基于最短路径树的功能性脑网络在疲劳驾驶状态识别中的应用研究
发布时间：2021-01-27 07:00
针对基于脑电图（electroencephalogram,EEG）的疲劳驾驶状态识别模型的准确率问题不够理想,以及目前缺乏对疲劳驾驶发生的神经机理问题研究,课题致力于研究基于最短路径树来构建有效的功能性脑网络用于疲劳驾驶状态识别,建立了基于最短路径树功能性脑网络的疲劳驾驶状态识别模型和疲劳发生的神经机理模型,提出并设计了基于最短路径树功能性脑网络的疲劳驾驶状态识别方法和疲劳发生的神经机理分析方法。课题主要研究内容和阶段性研究成果如下:较全面分析了功能性脑网络（functional brain networks,FBN）构建的关键技术,包括研究基于最短路径树（shortest path trees,SPT）的FBN构建方法（该网络记为SPT-FBN）,针对基于联合最短路径树（the union of shortest path trees,USPT）所构建的FBN存在密度过大问题,提出了一种改进的方法即基于组合最短路径树（the combination of shortest path tree,CSPT）的FBN构建方法（该网络记为CSPT-FBN）,并设计了相应的构建算法。对SPT-...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
大脑神经元示意图
图 3-1 SPT-FBN 和 CSPT-FBN 的疲劳驾驶状态识别模型图主要可以分为四个阶段：(1)数据准备：包括对疲劳驾驶 EEG 数据集的采集、预处理阶段以及频段划分，经过这一系列的步骤，得到疲劳驾驶的 EEG数据集。(2)特征提取：主要包括了 FBN 构建以及对它们网络属性的提取方式。首先构建了 SPT-FBN，在 SPT-FBN 的基础上根据 3.2.2 节的规则构建 CSPT-FBN，组成基于 EEG 的 FBN 数据集，分别采用 2.4 节的网络属性公式计算出两种 FBN 的属性，并用 KS 检验提取有显著性差异的属性，将所有计算出的属性和有显著性差异的属性分别放入网络属性数据集。(3)分类测试：本文主要对网络属性采用十折交叉验证的 SVM 分类算法，取数据集中的 9 份作为训练集，1 份作为测试集，进行 10 次交叉验证，取 10次的平均分类准确率作为分类准确率。(4)结果分析：结果分析主要包括：测试结果的有效性分析、SPT-FBN 属性和测试结果之间的关系分析，基于 CSPT-FBN 测试结果的疲劳驾驶神经机理分析。
图 3-2 基于 CSPT-FBN 的疲劳驾驶神经机理分析模型图3.5 本章小结主要介绍了 SPT-FBN、CSPT-FBN 构建方法和基于 SPT-FBN、CSPT-FBN的疲劳驾驶状态识别模型以及疲劳机理分析模型。先介绍了关键技术，包括SPT-FBN 根节点的选择策略、权重变换的方法以及 CSPT-FBN 的生成规则；接着提出了 SPT-FBN 和 CSPT-FBN 疲劳驾驶状态识别模型，模型主要分成了数据准备、特征提取、分类测试、结果分析四个阶段，对这四个阶段进行了说明；最后介绍了 CSPT-FBN 疲劳机理分析模型，主要是根据测试结果进行逆向推断与疲劳产生相关的脑区部位。
【参考文献】：
期刊论文
[1]脑疲劳状态的脑功能网络特征分类研究[J]. 杨硕,艾娜,王磊,张颖,徐桂芝. 生物医学工程学杂志. 2018(02)
[2]船员疲劳驾驶监控技术发展[J]. 李林. 科技资讯. 2015(24)
[3]基于脑电图识别结合操纵特征的驾驶疲劳检测[J]. 王斐,王少楠,王惜慧,彭莹,杨乙丁. 仪器仪表学报. 2014(02)
博士论文
[1]基于脑功能网络的脑力疲劳检测技术及其形成机理研究[D]. 李刚.山东大学 2017
[2]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]EEG脑功能网络构建方法及应用研究[D]. 武政.太原理工大学 2015
[2]基于复杂网络的脑功能研究与分析[D]. 乔赫元.中国科学技术大学 2011
本文编号：3002650
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
大脑神经元示意图
图 3-1 SPT-FBN 和 CSPT-FBN 的疲劳驾驶状态识别模型图主要可以分为四个阶段：(1)数据准备：包括对疲劳驾驶 EEG 数据集的采集、预处理阶段以及频段划分，经过这一系列的步骤，得到疲劳驾驶的 EEG数据集。(2)特征提取：主要包括了 FBN 构建以及对它们网络属性的提取方式。首先构建了 SPT-FBN，在 SPT-FBN 的基础上根据 3.2.2 节的规则构建 CSPT-FBN，组成基于 EEG 的 FBN 数据集，分别采用 2.4 节的网络属性公式计算出两种 FBN 的属性，并用 KS 检验提取有显著性差异的属性，将所有计算出的属性和有显著性差异的属性分别放入网络属性数据集。(3)分类测试：本文主要对网络属性采用十折交叉验证的 SVM 分类算法，取数据集中的 9 份作为训练集，1 份作为测试集，进行 10 次交叉验证，取 10次的平均分类准确率作为分类准确率。(4)结果分析：结果分析主要包括：测试结果的有效性分析、SPT-FBN 属性和测试结果之间的关系分析，基于 CSPT-FBN 测试结果的疲劳驾驶神经机理分析。
图 3-2 基于 CSPT-FBN 的疲劳驾驶神经机理分析模型图3.5 本章小结主要介绍了 SPT-FBN、CSPT-FBN 构建方法和基于 SPT-FBN、CSPT-FBN的疲劳驾驶状态识别模型以及疲劳机理分析模型。先介绍了关键技术，包括SPT-FBN 根节点的选择策略、权重变换的方法以及 CSPT-FBN 的生成规则；接着提出了 SPT-FBN 和 CSPT-FBN 疲劳驾驶状态识别模型，模型主要分成了数据准备、特征提取、分类测试、结果分析四个阶段，对这四个阶段进行了说明；最后介绍了 CSPT-FBN 疲劳机理分析模型，主要是根据测试结果进行逆向推断与疲劳产生相关的脑区部位。
【参考文献】：
期刊论文
[1]脑疲劳状态的脑功能网络特征分类研究[J]. 杨硕,艾娜,王磊,张颖,徐桂芝. 生物医学工程学杂志. 2018(02)
[2]船员疲劳驾驶监控技术发展[J]. 李林. 科技资讯. 2015(24)
[3]基于脑电图识别结合操纵特征的驾驶疲劳检测[J]. 王斐,王少楠,王惜慧,彭莹,杨乙丁. 仪器仪表学报. 2014(02)
博士论文
[1]基于脑功能网络的脑力疲劳检测技术及其形成机理研究[D]. 李刚.山东大学 2017
[2]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]EEG脑功能网络构建方法及应用研究[D]. 武政.太原理工大学 2015
[2]基于复杂网络的脑功能研究与分析[D]. 乔赫元.中国科学技术大学 2011
本文编号：3002650
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3002650.html
