基于模糊熵的疲劳驾驶脑电信号特征分析
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 引言 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外的发展现状 | 第9-14页 |
| 1.2.1 疲劳检测的发展现状 | 第9-11页 |
| 1.2.2 模糊熵的的发展现状 | 第11-13页 |
| 1.2.3 基于脑电的疲劳检测的发展现状 | 第13-14页 |
| 1.3 研究内容及章节安排 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 基于脑电信号的疲劳检测相关技术 | 第16-28页 |
| 2.1 脑电信号预处理 | 第16-20页 |
| 2.1.1 时域分析方法 | 第16-17页 |
| 2.1.2 频域分析方法 | 第17-18页 |
| 2.1.3 时频域分析方法 | 第18-20页 |
| 2.2 脑电信号的特征提取算法 | 第20-22页 |
| 2.2.1 主成分分析(PCA) | 第20-21页 |
| 2.2.2 线性判别分析(LDA) | 第21-22页 |
| 2.3 脑电信号的分类算法 | 第22-27页 |
| 2.3.1 BP神经网络算法 | 第23-25页 |
| 2.3.2 支持向量机(SVM)算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 模糊熵特征提取算法 | 第28-35页 |
| 3.1 熵特征提取算法 | 第28-29页 |
| 3.2 脑电信号分析中常用的熵 | 第29-31页 |
| 3.2.1 样本熵 | 第29-30页 |
| 3.2.2 近似熵 | 第30-31页 |
| 3.3 模糊熵算法 | 第31-34页 |
| 3.3.1 模糊熵算法概述 | 第31-32页 |
| 3.3.2 模糊熵的应用 | 第32-33页 |
| 3.3.3 模糊熵在脑电信号处理的应用 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 仿真实验与分析 | 第35-50页 |
| 4.1 数据获取 | 第35-40页 |
| 4.1.1 实验范式 | 第35-37页 |
| 4.1.2 实验过程 | 第37-39页 |
| 4.1.3 数据预处理 | 第39-40页 |
| 4.2 特征提取 | 第40-42页 |
| 4.3 分类计算 | 第42-44页 |
| 4.4 电极个数对疲劳检测识别结果的影响 | 第44-46页 |
| 4.5 噪音对实验结果的影响 | 第46-49页 |
| 4.5.1 零相移滤波方法 | 第46-47页 |
| 4.5.2 Hjort数据转换方法 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 总结与未来展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 未来展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读学位期间的研究成果 | 第56页 |
