基于多生理信息融合的驾驶疲劳检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 课题研究背景 | 第10页 |
| 1.1.2 课题研究意义 | 第10-11页 |
| 1.2 国内外驾驶疲劳检测研究现状 | 第11-17页 |
| 1.2.1 驾驶疲劳的特点及产生原因 | 第11-12页 |
| 1.2.2 驾驶疲劳检测方法研究现状 | 第12-14页 |
| 1.2.3 基于生理信号的驾驶疲劳检测研究现状 | 第14-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 第2章 汽车模拟驾驶平台搭建及数据采集 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 模拟驾驶实验系统设计 | 第18-21页 |
| 2.2.1 驾驶疲劳生理指标确定 | 第18-19页 |
| 2.2.2 汽车模拟驾驶实验平台搭建 | 第19-21页 |
| 2.3 模拟驾驶疲劳实验及生理信息采集 | 第21-26页 |
| 2.3.1 实验方法及实验流程 | 第21-23页 |
| 2.3.2 驾驶过程中多生理信号采集 | 第23-26页 |
| 2.4 主观问卷调查分析 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于脑电信号的驾驶疲劳特征分析 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 脑电信号概述 | 第30-31页 |
| 3.3 脑电伪迹与预处理 | 第31-38页 |
| 3.3.1 伪迹分类与去除方法 | 第31-33页 |
| 3.3.2 基于中值滤波的脑电基线漂移去除 | 第33-34页 |
| 3.3.3 脑电信号的带通滤波与陷波滤波 | 第34-35页 |
| 3.3.4 基于ICA方法的眼电伪迹去除 | 第35-38页 |
| 3.4 基于脑电功率谱的驾驶疲劳分析 | 第38-39页 |
| 3.4.1 直接法和Welch法功率谱估计 | 第38页 |
| 3.4.2 脑电疲劳指标选取 | 第38-39页 |
| 3.5 脑电疲劳指标分析 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于肌电和心电信号的驾驶疲劳特征分析 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 肌电信号预处理 | 第43-47页 |
| 4.2.1 滑动平均法去除基线漂移 | 第43-44页 |
| 4.2.2 自适应ICA方法去除工频干扰 | 第44-46页 |
| 4.2.3 带通滤波法获取目标频段 | 第46-47页 |
| 4.3 心电信号预处理 | 第47-50页 |
| 4.3.1 心电信号特征 | 第47-48页 |
| 4.3.2 小波软阈值去噪 | 第48-50页 |
| 4.4 特征指标选取与结果分析 | 第50-54页 |
| 4.4.1 肌电频域疲劳指标 | 第50-52页 |
| 4.4.2 心电时频域疲劳指标 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 基于多生理信息融合的驾驶疲劳检测 | 第55-68页 |
| 5.1 引言 | 第55页 |
| 5.2 多源生理信息特征融合及降维 | 第55-59页 |
| 5.2.1 多源生理信息特征融合 | 第55-57页 |
| 5.2.2 基于PCA的融合特征降维 | 第57-59页 |
| 5.3 基于支持向量机的驾驶疲劳检测 | 第59-62页 |
| 5.3.1 支持向量机分类模型 | 第59-61页 |
| 5.3.2 驾驶疲劳识别结果 | 第61-62页 |
| 5.4 基于深度信念网络的驾驶疲劳检测 | 第62-67页 |
| 5.4.1 深度信念网络模型 | 第62-64页 |
| 5.4.2 识别结果对比分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第74-75页 |
| 致谢 | 第75页 |
