基于函数型数据分析和核主成分分析的疲劳驾驶状态识别方法的研究
发布时间：2021-08-15 00:39
疲劳驾驶是目前造成交通事故的主要因素之一。脑电（Electroencephalogram,EEG）信号作为精确反映大脑活动的生理指标,它在人员工作状态检测中具有无可比拟的优势,是分析与判断人体是否处于疲劳状态的“金方法”,而脑电信号又是一种非平稳的信号,具有连续性,非周期性,研究在具有这些特征下基于脑电信号的疲劳驾驶状态识别的有效方法是有重要意义和应用价值的。本文主要的工作和创新点如下:（1）提出基于函数型数据分析（Functional Data Analysis,FDA）的脑电信号描述和特征提取的方法。为了使所提取的脑电信号特征能更好地反映信号的连续性,内部动态变化,以及为了挖掘出更丰富的数据信息的需要,本文提出一种基于函数型数据分析的脑电信号描述和特征提取方法,该方法首先将采集到的离散的脑电数据函数化,以此来描述脑电信息的实时连续性以及人体静息与疲劳状态下的脑电信号曲线之间的函数性差异,然后通过提取静息与疲劳状态下曲线极值区间处的脑电信号数据作为特征,旨在用于进行疲劳驾驶状态检测。（2）提出基于函数型数据分析和核主成分分析（Kernel Principal Component An...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２．１?２丨个傅里叶基函数图?????ｂｇｐｔｉｒｗ?ｂａｓｔｅ，?ｎｏ．?ｆｔｗ?？１０，?ｏｒｄｅｒ?°?４???１ｌ?ｉ?ｉ￣￣?￣１?ｒ￣??
?第２章函数型数据分析与核主成分分析介绍???根据实际的数据情况来判断，对于周期性观测数据，我们常用傅里叶基作为基函??数，对于非周期性观测数据，我们常用Ｂ样条基作为基函数。傅里叶基函数与Ｂ??样条基函数图像如图２．１和图２．２所示。??????????—?????ｆａｕｒｉｅｆ?ｂａ？？？．?ｎｏ．?ｂａ？ｉｓ?ｆｎｓ?？?２１???＿?????０?０?１?０Ｊ?ＯＪ?０．４?ｏ．ｉ?０■?０－ｆ?０？?０＊?１??图２．１?２丨个傅里叶基函数图?????ｂｇｐｔｉｒｗ?ｂａｓｔｅ，?ｎｏ．?ｆｔｗ?？１０，?ｏｒｄｅｒ?°?４???１ｌ?ｉ?ｉ￣￣?￣１?ｒ￣??；４?＾?［?｜?Ｉ?１?Ｐ?Ｉ?■??？ｒ—Ｉ?ｊ?｜?｜?Ｉ?—??ｈ／?／ｋｘ＇??〇?ｏ?？?ｏｒ?〇３?〇４?〇ａ?〇〇?ｏｒ?〇■?ｏｏ?ｉ??ｔ??图２．２?１０个３次Ｂ样条基函数图??由于本文分析的脑电信号为非周期性数据，因此，本文采用函数型数据分析??处理脑电信号时采用Ｂ样条基函数。??ＤｅＢ〇ｏｒ［６８］对８样条做过比较详细的介绍，此处只做简单介绍：??对于给定的递增节点序列．．．，ｘｎ＋ｗ，?．．．｝，称??１３??
?第３章基于函数型数据分析的脑电信号特征提取方法???拟合函数。函数化后的部分脑电信号如图３．１所示，其中红色圆形实曲线表示静??息状态下的脑电数据拟合，蓝色星形虚曲线为疲劳状态下的脑电数据拟合。??ＲＭＳ?ｒｅｓｉｄｕａｌ?＝?０．１２８４９??４０?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｉｉｉ?ｉｉ??３０?－?－??２０?－?池??－４〇??１?１?１?１?１?１?１?１?１???０?０．０１?０．０２?０．０３?０．０４?０．０５?０．０６?０．０７?０．０８?０．０９?０．１??ｔ??图３．１函数化后的脑电数据图??３．２基于函数型数据分析的脑电信号特征提取??３．２．１函数型脑电信号的极值点及其选择??由３．１节可知，利用函数型数据分析，我们可以得到静息与疲劳状态下的脑??电信号拟合函数，而不同拟合函数的曲线形态特征存在差异，这种差异正是我们??进行疲劳驾驶分类测试的依据。极值点是函数的一个重要状态指标，函数曲线状??态的一些信息都与极值，导数相关。本文拟从函数的极值点出发，通过寻求静息??状态与疲劳状态下的拟合函数在极值点附近的曲线差异来达到疲劳状态识别的??目的。??极值点的计算：我们通过求导的方式来计算函数型脑电信号的极值点，即令??２１??
【参考文献】：
期刊论文
[1]道路交通事故的成因分析及预防研究[J]. 布和. 武汉公安干部学院学报. 2019(02)
[2]基于眼口状态的疲劳检测系统[J]. 刘小双,方志军,刘翔,高永彬,张祥祥. 传感器与微系统. 2018(10)
[3]面向函数型数据的动态互信息特征选择方法[J]. 马忱,姜高霞,王文剑. 计算机科学与探索. 2019(01)
[4]道路交通运输安全发展报告（2017）[J]. Matthias Gsul,胡予红,周旋,宁丙文,米建英,刘佳,王光远,王静,董晨,张露丹. 中国应急管理. 2018(02)
博士论文
[1]基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D]. 赵磊.山东大学 2018
[2]广义函数型回归模型及缺失数据模型[D]. 彭清艳.云南大学 2016
硕士论文
[1]基于眼部特征的疲劳驾驶检测系统的研究与实现[D]. 沈英超.桂林电子科技大学 2019
[2]基于函数型数据的在线教育股票的数据分析[D]. 戴丽丽.哈尔滨工业大学 2019
[3]函数型数据分析方法及其在高光谱图像目标探测中的应用[D]. 戴蕾.华中科技大学 2018
[4]基于心电肌电信号的汽车驾驶疲劳研究[D]. 叶成文.合肥工业大学 2018
[5]基于面部特征跟踪识别的夜间疲劳驾驶检测方法研究[D]. 章经宇.武汉理工大学 2018
[6]基于表情与头部状态识别的疲劳驾驶检测算法的研究[D]. 邹昕彤.吉林大学 2017
[7]认知神经科学研究中事件相关电位数据的统计分析[D]. 杜扬.哈尔滨师范大学 2017
[8]基于心电信号的疲劳驾驶研究[D]. 金礼.重庆大学 2017
[9]基于前额眼电眼部行为分析的疲劳检测[D]. 魏正平.上海交通大学 2014
[10]基于心率变异性的疲劳驾驶监测系统的研究[D]. 张扬.东北大学 2012
本文编号：3343490
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２．１?２丨个傅里叶基函数图?????ｂｇｐｔｉｒｗ?ｂａｓｔｅ，?ｎｏ．?ｆｔｗ?？１０，?ｏｒｄｅｒ?°?４???１ｌ?ｉ?ｉ￣￣?￣１?ｒ￣??
?第２章函数型数据分析与核主成分分析介绍???根据实际的数据情况来判断，对于周期性观测数据，我们常用傅里叶基作为基函??数，对于非周期性观测数据，我们常用Ｂ样条基作为基函数。傅里叶基函数与Ｂ??样条基函数图像如图２．１和图２．２所示。??????????—?????ｆａｕｒｉｅｆ?ｂａ？？？．?ｎｏ．?ｂａ？ｉｓ?ｆｎｓ?？?２１???＿?????０?０?１?０Ｊ?ＯＪ?０．４?ｏ．ｉ?０■?０－ｆ?０？?０＊?１??图２．１?２丨个傅里叶基函数图?????ｂｇｐｔｉｒｗ?ｂａｓｔｅ，?ｎｏ．?ｆｔｗ?？１０，?ｏｒｄｅｒ?°?４???１ｌ?ｉ?ｉ￣￣?￣１?ｒ￣??；４?＾?［?｜?Ｉ?１?Ｐ?Ｉ?■??？ｒ—Ｉ?ｊ?｜?｜?Ｉ?—??ｈ／?／ｋｘ＇??〇?ｏ?？?ｏｒ?〇３?〇４?〇ａ?〇〇?ｏｒ?〇■?ｏｏ?ｉ??ｔ??图２．２?１０个３次Ｂ样条基函数图??由于本文分析的脑电信号为非周期性数据，因此，本文采用函数型数据分析??处理脑电信号时采用Ｂ样条基函数。??ＤｅＢ〇ｏｒ［６８］对８样条做过比较详细的介绍，此处只做简单介绍：??对于给定的递增节点序列．．．，ｘｎ＋ｗ，?．．．｝，称??１３??
?第３章基于函数型数据分析的脑电信号特征提取方法???拟合函数。函数化后的部分脑电信号如图３．１所示，其中红色圆形实曲线表示静??息状态下的脑电数据拟合，蓝色星形虚曲线为疲劳状态下的脑电数据拟合。??ＲＭＳ?ｒｅｓｉｄｕａｌ?＝?０．１２８４９??４０?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｉｉｉ?ｉｉ??３０?－?－??２０?－?池??－４〇??１?１?１?１?１?１?１?１?１???０?０．０１?０．０２?０．０３?０．０４?０．０５?０．０６?０．０７?０．０８?０．０９?０．１??ｔ??图３．１函数化后的脑电数据图??３．２基于函数型数据分析的脑电信号特征提取??３．２．１函数型脑电信号的极值点及其选择??由３．１节可知，利用函数型数据分析，我们可以得到静息与疲劳状态下的脑??电信号拟合函数，而不同拟合函数的曲线形态特征存在差异，这种差异正是我们??进行疲劳驾驶分类测试的依据。极值点是函数的一个重要状态指标，函数曲线状??态的一些信息都与极值，导数相关。本文拟从函数的极值点出发，通过寻求静息??状态与疲劳状态下的拟合函数在极值点附近的曲线差异来达到疲劳状态识别的??目的。??极值点的计算：我们通过求导的方式来计算函数型脑电信号的极值点，即令??２１??
【参考文献】：
期刊论文
[1]道路交通事故的成因分析及预防研究[J]. 布和. 武汉公安干部学院学报. 2019(02)
[2]基于眼口状态的疲劳检测系统[J]. 刘小双,方志军,刘翔,高永彬,张祥祥. 传感器与微系统. 2018(10)
[3]面向函数型数据的动态互信息特征选择方法[J]. 马忱,姜高霞,王文剑. 计算机科学与探索. 2019(01)
[4]道路交通运输安全发展报告（2017）[J]. Matthias Gsul,胡予红,周旋,宁丙文,米建英,刘佳,王光远,王静,董晨,张露丹. 中国应急管理. 2018(02)
博士论文
[1]基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D]. 赵磊.山东大学 2018
[2]广义函数型回归模型及缺失数据模型[D]. 彭清艳.云南大学 2016
硕士论文
[1]基于眼部特征的疲劳驾驶检测系统的研究与实现[D]. 沈英超.桂林电子科技大学 2019
[2]基于函数型数据的在线教育股票的数据分析[D]. 戴丽丽.哈尔滨工业大学 2019
[3]函数型数据分析方法及其在高光谱图像目标探测中的应用[D]. 戴蕾.华中科技大学 2018
[4]基于心电肌电信号的汽车驾驶疲劳研究[D]. 叶成文.合肥工业大学 2018
[5]基于面部特征跟踪识别的夜间疲劳驾驶检测方法研究[D]. 章经宇.武汉理工大学 2018
[6]基于表情与头部状态识别的疲劳驾驶检测算法的研究[D]. 邹昕彤.吉林大学 2017
[7]认知神经科学研究中事件相关电位数据的统计分析[D]. 杜扬.哈尔滨师范大学 2017
[8]基于心电信号的疲劳驾驶研究[D]. 金礼.重庆大学 2017
[9]基于前额眼电眼部行为分析的疲劳检测[D]. 魏正平.上海交通大学 2014
[10]基于心率变异性的疲劳驾驶监测系统的研究[D]. 张扬.东北大学 2012
本文编号：3343490
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3343490.html
