| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-14页 |
| 1 引言 | 第14-40页 |
| ·研究背景及意义 | 第14-17页 |
| ·研究背景 | 第14-15页 |
| ·机务管理部门的需求分析 | 第15-16页 |
| ·研究目的和意义 | 第16-17页 |
| ·国内外相关研究的现状 | 第17-34页 |
| ·驾驶疲劳产生机理的研究历史与现状 | 第17-21页 |
| ·驾驶类工作负荷测评的研究现状 | 第21-25页 |
| ·驾驶疲劳影响因素指标与风险评价体系的研究现状 | 第25-27页 |
| ·驾驶疲劳测量方法的研究现状 | 第27-33页 |
| ·车载或机载驾驶疲劳检测装置的现状分析 | 第33-34页 |
| ·论文的研究思路和组织结构 | 第34-37页 |
| ·论文的主要内容 | 第37-40页 |
| 2 机车司机驾驶疲劳的形成机理研究 | 第40-62页 |
| ·机车司机的驾驶作业特点分析 | 第40-48页 |
| ·机车司机的作业行为 | 第40-44页 |
| ·机车司机的值乘制度 | 第44-45页 |
| ·机车司机的工作环境及劳动时间标准 | 第45-48页 |
| ·机车司机驾驶疲劳的形成过程及机理分析 | 第48-54页 |
| ·机车司机驾驶疲劳的行为模式分析 | 第48-49页 |
| ·机车司机驾驶疲劳的生理学产生机理分析 | 第49-51页 |
| ·机车司机驾驶疲劳的心理学产生机理分析 | 第51-54页 |
| ·机车司机驾驶疲劳的影响因素 | 第54-56页 |
| ·机车司机驾驶疲劳的表现特征 | 第56-61页 |
| ·机车司机驾驶疲劳的行为表现特征 | 第56-57页 |
| ·机车司机驾驶疲劳的生理表现特征 | 第57-59页 |
| ·机车司机驾驶疲劳的心理表现特征 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 3 机车司机的工作负荷计算与驾驶疲劳风险分析 | 第62-100页 |
| ·机车司机的工作任务分析与工作负荷计算 | 第62-76页 |
| ·驾驶类工作任务的认知模型 | 第63-66页 |
| ·机车司机作业任务的层次分解 | 第66-67页 |
| ·机车司机任务模块划分及基本作业行为要素的构建 | 第67页 |
| ·任务执行规则、作业行为持续时间及任务需量的确定 | 第67-71页 |
| ·机车司机的任务序列、起止时间和工作负荷计算 | 第71-75页 |
| ·工作负荷计算方法在机车驾驶领域的应用 | 第75-76页 |
| ·不同作业时段下机车司机的驾驶疲劳风险评价方法 | 第76-89页 |
| ·机车司机驾驶疲劳风险评价指标体系的建立 | 第76-78页 |
| ·机车司机驾驶疲劳风险评价指标的分析与量化 | 第78-82页 |
| ·机车司机驾驶疲劳风险评价指标的赋权方法 | 第82-86页 |
| ·机车司机驾驶疲劳风险评价模型各权重参数的确定 | 第86-89页 |
| ·不同时段下机车司机的驾驶疲劳风险评价及分析实例 | 第89-99页 |
| ·实例情况 | 第89-91页 |
| ·不同车次不同时段下的机车司机工作负荷分析 | 第91-94页 |
| ·不同车次不同时段下的机车司机驾驶疲劳风险预测与分析 | 第94-97页 |
| ·机车司机驾驶疲劳风险评价的意义与应用 | 第97-99页 |
| ·本章小结 | 第99-100页 |
| 4 机车司机驾驶疲劳在线检测方案及相关特征的提取与分析 | 第100-144页 |
| ·机车司机驾驶疲劳在线检测方案的确定 | 第100-103页 |
| ·多传感器信息融合的驾驶疲劳在线检测方案 | 第101-102页 |
| ·基于语音信号处理的驾驶疲劳检测方案 | 第102页 |
| ·基于视频信号处理的驾驶疲劳检测方案 | 第102-103页 |
| ·机车司机语音疲劳特征参数的提取与分析 | 第103-117页 |
| ·语音信号的数学模型 | 第103-107页 |
| ·经典激励源-滤波器模型 | 第104-105页 |
| ·语音信号的非线性动力学模型 | 第105-107页 |
| ·人体疲劳对语音信号的影响 | 第107-110页 |
| ·疲劳时激励源-滤波器模型的参数变化 | 第107页 |
| ·疲劳对语音非线性动力学特性的影响 | 第107-110页 |
| ·语音疲劳特征参数的提取方法 | 第110-115页 |
| ·传统语音特征参数的提取 | 第110-112页 |
| ·语音非线性特征参数的提取 | 第112-115页 |
| ·语音疲劳特征参数的实验分析 | 第115-117页 |
| ·机车司机眼部及面部疲劳特征参数的提取与分析 | 第117-142页 |
| ·机车司机的人脸区域检测 | 第118-124页 |
| ·基于自适应更新肤色模型的预分割 | 第118-121页 |
| ·基于Haar特征与Adaboost分类器的人脸区域检测 | 第121-124页 |
| ·机车司机的人眼定位与开合度状态识别 | 第124-135页 |
| ·基于Zernike矩特征的人眼定位 | 第125-131页 |
| ·基于旋转角度修正的人眼开合度状态识别 | 第131-135页 |
| ·眼部疲劳特征的提取与分析 | 第135-139页 |
| ·眼部多特征参数的提取方法 | 第135-136页 |
| ·眼部特征参数的实验分析及最优时间窗确定 | 第136-139页 |
| ·面部疲劳特征的提取与分析 | 第139-142页 |
| ·嘴部YawnFreq特征和头部NodFreq特征的提取 | 第139-141页 |
| ·YawnFreq和NodFreq特征的实验分析 | 第141-142页 |
| ·本章小结 | 第142-144页 |
| 5 多信息融合的机车司机驾驶疲劳在线检测及预警技术研究 | 第144-198页 |
| ·信息融合的原理及方案 | 第144-149页 |
| ·信息融合的基本原理与分类 | 第144-146页 |
| ·特征层与决策层信息融合的多分类器混联结构 | 第146-147页 |
| ·融合疲劳特征信息及疲劳风险信息的驾驶疲劳在线检测方案 | 第147-149页 |
| ·基于模糊支持向量机的特征层信息融合方法 | 第149-164页 |
| ·模糊支持向量机算法 | 第149-158页 |
| ·基于FSVM分类器的语音多特征驾驶疲劳检测模型 | 第158-163页 |
| ·语音多特征-FSVM分类检测模型的搭建 | 第158-160页 |
| ·语音多特征-FSVM分类检测模型的实验验证 | 第160-163页 |
| ·基于FSVM分类器的眼部多特征驾驶疲劳检测模型 | 第163-164页 |
| ·眼部多特征-FSVM分类检测模型的搭建 | 第163页 |
| ·眼部多特征-FSVM分类检测模型的实验验证 | 第163-164页 |
| ·基于动态贝叶斯网络的决策层信息融合方法 | 第164-185页 |
| ·基于贝叶斯网络的信息融合方法 | 第164-168页 |
| ·基于动态贝叶斯网络决策层信息融合的驾驶疲劳模式推断 | 第168-176页 |
| ·驾驶疲劳多信息融合的DBN网络结构 | 第168-174页 |
| ·驾驶疲劳多信息融合的DBN网络参数 | 第174-176页 |
| ·机车司机驾驶疲劳的决策层多信息融合判决模型 | 第176-178页 |
| ·驾驶疲劳多信息融合判决模型的实验验证 | 第178-185页 |
| ·决策层信息融合判决模型的动态性能验证 | 第178-181页 |
| ·多信息融合算法整体检测性能的实验验证 | 第181-185页 |
| ·机车司机驾驶疲劳在线检测及预警系统的设计、实现与应用 | 第185-197页 |
| ·系统的总体设计方案 | 第186-187页 |
| ·系统的软硬件设计与实现 | 第187-195页 |
| ·机车司机驾驶疲劳在线检测及预警系统的应用 | 第195-197页 |
| ·本章小结 | 第197-198页 |
| 6 总结与展望 | 第198-202页 |
| ·工作总结 | 第198-200页 |
| ·主要创新点 | 第200-201页 |
| ·研究展望 | 第201-202页 |
| 参考文献 | 第202-214页 |
| 附录A | 第214-216页 |
| 附录B | 第216-220页 |
| 附录C | 第220-230页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第230-234页 |
| 学位论文数据集 | 第234页 |
