基于脑电疲劳驾驶预警系统的设计与实现
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第13-17页 |
1.1 课题研究背景及意义 | 第13-14页 |
1.2 课题的现状分析 | 第14-15页 |
1.2.1 国外研究现状 | 第14-15页 |
1.2.2 国内研究现状 | 第15页 |
1.3 本文的内容及结构安排 | 第15-17页 |
第二章 系统研究方法与相关技术 | 第17-28页 |
2.1 脑电信号简介 | 第17-19页 |
2.1.1 脑电信号的产生 | 第17-18页 |
2.1.2 脑电信号的分类 | 第18-19页 |
2.2 脑电分析方法 | 第19-20页 |
2.2.1 时域分析 | 第19页 |
2.2.2 频域分析 | 第19-20页 |
2.3 Alpha波小波包功率谱百分比 | 第20-23页 |
2.3.1 小波包变换 | 第21-22页 |
2.3.2 Mallat算法 | 第22-23页 |
2.4 专注度和放松度 | 第23页 |
2.5 层次分析法 | 第23-26页 |
2.6 Android技术简介 | 第26-27页 |
2.6.1 Android系统框架 | 第26-27页 |
2.6.2 Android应用特色 | 第27页 |
2.7 本章总结 | 第27-28页 |
第三章 脑电采集系统设计 | 第28-42页 |
3.1 疲劳预警系统总体框架结构 | 第28-29页 |
3.1.1 系统的疲劳判别原理 | 第28-29页 |
3.1.2 系统预警部分原理 | 第29页 |
3.2 脑电信号采集系统硬件设计 | 第29-31页 |
3.3 脑电采集系统各模块设计 | 第31-36页 |
3.3.1 单导干电极脑电传感器 | 第31页 |
3.3.2 脑电信号处理模块 | 第31-34页 |
3.3.3 蓝牙模块 | 第34-36页 |
3.4 脑电采集系统硬件实现 | 第36-37页 |
3.5 模块间数据通信协议 | 第37-41页 |
3.5.1 数据包结构 | 第37-39页 |
3.5.2 数据负载结构 | 第39-40页 |
3.5.3 数据包解析流程 | 第40-41页 |
3.6 本章总结 | 第41-42页 |
第四章 脑电疲劳分类算法及其对比分析 | 第42-64页 |
4.1 专注度与放松度的计算与相关关系 | 第42-47页 |
4.1.1 专注度与放松度的权重系数的确定 | 第42-46页 |
4.1.2 专注度与放松度的相关系数 | 第46-47页 |
4.2 Alpha波功率谱百分比判别眨眼 | 第47-50页 |
4.3 基于相关系数与眨眼频率的疲劳判别算法 | 第50-60页 |
4.3.1 基于kNN模型的疲劳识别算法 | 第51-56页 |
4.3.2 基于C4.5模型的疲劳识别算法 | 第56-58页 |
4.3.3 基于朴素贝叶斯模型疲劳识别算法 | 第58-60页 |
4.4 算法对比分析 | 第60-62页 |
4.4.1 算法准确率对比 | 第60-61页 |
4.4.2 算法耗时对比 | 第61-62页 |
4.5 疲劳度的确定 | 第62-63页 |
4.6 本章总结 | 第63-64页 |
第五章 脑电疲劳驾驶预警系统的安卓客户端实现 | 第64-77页 |
5.1 系统需求分析 | 第64页 |
5.2 软件的层次结构 | 第64-66页 |
5.3 客户端总体结构 | 第66-67页 |
5.4 主要模块的实现 | 第67-71页 |
5.4.1 数据解析模块 | 第67-68页 |
5.4.2 疲劳检测模块 | 第68-69页 |
5.4.3 位置信息采集模块 | 第69-70页 |
5.4.4 存储功能模块 | 第70-71页 |
5.4.5 语音提示功能模块 | 第71页 |
5.5 客户端软件的实现结果测试 | 第71-76页 |
5.5.1 登录注册模块测试 | 第71-72页 |
5.5.2 疲劳监控功能测试 | 第72-73页 |
5.5.3 设置模块测试 | 第73-74页 |
5.5.4 定位模块测试 | 第74-75页 |
5.5.5 系统性能分析 | 第75-76页 |
5.6 本章总结 | 第76-77页 |
总结与展望 | 第77-79页 |
参考文献 | 第79-82页 |
攻读学位期间发表的论文和专利 | 第82-84页 |
致谢 | 第84页 |