隨著便攜式生理信號(hào)采集設(shè)備、信號(hào)處理算法以及機(jī)器學(xué)習(xí)算法的發(fā)展,腦電信號(hào)和眼電信號(hào)已被成功地應(yīng)用于疲勞駕駛檢測。本文提出一種融合部分腦區(qū)腦電信號(hào)和前額眼電信號(hào)來進(jìn)行疲勞駕駛檢測的方法。我們設(shè)計(jì)并進(jìn)行了疲勞駕駛的模擬實(shí)驗(yàn),同時(shí)采集被試的腦電、眼電和眼動(dòng)數(shù)據(jù)。本文對(duì)信號(hào)融合時(shí)不同腦區(qū)腦電信號(hào)的效果進(jìn)行了研究,確定了疲勞駕駛檢測時(shí),信號(hào)融合的關(guān)鍵腦區(qū)。實(shí)驗(yàn)結(jié)果表明,顳葉區(qū)的六導(dǎo)腦電信號(hào)和前額眼電信號(hào)結(jié)合,能夠最有效地學(xué)習(xí)出多模態(tài)的共享特征表達(dá)。進(jìn)一步,本文提出了一種基于深度自編碼器模型的多模態(tài)信息融合策略來學(xué)習(xí)多模態(tài)特征。我們針對(duì)22名不同被試,使用多模態(tài)算法模型和單模態(tài)的算法進(jìn)行疲勞駕駛檢測。本文提出的算法取得了良好的檢測結(jié)果,預(yù)測疲勞狀態(tài)與實(shí)際疲勞狀態(tài)的相關(guān)系數(shù)為0.85,均方根差為0.09。實(shí)驗(yàn)結(jié)果表明,利用本文提出的多模態(tài)特征融合算法對(duì)腦電和眼電信號(hào)進(jìn)行融合,能夠?qū)W習(xí)到有效的多模態(tài)共享特征,并提升疲勞駕駛檢測效果。

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
主要符號(hào)縮寫對(duì)照表
第一章 緒論
    1.1 研究意義及目的
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 疲勞駕駛預(yù)測的研究
        1.2.2 腦電信號(hào)的研究
        1.2.3 眼電信號(hào)的研究
        1.2.4 疲勞狀態(tài)標(biāo)定的研究
        1.2.5 多模態(tài)信號(hào)融合的研究
    1.3 主要研究內(nèi)容
    1.4 論文安排
    1.5 本章小結(jié)
第二章 腦電、眼電與疲勞檢測相關(guān)背景
    2.1 腦電的相關(guān)背景介紹
        2.1.1 大腦的主要腦區(qū)及功能
        2.1.2 腦電的產(chǎn)生和特征
        2.1.3 腦電信號(hào)噪聲的處理
    2.2 眼電的相關(guān)背景介紹
        2.2.1 眼電信號(hào)的產(chǎn)生和特征
        2.2.2 傳統(tǒng)眼電與前額眼電
    2.3 疲勞狀態(tài)標(biāo)定的相關(guān)背景介紹
    2.4 本章小結(jié)
第三章 疲勞駕駛實(shí)驗(yàn)設(shè)計(jì)
    3.1 實(shí)驗(yàn)?zāi)康?br>    3.2 實(shí)驗(yàn)設(shè)備
    3.3 實(shí)驗(yàn)流程
    3.4 本章小結(jié)
第四章 特征提取及回歸模型算法介紹
    4.1 單模態(tài)特征提取算法
        4.1.1 腦電信號(hào)特征提取
        4.1.2 眼電信號(hào)特征提取
    4.2 多模態(tài)特征融合算法
        4.2.1 受限布爾茲曼機(jī)
        4.2.2 利用深度自編碼器提取多模態(tài)特征
    4.3 回歸算法
    4.4 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果分析及討論
    5.1 深度自編碼器的訓(xùn)練參數(shù)優(yōu)化
    5.2 腦電與眼電特征融合關(guān)鍵腦區(qū)
    5.3 多模態(tài)疲勞駕駛檢測效果
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本論文主要結(jié)論
    6.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3855527