基于多模态特征组合的真实驾驶疲劳状态识别

对驾驶员在驾驶过程中的疲劳状态进行实时准确的预判,可减少由于驾驶疲劳引发的交通事故。首先,通过无线体域网采集了12名驾驶员在真实驾驶过程中的多模态特征,提取了脑电、肌电、呼吸等3种生理信号的特征参数近似熵,其中基于畸变能密度理论(DED)确定肌电信号的采集位置为颈6棘突旁开2 cm处的上斜方肌;然后,通过模糊C聚类方法分析了3种特征参数组合对疲劳状态的反映效果;最后,建立基于马氏距离理论的真实驾驶疲劳判别模型。研究结果表明,驾驶员颈6部位比颈7部位肌电信号的ApEn值显著下降(P<0.05),表明颈6处肌肉比颈7处肌肉对驾驶员的疲劳状态反映更为敏感,实际检测结果与畸变能密度理论计算结果一致,证明了该位置提取肌电信号的正确性和准确性;脑、肌、呼吸这3种生理信号的ApEn值均随驾驶时间的延长呈递减变化,驾驶约90 min时递减趋势变缓,表明驾驶员进入疲劳状态;通过模糊C聚类分析可知,当脑电与肌电ApEn组合时,清醒与疲劳的概率分布界限清晰,可有效反映驾驶疲劳状态;以脑电和肌电近似熵为自变量,基于马氏距离理论建立真实驾驶过程的疲劳判别模型,其测试集准确率达90.92%,表明该模型能够比...     

一种基于脑电信号的疲劳驾驶状态判断方法

通过研究疲劳驾驶时脑电信号的特征,提出了一种基于独立分量分析（independent component analysis,ICA）的脑波疲劳状态判断方法.利用模拟驾驶系统,采用NT-9200动态脑电仪采集驾驶员在清醒和疲劳状态下（连续驾驶4h以上）的脑电信号,对采集的多导信号进行独立分量分析,去除EEG信号中的眼电、肌电及工频等干扰,经过快速傅里叶变换（fast fourier transform,FFT）后计算出脑波中多种功率谱密度,求得疲劳指数F.实验结果表明,在疲劳状态下的疲劳指数F明显高于清醒状态下的F.本文提出的脑波疲劳状态判断方法可有效用以判断驾驶员的疲劳程度.     

疲劳驾驶识别中的脑电信号特征选择算法和支持向量机模型研究

针对疲劳驾驶识别中脑电特征选择和分类模型,提出采用粗糙集理论的离散化算法对通道和脑电信号特征量进行选择,选用支持向量机作为疲劳驾驶识别模型,并将疲劳误判风险作为支持向量机模型参数进行模型优化。针对5名受试者的实验结果表明,与主分量方法相比,粗糙集离散化算法选取的特征量较少,以0.8为相容度阈值,在208个候选特征中选择的特征数为2～4个,不同被试者选取的特征不同且对建立支持向量机识别模型有影响;疲劳误判风险控制参数可以达到调节支持向量机识别模型误判风险。     

基于模拟座舱的驾驶疲劳实验研究

通过模拟实验研究影响驾驶疲劳的典型因素并探讨驾驶疲劳的评测方法。以模拟驾驶器为核心,结合操控能力、生理/心理测试、主观评价和行为特征,构建了模拟驾驶综合实验系统。设计了一套合理的实验方案,并开展了不同道路状况下长时间模拟驾驶对疲劳的影响、驾驶员不同作业时段的复杂反应、多导脑电的复杂性与驾驶进程关系等实验。实验显示,长时间驾驶对操控能力、反应时间、心率、主观疲劳都有显著性影响;高速公路环境下车速方差、主观疲劳比一般公路区别显著;驾驶员的心理疲劳程度受时段的影响较大;脑电的复杂度反映了驾驶疲劳的变化。研究结果为安全驾驶提供了有意义的指导,同时也验证了实验系统和实验方案的合理性,为进一步的研究工作打下了基础。     

HHT方法在驾驶疲劳脑电分析中的应用

针对脑电(EEG)的非线性非平稳特性,提出了一种新的分析驾驶疲劳EEG信号的方法———希尔伯特-黄变换(HHT)。本文首先选择C4-导联的EEG信号,利用HHT方法分析其正常驾驶和疲劳驾驶时的数据,探索不同驾驶状态下的EEG特性;然后再选O2-导联的EEG信号进行对比分析,研究不同导联之间的差异。分析发现,不同驾驶状态下的EEG信号的希尔伯特边际谱差异明显,C4-导联与O2-导联在相同状态下的EEG特性也存在一定的差异。由此可见,HHT技术能够很好地区分驾驶员的不同状态,可以作为检测驾驶疲劳现象的新方法,同时导联的选择对驾驶疲劳的检测效果也存在一定的影响。     

基于无线体域网和复合生理信号近似熵的驾驶疲劳研究

为有效合理地评价驾驶员在驾驶过程中的疲劳程度,通过无线体域网(WBAN)采集12名被试者的3种生理信号(脑电信号、肌电信号、呼吸信号),提取并分析这些生理信号的近似熵在驾驶过程中对疲劳程度的反映效果。试验结果表明,脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降,约90 min后下降程度变缓,表明进入比较疲劳状态。通过主成分分析可知,前两个主成分的贡献率分别为47.33%和40.26%,二者之和大于85%,其中脑电信号和肌电信号的近似熵所占权重较大。而且统计分析表明,脑电信号和肌电信号的近似熵显著性P＜0.05,表明脑电信号和肌电信号在表征正常与疲劳两种状态时差异明显。在此基础上,分析信号组合对驾驶疲劳的反映效果,结果表明在脑电肌电信号的近似熵组合时,正常和疲劳状态的概率分布具有明显的界限,可以有效反映驾驶过程中的疲劳状态。通过研究,获得最佳的反映疲劳驾驶的信号组合,可为更加准确地检测和避免疲劳驾驶提供理论依据。     

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。     

基于卷积神经网络和长短时记忆网络的心理疲劳状态识别方法

现代生活节奏加快,生活压力逐渐增大,长期累积的心理疲劳对健康构成威胁。通过分析生理信号和参数,本文提出一种可以识别心理疲劳状态的方法,从而有助于维护健康生活。本文所提方法是基于卷积神经网络与长短时记忆网络结合的心电信号心理疲劳状态识别方法。首先,利用一维卷积神经网络模型的卷积层提取局部特征,通过池化层提取关键信息,同时去除部分冗余数据。然后,将提取的特征作为长短时记忆网络模型的输入,以进一步进行心电特征的融合。最后,通过全连接层整合关键信息,成功实现了对心理疲劳状态的准确识别。研究结果表明,相较于传统的机器学习算法,本文提出的方法显著提高了心理疲劳识别的准确性,识别的准确度达到了96.3%,可为心理疲劳的预警和评估提供可靠的基础。     

基于眼电的阅读状态检测研究

目的阅读是一种重要的认知过程,可通过眼动检测实现观测。基于眼电的阅读检测算法可应用于不同的阅读行为和注意力水平的自动检测。方法通过提取阅读时水平眼电信号的特征以有效识别阅读活动。首先使用数学形态学对原始水平眼电信号进行平滑处理,去除眨眼和肌电等干扰。平滑后的眼电信号进行差分处理,然后提取出阅读时的水平眼电信号的特征,进行识别分类,从而判断出受试的阅读情况,并与实际的阅读状态进行比较。结果对阅读状态和非阅读状态时间段的分析结果显示,数学形态学和阈值法相结合的方法对眨眼和肌电等噪声的抗干扰能力较强,可有效识别出阅读活动,平均检测率为75％。结论数学形态学和特征提取相结合的方法能较好地提取出眼球的活动信息,应用于日常的阅读活动识别中。     

基于小波包分解的不同状态下脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论处理临床脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的时变滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究不同脑功能状态下脑电信号各种节律的动态特性,文中对两组不同的临床脑电数据进行分析,比较两种状态下各种节律的动态特性.实验结果表明,利用小波包分解对脑电信号进行滤波,能够有效提取临床脑电不同节律的动态特性,为分析脑电信号提供一条新的途径.     

驾驶员情绪状态对驾驶决策的Logistic回归分析

目的分析驾驶员的情绪特征对驾驶决策的预测作用。方法采用爱荷华赌博任务对驾驶员进行决策类型的分类,情绪状态量表测量驾驶员的情绪状态,通过Logistic回归分析预测情绪状态对不同决策类型驾驶员的影响。结果①积极情绪与消极情绪对不同类型的驾驶决策具有预测作用(χ2=50.639,df=2,P0.05);②驾龄、性别作为调节变量对不同类型驾驶决策具有预测作用(χ2=23.811,df=8,P0.01)。结论①在情绪状态量表中,积极情绪状态得分越高,消极情绪状态得分越低的驾驶员,决策类型是勇于冒险的可能性更大;②当考虑到性别与驾龄时,决策类型更多的受到新手消极情绪状态和女性积极情绪状态的影响。     

模拟驾驶条件下脑力疲劳的主观评定和注意特征变化的研究

目的:探讨模拟驾驶前后驾驶员脑力疲劳的主观评定和注意特征变化.方法:测量和比较16名健康男性白班出租车驾驶员在实验室条件下连续模拟驾驶6小时前后的主观疲劳感的差异和注意特征的变化.并以同一批驾驶员在休息日的同时段测量结果作为对照.结果:实验组和对照组疲劳前后在主观量表上的得分均无显著性差异.但在对注意特征的行为学测试中,实验组疲劳前后的结果差异显著,而对照组差异不显著.结论:在实验室条件下,驾驶员在模拟驾驶后虽然没有主观疲劳感,但注意的各个方面均受到不同程度的影响,呈下降的趋势.     

基于特征编码和卷积神经网络的注意力状态检测

列车运行安全与列车驾驶员的注意力状态密切相关,为了快速准确检测驾驶员的注意力状态,提出一种基于特征编码和卷积神经网络(FECNN)的注意力状态检测方法。对从Kaggle数据集上下载的5名参与者的脑电图数据,用快速独立成分分析(FastICA)和小波滤波方法进行去噪,从中提取微分熵(DE)特征,并进行最大最小归一化;然后将DE特征编码成对应的矩阵,转化为对应的彩色图,标上对应的状态类别。将数据预处理后的彩色图作为卷积神经网络的输入,通过对模型参数的不断优化,得到分类精度较好的注意力状态检测模型。对提取DE特征和没有提取DE特征的10个样本进行实验,平均检测精度分别为95.10%±2.88%和93.12%±3.38%,高于传统的DNN模型和LeNet-5模型,并且模型更具有稳定性。所提出的FECNN模型,可为注意力状态检测提供一种新的思路,在驾驶员疲劳检测系统的开发方面具有一定的应用价值。     

基于心电信号的自注意力双向门控循环网络疲劳检测模型

人类操作员的生理疲劳状态对其作业效率与安全性存在很大的影响,本研究提出了一种基于自注意力（SA）机制的双向门控循环（BiGRU）网络疲劳检测模型,研究基于心电信号的疲劳检测方法。首先采集了模拟不同负荷水平的过程控制任务环境下操作人员的心电数据,以一维心电数据作为输入,经过去噪预处理后,使用改进的BiGRU神经网络进行特征提取,BiGRU在保留GRU优点的同时可以更加充分学习心电信号前后时序的特征联系,并通过SA机制筛选显著相关特征信息,最后将所获得的特征信息经过softmax分类器,得到疲劳分类结果。与传统的GRU模型和BiLSTM模型进行了比较,经过改进后的SA-BiGRU模型的疲劳分类性能整体提高2%~5%,总体准确率达83%。     

基于脑电信号时空分布信息的思维特征研究

通过对几种特定形式的思维状态下,脑电信号不同频段能量的时空分布的计算和分析,发现了思维状态对脑电信号的能量分布影响具有不对称性.同时利用这种脑电信号能量的时空分布信息对思维状态进行神经网络分类,并对去除眼动等干扰信号前后的分类结果进行比较.结果表明,这种时空分布信息能有效的表征思维状态的类型,并对干扰信号具有一定的抑制作用,是一种研究脑电和思维认知关系的有效方法.     

驾驶疲劳脑电信号节律的特征分析

分别提取驾驶员在驾驶过程中脑电(EEG)信号的δ、θ、α和β节律,并对其相对功率谱、功率谱熵和脑电地形图进行分析,研究疲劳驾驶时的EEG特性。分析结果显示:在驾驶过程中,随着疲劳的加深,EEG信号的δ和θ节律的相对功率谱的平均值逐渐增强,而α和β节律的相对功率谱的平均值逐渐减弱,在疲劳程度很深时,δ、θ和α节律的相对功率谱的平均值都会增强。4个节律的功率谱熵的平均值都是随着疲劳程度的加深而逐渐减弱。EEG信号各节律的相对功率谱和功率谱熵的平均值可以成为驾驶疲劳检测的指标。     

基于深度收缩自编码网络的飞行员疲劳状态识别

针对飞行员疲劳状态识别的复杂性,本文基于脑电信号提出一种新的深度学习模型。一方面,利用小波包变换对飞行员脑电信号进行多尺度分解,提取了脑电信号的四个节律波段:δ波(0.4~3 Hz)、θ波(4~7 Hz)、α波(8~13 Hz)和β波(14~30 Hz),将重组的波段信号作为纯净的脑电信号。另一方面,提出一种基于深度收缩自编码网络的飞行员疲劳状态识别模型,并与其他方法进行比较。实验结果显示,针对飞行员疲劳状态识别问题,所建立的新的深度学习模型具有很好的识别效果,识别准确率高达91.67%。因此,研究基于深度收缩自编码网络的飞行员疲劳状态识别具有重要意义。     

汽车驾驶员驾驶过程中的心率变异性功率谱分析

驾驶疲劳是影响汽车乘坐舒适性及交通安全的重要因素。汽车驾驶员在长期驾驶情况下，尤其振动条件下，常表现出不同的生理、心理功能障碍或紊乱，影响驾驶员身心健康并诱发交通事故。本研究应用心率变异性功率谱分析并结合主观评估，分析了模拟实际驾驶条件下实验者的心脏自主神经功能状态。持续应激条件下，实验者心率变异性(HRV)表现出明显的变化，如交感神经活动性增加，迷走神经活动性降低。实验结果表明心率变异性(HRV)是精神负荷敏感的指标，可用于定量评估驾驶疲劳。     

基于表面肌电信号和动作捕捉的上肢运动疲劳分析EI北大核心CSCD

目前,上肢运动的疲劳状态监测,一般单纯依赖表面肌电信号(sEMG)对疲劳进行识别和分类,导致结果不稳定,存在一定局限。为此,本文将sEMG信号识别与动作捕捉技术引入到疲劳状态监测过程中,提出了一种融合改进的肌电疲劳阈值算法与生物力学分析的疲劳分析方法。本研究通过右上肢负载屈肘试验,同步采集肱二头肌sEMG信号与上肢动作捕捉数据,并同时运用柏格(Borg)疲劳度主观自觉量表记录受试者疲劳感受。然后,将融合改进的肌电疲劳阈值算法和生物力学分析的疲劳分析方法与平均功率频率(MPF)、谱矩比(SMR)、模糊近似熵(fApEn)、Lempel-Ziv复杂度(LZC)四种单一评价指标疲劳评价方法的试验结果进行对比。试验结果表明,本文方法对总体疲劳状态识别率结果达到98.6%,对轻松、过渡、疲劳三种状态的识别率分别达到97%、100%、99%,较其他方法更有优势。本文研究结果证明,本文方法在上肢运动过程中能够有效预防过度训练引起的二次损伤,对于疲劳监护具有重要意义。     

基于KPCA的膝关节多模式连续运动估计

为了实现不同运动模式下膝关节连续运动的有效估计，提出一种基于核主成分分析（KPCA）的下肢膝关节连续运动估计方法。首先，融合多维表面肌电信号时域特征获取不同运动模式下较为全面的运动信息；其次，采用KPCA方法进行肌电特征降维，获取与该类运动模式最为相关的主成分向量，并基于反向传播神经网络实现不同运动模式下膝关节连续运动的有效估计；最后，对5个实验对象的4种运动模式进行实验验证。结果表明该方法不仅可有效估计不同运动模式下膝关节连续运动角度，相对于PCA算法估计精度也有明显提高。