基于3D CNN的疲劳驾驶预警系统的研究

发布时间：2021-11-12 12:00

　　近年来,疲劳驾驶是导致交通事故的一个主要原因。目前,专家们已经提出了很多生理指标用于评估驾驶员疲劳等级,脑电信号（Electrocephalogram,EEG）已被证明是检测疲劳等级的最可靠的指标之一。本文提出一种基于三维卷积神经网络（Three-Dimensional Convolutional Neural Network,3D CNN）的分类模型来预测司机的三种疲劳等级,并设计了一款无线可穿戴式疲劳驾驶预警系统,用于实时检测驾驶员的疲劳状态。该系统由三个部分组成:（1）无线可穿戴式脑电采集设备;（2）脑电分析系统;（3）预警装置。第一部分通过无线可穿戴式脑电采集设备便捷地采集司机的脑电信号,并通过无线传输设备发送至脑电分析系统。第二部分首先采用线性滤波器、小波变换和独立成分分析结合的方式对采集到的脑电信号进行预处理;其次通过Welch法计算功率谱密度（Power Spectral Density,PSD）,将每个通道的EEG信号转换为特征矩阵;最后将特征矩阵组合成包含空间导联信息的3D特征数据并作为预测模型的输入,由3D CNN算法得出三种疲劳等级。第三部分是预警装置,由智能手环... 

【文章来源】：南京邮电大学江苏省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

四种常见激励函数的图像

并运用 3D CNN 分类算法对其进行分类识别，得到分类结果 L L L 。图 3.1 脑电分析系统流程图3.1 脑电数据的预处理如图 3.2 所示，发现原始脑电信号中存在较为严重的噪声干扰，因此需要对信号进行预处理。首先使用一个带宽为 4-31Hz 的 IIR 带通滤波器，一方面可以去除 50Hz 的工频干扰，另一方面可以去除部分肌电与眼电噪声。另外，为了提高幅频特性曲线的光滑程度，将阻带衰减的最小强度设为 10db。

21图 3.2 带通滤波器效果图图3.2将FP1导联的原始EEG信号与经过带通滤波处理的时域波形和频域波形进行对比，可以明显发现带通滤波器可以较好地滤除原始 EEG 信号的高频成分。但是传统的数字滤波器降噪方法无法很好的滤除脑电信号低频噪声以及与脑电信号频率重叠的噪声。为了解决这一问题，需要通过小波阈值去噪和独立成分分析做进一步的脑电信号预处理。如图 3.3 所示，本文的小波阈值去噪可以分为以下三个步骤：（1）：小波分解过程：使用db4 小波对信号 ( )进行 6 层小波分解，得到不同频率成分的小波系数；（2）阈值处理过程：对各层经小波分解得到的小波系数，通过 penalty 阈值策略设定一个阈值，并对细节系数做软阈值处理；（3）小波重构过程：阈值处理后的小波系数，经过小波重构得到降噪后的信号 ( )。图 3.3 小波阈值去噪过程图通过 6 层小波分解

【参考文献】：
期刊论文
[1]离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法[J]. 姚悦,丁永红,裴东兴.  科学技术与工程. 2018(22)
[2]基于视觉的驾驶员疲劳特征提取方法[J]. 靳冰凌,张震,张子耀.  计算机技术与发展. 2018(11)
[3]地铁驾驶员驾驶疲劳状态监测[J]. 姜兴宇,徐海峰,吴善春,赵地.  中国安全科学学报. 2018(06)
[4]基于心率变异性的脑力疲劳检测[J]. 赵小静,路海月,王梦悦,耿新玲,张宽,李霞.  中国医学物理学杂志. 2018(05)
[5]驾驶员疲劳状态检测方法研究[J]. 张雯頩,康冰.  吉林大学学报(信息科学版). 2018(03)
[6]基于脑电信号分析的不同年龄驾驶人疲劳特性[J]. 裴玉龙,金英群,陈贺飞.  中国公路学报. 2018(04)
[7]基于卷积神经网络的模糊车牌自动识别[J]. 汤雪峰,周平.  包装学报. 2017(05)
[8]基于一维卷积神经网络的车载语音识别研究[J]. 朱锡祥,刘凤山,张超,吕钊,吴小培.  微电子学与计算机. 2017(11)
[9]无线电信号功率谱的分析与仿真[J]. 肖军,王文静,刘洲洲.  信息技术. 2017(09)
[10]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞.  计算机技术与发展. 2017(12)

硕士论文
[1]余弦基神经网络在FIR数字滤波器优化设计中的应用研究[D]. 杜长操.江西师范大学 2016
[2]考虑驾驶员生物电信号的疲劳驾驶检测方法研究[D]. 薛雷.吉林大学 2015
[3]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



本文编号：3490872