基于脑电信号深度迁移学习的驾驶疲劳检测

脑电信号一直被誉为疲劳检测的“金标准”,驾驶者的精神状态可通过对脑电信号的分析得到。但由于脑电信号具有非线性、非平稳性和空间分辨率低等特点,传统的机器学习方法在运用脑电信号进行疲劳检测时还存在识别率低,特征提取操作繁琐等不足。为此,该文基于脑电信号的电极-频率分布图,提出运用深度迁移学习实现的驾驶疲劳检测方法,即搭建深度卷积神经网络,并利用SEED脑电情绪数据集对其进行预训练,然后通过迁移学习方法将其用于驾驶疲劳检测。实验结果表明,卷积神经网络模型能够很好地从电极-频率分布图中获得与疲劳状态相关的特征信息,达到较好的识别效果。此外,基于迁移学习策略可以将训练好的深度网络模型迁移到其他识别任务上,有助于推动脑电信号在驾驶疲劳检测系统中的应用。     

基于脑电识别与车辆操纵特征的驾驶疲劳检测分析

本文以脑电识别与车辆操纵特征为切入点,通过模拟疲劳驾驶实验,将脑电识别与车辆操纵特性相结合来检测驾驶员的疲劳状态.通过对脑电信号的S变换分析,发现不同驾驶时刻其变换时频谱图存在显著差异,可用来区分驾驶过程中驾驶员的精神状态,结合车辆操纵特征参数,得到操纵特征与疲劳状态的关系,为脑电识别与操纵特征的驾驶疲劳检测的有效性提供一定的理论和实验基础.     

用于脑控系统的一种去噪脑电疲劳检测方法

疲劳易引发注意力下降，导致稳态视觉诱发脑控系统稳定差、可靠性低等问题。为此，文中提出一种去噪疲劳脑电检测方法。该方法采用经验模态分解将预处理后的脑电信号分解为多个本征模函数（IMF）；利用降趋脉动分析法计算每个IMF分量的Hurst指数，从而判断其有效性，无效的IMF分量经过小波阈值降噪后与有效的本征模函数重构成新的脑电信号。然后采用功率谱分析法求出各节律的功率谱密度，组成特征矩阵向量输入支持向量机进行疲劳分类。文中以4名受试者额叶区的脑电信号作为研究对象，得到分类模型准确率为96.07%。实验结果表明，疲劳检测方法更能保留信号中的疲劳成分，其分类效果优于其他分类模型。所提方法在脑控假手系统的在线验证中也有较好的应用效果。     

基于脑电熵值特征和功能连接的不同线型道路下驾驶状态检测

基于脑电信号完成对不同驾驶过程的解码分析，并就驾驶意图做出预测，是基于脑机接口的人机协同智能驾驶控制中的核心问题.为了实现对直线、左弯道和右弯道驾驶过程的识别，本文提出了基于脑电功能性脑网络和熵值特征的驾驶行为特征检测方法，并结合支持向量机和高斯混合模型等算法完成对不同线型驾驶过程的分类识别.模拟驾驶实验结果表明，本文提出的方法可有效实现对不同线型驾驶过程的识别，针对16名被试对直线和弯道驾驶过程的识别准确率均高于82%，最高达到86.66%，对左弯道和右弯道驾驶过程的识别准确率均高于75%，最高达到77.95%.对主要脑区间相互依赖关系的分析结果表明，弯道驾驶过程表现出明显的大脑对侧性特征，且左弯道驾驶相比右弯道需要更多的脑区间交互活动，而直线驾驶过程中左脑区的活动稍强于右脑区.本文研究结果对理解弯道驾驶过程中驾驶员脑认知特性，以及开展不同线型道路下驾驶行为检测和驾驶状态研究，具有一定的参考价值.     

基于脑电信号组合熵特征的驾驶疲劳检测分析

驾驶疲劳是驾驶员的常见职业危害,驾驶疲劳检测对运输安全具有重要意义。在本研究中,采用样本熵(sample entropy,SE)和近似熵(approximate entropy,AE)对脑电(EEG)进行特征提取,分别把两种熵组合特征和单一熵特征输入分类器进行驾驶疲劳识别。运用4种经典的分类器：K最邻近(KNN)、决策树(DT)、提升树(Adaboost)和支持向量机 (SVM)对组合熵特征集和单一特征进行识别分析比较。实验结果表明：驾驶疲劳程度增加,SE和AE显著降低,两种非线性指标均是驾驶疲劳的敏感特征指标;4种分类器均可有效识别驾驶疲劳状态,KNN分类器的识别性能最佳;组合熵特征集识别精度比单一熵特征更高,其中KNN分类器组合特征模型在FP1通道的疲劳识别的平均准确率可达92.8%。基于单通道EEG组合熵检测驾驶疲劳具有较好的稳定性和鲁棒性,具有广泛的应用前景。     

基于嵌入式Linux疲劳检测系统的设计

为了降低交通事故发生率与保证人民生命财产安全,有效的检测与防治驾驶员疲劳驾驶具有十分重要的研究意义。本文研究了一种基于机器视觉与PERCLOS疲劳判定算法相结合的嵌入式疲劳驾驶检测方法,并将其移植到嵌入式Linux操作系统,实现了车载、非接触、低功耗等要求,同时保证了检测的实时性和高效性。     

基于人眼、车速及行道综合疲劳驾驶检测算法的研究与实现

本文提出了一种基于人眼、车速以及行道等多特征综合信息判别驾驶疲劳的方法。目前大多数疲劳驾驶检测方法都只考虑了某一单一特征信息,检测结果具有一定局限性．容易产生错误报警。而本文中将驾驶员个体特征信息、车辆特征行为以及车辆相关参数结合起来进行判别驾驶员是否疲劳,不仅提高了检测结果的准确性．还增强了其可靠性。实验表明,通过综合多种信息判别较单一要素下检测判别结果准确度更高．鲁棒性更强．能够进行实时监测。     

基于面部特征信息的疲劳检测算法研究

目前疲劳检测在生活中很多方面都有应用,尤其在驾驶领域,包括道路驾驶、轮船驾驶以及飞机驾驶等。疲劳程度的判断对于驾驶领域有着一定的帮助,可以减少事故的发生。鉴于此情况,提出一种改进的PERCLOS疲劳检测算法,用于对驾驶人员进行疲劳检测。首先,在现有AdaBoost算法的前提下,通过与Haar-Like特征相结合,分析人脸面部特征;其次,利用改进的PERCLOS算法对驾驶人员的疲劳状态进行监测,对其做出疲劳判断。     

左右手运动想象脑电信号的特征分析1

针对运动想象的两种思维任务的脑电信号,本文提出了一种基于能量的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,对C3/C4通道脑电信号进行时域分析,分析得到特征较为明显的脑电信号时间段。     

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。     

基于小波包融合微分熵的运动想象脑电信号处理

针对脑电信号特征提取导致有效信息丢失的问题,提出了一种基于小波包融合微分熵提取脑电信号特征的方法,可以充分提取脑电信号的有效信息。首先对脑电信号进行小波包分解,选取与运动想象相关的频率进行重构,得到脑电信号的时频信息;考虑到脑电信号的非线性特征,提取脑电信号微分熵特征。实验在脑电大赛数据集上进行验证,在不同分类器上分类准确率分别达到了88%和91%,结果表明小波包融合微分熵的脑电信号处理方法准确率明显提高。     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

基于3G视频的驾驶员疲劳状态检测方法

疲劳驾驶已成为交通事故发生的主要原因之一。文中提出了一种基于3G视频的人眼疲劳检测方法。通过DirectShow技术对视频流抓取视频帧,采用肤色聚性特征进行人脸定位,基于灰度信息进行人眼定位与追踪,并采用Perclos方法进行疲劳判断。通过此方法,可以及时了解驾驶者的疲劳状态,有效预防疲劳驾驶。     

基于脑电图识别结合操纵特征的驾驶疲劳检测分析

交警部门在进行道路安全管理时,对疲劳驾驶的人员进行有效的驾驶疲劳检测,是辨别疲劳驾驶人员前提与基础。本文基于脑电图识别结合操纵特征为切入点,通过选取的样本进行驾驶疲劳实验,将脑电图识别与车辆操纵特性相结合来检测驾驶员的疲劳状态。     

基于TGAM模块的脑电信息沟通系统设计与实现

本文设计与实现了一种基于TGAM模块的脑电信息沟通系统。该系统采用美国神念科技的TGAM芯片,基于SSVEP-BCI脑电范式,完成了从脑电信号采集,到脑电信号处理分析,以及脑电信号运用的一整套脑波控制的标准化流程,实现了将脑波"意念"转化为他人可直观解读的个人需求信息或意愿信息的目的。     

不同意识脑电的双谱切片特征分析与分类

脑电是一种典型的非高斯、非线性随机信号,传统时域或频域分析已不能准确表征信号特征,而高阶谱方法对脑电信号的处理却有较好效果。本文通过几组不同意识状态下的脑电测试实验,提取脑电信号,并通过双谱分析提取脑电双谱切片的特征值,借助支持向量机、概率神经网络、最近邻分类算法等3种方法对双谱切片的特征值进行处理,比较其分类效果。研究结果表明,电极C3处脑电与其他电极处的脑电具有不同的双谱特征,不同脑电极信号双谱切片具有明显差异。     

基于随机森林和BP神经网络的船舶驾驶员疲劳检测算法

本文针对船舶驾驶场景,提出了一种基于随机森林和BP神经网络的船舶驾驶员疲劳检测算法,及时检测船舶驾驶员的疲劳驾驶行为,对安全航行有重要意义。首先,使用随机森林算法对特征数据按照场景分类;其次,根据场景将数据分发到不同的BP神经网络模型进行预测;最后,使用船舶仿真模拟器进行实验验证。结果显示,算法识别准确率为0.82,召回率为0.65,精确率为0.69,说明本文提出的算法对船舶驾驶员疲劳驾驶行为检测有一定实用价值,且与生理数据监测方法相比,简单方便、成本更低,对驾驶员无干扰。     

基于脑电样本熵的测谎分析

测谎分析在刑讯侦查和法律审判中具有重要意义.为了区分是否说谎,根据脑电信号的非线性特征,本文首次使用非线性动力学的样本熵方法分析30名受试者处于诚实和说谎两种状态时脑电信号的样本熵值.研究发现：受试者处于诚实状态时的熵值波动范围明显小于说谎状态下的波动范围,更重要的是说谎时的熵值显著高于说实话时的熵值,表明样本熵可以区分诚实和说谎两种不同状态下的脑电信号,该研究为基于脑电的测谎提供了一种新的途径.     

思维状态的EEG信号分类方法研究

脑电信号(EEG)是一种研究脑活动的重要信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式.运用时域回归方法对2～5种不同思维脑电信号进行预处理,用AR模型提取信号分段前后特征,最后用BP算法进行分类.并对分段前后的分类结果进行比较,实验表明,该方法达到很好的分类效果.     

脑电控制及检测设备的研究与实现

通过分析脑电信号与人体精神状态的关系以及脑电检测方法,设计相应电路对脑电信号采集并进行分析,重点对从脑电信号中解析出的人体精神专注度的数据进行研究和应用,设计出可以采集脑电信号,测试者通过调节注意力,用注意力的集中程度来改变彩灯颜色变化的脑电检测设备,进行脑-机交互操作.