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.     

基于脑电信号的疲劳驾驶预警软件平台实现

设计并实现基于脑电信号的疲劳驾驶预警软件平台.通过分析由脑电传感器发送来的脑电信号,判断驾驶员是否处于疲劳状态,通过预警软件平台进行预警,以此提高车辆行驶的安全性.     

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。     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法。根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的\begin{document}$ \mu$\end{document}节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3, C4通道节律的样本熵构筑分布性和指向性相结合的特征向量。选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27%。     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法.根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的μ节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3,C4通道μ节律的样本熵构筑分布性和指向性相结合的特征向量.选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27％.     

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。     

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.     

基于无线Mesh的地震观测仪器组网与实现基于脑电信号组合熵特征的驾驶疲劳检测分析

地震观测台站监测系统通常存在布线复杂、布设成本高、建设困难等问题,本方案设计了一种基于Raspberry Pi 4B和无线Mesh的地震台站行业网络传输系统。该系统包括无线Mesh自组网系统及地震观测仪器组成。本设计采用前兆倾斜仪为例,采用开源的Raspberry Pi 4B作为无线Mesh自组网硬件平台,采用Openwrt开源软件实现无线Mesh自组网应用。本文给出了无线Mesh地震观测台站组网方案的硬件设计和软件流程。经在地震观测台站实验表明,无线Mesh组网系统具备易于布设、组网灵活、稳定性高等优点,可广泛应用于复杂观测环境下的地震观测系统组网。     

基于CEEMD-PE的脑电信号降噪方法研究

在研究脑电信号特性的基础上,提出了一种基于CEEMD-PE对脑电信号进行降噪的方法.完全集合经验模态分解(CEEMD)能够克服模态混叠的问题,因此,对脑电信号进行CEEMD分解,得到一组固有模态函数(IMF)分量,计算各个IMF分量的排列熵(PE)值,依据PE的值剔除基本为噪声的IMF分量,将降噪后的分量与保留的分量进...     

一种疲劳驾驶检测系统中快速人眼检测方法

疲劳驾驶是导致交通事故的主要原因之一,因此,以人眼检测为核心的疲劳驾驶检测受到了普遍地关注。目前传统的疲劳驾驶检测方法采用"人脸-人眼"模型,即先定位人脸,随后再进行人眼检测。在Ada Boost算法的基础上,使用变模板匹配方法进行人眼检测,并改进了"人脸-人眼模型",采用多特征的分类器来有选择的跳过人脸检测步骤,从而快速准确地定位人眼。在DM642芯片上进行实验,人眼识别率达到了90%以上,且平均每秒能处理40帧图片,证明了该方法的高效性和实用性。     

基于特征值检测的车辆防疲劳驾驶系统应用研究

本文利用特征值检测原理,设计一种能够对人脸特征值进行自动检测的车辆防疲劳驾驶系统,利用该系统,可以有效降低因疲劳驾驶造成的交通事故。     

基于视觉的可靠性疲劳驾驶检测技术研究

基于视觉的疲劳驾驶检测技术是疲劳检测领域的前沿技术,但由于该检测方法易受到光照强度、驾驶环境、驾驶员个体差异等诸多因素的影响,使得多数基于视觉的疲劳驾驶检测的算法不能拥有较好的稳健性。针对这一现状,提出了一套改进的疲劳驾驶检测算法。旨在提高疲劳驾驶检测的可靠性和准确度,以适应实际应用需求。     

基于ARM的防疲劳驾驶检测系统

基于ARM的防疲劳驾驶检测系统,采用USB摄像头采集驾驶员的面部图像并将图像转换为数字信号传给ARM处理器。采集的面部图像通过模板匹配算法用特定的眼部分类器进行计算,与眼部分类器配比,在指定的矩形区域中提取出眼部图像,计算眼部图像的灰度直方图。通过对驾驶员的眼部闭合状态的实时分析可以获得PERCLOS参数,从而判断驾驶员的驾驶疲劳状态。经实验测试证明该方法准确性高,能在多种情况下检测驾驶员是否处于驾驶疲劳状态。     

基于脑电信号的移动学习效果

本文利用脑电测试学习效果的实验设计,让被测者分别用四种不同的形式进行注意力测试(一种纸媒,三种交互程度不同的移动学习),结果发现:如果利用数字媒体的移动学习不能提交适当的交互,其学习效果与纸媒基本没有差异,注意力甚至有所降低,但当利用数字媒体的移动学习能提供较多交互时,学习效果和注意力则有所提升。     

一种车载疲劳驾驶检测方法

文章针对车辆驾驶员的疲劳检测,提供了一种使用图像处理的方法来对驾驶员的眼部信息进行提取,建立眼部状态判定模型,根据图像信息提取判断出闭眼的时长以及闭眼的频率分析判断疲劳行为,并对驾驶员进行提醒和辅助驾驶,以减少交通事故的发生。同时,该方法给出了驾驶员处于疲劳状态并预警,提出了疲劳等级划分,不仅检测驾驶员是否疲劳,还检测驾驶员的疲劳等级,并给出相应的提醒操作。     

基于小波分析的脑电信号处理

为去除脑电信号采集过程中存在的噪声信号,提出了基于小波阈值去噪的脑电信号去噪。以小波阈值降噪为基础,首先利用db4小波对脑电信号进行5尺度分解,然后采用软、硬阈值与小波重构的算法进行去噪。通过对MIT脑电数据库中的脑电信号进行仿真,结果表明,采用软阈值方法有效去除了噪声,提高了脑电信号的信噪比。     

基于SOPC的脑电信号实时处理

为满足脑电信号采集、处理设备具有便携式,实时性,数据量大的实际需求,提出了一种基于SOPC的脑电信号实时处理设计方案。用脑电极采集到的脑电信号经过前期预处理(放大,滤波)、A/D模数转换后,经过SOPC系统对脑电信号进行频谱分析、特征提取,最后存储或传输。整个设计围绕SOPC系统,以NiosⅡCPU为核心,并与其他外围设备集成,实现整个系统的控制与处理能力。利用SOPC系统实现的脑电信号采集系统,具有体积小、运算速度快、方案灵活的特点,为构建脑电信号实时处理系统提供了一个新技术方案。