基于脑/肌/眼电的疲劳驾驶检测技术的研究

摘要

疲劳是一种复杂的状态，表现为缺乏警觉性和精神、生理功能的降低，往往伴随着昏昏欲睡。驾驶员的疲劳是引起交通事故的重要因素。研究表明，交通事故伤亡中20％-30％是由疲劳引起的。近年来，驾驶员疲劳驾驶问题已受到世界各国越来越多研究人员的关注，其中针对疲劳驾驶检测方法而进行的研究更具重要的现实意义。
　　本文通过疲劳的神经生物学基础，进行了疲劳信号的空间特性的分析。基于空间特性，进行信号的特征提取。使用脑电(EEG)、眼电(EOG)、肌电(EMG)信号进行实时分析，并采用基于小波时频图和Hilbert-Huang变换(Hilbert-Huang Transform，HHT)的时频分析方法和Shannon熵、近似熵、样本熵的复杂度分析方法对驾驶疲劳进行检测和识别。结果显示出在不同的疲劳阶段这些时程变化的明确模式。
　　根据这些模式，本研究将疲劳程度分为:正常，轻度疲劳，情绪波动和极度疲劳四种状态。根据特征提取的效果，采用Shannon熵对EEG信号反映出的情绪波动进行分析，采用样本熵对EEG信号的疲劳时间进行分析，采用近似熵对EMG信号疲劳时间进行分析，采用小波时频尺度图对EOG信号的疲劳时间进行分析，用复杂度计算区分出有无驾驶经验，设计出综合算法提取三种信号的特征。设计多层神经网络分类器对提取出的特征进行分类。只使用EEG计算的正确率为94-96％左右，而同时使用EEG、EOG、EMG信号的正确率大约为97-99％。

目录

声明

摘要

第1章 绪论

1．1 论文的研究背景及意义

1．2 疲劳驾驶的研究现状和发展动向

1．3 论文的研究方法和解决的问题

1．4 论文章节安排

第2章 理论基础和实验设计

2．1 疲劳驾驶研究的理论基础

2．1．1 研究的神经生物学基础

2．1．2 研究的心理科学基础

2．1．3 脑／肌／眼电信号应用于驾驶疲劳分析的理论基础

2．2 实验设计

2．2．1 实验方案及测试方法

2．2．2 信号的采集

2．3 本章小结

第3章 实验数据预处理和疲劳信号的空间特性

3．1 实验数据的预处理

3．1．1 小波分解

3．1．2 去眼电伪迹

3．1．3 对肌电信号的预处理

3．2 疲劳信号的空间特性

3．3 本章小结

第4章 基于脑／肌／眼电的时频分析

4．1 小波时频分析

4．2 HHT分析

4．3 本章小结

第5章 基于脑／肌／眼电的复杂度分析

5．1 基熵的复杂度分析

5．1．1 Shannon熵

5．1．2 近似熵

5．1．3 样本熵

5．2 复杂度计算

5．3 本章小结

第6章 综合算法及分类器设计

6．1 综合算法设计

6．2 ANN多重分类器设计

6．3 本章小结

第7章 总结与展望

7．1 全文总结

7．2 对未来工作的展望

参考文献

致谢