驾驶员脑力负荷的SVM识别模型

车载信息系统的使用,道路交通控制信息的复杂,增加了驾驶员脑力负荷量.为对驾驶员脑力负荷进行有效识别,为自动辅助驾驶系统以及交通信息的整合优化设计提供依据,以驾驶员脑电信号δ(0.54 Hz),θ(48 Hz),α(813 Hz),β(1330Hz)频谱幅值为输入特征,结合SVM模型构建了驾驶员脑力负荷识别模型.在此基础上,基于驾驶模拟器实验数据,对该模型予以试算.结果表明,模型识别正确率可达93.8%96.5%.该模型对驾驶员脑力负荷识别具有较高准确性,可用于驾驶员脑力负荷识别.     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

驾驶疲劳状态波动性特征的识别方法

针对疲劳状态变化的波动性特征,基于心率变异性指标构建了一种驾驶疲劳状态识别方法.以驾驶行为绩效为疲劳客观测评指标,给出了适应疲劳波动性特征的驾驶疲劳分级方法.以心率变异性的3项时域指标、5项频域指标为特征因子构建驾驶疲劳识别特征向量,结合支持向量机提出了一种适应小样本的驾驶疲劳状态识别模型.采用10名驾驶员连续4 h的驾驶行为绩效与心电数据,对模型方法予以了测试.测试结果表明:10名驾驶员1级、2级疲劳状态的正确识别率介于70%~82%,平均正确识别率为75%.     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

基于BP神经网络的驾驶精神疲劳识别方法

为了对驾驶精神疲劳予以有效识别,基于行为绩效结合心电信号指标构建了一种驾驶精神疲劳识别方法．以驾驶行为绩效为客观测评指标,给出了驾驶精神疲劳状态的分级划分方法．在此基础上,以心率变异性的6项指标作为疲劳识别特征因子,采用BP神经网络模型,建立了驾驶精神疲劳状态分类器．最后结合实例,依据驾驶行为绩效,将疲劳状态划分为2级,采用10名驾驶员连续4 h的驾驶行为绩效(反应时)、心电数据,对模型、方法予以测算．结果表明,10名驾驶员平均正确识别率在71％～80％之间,且其平均正确识别率为73％．BP神经网络模型与心率变异性指标相结合可有效的识别疲劳．     

照明对“本本族”驾驶人生理特性影响分析

为探寻"本本族"驾驶人安全行车的驾驶操作,针对光线突变时生理特性的变化展开研究.借助UC-winroad软件和模拟驾驶仪搭建的平台,要求被试者在突发照明场景下进行模拟驾驶试验,同时采用眼动仪、MP150收集驾驶人生理参数.分析能够反映驾驶负荷的脑电信号(α+θ)/β、RR间期平均值和瞳孔面积变化情况,然后建立基于驾驶人脑电波、心率增长率、单次注视持续时间和瞳孔面积变化率在明适应过程中的驾驶负荷模型,以研究不同视觉及生理指标对驾驶负荷的影响程度.研究结果表明:"本本族"驾驶人会对突发照明更快地作出反应,但会产生更大的驾驶负荷,需要更长的适应时间.     

基于单目摄像头的主动式驾驶行为分析算法

为了预防事故发生,提出一种以人体三维姿态估计对驾驶员行为进行识别监测的算法。利用单目摄像头获取运动中驾驶员的视频流,提取每帧图像的二维轮廓特征,与预先建立的三维人体模型的二维投影进行匹配,实时估计驾驶员上半身的姿态。根据获取驾驶员的8个骨骼节点的三维坐标,对驾驶员的行为识别分析。试验模拟驾驶员正常、单手、接听电话和疲劳/醉酒驾驶4种驾驶状态,通过骨骼节点的坐标变化,实现检测和识别驾驶员的姿态行为并给予提醒。在光线较好的情况下,与PRECLOSE(percent eye closure)算法相比,该算法的误检率降低了24.24%。     

不同天气状况下驾驶员驾驶工作负荷分析

为有效提高驾驶员在不良天气条件下的运行安全,针对晴天、中雨、中雨+雾(能见度100 m)和中雨+雾(能见度50 m)4种不同驾驶条件,利用心率变异性(HRV)指标,对驾驶员驾驶工作负荷特性进行研究.通过随机抽取3名驾驶员,在室内进行对于高速公路不同天气场景的仿真实验,对获得的数据进行统计分析发现,驾驶员在不同天气条件下驾驶工作负荷是有差异的,驾驶工作负荷随天气条件的恶劣程度增加,驾驶环境的能见度对驾驶员驾驶工作负荷影响最大.     

基于Viola-Jones框架人脸检测算法的汽车疲劳驾驶检测

疲劳驾驶导致汽车交通事故逐年增加,为了提升驾车的安全性,需对驾驶员疲劳状态实时监测并及时提醒.为了提高疲劳驾驶判断效率及准确率,本文运用Viola-Jones框架特征矩阵进行人脸预判断;预判断过程中为了减少Haar值计算量并提高人脸识别速度,采用Adaboost算法和级联分析,剔除非人脸的Haar特征值,实现快速人脸识别;根据色彩空间转化实现眼部分割处理,根据PERCLOS值评估驾驶员是否处于疲劳状态并提前予以警示;通过MATLAB仿真软件实现疲劳驾驶检测算法的仿真分析.在多个样本的测试过程中,该方法有效识别出人脸,并能够准确监测驾驶员的疲劳状态.     

害羞脑电的AR模型谱分析

采用电生理测量方法,对400名在校大学生用13条目害羞量表进行心理测验,筛选出害羞被试和不害羞被试共28人,分别记录每个被试的睁闭眼自发脑电(EEG)数据。对两组被试的EEG数据进行AR模型谱估计,结果显示害羞被试在颞叶电极(T8)上的β2波段(20~30 Hz)能量均值显著低于不害羞被试,表明害羞被试在颞叶的活动水平显著低于不害羞被试。基于中枢神经系统的情绪通路,探讨了害羞的生理机制,说明害羞有相应的生理基础,可通过脑电分析来研究其神经机理。     

基于脑电信号特征的驾驶疲劳检测方法研究

目前,疲劳驾驶已成为一种严重的社会问题,然而对于疲劳驾驶的检测与预防仍缺乏有效的技术手段.采用疲劳驾驶模拟实验、结合对象辨别实验和对被试面部表情变化分析,探索了脑电信号特征与驾驶疲劳状态间的相关性.提取脑电信号的δ波、θ波、α波、β波四种脑电节律的能量值作为疲劳驾驶的特征值,采用δ波能量值与θ波能量值之和与β波能量值的比值作为疲劳指数.结果显示,疲劳指数与被试疲劳程度呈正相关,验证了利用脑电信号检测疲劳程度的合理性与客观性,为疲劳检测提供了新的思路.     

关于丢番图方程x3+b=Dy2(Ⅰ)

设p为奇素数,(x,y)=1,方程x3+p3=y2的全部整数解为:(ⅰ)(x,y)=(3β4+6α2β2-α4,6αβ(α4+3β4)),且α、β满足(α2+3β2)2-12β4=p;(ⅱ)(x,y)=(2α4+2β4-4α3β-4αβ3,3(α+β)(α-β)5+6αβ(α4-β4)),且α、β满足(α+β)4-12α2β2=p;(ⅲ)(x,y)=(α4+6α2β2-3β4,6αβ(α4+3β4)),且α、β满足12β4-(α2-3β2)2=p 其中α,β一奇一偶,(α,β)=1,α>β>0。     

参数调节随机共振增强稳态视觉诱发电位

针对提高稳态视觉诱发电位（SSVEP）信噪比的问题,提出一种基于参数调节随机共振来增强SSVEP的信号处理方法.该方法利用基于自回归模型的白化滤波器去除脑电频谱中存在的1/f趋势,通过改变采样频率的频率压缩方法把SSVEP频率线性转换为小于1的频率,使白化滤波后的信号符合随机共振产生的条件,调节双稳态系统参数实现随机共振效应,从而增强SSVEP信噪比.结果表明,通过该方法处理后,原本淹没在背景噪声中的SSVEP频率在频谱中凸现出来,信噪比得到显著增强,从3.07提高到5.76,增大了1.88倍,说明参数调节随机共振有助于检测SSVEP.     

面心立方金属织构板塑性各向异性行为

根据多晶体的晶体学滑移理论,提出了计算不同织构组元、不同织构程度板材完整屈服表面的方法。并在此基础上,提出了计算同一织构板在不同方向拉伸时相应的塑性应变比Ｒ（θ）值和屈服应力比σ（θ）／σ（０）的方法。描述了织构组元、织构程度、拉伸方向的不同对织构板屈服表面形状和大小的影响,以及Ｒ（θ）和σ（θ）／σ（０）的变化情况。     

基于模式识别和集成CNN-LSTM的阵发性房颤预测模型

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图（ECG）片段上提前45 min预测阵发性房颤（PAF）发作的实时预测模型. 采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果. 提出卷积神经网络（CNN）和长短-期记忆网络（LSTM）的混合模型（CNN-LSTM）,用于提取模式转移特征内隐含的局部空间特征和时间依赖特征. 为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器. 采用Spark Streaming技术完成对ECG流式数据的读、写和计算,实现数据和模型之间的低延迟通信. 所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26%、82.21%、95.79%. 模型处理总延迟平均为2 s,满足实时PAF预测需求.     

多尺度补偿传递熵的皮层肌肉功能耦合方法

为了准确描述脑电(EEG)和肌电(EMG)信号在不同尺度上的耦合特征,提出新的多尺度补偿传递熵(McTE)方法. 该方法结合自适应投影多元经验模态(APITMEMD)方法和补偿传递熵(cTE),计算不同尺度上的多尺度补偿传递熵值,计算结果用于定量分析不同耦合方向( ${\text{EEG}} \to {\text{EMG}}$和 ${\text{EMG}} \to {\text{EEG}}$)上的耦合特征. 结果表明,在恒定握力下,beta频段(13~35 Hz)的耦合强度最大,且 ${\text{EEG}} \to {\text{EMG}}$方向的耦合强度高于 ${\text{EMG}} \to $ $ {\text{EEG}}$方向;在高gamma频段(50~72 Hz), ${\text{EEG}} \to {\text{EMG}}$方向EEG与EMG的耦合强度总体高于 ${\text{EMG}} \to {\text{EEG}}$方向的. 研究结果表明,脑肌电耦合强度在不同耦合方向和不同尺度上有所差异,McTE方法能准确刻画脑肌电多尺度间的耦合特征及功能联系.     

Electroencephalogram characters of parallax stereo watching asthenopia

The electroencephalogram(EEG)characters value of observers can be deduced by collecting brain electrical information when the observers are watching parallax stereo video.The characters value will change clearly when watching asthenopia appear.To investigate the characters of parallax stereo watching asthenopia,the EEG of observers were recorded through the whole watching process of parallax stereo films until watching asthenopia appeared.The recorded EEG data of observers belongs to time-domain information.Fourier transform can process these data to frequency spectrum information.Theαandβwaves average power can be got by Newton-Cotes equation from the information.The ratio ofβpower to the sum ofαandβpower,CV,can be defined as EEG characters value of parallax stereo watching asthenopia and used to estimate the asthenopia degree of observers.Our experiments show that the smaller the CVis,the more serious the asthenopia is.     

白头翁皂苷酶解产物的分离纯化

白头翁皂苷酶解产物经硅胶柱梯度洗脱分离纯化,通过白头翁皂苷酶解产物的第28碳糖基水解反应、TLC和HPLC实验确定:酶解产物Ⅰ为白头翁皂苷Ⅳ,即3 O α L 阿拉伯糖 3β,23 二烃基 Δ20(29) 羽扇豆烯 28 酸,其得率为4.08%;酶解产物Ⅱ为白头翁皂苷Ⅴ,即3 O α L 阿拉伯糖 3β,23 二烃基 Δ20(29) 羽扇豆烯 28 O 糖基酯苷,其得率为44%;没有反应的底物为白头翁皂苷Ⅲ,即3 O [α L 鼠李糖基(1→2) α L 阿拉伯糖基] 3β,23 二烃基 Δ20(29) 羽扇豆烯 28 O [α L 鼠李糖基(1→4) β D 葡萄糖基(1→6)] β D 葡萄糖酯苷,其得率为0.5%,酶解产物Ⅲ结构有待进一步测定。HPLC(高效液相色谱)检测结果显示所得纯品纯度可达95%以上。