摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第10-17页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 驾驶疲劳研究现状 | 第11-15页 |
1.2.1 主观评价疲劳法 | 第11-12页 |
1.2.2 基于生理信号的疲劳检测法 | 第12-13页 |
1.2.3 基于驾驶行为及车辆参数的疲劳检测法 | 第13页 |
1.2.4 基于眼动信号的疲劳检测法 | 第13-15页 |
1.3 本文研究内容及技术路线 | 第15-17页 |
第二章 轨道交通驾驶实验 | 第17-25页 |
2.1 实验被试 | 第17页 |
2.2 实验硬件平台 | 第17-20页 |
2.2.1 模拟驾驶仪 | 第17-18页 |
2.2.2 眼动仪 | 第18-20页 |
2.3 实验场景及环境 | 第20页 |
2.4 疲劳状态评价 | 第20-22页 |
2.4.1 睡眠记录 | 第20-21页 |
2.4.2 卡罗林斯卡嗜睡量表 | 第21页 |
2.4.3 发现距离 | 第21-22页 |
2.5 实验过程 | 第22-23页 |
2.6 实验可靠性分析 | 第23-24页 |
2.7 本章小结 | 第24-25页 |
第三章 眼动数据软件采集平台设计 | 第25-34页 |
3.1 系统需求与难点 | 第25-26页 |
3.2 总体框架 | 第26-27页 |
3.3 模块划分 | 第27-31页 |
3.3.1 数据采集模块 | 第27-29页 |
3.3.2 数据存储模块 | 第29-31页 |
3.4 眼动数据软件采集平台实现效果 | 第31-33页 |
3.5 本章小结 | 第33-34页 |
第四章 疲劳驾驶眼动特征及分析 | 第34-51页 |
4.1 数据提取 | 第34-35页 |
4.2 瞳孔 | 第35-40页 |
4.2.1 瞳孔直径预处理 | 第35-38页 |
4.2.2 瞳孔直径特征分析 | 第38-40页 |
4.3 眨眼 | 第40-43页 |
4.3.1 眨眼时间提取 | 第40-41页 |
4.3.2 眨眼时间特征分析 | 第41-43页 |
4.4 注视 | 第43-50页 |
4.4.1 注视点提取 | 第44-48页 |
4.4.2 注视比例特征分析 | 第48-50页 |
4.5 本章小结 | 第50-51页 |
第五章 改进的神经网络与个性化驾驶疲劳检测模型 | 第51-70页 |
5.1 BP神经网络 | 第51-54页 |
5.1.1 BP神经网络基本原理 | 第52-53页 |
5.1.2 BP神经网络算法步骤 | 第53-54页 |
5.2 基于BP神经网络的个性化驾驶疲劳检测模型设计 | 第54-61页 |
5.2.1 样本处理 | 第54-55页 |
5.2.2 BP神经网络的结构设计和参数选择 | 第55-59页 |
5.2.3 BP模型测试与分析 | 第59-60页 |
5.2.4 BP神经网络主要缺点及改进方法 | 第60-61页 |
5.3 遗传算法 | 第61-64页 |
5.3.1 遗传算法概述 | 第61页 |
5.3.2 遗传算法基本思想 | 第61-62页 |
5.3.3 遗传算法构成要素和步骤 | 第62-64页 |
5.4 基于GA-BP神经网络的个性化驾驶疲劳检测模型设计 | 第64-69页 |
5.4.1 GA算法优化过程 | 第65-67页 |
5.4.2 GA-BP模型测试与分析 | 第67-69页 |
5.5 本章小结 | 第69-70页 |
第六章 支持向量机与小样本个性化驾驶疲劳检测模型 | 第70-82页 |
6.1 支持向量机 | 第70-75页 |
6.1.1 线性可分 | 第71-74页 |
6.1.2 非线性高维问题 | 第74-75页 |
6.2 基于SVM的个性化驾驶疲劳检测模型设计 | 第75-77页 |
6.2.1 基于交叉验证的网格搜索法 | 第76-77页 |
6.2.2 GS-SVM模型测试与分析 | 第77页 |
6.3 基于SVM和BP神经网络的驾驶疲劳检测模型对比分析 | 第77-78页 |
6.4 基于GS-SVM的小样本个性化驾驶疲劳检测模型 | 第78-81页 |
6.5 本章小结 | 第81-82页 |
第七章 总结与展望 | 第82-84页 |
7.1 工作总结 | 第82-83页 |
7.2 研究展望 | 第83-84页 |
参考文献 | 第84-88页 |
攻读硕士学位期间发表的论文 | 第88-89页 |
致谢 | 第89-90页 |