首页--交通运输论文--公路运输论文--汽车工程论文--汽车结构部件论文--电气设备及附件论文

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

论文共84页,点击 下载论文
上一篇:大跨度钢桁架拱挢地震作用分析研究
下一篇:基于CFD的某型汽油机进气道优化设计和研究