基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.     

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.