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。     

对脑电信号特征的驾驶疲劳检测方法

疲劳驾驶已成为一种严重的社会问题,但是目前业内依然缺乏一种行之有效的疲劳驾驶预防与技术检测手段。本文提出了一种基于脑电信号特征的驾驶疲劳检测方法,文中采用疲劳驾驶模拟试验方法,通过分析研究对象面部表情变化情况,探讨了驾驶员疲劳状态与其脑电信号特征之间的关联性。在此基础上,本文分别提取研究对象脑电信号特征值中的"δ、θ、α与β"四种脑电节律能量值进行疲劳指数对比分析。     

基于多形态红外特征与深度学习的实时驾驶员疲劳检测

疲劳驾驶是导致车祸的重要诱因，严重危害道路交通安全，而车辆行驶过程中的光照条件变化、驾驶员姿态调整和眼镜遮挡等因素将对疲劳检测任务产生不利的影响。针对以上问题，提出了基于深度学习的驾驶员疲劳检测算法。首先，使用850nm红外光源补光，在复杂光照和遮挡形态下采集驾驶员的面部图像；其次，利用红外图像中的多种特征，通过级联CNN确定人脸边框和特征点位置，提取眼睛区域并识别眼睛的睁闭状态；最后，将眼睛状态识别结果和连续图像中的特征点坐标差值输出至LSTM网络，检测驾驶员疲劳状态。实验结果表明:该疲劳检测算法的准确率可达94.48%，平均检测时间为65.64ms。     

基于视频分析的学生网课疲劳检测方法

为了更好地提高学生在远程教育中的学习效率,避免学生出现走神瞌睡等情况,文中提出了一种基于视频分析的学生眼睛疲劳状态的检测方法.该方法的原理是将疲劳检测视为基于图像的序列识别.首先采用深度级联的多任务框架从视频中提取人眼区域;然后通过深层卷积学习空间特征,并通过长-短期记忆单元分析相邻帧之间的关系;最后,对学生状态进行序...     

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.     

色彩感知中的脑电信号多域特征选择算法研究

针对目前在不同色彩感知中的脑电信号识别方面的研究还不多见,本文提出采用随机森林算法对信号的时域特征和频域特征进行最优组合的方法对不同色彩感知中的脑电信号进行识别。首先采用小波变换,对脑电信号进行7层分解,提取脑电信号在delta、theta、alpha和beta节律频带上的小波能量,并结合脑电信号在时域上的统计量偏度和峰度组成特征向量。然后通过基于随机森林的特征选择算法提取最优的特征组合方案,删除冗余的特征量。使用自适应增强算法进行分类识别,识别的平均正确率可达到85.07%。该结果表明使用本文所提出的特征提取与选择方法用于不同色彩感知中的脑电信号识别上是可行的,并且能够取得较好的识别率。      

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。     

基于SLBP深度信念网络的人脸识别研究

针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题,提出一种基于局部纹理特征的显著局部二值模式(SLBP)和深度学习的人脸识别方法。首先,利用改进的SLBP算法提取人脸图像局部纹理特征,建立SLBP直方图;然后构建基于深度信念网络的深度学习架构,将SLBP直方图输入到深度信念网络中,采用无监督逐层训练法和有监督BP算法去训练网络,实现网络的自学习和自优化,得到网络参数;最后,利用DBN分类、识别人脸图像。仿真实验证实,所提人脸识别方法在识别率和鲁棒性方面优于传统人脸识别方法。     

基于深度学习和智能规划的行为识别

现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS （Stanford Research Institute Problem Solver）模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.     

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

卷积神经网络在脑疲劳检测中的研究

脑疲劳是由于持续进行脑力劳动导致的一种状态，脑电被认为是脑疲劳状态检测的最佳工具。如何选取合适的脑疲劳特征成为脑疲劳检测的关键问题，传统模式识别中手动提取特征会产生信息损失，针对脑电的时空特性，本文设计了具有时域卷积核、空间域卷积核的深层卷积神经网络和浅层卷积神经网络两种网络结构，将特征提取和状态分类合二为一，对正常态与疲劳态脑电数据进行分类，可视化了卷积神经网络的空间域卷积核。结果表明，浅层卷积神经网络平均分类正确率为98.868%，深层卷积神经网络平均分类正确率为98.217%，均高于传统分类方法，通过空间域卷积核的可视化，能够了解不同导联在网络中的参与程度，验证了该模型在脑疲劳检测任务中具有很高的有效性，同时为脑疲劳检测提供了新思路。      

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。     

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。     

基于时频融合的深度学习调制识别算法

自动调制识别(Automatic Modulation Recognition,AMR) 能够在缺少先验信息的条件下,识别出接收信号的调制类型,在非合作通信中起着至关重要的作用。为提高调制识别的准确率,提出了一种基于时频融合的深度学习调制识别算法。该算法将调制信号的时频图作为网络的输入,使用一维卷积分别提取信号的时频特征,并通过计算时频维度上的权重来突出重要的时频信息,使网络学习到更具区分度的时频特征。为了充分利用时频特征之间的互补性和相关性,使用了基于压缩和激励网络(Squeeze-and-Excitation Network,SENet)的时频特征融合策略。利用该网络对11种调制类型进行识别,实现了最高92.5%的识别准确率;在0 dB以上时,平均识别准确率达到90.87%,优于其他的深度学习算法。     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

基于图像差分与卷积深度置信网络的表情识别

针对传统的人脸表情识别方法中提取表情特征时 没有去除个体性差异及突出表情关键部位的高层次 特征,本文提出一种将图像差分与改进的卷积深度置信网络(CDBN)相结合的表情识别方法 。首先对人 脸表情图片进行裁剪、降维等预处理,之后将各类表情图像与中性表情图像做差分运算提取 各类表情的差 分图像,为了提取表情关键部位的深层次特征,本文将卷积受限玻尔兹曼机(CRBM)的可见层 单元划分为多 个区域,分区进行特征学习,并将此CRBM堆叠起来,形成分区卷积深度置信网络(PCDBN), 之后将各表 情的差分图像作为PCDBN可视层的输入,并利用对比散度算法逐层训练网络,最后在顶层添 加softmax 分类器作为输出层以实现表情识别。在JAFFE和CK+表情库上的实验结果均达到了95%以上的识别率,扩 大训练样本后,在CK+表情库上的识别率可达99%以上。     

Modulation recognition method based on multi-inputs convolution neural network

In order to identify the main modulation modes adopted in current satellite communication systems,a signal modulation recognition algorithm based on multi-inputs convolution neural network was proposed.With the prior information of the signals and knowledge of the network topological structure,the time-domain signal waveforms were converted into eye diagrams and vector diagrams to represent the shallow features of the signals.Meanwhile,the modulation recognition model based on multi-inputs convolution neural network was designed.Through the training of the network,the shallow features were deeply extracted and mapped.Finally,the signal modulation recognition task was completed.The simulation results show that compared with the traditional algorithms and deep learning algorithms,the proposed method has a better anti-noise performance,and the overall recognition rate of this algorithm can reach 95% when the signal-to-noise ratio is 5 dB.