隨著經(jīng)濟(jì)的發(fā)展,我國的汽車保有量日益增長,因汽車造成的交通事故也已屢見不鮮,而疲勞駕駛正是交通事故發(fā)生的主要原因之一。腦-機(jī)接口（Brain-Computer Interface,BCI）作為一種基于腦電信號(hào)（Electroencephalogram,EEG）的人機(jī)交互方式,可以在不依靠周邊神經(jīng)肌肉系統(tǒng)的情況下,通過腦部信號(hào)來實(shí)現(xiàn)與外界的溝通和自由行動(dòng)。本文基于腦-機(jī)接口系統(tǒng),通過對腦電信號(hào)的預(yù)處理、特征提取和模式分類等步驟來實(shí)現(xiàn)疲勞駕駛的檢測。本文主要研究工作如下:（1）提出一種將經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）方法與能量譜算法相結(jié)合的特征提取方法。預(yù)處理后的腦電信號(hào)通過EMD方法得到若干個(gè)固有模態(tài)分量（Intrinsic Mode Function,IMF）,利用互信息篩選出有用的IMF分量并進(jìn)行重構(gòu),之后通過能量譜對其進(jìn)行特征提取,并與主流特征提取方法進(jìn)行對比驗(yàn)證算法的特征提取效果。（2）提出一種粒子群算法（Particle Swarm Optimization,PSO）優(yōu)化的多層感知超限學(xué)習(xí)機(jī)（Hierarchical Extre... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 引言
    1.2 腦-機(jī)接口的組成和分類
        1.2.1 腦-機(jī)接口的系統(tǒng)組成
        1.2.2 腦-機(jī)系統(tǒng)的分類
        1.2.3 腦-機(jī)系統(tǒng)的應(yīng)用領(lǐng)域
    1.3 國內(nèi)外研究現(xiàn)狀及存在的問題
    1.4 本文的主要內(nèi)容安排
第2章 腦電信號(hào)
    2.1 腦電信號(hào)的概述
        2.1.1 大腦的結(jié)構(gòu)和功能
        2.1.2 腦電信號(hào)的產(chǎn)生機(jī)理
        2.1.3 腦電信號(hào)的特點(diǎn)和分類
    2.2 腦電信號(hào)的分析方法
        2.2.1 時(shí)域分析
        2.2.2 頻域分析
        2.2.3 時(shí)頻分析
        2.2.4 多維統(tǒng)計(jì)分析
    2.3 本章小結(jié)
第3章 駕駛疲勞腦電信號(hào)的預(yù)處理
    3.1 模擬駕駛實(shí)驗(yàn)設(shè)計(jì)
    3.2 腦電信號(hào)的采集
    3.3 腦電信號(hào)的降頻和濾波
    3.4 腦電信號(hào)的消噪
        3.4.1 小波閾值消噪
        3.4.2 硬閾值和軟閾值消噪
        3.4.3 改進(jìn)軟閾值消噪
    3.5 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第4章 駕駛疲勞腦電信號(hào)的特征提取
    4.1 基于頻帶功率譜的特征提取
    4.2 基于EMD和能量譜的特征提取方法
        4.2.1 經(jīng)驗(yàn)?zāi)B(tài)分解
        4.2.2 能量譜原理
        4.2.3 基于EMD和能量譜的特征提取
    4.3 實(shí)驗(yàn)結(jié)果分析
        4.3.1 EMD和能量譜特征提取結(jié)果
        4.3.2 分類結(jié)果及分析
    4.4 本章小結(jié)
第5章 駕駛疲勞腦電信號(hào)的分類
    5.1 支持向量機(jī)
        5.1.1 線性支持向量機(jī)
        5.1.2 非線性支持向量機(jī)
    5.2 K近鄰算法
    5.3 粒子群優(yōu)化的多層感知超限學(xué)習(xí)機(jī)
        5.3.1 超限學(xué)習(xí)機(jī)
        5.3.2 多層感知超限學(xué)習(xí)機(jī)
        5.3.3 粒子群優(yōu)化算法
        5.3.4 改進(jìn)的PSO-H-ELM分類器
    5.4 實(shí)驗(yàn)結(jié)果分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]開創(chuàng)汽車文化新時(shí)代[J]. 郭霽嘉.  中國汽配市場. 2017 (01)
[2]改進(jìn)粒子群算法在光伏陣列多峰值MPPT中的應(yīng)用[J]. 婁賀偉,李光林,蔡鵬宇,李凱.  自動(dòng)化與儀器儀表. 2015(03)
[3]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[4]數(shù)字信號(hào)處理的時(shí)頻分析方法綜述[J]. 張麗娜.  信息技術(shù). 2013(06)
[5]小波閾值去噪法的深入研究[J]. 陳曉曦,王延杰,劉戀.  激光與紅外. 2012(01)
[6]基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測模型[J]. 葉林,劉鵬.  中國電機(jī)工程學(xué)報(bào). 2011(31)
[7]基于軟閾值和小波模極大值重構(gòu)的信號(hào)降噪[J]. 秦毅,王家序,毛永芳.  振動(dòng).測試與診斷. 2011(05)
[8]Powell算法在線性支持向量機(jī)中的應(yīng)用[J]. 劉葉青,劉三陽,谷明濤.  計(jì)算機(jī)工程. 2011(12)
[9]一種基于腦電信號(hào)的疲勞駕駛狀態(tài)判斷方法[J]. 李明愛,張誠,楊金福.  北京生物醫(yī)學(xué)工程. 2011 (01)
[10]支持向量機(jī)理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學(xué)學(xué)報(bào). 2011(01)

碩士論文
[1]運(yùn)動(dòng)想象腦電信號(hào)的分析與處理算法研究[D]. 許明珍.杭州電子科技大學(xué) 2015
[2]基于小波變換和多域融合的腦電信號(hào)特征提取[D]. 王攀.浙江大學(xué) 2011



本文編號(hào)：3631580