| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 主观检测技术 | 第9-10页 |
| 1.2.2 客观检测技术 | 第10-12页 |
| 1.3 当前研究的不足 | 第12页 |
| 1.4 本文研究的主要内容 | 第12-14页 |
| 第二章 疲劳驾驶实验 | 第14-22页 |
| 2.1 引言 | 第14页 |
| 2.2 疲劳驾驶实验平台与实验人员 | 第14-15页 |
| 2.3 实验信号简介 | 第15-17页 |
| 2.3.1 脉搏信号 | 第15页 |
| 2.3.2 呼吸信号 | 第15-16页 |
| 2.3.3 皮电信号 | 第16-17页 |
| 2.4 疲劳状态评价 | 第17-18页 |
| 2.4.1 卡罗林斯卡嗜睡量表 | 第17-18页 |
| 2.4.2 睡眠记录 | 第18页 |
| 2.4.3 发现距离 | 第18页 |
| 2.5 实验过程 | 第18-19页 |
| 2.6 生物反馈仪 | 第19-21页 |
| 2.7 实验有效性分析 | 第21-22页 |
| 第三章 生理信号预处理及生理特征提取 | 第22-40页 |
| 3.1 引言 | 第22页 |
| 3.2 小波变换理论基础 | 第22-24页 |
| 3.3 信号预处理 | 第24-27页 |
| 3.4 信号特征点识别 | 第27-29页 |
| 3.4.1 脉搏主波波峰提取 | 第27-28页 |
| 3.4.2 呼吸信号波峰波谷提取 | 第28-29页 |
| 3.5 特征提取与特征有效性分析 | 第29-40页 |
| 3.5.1 脉搏信号特征参数有效性分析 | 第30-32页 |
| 3.5.2 呼吸信号特征参数有效性分析 | 第32-37页 |
| 3.5.3 皮电信号特征参数有效性分析 | 第37-40页 |
| 第四章 基于感知器判别算法的驾驶疲劳状态识别模型 | 第40-48页 |
| 4.1 引言 | 第40页 |
| 4.2 感知器线性判别算法 | 第40-42页 |
| 4.3 K均值聚类算法 | 第42-43页 |
| 4.4 一种融合K均值聚类的感知器线性判别的识别结果与分析 | 第43-48页 |
| 第五章 基于支持向量机的驾驶疲劳状态识别模型 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 支持向量机 | 第48-50页 |
| 5.3 支持向量机识别结果 | 第50-53页 |
| 5.4 一种融合K均值聚类的支持向量机模型与识别结果 | 第53-56页 |
| 5.5 三种疲劳驾驶模型的比较分析 | 第56-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士期间的研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |