隨著高速鐵路在人們出行交通方式中所占據(jù)比例的逐年上漲,高鐵的安全問(wèn)題也愈發(fā)的引發(fā)關(guān)注。針對(duì)高鐵的安全技術(shù)研究已成為一個(gè)研究熱點(diǎn),在此背景下,本文將腦電信號(hào)和警覺(jué)度相結(jié)合,從高鐵駕駛員的角度出發(fā),通過(guò)對(duì)腦電信號(hào)的分類來(lái)對(duì)高鐵駕駛員的警覺(jué)度進(jìn)行檢測(cè)。并且提出了簡(jiǎn)易可行的預(yù)警策略。本文的主要研究?jī)?nèi)容如下:首先根據(jù)國(guó)際標(biāo)準(zhǔn)選擇了合適的點(diǎn)位,本文采用Ag-CL干電極和Open-BCI開(kāi)發(fā)板制作了便攜式的八通道腦電信號(hào)采集裝置,并設(shè)計(jì)實(shí)驗(yàn)采集了不同狀態(tài)下的駕駛員腦電信號(hào)。其次對(duì)采集到的腦電信號(hào)進(jìn)行預(yù)處理操作,提高信號(hào)質(zhì)量。采用線性濾波器初步過(guò)濾,隨后通過(guò)FastICA算法進(jìn)行盲源分離,降低不同通道信號(hào)之間的相關(guān)性,接著對(duì)分離出的信號(hào)進(jìn)行小波閾值去噪,得到可靠的高鐵駕駛員腦電信號(hào)。并將處理過(guò)的腦電信號(hào)整理制作成神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)所需的訓(xùn)練集和測(cè)試集。然后本文分別搭建了卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練,并通過(guò)各類評(píng)價(jià)指標(biāo)驗(yàn)證了網(wǎng)絡(luò)性能。本文還通過(guò)Attention機(jī)制確定不同位置的腦電信號(hào)與駕駛員警覺(jué)度的相關(guān)性。最后,本文對(duì)比了傳統(tǒng)分類算法SVM、PRCA和本文所提出的深度學(xué)習(xí)方法...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 駕駛員警覺(jué)度檢測(cè)
        1.2.2 高鐵安全技術(shù)研究現(xiàn)狀
    1.3 腦電信號(hào)與警覺(jué)度
        1.3.1 腦電信號(hào)簡(jiǎn)介
        1.3.2 腦電信號(hào)與警覺(jué)度
    1.4 本文主要研究?jī)?nèi)容及章節(jié)安排
第2章 腦電信號(hào)采集與預(yù)處理
    2.1 概述
    2.2 腦電信號(hào)采集
    2.3 腦電信號(hào)預(yù)處理
        2.3.1 概述
        2.3.2 線性濾波器預(yù)處理
        2.3.3 快速獨(dú)立成分分析
        2.3.4 小波閾值方法
    2.4 數(shù)據(jù)集的制作
    2.5 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)分類
    3.1 概述
        3.1.1 卷積運(yùn)算
        3.1.2 卷積網(wǎng)絡(luò)的分層
        3.1.3 激活函數(shù)
        3.1.4 損失函數(shù)
        3.1.5 優(yōu)化算法
    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的模型搭建
        3.2.1 一維卷積神經(jīng)網(wǎng)絡(luò)
        3.2.2 基于Inception的網(wǎng)絡(luò)模型搭建
        3.2.3 改進(jìn)的AlexNet網(wǎng)絡(luò)模型搭建
    3.3 實(shí)驗(yàn)數(shù)據(jù)分析
        3.3.1 實(shí)驗(yàn)環(huán)境介紹
        3.3.2 基于Inception網(wǎng)絡(luò)的實(shí)驗(yàn)數(shù)據(jù)分析
        3.3.3 改進(jìn)的 AlexNet 網(wǎng)絡(luò)實(shí)驗(yàn)數(shù)據(jù)分析
    3.4 本章小結(jié)
第4章 基于LSTM和 ATTENTION機(jī)制的腦電信號(hào)分類
    4.1 概述
    4.2 基于LSTM的腦電信號(hào)分類
    4.3 基于ATTENTION機(jī)制的LSTM腦電信號(hào)分類
    4.4 實(shí)驗(yàn)數(shù)據(jù)分析
    4.5 本章小結(jié)
第5章 深度學(xué)習(xí)方法與傳統(tǒng)算法性能比較
    5.1 概述
    5.2 基于SVM的腦電信號(hào)分類
    5.3 基于RPCA算法的腦電信號(hào)分類
    5.4 各類算法比較
    5.5 本章小結(jié)
第6章 基于高鐵司機(jī)的警覺(jué)度預(yù)警策略
    6.1 概述
    6.2 預(yù)警策略
    6.3 實(shí)驗(yàn)仿真
    6.4 本章小結(jié)
總結(jié)
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及科研成果
    已發(fā)表學(xué)術(shù)論文
    主持或主研項(xiàng)目
    公示或授權(quán)專利
索引
    圖片索引
    表格索引



本文編號(hào)：3899516