| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 引言 | 第11页 |
| 1.2 驾驶疲劳检测研究的现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 基于生物电信号的驾驶疲劳研究 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 驾驶疲劳检测研究的实验范式 | 第15-21页 |
| 2.2.1 模拟驾驶实验环境 | 第15-16页 |
| 2.2.2 实验过程 | 第16-18页 |
| 2.2.3 实验对象 | 第18页 |
| 2.2.4 实验结果 | 第18-21页 |
| 2.3 基于脑电的特征检测 | 第21-25页 |
| 2.3.1 脑电信号概述 | 第21-22页 |
| 2.3.2 基于信号功率谱比值的特征 | 第22页 |
| 2.3.3 基于微状态的特征 | 第22-24页 |
| 2.3.4 实验结果与分析 | 第24-25页 |
| 2.4 基于心电的特征检测 | 第25-28页 |
| 2.4.1 心电信号概述 | 第25-26页 |
| 2.4.2 心率与驾驶疲劳 | 第26-27页 |
| 2.4.3 实验结果与分析 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于眨眼检测的驾驶疲劳研究 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 机器视觉的特征提取 | 第29-34页 |
| 3.2.1 疲劳检测 | 第29页 |
| 3.2.2 Adaboost 算法 | 第29-32页 |
| 3.2.3 人眼定位与人眼状态识别 | 第32-33页 |
| 3.2.4 疲劳指标 | 第33-34页 |
| 3.3 驾驶疲劳的分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于多源生理信号融合的驾驶疲劳研究 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 多源信号融合的方法 | 第37-39页 |
| 4.2.1 数据融合概论 | 第37-38页 |
| 4.2.2 数据融合方法 | 第38-39页 |
| 4.3 支持向量机 | 第39-41页 |
| 4.3.1 支持向量机理论及模型 | 第39-40页 |
| 4.3.2 融合结果 | 第40-41页 |
| 4.4 神经网络 | 第41-44页 |
| 4.4.1 神经网络理论及模型 | 第41-43页 |
| 4.4.2 融合结果 | 第43-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第五章 多源信号融合的驾驶疲劳检测预警系统设计和实现 | 第46-59页 |
| 5.1 引言 | 第46页 |
| 5.2 多源信号融合的驾驶疲劳检测语句系统设计 | 第46-49页 |
| 5.2.1 系统需求与难点 | 第46-47页 |
| 5.2.2 总体框架 | 第47-48页 |
| 5.2.3 模块划分 | 第48-49页 |
| 5.3 多源信号融合的驾驶疲劳检测预警系统实现 | 第49-58页 |
| 5.3.1 设备兼容 | 第50-51页 |
| 5.3.2 实时数据转发机制 | 第51-52页 |
| 5.3.3 多线程处理数据 | 第52-54页 |
| 5.3.4 系统运行效果 | 第54-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-68页 |
| 详细摘要 | 第68-71页 |