| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9页 |
| 1.2 引起疲劳的原因 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.3.1 基于主观评测的方法 | 第10页 |
| 1.3.2 基于客观测评的方法 | 第10-12页 |
| 1.4 论文研究内容 | 第12-13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 第二章 基于机器视觉的人眼动信号的提取与分析 | 第15-29页 |
| 2.1 基于AdaBoost的人脸检测 | 第15-20页 |
| 2.1.1 haar-like特征简介 | 第15-17页 |
| 2.1.2 利用积分图计算haar-like特征 | 第17-18页 |
| 2.1.3 基于级联分类器进行人脸检测 | 第18-19页 |
| 2.1.4 实验结果 | 第19-20页 |
| 2.2 基于SDM的人眼检测 | 第20-27页 |
| 2.2.1 SIFT特征简介 | 第20-21页 |
| 2.2.2 SDM算法框架 | 第21-23页 |
| 2.2.3 SDM算法中参数的训练 | 第23页 |
| 2.2.4 SDM方法对人脸特征点进行检测 | 第23-26页 |
| 2.2.5 SDM检测结果中人眼特征的提取 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第三章 脑电数据的获取与分析 | 第29-47页 |
| 3.1 脑电信号基本理论 | 第29-30页 |
| 3.1.1 脑电信号生理特点 | 第29页 |
| 3.1.2 脑电信号分类 | 第29-30页 |
| 3.2 脑电数据的采集与预处理 | 第30-40页 |
| 3.2.1 脑电数据的采集 | 第30-32页 |
| 3.2.2 脑电数据的预处理 | 第32-40页 |
| 3.3 脑电数据的功率谱估计 | 第40-46页 |
| 3.3.1 Welch法简介 | 第40-43页 |
| 3.3.2 使用Welch法对脑电波进行功率谱估计 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于眼动与脑电波融合的人疲劳状态估计方法研究 | 第47-59页 |
| 4.1 信息融合简介 | 第47-48页 |
| 4.2 眼动信号疲劳特征提取 | 第48-49页 |
| 4.3 脑电波信号疲劳特征提取 | 第49-52页 |
| 4.4 眼动与脑电波信号的疲劳特征融合 | 第52-56页 |
| 4.4.1 SVM简介 | 第52-53页 |
| 4.4.2 使用SVM对脑电波与眼动信号疲劳特征进行融合 | 第53-55页 |
| 4.4.3 基于时间序列的SVM融合模型 | 第55-56页 |
| 4.5 本章小结 | 第56-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |
