基于心電信號(hào)的駕駛疲勞檢測(cè)方法研究.pdf

1、駕駛疲勞是引發(fā)交通事故的主要原因之一，如果可以實(shí)時(shí)監(jiān)測(cè)駕駛員的疲勞狀態(tài)，在疲勞發(fā)生時(shí)給予警告，可以避免大量交通事故的發(fā)生。本論文在分析國內(nèi)外駕駛疲勞檢測(cè)方法的基礎(chǔ)上，系統(tǒng)分析了心電信號(hào)在疲勞檢測(cè)中的應(yīng)用。本文主要研究?jī)?nèi)容為： 第一章首先介紹了疲勞檢測(cè)意義及研究現(xiàn)狀，分析了現(xiàn)有疲勞檢測(cè)技術(shù)、理論方法的優(yōu)點(diǎn)和不足之處，最后給出了本文的研究?jī)?nèi)容。 第二章在重構(gòu)相空間對(duì)周期信號(hào)、隨機(jī)信號(hào)和心電信號(hào)的非線性特征進(jìn)行了比較分析。通過

2、對(duì)RR間期序列及R波峰值序列的延遲時(shí)間間隔及最小嵌入維數(shù)，最大Lyapunov指數(shù)，熵值和復(fù)雜度的系統(tǒng)分析，確定了心電信號(hào)的RR問期序列以及R波峰值序列的混沌特性，為后期研究中提取系統(tǒng)表征心臟狀態(tài)的心電指標(biāo)奠定了理論基礎(chǔ)。 第三章在虛擬駕駛環(huán)境下，探討駕駛?cè)蝿?wù)過程中心電信號(hào)時(shí)域、頻域以及非線性指標(biāo)的變化趨勢(shì)。通過實(shí)驗(yàn)研究發(fā)現(xiàn)，人在駕駛過程中，疲勞程度加深時(shí)，部分時(shí)、頻域指標(biāo)呈現(xiàn)出較為明顯的變化趨勢(shì)，且與非線性指標(biāo)相比，變化程度更

3、為顯著，而非線性指標(biāo)與線性指標(biāo)相比，在表征疲勞的過程以及疲勞的程度上一致性更好。研究通過對(duì)各指標(biāo)駕駛?cè)蝿?wù)前后的顯著性分析，初步確定了能夠有效表征疲勞過程及程度的心電信號(hào)指標(biāo)。 第四章利用實(shí)驗(yàn)獲取了不同狀態(tài)下人體心電信號(hào)，并選擇控制環(huán)境條件下PERCLOS值作為人體疲勞狀態(tài)判斷的依據(jù)，從而將獲取的實(shí)驗(yàn)心電數(shù)據(jù)分為正常狀態(tài)和疲勞狀態(tài)兩類。在此基礎(chǔ)上，利用核主元法探討了所選擇的心電信號(hào)指標(biāo)是否能有效地表達(dá)人體的疲勞狀態(tài)。利用核主元方法

4、對(duì)采集的樣本進(jìn)行分類分析表明，通過選擇合適的核函數(shù)及相關(guān)參數(shù)，能夠有效分離正常樣本和疲勞樣本，也表明利用所選擇的心電信號(hào)指標(biāo)進(jìn)行疲勞檢測(cè)是可行的。同時(shí)，我們?cè)诓豢紤]非線性指標(biāo)情況下，對(duì)心電信號(hào)線性參數(shù)的疲勞可分性進(jìn)行了相似的分析，結(jié)果表明，只采用線性參數(shù)也可對(duì)疲勞狀態(tài)進(jìn)行監(jiān)測(cè)，但樣本間的分界情況并不如綜合線性和非線性信息的明顯。 第五章利用所提取的心電信號(hào)指標(biāo)能夠有效地辨別人體的疲勞狀態(tài)，但在實(shí)時(shí)監(jiān)測(cè)上，由于實(shí)驗(yàn)條件，我們無法判

5、斷各指標(biāo)是否有某一具體的閥值，從而判斷人體是否處于疲勞狀態(tài)。在研究中將疲勞監(jiān)測(cè)看做模式分類問題，駕駛疲勞檢測(cè)過程中，正常狀態(tài)樣本容易獲得，而疲勞狀態(tài)由于安全和成本等問題，很難全面的收集到足夠多的訓(xùn)練樣本。針對(duì)這個(gè)問題，研究采用支持向量單值分類算法中的支持向量數(shù)據(jù)描述法，在僅有正常數(shù)據(jù)樣本的條件下，就能有效的區(qū)分出正常和疲勞樣本。對(duì)駕駛疲勞的心電數(shù)據(jù)檢測(cè)試驗(yàn)結(jié)果表明，SVDD算法簡(jiǎn)單，計(jì)算效率高，分類效果好，可以滿足疲勞狀態(tài)檢測(cè)要求。在上