基于卷积神经网络的高铁司机脑电疲劳检测研究

摘要

随着我国高铁蓬勃发展，我国已经拥有全世界最长运营里程及最高运营速度的铁路网络。高铁运行安全成为我国乃至全球交通领域研究重点。在车辆主动安全技术中，司机乃不可或缺一环，以此为出发点，本文结合时下新兴人工智能技术提出一种基于卷积神经网络的高铁司机脑电疲劳检测方法，即利用高铁司机脑电信号判断其疲劳状态。本文的主要研究内容如下：　　首先，本文运用脑机接口技术，采用OpenBCICyton脑电采集装置在西南交通大学国家重点实验室高速列车数字化仿真平台对二十位受过模拟驾驶训练的受试者进行脑电信号采集。　　然后，通过分析脑电信号的伪差类型及对应去噪方法，使用带通滤波与线性滤波对采集所得数据去除工频干扰，之后采用独立成分分析与小波阈值去噪方法进一步去除脑电伪差以提高信号质量，根据其疲劳类型标注标签整理成训练数据集与测试数据集。　　其次，本文使用Pytorch深度学习框架搭建基于ResNet的BuildingBlock结构卷积神经网络(Convolutional Neural Network, CNN)和基于MobileNet的Invertedresidual结构卷积神经网络，然后将预处理后的脑电数据输入所搭建网络进行网络权重训练，并通过分类器评价准则对所搭建网络的疲劳状态分类性能进行验证与比较，实验结果表明两个网络都能有效通过脑电数据对人体疲劳状态分类。　　最后根据高铁司机驾驶环境，提出基于高铁驾驶员的脑电疲劳预警方法，用于对驾驶中司机的警觉度进行检测并执行对应预警措施保证司机行车安全，并进行了实验仿真，简单实现该预警系统预期功能，对于列车司机的预警方法具有参考意义。

目录

声明

第1 章绪论

1.1 研究背景和意义

1.2 国内外研究发展现状

1.2.1车辆主动安全技术

1.2.2 司机疲劳检测技术

1.3 脑电信号与疲劳检测

1.3.1 脑电信号概述

1.3.2 脑电信号与警觉度

1.4 本文研究内容及结构

1.5 本章小结

第2 章脑电信号采集系统

2.1 脑机接口

2.2 脑电信号采集实验

2.2.1 采集设备与环境

2.2.2 脑电采集方案

2.2.3 实验数据分析

2.3 本章小结

第3 章脑电信号预处理

3.1 脑电信号伪差

3.2信号去噪方法

3.3数据去噪分析

3.4脑电数据集

3.5 本章小结

第4 章 基于CNN的脑电疲劳状态分类

4.1 深度学习概述

4.1.1 损失函数

4.1.2 优化方法

4.1.3 评价标准

4.2 卷积神经网络

4.3 基于 ResNet 脑电信号分类

4.4 基于 MobileNet 脑电信号分类

4.5 脑电分类实验结果与分析

4.6 本章小结

第5 章高铁司机疲劳预警系统

5.1 概述

5.2 预警方案

5.3 仿真实验

5.4 本章小结

第6 章全文总结

6.1 工作总结

6.2 不足与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果

已发表学术论文

主持或主研项目

公示或授权专利

索引

图片索引

表格索引