| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 疲劳驾驶背景及意义 | 第9-10页 |
| 1.2 疲劳驾驶状态识别方法的研究现状 | 第10-13页 |
| 1.3 基于EEG脑电信号的疲劳驾驶识别方法研究现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 1.5 本文的组织结构 | 第16页 |
| 1.6 本章小结 | 第16-17页 |
| 第2章 脑电信号及相关理论简介 | 第17-25页 |
| 2.1 脑电信号介绍 | 第17-19页 |
| 2.1.1 脑电的产生 | 第17-18页 |
| 2.1.2 脑电的采集电极放置位置 | 第18-19页 |
| 2.2 经验模态分解的相关简介 | 第19-20页 |
| 2.2.1 经验模态分解概述 | 第19页 |
| 2.2.2 经验模态分解算法 | 第19-20页 |
| 2.3 熵特征概述 | 第20-23页 |
| 2.3.1 排列熵 | 第21页 |
| 2.3.2 样本熵 | 第21-22页 |
| 2.3.3 模糊熵 | 第22-23页 |
| 2.4 分类器描述 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于经验模态分解的自适应多尺度熵模型构建及算法描述 | 第25-41页 |
| 3.1 模型构建 | 第25-26页 |
| 3.2 模型的中的相关参数说明 | 第26-27页 |
| 3.3 自适应尺度因子概念及算法描述 | 第27-30页 |
| 3.3.1 尺度概念 | 第27-28页 |
| 3.3.3 自适应尺度因子算法(ASF)描述 | 第28-30页 |
| 3.3.4 算法时间复杂度分析 | 第30页 |
| 3.4 单模态分量相关(SIMFR)系数 | 第30-31页 |
| 3.4.1 单模态分量相关系数定义 | 第31页 |
| 3.4.2 模态选择指标 | 第31页 |
| 3.5 两种自适应多尺度排列熵算法描述 | 第31-34页 |
| 3.5.1 自适应多尺度排列熵特征算法 | 第31-32页 |
| 3.5.2 基于经验模态分解的自适应多尺度排列熵特征算法 | 第32-34页 |
| 3.5.3 算法时间复杂度分析 | 第34页 |
| 3.6 两种自适应多尺度样本熵算法描述 | 第34-37页 |
| 3.6.1 自适应多尺度样本熵特征算法 | 第34-35页 |
| 3.6.2 基于经验模态分解的自适应多尺度样本熵特征算法 | 第35-37页 |
| 3.6.3 算法时间复杂度分析 | 第37页 |
| 3.7 基于经验模态分解的自适应多尺度模糊熵算法描述 | 第37-40页 |
| 3.7.1 多尺度模糊熵特征算法 | 第37-38页 |
| 3.7.2 基于经验模态分解的自适应多尺度模糊熵特征算法 | 第38-40页 |
| 3.7.3 算法时间复杂度分析 | 第40页 |
| 3.8 本章小结 | 第40-41页 |
| 第4章 基于经验模态分解的自适应多尺度熵算法测试 | 第41-57页 |
| 4.1 实验预处理及性能评价 | 第41-45页 |
| 4.1.1 实验软硬件平台 | 第41页 |
| 4.1.2 数据采集 | 第41-42页 |
| 4.1.3 数据预处理 | 第42-43页 |
| 4.1.4 实验个体选择 | 第43-45页 |
| 4.1.5 性能评价矩阵 | 第45页 |
| 4.2 自适应尺度因子及相关模态分量的选择 | 第45-50页 |
| 4.2.1 尺度因子的确定 | 第45-48页 |
| 4.2.2 相关模态分量的选择 | 第48-50页 |
| 4.3 熵特征算法在检测疲劳驾驶中测试 | 第50-55页 |
| 4.3.1 多尺度熵特征对疲劳驾驶的检测 | 第50-51页 |
| 4.3.2 基于经验模态分解的多尺度熵特征对疲劳驾驶的检测 | 第51-52页 |
| 4.3.3 基于经验模态分解的多尺度熵特征在多种分类器下的测试 | 第52-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读学位期间的研究成果 | 第65页 |
