模拟驾驶环境下基于脑电信号的警觉度分析
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 驾驶过程中警觉度的检测方法 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.4 研究内容及安排 | 第15-17页 |
| 第2章 脑电信号的概述与采集 | 第17-25页 |
| 2.1 脑电信号的产生及分类 | 第17-19页 |
| 2.2 脑电信号的测量 | 第19-21页 |
| 2.3 实验数据的来源 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 脑电信号预处理 | 第25-35页 |
| 3.1 脑电信号的伪迹 | 第25-26页 |
| 3.1.1 环境伪迹 | 第25页 |
| 3.1.2 实验误差 | 第25-26页 |
| 3.1.3 生理伪迹 | 第26页 |
| 3.2 脑电信号的去伪迹处理 | 第26-33页 |
| 3.2.1 脑电信号的滤波器消噪 | 第27-28页 |
| 3.2.2 脑电信号的小波去噪 | 第28-30页 |
| 3.2.3 脑电信号的独立成分分析法消噪 | 第30-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第4章 脑电的传统特征提取及警觉度分析 | 第35-45页 |
| 4.1 EEG传统特征的提取 | 第35-40页 |
| 4.1.1 EEG信号各节律波的提取 | 第36-39页 |
| 4.1.2 EEG信号样本熵的计算 | 第39-40页 |
| 4.2 基于脑电传统特征的警觉度分析 | 第40-43页 |
| 4.2.1 支持向量机理论 | 第40-42页 |
| 4.2.2 警觉度分类结果 | 第42-43页 |
| 4.3 本章小结 | 第43-45页 |
| 第5章 脑电的深度学习特征及警觉度分析 | 第45-67页 |
| 5.1 深度学习的简介 | 第45-47页 |
| 5.1.1 深度学习背景 | 第45-46页 |
| 5.1.2 深度学习的主要模型 | 第46-47页 |
| 5.2 基于DBN的EEG特征提取 | 第47-57页 |
| 5.2.1 DBN模型介绍 | 第47-54页 |
| 5.2.2 基于脑电DBN特征的警觉度分析 | 第54-57页 |
| 5.3 基于CNN的EEG特征提取 | 第57-61页 |
| 5.3.1 CNN模型介绍 | 第57-59页 |
| 5.3.2 基于脑电CNN特征的警觉度分析 | 第59-61页 |
| 5.4 关键频带与通道的选择及其分析 | 第61-65页 |
| 5.5 基于EEG的分类结果与警觉度相关性分析 | 第65页 |
| 5.6 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75页 |
