论文部分内容阅读
近年来交通事故频发,引起了社会广泛关注。研究表明驾驶疲劳已成为特大交通事故的直接诱因,这不仅造成了重大的人员伤亡,也给受害者家庭带来了沉重的经济负担。因此,研究驾驶员疲劳形成机理及其生理特征并设计出有效的驾驶疲劳检测方法,对于预防驾驶疲劳,提高司机出行安全有着非常重要的意义。现阶段驾驶疲劳的检测方法以驾驶员的生理特征与行为特征检测为主,而其中脑电信号一直被视为检测疲劳的“金标准”,基于脑电信号的生理特征被认为是有效判断精神状态的客观手段。本文的主要研究内容包括两方面:第一,在模拟环境下,采用融合熵分析受试者的脑电和眼电,通过支持向量机对驾驶疲劳进行分类,获得了很高的判断准确率。第二,设计了一种基于卷积神经网络与长短期记忆网络结合的深度学习模型,对驾驶疲劳脑电信号进行分析并取得很好的分类效果,具体为:1)首先选取大脑枕叶区PO3、POz、PO4、O1h、Oz和O2h六个通道的脑电信号以及水平和垂直眼电信号用于本次实验分析。通过离散小波分解和重构的方法,得到脑电信号的四种典型节律波(δ波,θ波,α波,β波),再分别提取脑电信号各节律波(子频带)的近似熵、样本熵和频谱熵以及水平与垂直眼电信号样本熵作为特征。对于在不同节律波中的每一种熵特征,通过典型相关分析使该特征在不同频带中进行融合处理,最后在支持向量机中进行疲劳分类。实验结果表明,经过融合熵特征处理后的结果要优于各节律波中所提取特征的分类结果,融合熵特征分类结果为99.1%,ROC曲线表明该方法具有更好的鲁棒性。2)对预处理后的24通道脑电信号数据在滑动窗口中进行ICA独立分量分析,去除眼电伪迹干扰,再通过卷积神经网络自动进行抽象特征提取,然后在长短期记忆网络中进行驾驶疲劳分类。通过对比卷积神经网络模型和长短期记忆网络模型的分类效果,实验数据结果表明,所有受试者在卷积网络结合长短期记忆网络模型中测试的平均准确率达96.9%,表明了本文设计的深度学习模型亦适用于驾驶疲劳检测。