基于最短路徑樹的功能性腦網(wǎng)絡在疲勞駕駛狀態(tài)識別中的應用研究
發(fā)布時間：2021-01-27 07:00
針對基于腦電圖（electroencephalogram,EEG）的疲勞駕駛狀態(tài)識別模型的準確率問題不夠理想,以及目前缺乏對疲勞駕駛發(fā)生的神經(jīng)機理問題研究,課題致力于研究基于最短路徑樹來構建有效的功能性腦網(wǎng)絡用于疲勞駕駛狀態(tài)識別,建立了基于最短路徑樹功能性腦網(wǎng)絡的疲勞駕駛狀態(tài)識別模型和疲勞發(fā)生的神經(jīng)機理模型,提出并設計了基于最短路徑樹功能性腦網(wǎng)絡的疲勞駕駛狀態(tài)識別方法和疲勞發(fā)生的神經(jīng)機理分析方法。課題主要研究內(nèi)容和階段性研究成果如下:較全面分析了功能性腦網(wǎng)絡（functional brain networks,FBN）構建的關鍵技術,包括研究基于最短路徑樹（shortest path trees,SPT）的FBN構建方法（該網(wǎng)絡記為SPT-FBN）,針對基于聯(lián)合最短路徑樹（the union of shortest path trees,USPT）所構建的FBN存在密度過大問題,提出了一種改進的方法即基于組合最短路徑樹（the combination of shortest path tree,CSPT）的FBN構建方法（該網(wǎng)絡記為CSPT-FBN）,并設計了相應的構建算法。對SPT-...
【文章來源】：南昌大學江西省 211工程院校
【文章頁數(shù)】：55 頁
【學位級別】：碩士
【部分圖文】：
大腦神經(jīng)元示意圖
圖 3-1 SPT-FBN 和 CSPT-FBN 的疲勞駕駛狀態(tài)識別模型圖主要可以分為四個階段：(1)數(shù)據(jù)準備：包括對疲勞駕駛 EEG 數(shù)據(jù)集的采集、預處理階段以及頻段劃分，經(jīng)過這一系列的步驟，得到疲勞駕駛的 EEG數(shù)據(jù)集。(2)特征提�。褐饕� FBN 構建以及對它們網(wǎng)絡屬性的提取方式。首先構建了 SPT-FBN，在 SPT-FBN 的基礎上根據(jù) 3.2.2 節(jié)的規(guī)則構建 CSPT-FBN，組成基于 EEG 的 FBN 數(shù)據(jù)集，分別采用 2.4 節(jié)的網(wǎng)絡屬性公式計算出兩種 FBN 的屬性，并用 KS 檢驗提取有顯著性差異的屬性，將所有計算出的屬性和有顯著性差異的屬性分別放入網(wǎng)絡屬性數(shù)據(jù)集。(3)分類測試：本文主要對網(wǎng)絡屬性采用十折交叉驗證的 SVM 分類算法，取數(shù)據(jù)集中的 9 份作為訓練集，1 份作為測試集，進行 10 次交叉驗證，取 10次的平均分類準確率作為分類準確率。(4)結果分析：結果分析主要包括：測試結果的有效性分析、SPT-FBN 屬性和測試結果之間的關系分析，基于 CSPT-FBN 測試結果的疲勞駕駛神經(jīng)機理分析。
圖 3-2 基于 CSPT-FBN 的疲勞駕駛神經(jīng)機理分析模型圖3.5 本章小結主要介紹了 SPT-FBN、CSPT-FBN 構建方法和基于 SPT-FBN、CSPT-FBN的疲勞駕駛狀態(tài)識別模型以及疲勞機理分析模型。先介紹了關鍵技術，包括SPT-FBN 根節(jié)點的選擇策略、權重變換的方法以及 CSPT-FBN 的生成規(guī)則；接著提出了 SPT-FBN 和 CSPT-FBN 疲勞駕駛狀態(tài)識別模型，模型主要分成了數(shù)據(jù)準備、特征提取、分類測試、結果分析四個階段，對這四個階段進行了說明；最后介紹了 CSPT-FBN 疲勞機理分析模型，主要是根據(jù)測試結果進行逆向推斷與疲勞產(chǎn)生相關的腦區(qū)部位。
【參考文獻】：
期刊論文
[1]腦疲勞狀態(tài)的腦功能網(wǎng)絡特征分類研究[J]. 楊碩,艾娜,王磊,張穎,徐桂芝. 生物醫(yī)學工程學雜志. 2018(02)
[2]船員疲勞駕駛監(jiān)控技術發(fā)展[J]. 李林. 科技資訊. 2015(24)
[3]基于腦電圖識別結合操縱特征的駕駛疲勞檢測[J]. 王斐,王少楠,王惜慧,彭瑩,楊乙丁. 儀器儀表學報. 2014(02)
博士論文
[1]基于腦功能網(wǎng)絡的腦力疲勞檢測技術及其形成機理研究[D]. 李剛.山東大學 2017
[2]抑郁癥靜息態(tài)功能腦網(wǎng)絡異常拓撲屬性分析及分類研究[D]. 郭浩.太原理工大學 2013
碩士論文
[1]EEG腦功能網(wǎng)絡構建方法及應用研究[D]. 武政.太原理工大學 2015
[2]基于復雜網(wǎng)絡的腦功能研究與分析[D]. 喬赫元.中國科學技術大學 2011
本文編號：3002650
【文章來源】：南昌大學江西省 211工程院校
【文章頁數(shù)】：55 頁
【學位級別】：碩士
【部分圖文】：
大腦神經(jīng)元示意圖
圖 3-1 SPT-FBN 和 CSPT-FBN 的疲勞駕駛狀態(tài)識別模型圖主要可以分為四個階段：(1)數(shù)據(jù)準備：包括對疲勞駕駛 EEG 數(shù)據(jù)集的采集、預處理階段以及頻段劃分，經(jīng)過這一系列的步驟，得到疲勞駕駛的 EEG數(shù)據(jù)集。(2)特征提�。褐饕� FBN 構建以及對它們網(wǎng)絡屬性的提取方式。首先構建了 SPT-FBN，在 SPT-FBN 的基礎上根據(jù) 3.2.2 節(jié)的規(guī)則構建 CSPT-FBN，組成基于 EEG 的 FBN 數(shù)據(jù)集，分別采用 2.4 節(jié)的網(wǎng)絡屬性公式計算出兩種 FBN 的屬性，并用 KS 檢驗提取有顯著性差異的屬性，將所有計算出的屬性和有顯著性差異的屬性分別放入網(wǎng)絡屬性數(shù)據(jù)集。(3)分類測試：本文主要對網(wǎng)絡屬性采用十折交叉驗證的 SVM 分類算法，取數(shù)據(jù)集中的 9 份作為訓練集，1 份作為測試集，進行 10 次交叉驗證，取 10次的平均分類準確率作為分類準確率。(4)結果分析：結果分析主要包括：測試結果的有效性分析、SPT-FBN 屬性和測試結果之間的關系分析，基于 CSPT-FBN 測試結果的疲勞駕駛神經(jīng)機理分析。
圖 3-2 基于 CSPT-FBN 的疲勞駕駛神經(jīng)機理分析模型圖3.5 本章小結主要介紹了 SPT-FBN、CSPT-FBN 構建方法和基于 SPT-FBN、CSPT-FBN的疲勞駕駛狀態(tài)識別模型以及疲勞機理分析模型。先介紹了關鍵技術，包括SPT-FBN 根節(jié)點的選擇策略、權重變換的方法以及 CSPT-FBN 的生成規(guī)則；接著提出了 SPT-FBN 和 CSPT-FBN 疲勞駕駛狀態(tài)識別模型，模型主要分成了數(shù)據(jù)準備、特征提取、分類測試、結果分析四個階段，對這四個階段進行了說明；最后介紹了 CSPT-FBN 疲勞機理分析模型，主要是根據(jù)測試結果進行逆向推斷與疲勞產(chǎn)生相關的腦區(qū)部位。
【參考文獻】：
期刊論文
[1]腦疲勞狀態(tài)的腦功能網(wǎng)絡特征分類研究[J]. 楊碩,艾娜,王磊,張穎,徐桂芝. 生物醫(yī)學工程學雜志. 2018(02)
[2]船員疲勞駕駛監(jiān)控技術發(fā)展[J]. 李林. 科技資訊. 2015(24)
[3]基于腦電圖識別結合操縱特征的駕駛疲勞檢測[J]. 王斐,王少楠,王惜慧,彭瑩,楊乙丁. 儀器儀表學報. 2014(02)
博士論文
[1]基于腦功能網(wǎng)絡的腦力疲勞檢測技術及其形成機理研究[D]. 李剛.山東大學 2017
[2]抑郁癥靜息態(tài)功能腦網(wǎng)絡異常拓撲屬性分析及分類研究[D]. 郭浩.太原理工大學 2013
碩士論文
[1]EEG腦功能網(wǎng)絡構建方法及應用研究[D]. 武政.太原理工大學 2015
[2]基于復雜網(wǎng)絡的腦功能研究與分析[D]. 喬赫元.中國科學技術大學 2011
本文編號：3002650
本文鏈接：http://www.sikaile.net/kejilunwen/ruanjiangongchenglunwen/3002650.html
最近更新
教材專著
