基于软集合理论的驾驶疲劳状态度量
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 驾驶疲劳检测的研究现状 | 第12-18页 |
| 1.2.1 基于车辆行为特征的疲劳检测 | 第13-14页 |
| 1.2.2 基于计算机视觉的疲劳检测 | 第14-16页 |
| 1.2.3 基于生理信息的疲劳检测 | 第16-17页 |
| 1.2.4 基于信息融合的疲劳检测 | 第17-18页 |
| 1.3 表面肌电信号的研究概述 | 第18-20页 |
| 1.3.1 sEMG的分析与处理 | 第18-19页 |
| 1.3.2 sEMG的应用 | 第19-20页 |
| 1.4 软集合理论的研究概述 | 第20-22页 |
| 1.5 论文的主要工作 | 第22-25页 |
| 1.5.1 论文主要研究内容 | 第22-23页 |
| 1.5.2 论文结构 | 第23-25页 |
| 第2章 实验设计及信号预处理 | 第25-39页 |
| 2.1 表面肌电信号的生理基础 | 第25-27页 |
| 2.1.1 神经肌肉系统 | 第25-26页 |
| 2.1.2 sEMG的产生及检测 | 第26-27页 |
| 2.1.3 sEMG的特点 | 第27页 |
| 2.2 表面肌电信号的采集实验 | 第27-32页 |
| 2.2.1 采集设备 | 第27-28页 |
| 2.2.2 电极位置选择 | 第28-30页 |
| 2.2.3 实验过程安排 | 第30-32页 |
| 2.3 表面肌电信号的预处理 | 第32-38页 |
| 2.3.1 sEMG的干扰因素 | 第32-33页 |
| 2.3.2 小波阈值去噪 | 第33-35页 |
| 2.3.3 EMD重构去噪 | 第35-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 生理状态特征的提取 | 第39-53页 |
| 3.1 表面肌电信号的变化特点 | 第39-40页 |
| 3.2 时域特征分析 | 第40-41页 |
| 3.3 频域特征分析 | 第41-42页 |
| 3.4 非线性动力学分析 | 第42-50页 |
| 3.4.1 数据段自动提取 | 第43-44页 |
| 3.4.2 近似熵分析 | 第44-46页 |
| 3.4.3 样本熵分析 | 第46-48页 |
| 3.4.4 模糊近似熵分析 | 第48-49页 |
| 3.4.5 算法对比评估 | 第49-50页 |
| 3.5 本章小结 | 第50-53页 |
| 第4章 基于软集合理论的异常数据处理 | 第53-67页 |
| 4.1 引言 | 第53页 |
| 4.2 软集合的基本介绍 | 第53-56页 |
| 4.3 异常数据处理算法 | 第56-62页 |
| 4.3.1 Weight-average算法 | 第57-58页 |
| 4.3.2 简化Weight-average算法 | 第58-62页 |
| 4.4 算法简化前后对比评估 | 第62-64页 |
| 4.4.1 复杂度 | 第62页 |
| 4.4.2 增加参数的情况 | 第62-64页 |
| 4.4.3 增加对象的情况 | 第64页 |
| 4.5 本章小结 | 第64-67页 |
| 第5章 状态特征的识别与量化 | 第67-79页 |
| 5.1 引言 | 第67页 |
| 5.2 RBF神经网络 | 第67-69页 |
| 5.3 软集合疲劳量化模型 | 第69-75页 |
| 5.3.1 问题描述 | 第69-71页 |
| 5.3.2 参数权重的确定 | 第71-72页 |
| 5.3.3 异常数据的处理 | 第72-74页 |
| 5.3.4 模型结构和结果分析 | 第74-75页 |
| 5.4 软集合与神经网络的对比 | 第75-77页 |
| 5.5 本章小结 | 第77-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 工作总结 | 第79-80页 |
| 6.2 问题与展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士期间发表和完成的学术论文 | 第89页 |
