基于脑电信号识别的驾驶疲劳检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 引言 | 第9-10页 |
| 1.2 脑-机接口的组成和分类 | 第10-14页 |
| 1.2.1 脑-机接口的系统组成 | 第10-11页 |
| 1.2.2 脑-机系统的分类 | 第11-12页 |
| 1.2.3 脑-机系统的应用领域 | 第12-14页 |
| 1.3 国内外研究现状及存在的问题 | 第14-15页 |
| 1.4 本文的主要内容安排 | 第15-17页 |
| 第2章 脑电信号 | 第17-22页 |
| 2.1 脑电信号的概述 | 第17-20页 |
| 2.1.1 大脑的结构和功能 | 第17-18页 |
| 2.1.2 脑电信号的产生机理 | 第18页 |
| 2.1.3 脑电信号的特点和分类 | 第18-20页 |
| 2.2 脑电信号的分析方法 | 第20-21页 |
| 2.2.1 时域分析 | 第20页 |
| 2.2.2 频域分析 | 第20-21页 |
| 2.2.3 时频分析 | 第21页 |
| 2.2.4 多维统计分析 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 驾驶疲劳脑电信号的预处理 | 第22-32页 |
| 3.1 模拟驾驶实验设计 | 第22-23页 |
| 3.2 脑电信号的采集 | 第23-25页 |
| 3.3 脑电信号的降频和滤波 | 第25-26页 |
| 3.4 脑电信号的消噪 | 第26-28页 |
| 3.4.1 小波阈值消噪 | 第26页 |
| 3.4.2 硬阈值和软阈值消噪 | 第26-27页 |
| 3.4.3 改进软阈值消噪 | 第27-28页 |
| 3.5 实验结果与分析 | 第28-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 驾驶疲劳脑电信号的特征提取 | 第32-38页 |
| 4.1 基于频带功率谱的特征提取 | 第32-33页 |
| 4.2 基于EMD和能量谱的特征提取方法 | 第33-35页 |
| 4.2.1 经验模态分解 | 第33-34页 |
| 4.2.2 能量谱原理 | 第34页 |
| 4.2.3 基于EMD和能量谱的特征提取 | 第34-35页 |
| 4.3 实验结果分析 | 第35-37页 |
| 4.3.1 EMD和能量谱特征提取结果 | 第35-36页 |
| 4.3.2 分类结果及分析 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 驾驶疲劳脑电信号的分类 | 第38-50页 |
| 5.1 支持向量机 | 第38-40页 |
| 5.1.1 线性支持向量机 | 第38-40页 |
| 5.1.2 非线性支持向量机 | 第40页 |
| 5.2 K近邻算法 | 第40-41页 |
| 5.3 粒子群优化的多层感知超限学习机 | 第41-47页 |
| 5.3.1 超限学习机 | 第41-43页 |
| 5.3.2 多层感知超限学习机 | 第43-44页 |
| 5.3.3 粒子群优化算法 | 第44-45页 |
| 5.3.4 改进的PSO-H-ELM分类器 | 第45-47页 |
| 5.4 实验结果分析 | 第47-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 本文工作总结 | 第50-51页 |
| 6.2 研究展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57页 |
