基于便携式采集设备脑电信号的疲劳检测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 引言 | 第9-10页 |
| 1.2 疲劳检测的研究现状 | 第10-11页 |
| 1.3 本文的章节安排 | 第11-13页 |
| 第二章 脑电信号 | 第13-25页 |
| 2.1 脑电信号简介 | 第13-14页 |
| 2.2 脑电信号的基本特征 | 第14-15页 |
| 2.3 脑电信号的采集 | 第15-19页 |
| 2.4 脑电信号的预处理 | 第19-23页 |
| 2.4.1 数据整理 | 第19页 |
| 2.4.2 伪迹去除 | 第19-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 疲劳特征提取与选择 | 第25-41页 |
| 3.1 基于时域分析的特征提取 | 第25-26页 |
| 3.2 基于功率谱估计的特征提取 | 第26-32页 |
| 3.2.1 基于Welch法的谱估计 | 第26-27页 |
| 3.2.2 基于ARIMA模型的谱估计 | 第27-30页 |
| 3.2.3 基于谱估计的频域特征 | 第30-32页 |
| 3.3 基于小波包分解的特征提取 | 第32-35页 |
| 3.4 基于熵概念的特征提取 | 第35-37页 |
| 3.5 特征选择与降维 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 疲劳检测算法及分析 | 第41-61页 |
| 4.1 基于传统分类器的疲劳检测模型 | 第41-45页 |
| 4.1.1 朴素贝叶斯分类器 | 第41-42页 |
| 4.1.2 K近邻分类器 | 第42页 |
| 4.1.3 支持向量机 | 第42-44页 |
| 4.1.4 决策树 | 第44-45页 |
| 4.2 基于提升方法的疲劳检测模型 | 第45-47页 |
| 4.2.1 Bagging方法 | 第45-46页 |
| 4.2.2 AdaBoost方法 | 第46-47页 |
| 4.3 基于深度信念网络的疲劳检测模型 | 第47-56页 |
| 4.3.1 深度信念网络的结构 | 第48页 |
| 4.3.2 深度信念网络的训练方法 | 第48-52页 |
| 4.3.3 本文设计的深度信念网络模型 | 第52-56页 |
| 4.4 结果及分析 | 第56-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61-62页 |
| 5.2 进一步的研究工作 | 第62-63页 |
| 参考文献 | 第63-71页 |
| 致谢 | 第71-73页 |
| 学位期间发表或已录用的学术论文 | 第73页 |
