基于视觉与脑电信息融合的驾驶员精神状态评估
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文目的和意义 | 第13-14页 |
| 1.4 本文的主要内容 | 第14-15页 |
| 第2章 传统疲劳检测方法和深度学习相关理论 | 第15-25页 |
| 2.1 传统提取视觉特征的疲劳检测方法 | 第15-18页 |
| 2.1.1 基于眨眼频率的疲劳检测 | 第15-16页 |
| 2.1.2 基于头部姿态估计的疲劳检测 | 第16-17页 |
| 2.1.3 基于嘴部状态的疲劳检测 | 第17-18页 |
| 2.2 常用深度学习模型 | 第18-21页 |
| 2.2.1 限制玻尔兹曼机(RBM) | 第18页 |
| 2.2.2 深度置信网络(DBN) | 第18-19页 |
| 2.2.3 卷积神经网络(CNN) | 第19-21页 |
| 2.3 caffe简介 | 第21-23页 |
| 2.3.1 Caffe优点 | 第22页 |
| 2.3.2 caffe的基本数据结构 | 第22-23页 |
| 2.3.3 caffe的网络配置 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 基于卷积神经网络疲劳表情识别研究 | 第25-43页 |
| 3.1 卷积神经网络的一般结构 | 第25-27页 |
| 3.1.1 卷基层 | 第25页 |
| 3.1.2 下采样层 | 第25-26页 |
| 3.1.3 全连接层和输出层 | 第26-27页 |
| 3.2 结构分析和参数优化 | 第27-31页 |
| 3.2.1 特征可视化 | 第27-28页 |
| 3.2.2 池化 | 第28页 |
| 3.2.3 激活函数的选择 | 第28-30页 |
| 3.2.4 Dropout优化 | 第30-31页 |
| 3.3 卷积神经网络模型设计 | 第31-35页 |
| 3.3.1 多卷积核并联网络模型 | 第31-33页 |
| 3.3.2 整体网络结构 | 第33-35页 |
| 3.4 训练与结果 | 第35-41页 |
| 3.4.1 人脸检测定位 | 第35-36页 |
| 3.4.2 网络模型的训练与测试 | 第36-37页 |
| 3.4.3 实验结果与分析 | 第37-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于脑电信号的驾驶员疲劳检测研究 | 第43-59页 |
| 4.1 脑电信号的获取 | 第43-45页 |
| 4.2 脑电信号的预处理 | 第45-53页 |
| 4.2.1 基于巴特沃斯低频滤波 | 第46-47页 |
| 4.2.2 基于HHT的EEG信号消噪 | 第47-50页 |
| 4.2.3 基于独立成分分析EEG信号伪迹处理 | 第50-53页 |
| 4.3 节律波相对能量与精神状态关系 | 第53-57页 |
| 4.3.1 离散小波变换(DWT) | 第53-54页 |
| 4.3.2 基于DWT的小波重构 | 第54-55页 |
| 4.3.3 基于相对能量的特征提取 | 第55-57页 |
| 4.4 支持向量机分类结果 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 多源信息融合的驾驶员疲劳检测系统设计 | 第59-71页 |
| 5.1 多源信息融合理论 | 第59-60页 |
| 5.2 D-S证据理论的决策模型 | 第60-64页 |
| 5.2.1 证据理论的基本概念 | 第61-62页 |
| 5.2.2 基本概率分配(BPA)函数构造方法 | 第62页 |
| 5.2.3 概率分配函数合成规则 | 第62-63页 |
| 5.2.4 D-S证据理论的决策方法 | 第63-64页 |
| 5.3 基于多源信息融合疲劳检测系统 | 第64-70页 |
| 5.3.1 改进D-S证据理论的分类器融合 | 第64-67页 |
| 5.3.2 系统检测实验 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75页 |
