基于深度学习的连续警觉度预测
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 警觉度预测技术概述 | 第12-15页 |
| 1.2.1 适任评估法 | 第12-13页 |
| 1.2.2 警觉度动态变化预测法 | 第13页 |
| 1.2.3 驾驶表现监测法 | 第13页 |
| 1.2.4 驾驶过程在线监测法 | 第13-15页 |
| 1.3 基于脑电、眼电的警觉度预测技术 | 第15-18页 |
| 1.3.1 眼电与疲劳 | 第15-16页 |
| 1.3.2 脑电与疲劳 | 第16-17页 |
| 1.3.3 多模态融合与疲劳检测 | 第17-18页 |
| 1.4 商业的疲劳检测系统 | 第18-19页 |
| 1.5 本文主要研究内容 | 第19-20页 |
| 1.6 论文组织 | 第20-23页 |
| 第二章 脑电与警觉度预测 | 第23-31页 |
| 2.1 脑电简介 | 第23-24页 |
| 2.2 脑电采集与关键脑区 | 第24-25页 |
| 2.3 脑电信号预处理与去噪 | 第25-27页 |
| 2.4 脑电特征提取 | 第27-29页 |
| 2.4.1 能量谱密度特征 | 第28-29页 |
| 2.4.2 微分熵特征 | 第29页 |
| 2.5 特征平滑与过滤 | 第29-31页 |
| 第三章 眼电与警觉度预测 | 第31-41页 |
| 3.1 前额眼电与采集 | 第31-32页 |
| 3.2 传统眼电还原 | 第32-36页 |
| 3.2.1 基于独立组成分析的眼电还原 | 第32-34页 |
| 3.2.2 还原结果分析 | 第34-36页 |
| 3.3 眼电特征提取 | 第36-41页 |
| 第四章 基于深度循环神经网络的模态融合 | 第41-53页 |
| 4.1 深度神经网络与序列标注 | 第41-46页 |
| 4.1.1 前向神经网络 | 第41-45页 |
| 4.1.2 循环神经网络 | 第45-46页 |
| 4.2 LSTM神经网络与多模态融合 | 第46-53页 |
| 4.2.1 LSTM神经网络 | 第47-48页 |
| 4.2.2 基于LSTM的多模态模型 | 第48-49页 |
| 4.2.3 深层循环神经网络的训练 | 第49-53页 |
| 第五章 实验设计与结果比较 | 第53-63页 |
| 5.1 疲劳驾驶实验设计 | 第53-55页 |
| 5.2 警觉状态标注 | 第55-57页 |
| 5.3 实验结果比较 | 第57-63页 |
| 全文总结 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间发表的学术论文 | 第71-73页 |
| 攻读学位期间参与的项目 | 第73页 |
