基于脑电分析的驾驶疲劳预报研究

为了实时识别异常驾驶状态,实现驾驶疲劳的提前预报,在驾驶模拟舱中采用脑电仪采集驾驶员脑电数据。采用功率谱估计分析正常阶段和疲劳过渡阶段的脑电数据,计算不同频段波能量分布情况,结果表明delta和alpha波在两种状态下变化显著,因此跟踪监测delta和alpha波能量变化能够实现驾驶疲劳的早期预报。为此,利用径向基神经网络构建预报系统,检验delta波的预报效果,同时提取delta波能量谱的全部极大值并通过多义线拟合,有效地提高预报性能。     

利用EEG信号的小波包变换与非线性分析实现精神疲劳状态的判定

EEG（脑电）信号的4个节律(δ波、θ波、α波、β波)与人的精神疲劳状态有对应关系,不同节律的能量值及其非线性特征参数可以用于疲劳状态的判定。本文首先利用小波包分解与重构技术, 构造了以“db20”为基小波函数的6层分解,得到EEG信号的4个节律。然后,对4个节律信号分别计算相应的节律的频带能量比例值,这些频带能量比例值作为对人体精神状态进行评价的量化指标。通过计算EEG信号α波的非线性特征参数,包括最大Lyapunov指数、近似熵、复杂度,并将这些非线性特征参数组成疲劳状态的综合评估判据,可以实现疲劳状态的判定。10组EEG信号的分析结果表明了该本文方法的有效性,其中对疲劳和非疲劳状态的判定准确率较高,而对轻微疲劳、中等疲劳和严重疲劳三种状态的准确区分稍差一些。     

基于脑功能网络的脑疲劳状态检测研究

为了对驾驶员的疲劳状态进行有效识别,进行了真实高速公路驾驶实验。通过无线脑电采集设备采集驾驶员在不同时刻的多导脑电数据。基于相位滞后指数对不同时刻的脑电数据分别建立邻接矩阵、二值矩阵,并构建脑功能网络,绘制脑网络地形图。利用复杂网络理论计算和分析脑功能网络节点特征参数--度,并对不同时刻的节点度进行对比。根据各个节点度的变化趋势以及驾驶员的主观判断,发现随着驾驶实验的继续,驾驶疲劳程度加深,大脑的信息处理能力降低,相位滞后指数值与节点度下降趋势明显。表明脑功能网络特征参数--度,能够作为表征大脑疲劳的客观指标。通过与其他检测方法的对比得到采用节点度作为脑疲劳状态评价指标可靠性更强。     

基于参数模型和FastICA算法的P300特征实时提取

利用AR模型结合快速独立成份分析（F astICA）对视觉诱发电位P 300特征进行实时提取.采用图片轮换作为诱发刺激获取EEG信号,利用主成份分析对脑电信号降维处理,然后进行独立成份分析,计算各独立成份与垂直眼电导联的相关性,自动去除眼电干扰.利用AR模型对自发脑电建模,并除去EEG中的自发脑电,通过少次相干平均提取P 300.实验结果表明：该方法可以不依赖任何先验信息,在不降低信噪比的情况下实时提取P 300特征,避免了长时间视觉刺激引起视觉疲劳而产生的误差,提高了脑机接口系统的识别效率,为建立在线BC I系统奠定了基础.     

模拟驾驶过程中腰部疲劳的表面肌电信号分析

通过sEMG的时域与频域分析评估在模拟驾驶过程中的驾驶员腰部疲劳。40个男性样本参加实验((29.7±3.1)岁),随机分成A((28.8±3.4)岁)、B((30.6±2.7)岁)两组,A组参加90min的模拟驾驶操作实验,B组保持自由坐姿。实验后分别计算分析实验样本的积分肌电值(IEMG)和功率谱中值频率(MF)。结果表明A组实验数据呈现良好的线性负相关(P<0.005和P<0.0001)。研究表明样本在实验结束后腰部肌肉疲劳加重。认为用sEMG信号的时频分析评估驾驶员肌肉疲劳状态是可行的。     

列车运行噪声暴露下的驾驶疲劳实验研究

目的 为了探究在城市轨道交通列车运行过程产生的噪声对驾驶员驾驶疲劳的影响,进一步为轨道交通管理人员制定预防和减缓驾驶疲劳策略提供理论依据。方法 本研究通过设计50/60/70/80 dB噪声值下的模拟驾驶实验,采集被试人员的脑电信号数据并对其功率谱密度和样本熵指标进行分析。结果 (1)随着噪声值的增大,θ波和α波的功率谱密度整体呈增大趋势,β波的功率谱密度整体呈现减小趋势;(2)与50 dB噪声环境相比,80 dB高噪声环境下的脑电的样本熵平均值下降最大,其带来的疲劳增长最为显著。结论驾驶疲劳程度与环境噪声值成显著正相关,且80 dB高噪声环境显著增加了驾驶员进入疲劳驾驶状态的风险,而在脑电活动方面,θ波的变化可以更好地表征噪声导致的疲劳效应。     

基于自适应信号分解特征集成学习的电磁脉冲识别方法EI北大核心CSCD

为准确高效地识别核爆电磁脉冲(nuclear electromagnetic pulse,NEMP)和闪电电磁脉冲(lightning electromagnetic pulse,LEMP),提出一种基于自适应信号分解和集成学习的识别分类方法。首先,针对样本不均衡问题,利用数据扩增方法对数据集进行预处理;然后,采用希尔伯特-黄变换对NEMP和LEMP分别进行自适应信号分解;其次,对分解信号提取其在时域、频域和小波域的特征;最后,对提取特征采用集成学习算法进行识别分类。试验结果表明,该方法在实测数据上的准确率能够达到99.99%以上,LEMP信号的误报率低于万分之一。     

基于栈式自编码神经网络的脑电信号情绪识别

针对维度情感模型生理信号情绪识别准确率较低的问题,本文基于DEAP维度情绪生理数据集,利用AR模型功率谱估计方法,提取脑电θ,α,β,γ节律的功率谱密度;采用小波包分解提取脑电小波包系数和能量占比时频特征;通过非线性分析提取脑电样本熵和小波包熵特征.然后,设计栈式自编码神经网络算法对脑电组合特征在效价和唤醒度两个情感维度上进行机器情绪识别.最后,分析了脑电特征、数据均衡以及情感标签对情绪识别结果的影响.仿真结果表明,栈式自编码神经网络用于脑电信号情绪识别的有效性,在情绪效价维度上,脑电情绪平均识别正确率可达80.3%;在唤醒度上,平均识别正确率达81.5%.该研究可为连续维度情绪自动分析和机器识别提供实际应用借鉴.     

高温环境对驾驶行为的影响研究

目的 为了探究高温环境对出租车驾驶人驾驶特征中不良情绪状态以及风险驾驶行为的影响，及其与个人属性的交互性作用机制。方法 选取182名出租车驾驶员进行问卷调查，采用t检验等数理统计方法分析高温环境与出租车驾驶人的不良情绪及风险驾驶行为之间的关系，并建立中介效应模型检验高温环境下驾驶人属性、情绪状态以及风险驾驶行为三者之间的内在联系。结果 (1)高温实验组的驾驶人紧张、愤怒、活力、疲劳情绪得分和风险驾驶行为频率显著高于对照组。(2)高温环境下不良情绪状态在驾驶人属性与风险驾驶行为之间中介效果为0.378,部分中介效应显著。结论 (1)高温环境对驾驶人不良情绪、风险驾驶行为产生显著影响。(2)高温环境可促使驾驶人的不良情绪在驾驶人属性与驾驶行为之间中介作用显著。     

应用变分模态分解和随机森林特征选择算法的扬声器异常声分类

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition, VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特征;然后利用随机森林特征计算提取特征的重要性,通过递归特征消除算法提取出相关性较强的特征构造出最优特征子集;最后将最优特征子集输入至随机森林分类器中,实现扬声器异常声的分类识别。试验结果表明,该方法可以筛选出规模较小且识别度较高的低维特征数据集,同时具有更好的平均识别准确率,平均识别准确率为98.61%。     

基于集合经验模态分解的脑电信号高阶张量特征提取

为了实现脑机接口系统需要有效的特征提取算法。针对二维主成分分析(2DPCA)的特征提取方法忽略脑电信号(EEG)频域特征的缺点和基于小波分解构建EEG高阶张量时小波参数难以确定的局限性,提出了基于集合经验模态分解(EEMD)构建高阶张量结合多线性主成分分析(MPCA)降维的特征提取方法。设计了3种不同特征提取方法的对照实验,并结合Fisher线性判别分析分类方法取得分类准确率。结果表明:新提出的方法相比基于小波分解构建高阶张量结合MPCA进行降维和2DPCA的特征提取方法,平均识别准确率分别提高4.75%和2.6%,且识别准确率的方差分别减小72.69%和23.86%。该方法在提高单次运动想象脑电信号识别准确率的同时还具有更好的适用性,为实现运动想象脑电信号解码奠定了基础。     

基于栈式自编码的驾驶员脑电信号疲劳检测方法

疲劳驾驶是引发交通事故的重要原因之一。为有效检测驾驶员疲劳状态,对基于深度学习的驾驶员脑电信号疲劳检测方法进行研究,提出一种基于栈式自编码的深度学习框架,检测驾驶员疲劳状态。首先,对脑电信号进行预处理,通过离散傅里叶变化分段提取疲劳特征;然后,设计栈式自编码神经网络,检测疲劳状态,并分析不同特征对疲劳检测结果的影响。实验结果表明了栈式自编码对驾驶员脑电信号疲劳检测的有效性。该研究对驾驶员疲劳检测系统的开发具有重要意义。     

单导联脑电信号P300少试次提取算法研究

研究了脑电(EEG)信号中的正向电位P300的提取,为了克服P300信号提取中对电极数量和试验次数的苛刻要求,提出了一种单导联脑电信号P300少试次提取新方法,该方法首先对原始信号进行小波变换去噪处理,利用分离盲源的特征矩阵联合近似对角化(JADE)算法对得到的观测信号进行分解;其次为避免少试次提取中可能存在的突发性错误,依据皮尔逊相关系数(PCC)和列向标准差构建层次分析模型,对P300分量进行最优提取;最后利用时域能量熵的统计分布特性和小波变换原理对重构后的P300信号进行时频域的补偿。试验结果表明,该方法只需对单导联3试次的数据进行处理,并能够有效地提取P300成分。     

采用最优集成学习的小样本电磁脉冲信号分类

闪电与核爆电磁脉冲分类是核检测系统中的关键问题，其主要难点便是其正负样本不均衡程度可达到10⁴,因此我们提出了一种名为SMALLBAG的集成学习分类方法。针对小样本问题，通过对少数类样本进行数据增强和多数类样本重采样的方法重新构建新的训练数据集，分别提取时域、频域、小波域的特征以表征信号。针对样本不均衡问题，提出了基于新采样数据集的集成学习方案，减少样本不均衡影响同时提高分类准确率。该模型能够在保证准确率的同时保证实时性要求，试验结果显示识别准确率可达99.99%,测试速度为每个样本0.67 ms。     

基于EEG和动作分析的手工装配线易疲劳工序

一些容易产生疲劳的工序广泛存在于手工装配线中,传统方法难以发觉,脑电分析根据大脑活动特征,将各类信号以数据的形式反映出来,帮助人们找到易产生疲劳的工序,成为人因领域研究的新热点。以BOSCH公司的电动螺丝刀手工装配线为例设计实验,选取16名年龄基本相同的被试者,经过相同的作业时间分别记录每个人的脑电数据,通过分析对比,发现装配工序中的易疲劳工序,根据动作分析提出优化和改进建议,证明了EEG和动作分析相结合的有效性。     

基于情绪脑电的交互原型方案评价研究

目的通过脑电EEG测试找出操作事件中影响情绪的界面及产生的原因,为交互原型设计提供科学依据。方法依据Lange二维情绪分类模型,测试被试操作交互原型时情绪的脑电EEG信号,提取前额区α波的脑电功率,经过消除脑电伪迹和快速傅里叶变换处理后得到脑电功率谱和不同频率的脑电功率值作为愉悦度的指标。结论发现激发情绪的原因是任务的可理解性、吸引性以及操作步骤。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于深度自编码和LSTM循环网络的脑电情感识别

针对脑电信号情感识别中情感特征信息挖掘不充分、识别准确率低的问题,提出深度自编码方法提取脑电信号情感特征,并结合长短时记忆(LSTM)循环神经网络实现维度情感分类.首先,基于DEAP维度情感生理数据集,分别在唤醒度和效价维度选取情感标签阈值,划分不同情感状态;然后,通过时间窗对脑电信号分段,设计栈式自编码网络挖掘脑电数...     

基于深度学习理论的轴承状态识别研究

针对滚动轴承振动数据耦合程度高,信号特征提取和识别模型建立困难的问题,提出了一种基于深度学习理论的状态监测方法。提取振动信号的时域、频域和时频域特征构成特征向量;通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络叠加构成深度神经网络;最后采用少量有标签数据对整个深度神经网络进行微调训练,建立轴承状态监测模型。试验结果表明,提出的方法对于轴承状态识别准确率达到90.86%,且性能退化阶段识别率最高,能满足视情维修的工程需求。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。