑电特征抽取方法上的研究[D]. 刘超.南昌大学 2018
[2]基于运动想象EEG信号的特征提取研究[D]. 林文通.南京邮电大学 2017
[3]基于心电信号的驾驶疲劳识别方法研究[D]. 牛琳博.西南交通大学 2017
[4]基于人脸特征的驾驶员疲劳检测算法与实现[D]. 黄斌.南京航空航天大学 2017
[5]基于脑电信号疲劳状态分析及其采集分析系统设计[D]. 郭翠娜.燕山大学 2016
[6]脑信号的熵分析方法研究[D]. 郭迪.南京邮电大学 2016
[7]运动想象脑电信号特征提取与分类研究[D]. 丁晓慧.杭州电子科技大学 2016
[8]基于眼动与脉搏信息融合的驾驶疲劳识别算法研究[D]. 李发权.山东大学 2015
[9]基于EEG信号的脑力疲劳检测方法的研究[D]. 潘屏萍.广西大学 2014
[10]驾驶疲劳脑电信号的非线性动力学分析[D]. 刘苗苗.陕西师范大学 2011
本文编号：3092235
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
模型构建过程
第 4章 测试与结果分析第 4 章 测试与结果分析4.1 实验环境及实验数据4.1.1 实验软硬件平台本文的实验是在 Windows 10 操作系统，以 MATLAB R2014b 软件为平台的基础下完成的。本实验数据收集设备为一套静态的模拟驾驶器(北京中育联合教学设备有限公司，ZY-31D 车辆驾驶模拟器)如图 4.1 所示，包括 3 块 24 英寸的显示器及一套驾驶模拟的软件教学系统(ZG-601 V9.2)，被试者使用 32 电极的脑电采集帽，数据预处理软件使用 Neuroscan 4.5。
选择 数据为 1000Hz 采样率下的 32 导联 600 秒的时个电极，本文主要针对这 30个电极进行实验两组实验，因为本次实验个体为 25 个，随机 个人作为另一组，取不同数量的样本数也是为验结果的影响，但限于数据有限，所以只分人的部分数据，每个人 60 秒（静息状态下前成一个 600×30 的数据矩阵，如图 4.2 所示；的部分数据，每个人 60 秒（静息状态下前 3一个 900×30 的数据矩阵，如图 4.3 所示。目实验的运算时间，以及 30 秒并不算很少的数据况进行了测试，但是在后续的实验中我们会增）来进行测试。
【参考文献】：
期刊论文
[1]汽车疲劳驾驶客观监测方法分析[J]. 杨云皓. 科学咨询(教育科研). 2018(11)
[2]结合非线性全局特征和谱特征的脑电情感识别[J]. 孙颖,马江河,张雪英. 计算机工程与应用. 2018(17)
[3]基于脑电信号的疲劳驾驶状态研究[J]. 陈骥驰,王宏,王翘秀,化成城,刘冲. 汽车工程. 2018(05)
[4]一种基于驾驶员生理信号的非接触式驾驶疲劳检测技术[J]. 王琳,张陈,尹晓伟,付荣荣,王宏. 汽车工程. 2018(03)
[5]基于PCA多导联的癫痫脑电信号分类及致痫灶定位研究[J]. 李冬梅,尔西丁·买买提,杨日东,陈子怡,田翔华,董楠,张洋,周毅. 生物医学工程研究. 2017(03)
[6]驾驶疲劳的理论分类及影响因素[J]. 李晓峰,马锦飞. 决策探索(下半月). 2017(08)
[7]基于级联卷积神经网络的疲劳检测[J]. 赵雪鹏,孟春宁,冯明奎,常胜江. 光电子·激光. 2017(05)
[8]小波包特征能量算子与多核函数组合KPCA的声目标识别[J]. 曾番,黄文龙,夏伟鹏,冯卉. 电光与控制. 2017(04)
[9]抑郁症静息脑电的小波包节点功率谱熵分析[J]. 盖淑萍,刘欣阳,刘军涛,孔壮,徐声伟,蔡新霞. 传感器与微系统. 2017(03)
[10]基于眼部特征的疲劳驾驶辨识方法研究[J]. 刘志强,宋雪松,汪彭,周桂良. 重庆理工大学学报(自然科学). 2016(10)
博士论文
[1]抑郁症静息态功能脑网络异常拓扑属性分析及分类研究[D]. 郭浩.太原理工大学 2013
硕士论文
[1]基于经验模态分解的多尺度熵在疲劳驾驶前额脑电特征抽取方法上的研究[D]. 刘超.南昌大学 2018
[2]基于运动想象EEG信号的特征提取研究[D]. 林文通.南京邮电大学 2017
[3]基于心电信号的驾驶疲劳识别方法研究[D]. 牛琳博.西南交通大学 2017
[4]基于人脸特征的驾驶员疲劳检测算法与实现[D]. 黄斌.南京航空航天大学 2017
[5]基于脑电信号疲劳状态分析及其采集分析系统设计[D]. 郭翠娜.燕山大学 2016
[6]脑信号的熵分析方法研究[D]. 郭迪.南京邮电大学 2016
[7]运动想象脑电信号特征提取与分类研究[D]. 丁晓慧.杭州电子科技大学 2016
[8]基于眼动与脉搏信息融合的驾驶疲劳识别算法研究[D]. 李发权.山东大学 2015
[9]基于EEG信号的脑力疲劳检测方法的研究[D]. 潘屏萍.广西大学 2014
[10]驾驶疲劳脑电信号的非线性动力学分析[D]. 刘苗苗.陕西师范大学 2011
本文编号：3092235
本文链接：https://www.wllwen.com/kejilunwen/qiche/3092235.html
