基于腦電信號(hào)的在線疲勞監(jiān)測(cè)算法研究.pdf

1、由于近年來(lái)因疲勞駕駛導(dǎo)致的交通事故頻發(fā),疲勞監(jiān)測(cè)已經(jīng)成為了一項(xiàng)重要的研究課題。過(guò)往的疲勞監(jiān)測(cè)研究中,常常使用駕駛員臉部視頻信號(hào)、血壓、體溫等生理信號(hào)。相比于這些信號(hào),腦電信號(hào)能更加直接、客觀地反映大腦的活動(dòng)情況,有著更高的時(shí)間分辨率,且無(wú)法人為控制和偽造,因此本文中我們采用腦電信號(hào)來(lái)進(jìn)行疲勞監(jiān)測(cè)的研究。在文章的前半部分中我們主要介紹常用的腦電處理流程與方法,并在后半部分中介紹我們提出的數(shù)據(jù)處理流程及使用到的方法。
　　我們首先通過(guò)

2、實(shí)驗(yàn),在被試完成指定任務(wù)的過(guò)程中,誘發(fā)出被試的疲勞狀態(tài),并同時(shí)記錄被試的腦電信號(hào)以及任務(wù)完成情況。然后我們使用快速傅里葉變換,獲得原始腦電信號(hào)在各個(gè)頻帶上的功率譜密度特征。為了去除特征中與疲勞無(wú)關(guān)的噪音,我們使用線性動(dòng)力系統(tǒng)中的相關(guān)算法對(duì)特征進(jìn)行平滑降噪,并將所有特征通過(guò)主成分分析提取出主要成分,從中去除與疲勞標(biāo)記值相關(guān)性較差的特征。最后我們擴(kuò)展剩余特征為動(dòng)態(tài)特征組,使用并聯(lián)隱馬爾科夫模型進(jìn)行分類,并通過(guò)模糊積分進(jìn)行分類器融合。實(shí)驗(yàn)結(jié)果