基于生理信号的驾驶疲劳综合评价方法试验研究

采用驾驶模拟舱对30名被试进行动态驾驶模拟试验,分析心电信号和脑电信号随驾驶时间的变化规律,验证心电信号和脑电信号作为驾驶疲劳评价指标的有效性.采用皮尔逊相关系数计算发现心电信号与脑电信号相关关系显著,并通过主成分分析法,建立脑电信号与心电信号之间的关系,确定驾驶疲劳评价的综合指标,可以排除干扰因素,减小数据的波动性,提高驾驶疲劳评价的准确性.     

基于心电和脑电的驾驶疲劳检测研究

驾驶疲劳是引发交通事故的重要原因。驾驶疲劳检测不仅具有重要的理论研究价值,同时也将产生重大的社会、经济效益。该文通过心电信号计算驾驶过程中的不同阶段的心率和脑电信号,经过功率谱估计后,计算得到功率谱频段比值,作为疲劳检测的指标。模拟驾驶实验中,对驾驶前后两个阶段的19位被试者的生理指标作统计显著性检验,实验结果表明,该文提出的心电和脑电指标可以有效地对驾驶的疲劳和清醒状态进行检测。     

基于脑电信号的驾驶疲劳预报关键参数选取

为了实现驾驶疲劳的及时预报,利用脑电仪在模拟驾驶中采集驾驶员的脑电数据.采用功率谱估计计算不同频段波能量分布情况,确定采用delta和alpha波实现驾驶疲劳预报是可行的.为此,采用BP神经网络构建预报系统,分别对delta波、alpha波单独输入和两者同时输入时预报精度进行验证,结果表明,两者同时输入时预报效果最理想,为车载实时驾驶疲劳预警系统开发提供依据.     

利用卷积回声状态网络实现脑电情感识别

针对多通道脑电(EEG)的情感识别,提出了一种卷积回声状态网络(CESN)模型。首先构造EEG信号的特征矩阵序列;然后通过卷积操作提取各个样本的高层抽象特征,形成一维特征向量序列;利用具有自反馈功能的蓄水池结构,捕获向量序列的动态时序信息;最后用岭回归来实现情感识别。在情感分析专用生理信号数据集上进行实验的结果表明,EEG信号的动态时序性蕴含着与情感状态相关的区分性信息,所提的CESN模型能够有效地挖掘这种信息,并用于情感分类,解决了卷积神经网络中因使用反向传播算法而导致的局部最优和训练时间过长的问题。     

基于函数型数据分析的疲劳驾驶状态识别

针对目前常用于脑电信号特征提取的方法存在不能很好地反映信号的连续性、内部动态变化,导致基于脑电信号的疲劳驾驶识别的准确性不理想的状况,一种基于函数型数据分析进行脑电信号特征提取的方法被提出。所提出的方法是通过计算人体在静息状态和疲劳状态的函数性差异来表示特征和进行特征的提取。基于所提出的脑电信号特征提取方法构建了1个疲劳驾驶状态识别模型,并通过使用5种常见分类器在采集的疲劳驾驶脑电信号数据上进行测试,结果表明所提出的基于函数型数据分析的脑电信号特征提取方法有效,所构建疲劳驾驶状态识别模型能获得好的识别效果,最好的识别准确率达到94.82%。     

基于音乐诱发脑电的抑郁症识别研究

抑郁症是最常见的精神类疾病之一,临床诊断存在困难,有必要寻找一种客观、高效的方式来辅助抑郁症的快速识别.通过融合中性、负性、正性音乐刺激下的不同脑电图(EEG)数据,提出一种新的抑郁识别方法来区分轻度抑郁症患者和正常对照组.在接受不同音乐刺激的同时同步记录抑郁症患者和正常对照组的脑电信号;然后从各模态的脑电图信号中提取线性和非线性特征,得到各模态的特征;此外,采用线性组合技术融合不同模型的脑电特征,构建全局特征向量,找出最佳的特征子集.最后比较了各分类器K-NN、DT和SVM的分类精度.实验结果表明,基于音乐刺激诱发脑电建立有效的抑郁症识别模型,KNN分类器的分类准确率最高达86.93％,可为抑郁症的辅助识别提供客观的指标和依据.     

基于脑电信号评价情绪状态及听觉激励对改善情绪的研究

如何从脑活动数据中发现具有生物学意义的知识及规律,正成为当今神经信息学理论与实践研究的热点与难点.基于脑电的情绪识别和情绪及其脑机制的关联研究已经成为神经工程和生物医学工程领域的热门课题.本研究基于脑电信号评价情绪状态,尝试借助脑电耳机来监测\"毫无头绪\"的脑电波,重点开展了听觉激励对改善焦虑情绪状态的实验研究.借助特定中国古风纯音乐产生听觉信号激励,激发出被试者平静放松的情绪状态,从而改善焦虑,发现音乐和情绪之间可能存在的关系.将来在BCI技术研究的基础之上,情绪识别可以进一步满足患有特定疾病(ALS症、脑瘫、脑干中风、脊髓损伤等)的患者人群的某些更高级的需求,即通过脑电分析出其对事物的喜好度,比如音乐的选择,从而设计出更加友善和智能的BCI系统,在医疗康复领域具有很好的应用前景.     

基于移动平台的运动想象脑电分析方法研究

BCI系统的研究,经过二十多年的发展,已经慢慢地走出实验室,面向应用。为更方便对运动功能障碍人士进行帮助,把传统BCI系统移植到移动平台上就显得尤为重要。本文利用AR模型把时域信号转换到频域,然后利用Fisher距离进行特征提取,利用定义的线性分类器进行分类。结果表明,利用本方法能很好地识别三种不同运动想象类型。     

不同天气状况下驾驶员驾驶工作负荷分析

为有效提高驾驶员在不良天气条件下的运行安全,针对晴天、中雨、中雨+雾(能见度100 m)和中雨+雾(能见度50 m)4种不同驾驶条件,利用心率变异性(HRV)指标,对驾驶员驾驶工作负荷特性进行研究.通过随机抽取3名驾驶员,在室内进行对于高速公路不同天气场景的仿真实验,对获得的数据进行统计分析发现,驾驶员在不同天气条件下驾驶工作负荷是有差异的,驾驶工作负荷随天气条件的恶劣程度增加,驾驶环境的能见度对驾驶员驾驶工作负荷影响最大.     

基于脑电信号因效性脑网络的情感状态分析

提出一种基于脑电信号因效性脑网络的情感状态分析方法.采用基于向量自回归模型的Granger因果关系,计算多通道脑电信号的因果连接矩阵,并通过阈值化处理获得邻接矩阵,构建因效性脑网络.从脑网络的信息流和邻接矩阵的拓扑属性两个方面,对比分析积极和消极情感状态的全脑区因效性脑网络的差异性.实验结果表明,消极状态大脑全脑区的信...     

基于语料语义的脑电反应一致性研究

通过测量语音相关的脑电信号变化来研究人脑对于标准语料的反应趋势.有16名被测者分别聆听了120条标准语音,每条8 s,语音之间有1~2 s的间隔且随机播放.提取被测者在聆听过程中的脑电信号,对1~40 Hz频段的脑电信号进行预处理并将其与语音信号进行分析比对.结果显示,被测者听到相同标准语音时有相同的脑电反应趋势.通过相锁值方法对脑电信号和语音信号进行相位差分析,证明了脑电信号与语音质量之间的功能连接性,并且脑电信号区分语音质量的正确率达到99.62％.     

基于脑电实验的眨眼次数与疲劳相关性研究

眨眼次数可以反映一个人的疲劳程度,但目前对于这一结论的客观验证研究较少。脑电信号是已被证实的疲劳检测的可信标准。利用脑电信号与眨眼次数的相关性,为基于眨眼次数的疲劳检测方法提供了理论依据。设计实现基于脑电的疲劳检测实验,采集被试脑电信号的同时记录被试的眼部图像数据。利用小波变换对脑电信号进行特征提取,分析被试在实验过程中疲劳程度变化情况。同时,处理被试眼部图像数据,统计被试眨眼次数,分析变化趋势。对脑电数据和眨眼次数进行相关性分析,客观验证了眨眼次数随疲劳程度增大而增加的结论。     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额−中央−颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。     

基于广义微状态的运动想象分类研究

该文根据传统微状态的概念,提出了一种广义微状态定义,并基于该定义实现了一种多分类运动想象任务特征提取算法。该文使用实验室2分类数据和2008年国际脑机接口竞赛4分类数据集对提出的特征提取算法进行了测试。对2分类数据特征用最小夹角算法分类,准确率最高达到95.56%;对多分类数据特征用SVM算法分类,效果稳定,其中竞赛数据4分类kappa分析结果接近2008年竞赛获胜者水平,测试结果验证了算法的有效性。     

基于多模态生理信号的驾驶人脑力负荷评估

准确评估驾驶人脑力负荷状态对降低因驾驶人脑力负荷过载导致的交通事故具有重要意义．基于典型驾驶场景,结合N-back认知负荷次任务,设计不同难度的驾驶任务实验,研究驾驶人脑力负荷．实验收集驾驶人在任务完成过程中的多种模态生理信号（脑电、心电和皮电信号）及美国航空航天局任务负荷指数量表主观脑力负荷数据,提出基于多模态生理信号特征分析和模式识别的驾驶人脑力负荷分类模型,并比较不同模态生理信号及其组合在3种典型机器学习算法（随机森林、决策树和k最近邻模型）中的脑力负荷分类识别效果．研究表明,基于不同模态生理信号组合的脑力负荷分类模型具有不同的分类准确率．单一模态生理信号的分类模型中,基于皮电、心电和脑电信号的分类模型准确率依次增加;基于多模态生理信号的分类模型准确率普遍优于单一模态分类模型;基于脑电、心电及皮电3模态生理信号的随机森林分类模型具有最高的分类准确率．     

脑电自动诊断系统的研究

本文将Walsh变换的理论应用到脑电信号的研究，建立了数据压缩模型，分类模型及模式识别，利用该理论建立了脑电自动诊断系统。对120个病例进行了临床实验，得到了总有效率达85％的令人满意的结果，并对比分析得出了脑电信息主要载荷在脑电信号的频率参量上的重要结论。     

多特征融合的驾驶员疲劳状态检测方法

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员,利用改进后的YOLOv5目标检测算法,对驾驶员的面部区域进行检测,建立多特征融合的疲劳状态检测方法.针对公交驾驶特性,建立包含佩戴口罩和未佩戴口罩情况的图像标签数据.通过增加YOLOv5模型的特征采样次数,提高眼、嘴、面部区域的检测精度.利用BiFPN网络结构保留多尺度的特征信息,使得预测网络对不同大小的目标更敏感,提升整体模型的检测能力.结合人脸关键点算法提出参数补偿机制,提高眨眼、打哈欠帧数的准确率.将多种疲劳参数融合归一化处理,开展疲劳等级划分.公开数据集NTHU和自制数据集的验证结果表明,该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别,可以准确地判断驾驶员的疲劳状态.     

基于小波提升算法的脑电节律提取

小波变换在信号处理中有着广泛的应用,能同时分析时域和频域方面的信息,但是传统的小波变换依赖于傅立叶变换,有大量的卷积运算,运算速度较慢.该文讨论了第二代小波变换的原理,并采用它来处理脑电信号.提升算法作为构造第二代小波的关键技术,通过预测确定高频信息,更新后得到正确的低频信息,它不依赖于傅立叶变换,大大提高了运算速度.通过分析提升算法的基本原理,用第二代小波变换实现了对脑电信号的节律(δ、θ、α、β)提取,并得到了令人满意的效果.     

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.