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。