论文部分内容阅读
针对基于脑电图(electroencephalogram,EEG)的疲劳驾驶状态识别模型的准确率问题不够理想,以及目前缺乏对疲劳驾驶发生的神经机理问题研究,课题致力于研究基于最短路径树来构建有效的功能性脑网络用于疲劳驾驶状态识别,建立了基于最短路径树功能性脑网络的疲劳驾驶状态识别模型和疲劳发生的神经机理模型,提出并设计了基于最短路径树功能性脑网络的疲劳驾驶状态识别方法和疲劳发生的神经机理分析方法。课题主要研究内容和阶段性研究成果如下:较全面分析了功能性脑网络(functional brain networks,FBN)构建的关键技术,包括研究基于最短路径树(shortest path trees,SPT)的FBN构建方法(该网络记为SPT-FBN),针对基于联合最短路径树(the union of shortest path trees,USPT)所构建的FBN存在密度过大问题,提出了一种改进的方法即基于组合最短路径树(the combination of shortest path tree,CSPT)的FBN构建方法(该网络记为CSPT-FBN),并设计了相应的构建算法。对SPT-FBN和CSPT-FBN进行较全面的网络属性分析。建立基于SPTFBN和CSPT-FBN的疲劳驾驶状态识别模型以及基于CSPT-FBN神经机理分析模型,设计了相应的算法。在真实数据上,对模型和算法进行了较全面的测试和结果分析。通过测试和结果分析,得出:(a)基于P4,CPZ,CP4,Cz,FC4,CP3,C4z这7个电极构建CSPT的疲劳驾驶识别模型能够进行有效的疲劳驾驶识别;(b)SPT/CSPTFBN比基于最小生成树(minimum spanning tree,MST)的FBN(该网络记为MST-FBN)和基于稀疏度的FBN在疲劳驾驶状态识别上准确率要高;(c)在Beta段波下,SPT-FBN的叶子分数,树层次,kappa变化值与疲劳驾驶状态识别率呈现负相关关系。(d)大脑的右侧中央区与中央顶区之间EEG的Beta频段放电存在异常情况,疲劳的产生很可能与该区域有着密切的联系。论文最终给出了所研究工作的阶段性总结并提出目前工作的不足和下一步工作的展望。