考虑驾驶员生物电信号的疲劳驾驶检测方法研究

发布时间：2017-04-06 20:22

  本文关键词：考虑驾驶员生物电信号的疲劳驾驶检测方法研究，由笔耕文化传播整理发布。

【摘要】：交通安全一直是现代社会最严峻的问题之一，而驾驶员疲劳驾驶是导致重大交通事故的重要原因之一，尤其是高速公路上长时间驾驶的情况。因此，研究疲劳驾驶形成机理以及驾驶员生理、心理和行为特征，进而检测驾驶疲劳状态，对于提高道路交通安全、减少因疲劳驾驶导致的道路交通事故，具有非常重要的意义。 目前，疲劳驾驶检测方法主要有主观检测和客观检测两类。根据所使用的客观指标不同，客观方法可以分为以下三种：基于车辆信息的方法、基于驾驶员行为的方法和基于驾驶员生理信号的方法。其中，利用人体各种生物电信号中的脑电信号判断驾驶疲劳是公认的最准确、最客观的检测方法。 梳理国内外疲劳驾驶检测方法的研究现状以及应用现状，结合疲劳驾驶的概念、成因与其造成的影响，本文将脑电分析应用于疲劳检测方法的研究中，分析驾驶员疲劳状态下，脑电信号的变化规律，研究考虑脑电信号特征的驾驶员疲劳状态评定标准和检测方法。 在汽车智能化与人性化研究室驾驶员行为与生物电信号方面研究进展的基础上，本文利用驾驶员在环实验台和BIOPAC多导生理记录仪设计并实施了嵌入真实驾驶员的疲劳驾驶实验，被试驾驶员在单调路况下进行长时间驾驶任务，经历从清醒状态到疲劳状态的变化过程，，结合主观评价方法，获取驾驶员脑电信号和疲劳主观评分。 脑电信号本身的特点决定了采集到的脑电数据不可以直接使用，在特征提取前对采集到的原始脑电信号进行了降频重采样、伪迹处理和带通滤波等处理。本文通过小波包的分解和重构，提取出脑电四种典型节律（、θ、、β）的时域信号，再经过求解功率谱，获得脑电节律波在时间窗T=1min的平均功率及其比值，选取节律波的平均功率比值F1(α+θ)/β和F2θ/β作为评价疲劳驾驶等级的特征指标。 综合主观评测和脑电信号特征值的变化规律，本文将驾驶员状态分成清醒、轻度疲劳、中度疲劳和重度疲劳四个等级，并利用支持向量机解决多分类问题的方法对疲劳状态特征进行分类。构造疲劳状态特征指标F1和F2组成的二维特征向量，对疲劳驾驶状态的四个等级进行分类识别。将实验数据样本分成两组，一组作为训练集，另一组作为测试集，结合主观评分对测试结果进行统计分析，最终结果验证了本文所提取的疲劳状态特征和支持向量机分类方法的有效性，说明考虑驾驶员脑电信号的研究方法能够有效地识别不同程度的疲劳驾驶状态。
【关键词】：疲劳驾驶 脑电信号 小波变换 特征提取 支持向量机
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：U463.6;TN911.7
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第1章 绪论11-29
• 1.1 课题研究的背景与意义11-13
• 1.2 疲劳驾驶的概念和成因13-15
• 1.2.1 疲劳驾驶的概念13-14
• 1.2.2 疲劳驾驶的成因14-15
• 1.2.3 疲劳驾驶的影响15
• 1.3 国内外研究现状15-25
• 1.3.1 国外研究现状17-20
• 1.3.2 国内研究现状20-21
• 1.3.3 疲劳驾驶检测和预警的相关产品21-25
• 1.4 本文主要研究内容25-29
• 第2章 疲劳驾驶实验29-45
• 2.1 疲劳驾驶实验的模拟环境29-32
• 2.1.1 驾驶员在环实验台29-31
• 2.1.2 疲劳驾驶模拟环境31-32
• 2.2 疲劳驾驶实验的设计32-39
• 2.2.1 被试人员32
• 2.2.2 实验环境32
• 2.2.3 实验设备32-33
• 2.2.4 电极布置33-36
• 2.2.5 主观评价36-38
• 2.2.6 实验流程38-39
• 2.3 实验过程与结果39-43
• 2.3.1 预约实验39
• 2.3.2 实验准备39-40
• 2.3.3 实验过程40-41
• 2.3.4 实验结果41-43
• 2.4 本章小结43-45
• 第3章 脑电信号处理和分析45-63
• 3.1 脑电信号理论基础45-48
• 3.1.1 脑电的产生机制45-46
• 3.1.2 脑电的基本特征46-47
• 3.1.3 疲劳脑电信号的研究依据47-48
• 3.2 脑电信号的预处理48-51
• 3.2.1 信号重采样48-49
• 3.2.2 伪迹分析和处理49-50
• 3.2.3 带通滤波50-51
• 3.3 脑电信号特征提取51-62
• 3.3.1 小波变换理论51-56
• 3.3.2 脑电信号的小波包分解56-58
• 3.3.3 疲劳驾驶的脑电信号特征提取58-62
• 3.4 本章小结62-63
• 第4章 基于支持向量机的疲劳驾驶分级评价63-73
• 4.1 支持向量机63-68
• 4.1.1 最优分类面63-66
• 4.1.2 核函数66-67
• 4.1.3 多分类问题67-68
• 4.2 疲劳驾驶分级评价68-72
• 4.2.1 支持向量机的疲劳驾驶特征分级68-71
• 4.2.2 结果与讨论71-72
• 4.3 本章小结72-73
• 第5章 全文总结与展望73-75
• 参考文献75-81
• 附录81-83
• 作者简介83-84
• 致谢84-85

【参考文献】

中国期刊全文数据库 前10条

1 毛科俊;刘小明;赵晓华;荣建;;基于脑电信号的驾驶疲劳预报关键参数选取[J];北京工业大学学报;2010年07期

2 王首勇,朱光喜,唐远炎;应用最优小波包变换的特征提取方法[J];电子学报;2003年07期

3 郑勇涛,刘玉树;支持向量机解决多分类问题研究[J];计算机工程与应用;2005年23期

4 廖传锦,秦小虎,黄席樾;以人为中心的汽车主动安全技术综述[J];计算机仿真;2004年09期

5 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

6 郑培,宋正河,周一鸣;机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势[J];中国农业大学学报;2001年06期

7 王炳浩,魏建勤,吴永红;汽车驾驶员瞌睡状态脑电波特征的初步探索[J];汽车工程;2004年01期

8 赵雪竹;王秀;朱学峰;;基于Adaboost算法的人眼检测中样本选择研究[J];计算机技术与发展;2010年02期

9 张静远,张冰,蒋兴舟;基于小波变换的特征提取方法分析[J];信号处理;2000年02期

10 杨星星;张松;芦杨;杨琳;王薇薇;顾冠雄;;基于生理信号的疲劳驾驶风险检测方法的研究进展[J];中国医学装备;2013年07期

中国博士学位论文全文数据库 前2条

1 李志春;驾驶员疲劳状态检测技术研究与工程实现[D];江苏大学;2009年

2 毛U

本文编号：289624