基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

小波包分解结合异常值检测自动去除眼电中眨眼干扰的方法

为减少有用眼电信号的损失,提出一种小波包分解和异常值检测(WPT-OD)去除眨眼信号的新方法. 该算法首先利用小波包方法将原始信号进行分解,得到低频分量进行重构;然后应用异常值检测中三种常用的准则,即肖维勒准则、 皮尔斯准则和修正箱线图法确定眨眼信号的区域,并将该区域置零. 实验发现,WPT-OD的平均正确率达到98.9％,其中修正箱线图法效果最好,其去眨眼信号与原始信号相关性高达95.33%,损失率仅为4.17%. 实验表明：WPT-OD算法能够准确地确定无意识眨眼的起点和终点,可保留更多的有用信号且与原始信号的相关性强.     

基于共同空间模式的扫视信号特征提取算法

为了提高基于眼电图(EOG)的扫视信号识别正确率,提出了一种基于共同空间模式(CSP)的扫视信号特征提取算法.该算法首先利用事先标注好的标签数据进行CSP空域滤波器设计,并采用联合近似对角化的方法解决多分类问题;在此基础上,使用该滤波器对原始多导联眼动信号进行空域滤波,滤波输出即为扫视信号的特征参数.在实验室环境中使用支持向量机对上、下、左、右四类扫视信号进行识别,所提算法的平均正确率达到了97.7%.实验结果表明基于CSP的扫视信号特征提取算法在眼动信号分析中呈现出良好的分类性能.     

基于脑机接口的自动驾驶意图研究

为了得到驾驶员在驾驶过程中的驾驶意图,通过采用理论分析与实验、仿真相结合的方法对大脑不同区域的脑电信号进行研究分析;设计模拟驾驶实验,建立脑电信号采集系统,采集驾驶人在左转、右转、直行前指定时间窗内的脑电信号;对采集的脑电信号运用小波包变换等方法进行信号分析处理、提取特征参数;建立粒子群算法的支持向量机模型和神经网络的驾驶意图识别模型;并对更高识别率的驾驶意图信号转换为相应的指令控制车辆实现自动驾驶。结果表明：粒子群优化算法的支持向量机的识别率最高达到73.53%,粒子群算法的神经网络识别模型具有更高的识别率最高可以达到92.9%。     

基于卡尔曼滤波的ECoG信号去噪方法研究

脑电信号反映了生物体的大脑活动,在采集和处理过程中极易受到各种噪声的干扰,如眨眼、快速眼动、心电、肌电等,这些噪声给脑电信号的分析处理带来了很大的困难。本文提出了卡尔曼滤波模型和模型参数估计的方法,将其应用于脑电ECoG信号去噪预处理。实验所用的数据是公开的脑机接口竞赛实验数据(BCI Competition Ⅲ dataset Ⅰ),分类正确率为92%。实验结果表明通过本方法去噪预处理后,分类正确率比竞赛第一名高,并且优于小波去噪与谱减法等预处理方法。     

基于眼部行为的驾驶疲劳评价指标的阈值

为将时段内眨眼次数、闭眼总持续时间和眨眼时间均值3类眼部行为指标应用于实际驾驶疲劳监测,进行了含173个样本的实验研究.将实验对象根据年龄、性别分类,以脑电指标为参照,得到各类人群在不同疲劳程度下3个眼动指标的阈值.从显著性、稳定性两个方面对3个指标进行论证分析,确定眨眼时间均值是三者中较优的指标,且验证了以年龄对人群进行划分更为合理.最后结合样本的数据,针对不同年龄人群给出3种觉醒状态下平均一次眨眼指标的阈值,通过室外车载实验验证了阈值的有效性.     

基于语音信号与心电信号的多模态情感识别

通过采集与分析语音信号和心电信号,研究了相应的情感特征与融合算法.首先,通过噪声刺激和观看影视片段的方式分别诱发烦躁情感和喜悦情感,并采集了相应情感状态下的语音信号和心电信号.然后,提取韵律、音质特征和心率变异性特征分别作为语音信号和心电信号的情感特征.最后,利用加权融合和特征空间变换的方法分别对判决层和特征层进行融合,并比较了这2种融合算法在语音信号与心电信号融合情感识别中的性能.实验结果表明:在相同测试条件下,基于心电信号和基于语音信号的单模态情感分类器获得的平均识别率分别为71%和80%;通过特征层融合,多模态分类器的识别率则达到90%以上;特征层融合算法的平均识别率高于判决层融合算法.因此,依据语音信号、心电信号等不同来源的情感特征可以构建出可靠的情感识别系统.     

草原公路直线段路侧景观对驾驶员视觉特性的影响

 视觉系统是驾驶员获取行车信息的主要通道,而公路路侧景观是引起驾驶员视觉刺激的重要因素之一。以不同路侧景观的草原公路直线段作为研究对象,利用眼动仪采集5名驾驶员的眼动指标并进行分析。结果表明,驾驶员在景观相对复杂路段的瞳孔直径和扫视幅度较大,眨眼持续时间与注视持续时间较小;不同路侧景观对驾驶员的眨眼持续时间、注视持续时间、扫视幅度影响不显著;对驾驶员的瞳孔直径影响显著。本研究可为分析草原公路路侧景观对驾驶员疲劳的影响提供参考。     

基于PCA和KICA双空间特征提取的玉米碰撞声信号分类

提出了一种基于主元分析(PCA)和核独立主元分析(KICA)双空间特征提取方法,PCA-KICA方法.运用碰撞声装置采集玉米完好粒声信号、虫蛀粒声信号、霉变粒声信号,首先将信号在PCA空间进行特征提取,然后将提取的特征送入到KICA空间提取信号的特征向量,最终送入到粒子群优化的支持向量机分类器中进行分类.实验结果证明,单空间特征提取算法对于3类信号的分类效果不理想,但是采用双空间中特征子空间的互补性可以克服单空间的限制.PCA-KICA双空间特征提取方法的识别率最高,完好粒、虫蛀粒、霉变粒的识别率分别达到95.00%、96.40%、97.80%.     

基于眼动分析的不同光环境下岸桥司机的专注度

为提高集装箱岸桥操作的安全性,基于照明因素,运用人类专注状态与眼动参数的关联性原理,分析不同光照度环境对于人的影响.设计不同照度环境下的模拟装卸作业实验,用眼动仪采集岸桥司机的视线落点、眨眼及注视次数、瞳孔直径和眼睑张开度等眼动数据,并对司机操作视野平面进行聚类划分,分析各区域内视线的落点比重、眨眼频率、注视比重、瞳孔直径大小与眼睑张开度大小的变化等,从而获得不同光环境下岸桥司机专注持续时间的排序,得到适宜长时间作业的工作环境(750~1500 lux)、最易疲劳工作环境(50~150 lux)和适中工作环境(150~750 lux、1500~3000 lux),并给出不同环境下的工作防护和改进措施.     

集装箱桥吊司机眼动疲劳度分析

为揭示港口集装箱桥吊司机眼睛疲劳规律,采用视线跟踪技术和智能优化算法相结合,分析桥吊司机操作过程中的眼动参数与驾驶疲劳之间相关性,运用眼动参数建立驾驶疲劳推断评判模型.设计了驾驶员实测操作实验方案,确定注视时间百分比、注视点数目为眼动测量指标,研究眼动测量指标与驾驶疲劳的相关性.分析驾驶员眨眼、注视、眼跳三种眼动形式实测数据与驾驶疲劳的线性与非线性变化关系,求得注视分布变异系数,得到注视分布变异系数与驾驶疲劳之间的关系.     

感性量化评价技术在工业产品设计中的认知研究与应用——以智能电源产品设计的眼动实验为例

运用眼动追踪技术对智能电源产品的造型形态、功能组件在交互界面中的体量规模,以及在空间设置中的视觉效果进行眼动实验.通过采集被试者在观察该类电源产品原型机与改良型样机的眼动数据,比较被试者在观察两款产品时眼动数据上的差异,分析存在差异的原因,验证眼动实验对产品形态设计评估的有效性.实现眼动追踪技术与感性量化评价手段之间的结合,在判断产品视觉要素对影响用户认知效果上进行了探索性尝试.     

海底隧道出入口段驾驶人眼动特征分析与建模

为海底隧道交通安全运营管理提供依据,研究海底隧道出入口段驾驶人眼动特征变化规律.选取了26名驾驶员在交通状况相近的非高峰时段进行海底隧道实车试验.利用Facelab 5.0眼动仪和照度计采集真实交通状态下海底隧道照度及驾驶人眼动特征指标.基于实测数据,分析了海底隧道出入口段驾驶人眼动特征及车速的变化规律,探讨了眼睑闭合度、眨眼频率、注视时长、车速与照度和坡度之间的关系,并建立了相应回归数学模型.研究结果表明:驾驶人驾车通过海底隧道出入口段时,受照度和坡度变化影响,眼睑闭合度和眨眼频率明显降低;受照度变化影响,注视时长增加,视认难度增加,注意力集中;不同照度及纵坡下车速保持能力存在差异性,平均车速受照度及纵坡坡度影响较大,车速呈现下降-上升-趋于平缓-下降-上升的规律.     

湖泊环境下的水声目标检测的标志性特征

以某研究所采集的湖泊环境下的水声目标信号的实测数据为实验样本,在对其进行预处理的基础上,提取了能够表征水声目标特性的15个标志性特征,并通过机器学习算法对水声目标进行自动识别,以验证这些标志性特征的性能.这组标志性特征对静止目标的识别率高于98%,对移动目标的识别率约90%,且AUC面积均保持在0.95以上的水平.实验结果表明:本文所提取的标志性特征能够在特征数量少,不依赖于深度学习方法的条件下,以极低的计算复杂度实现对水声目标的准确检测.     

基于体动射频信号的睡眠分期

为了减轻传统接触式睡眠生理监测系统对人体造成的负担,设计了一种基于微波技术的非接触式睡眠生理信号采集与分析系统,提出一种基于体动射频信号的睡眠分期识别算法.通过小波变换对射频运动传感器(RFMS)采集的体动信号进行预处理,再计算出体动信号的能量值,最后通过判别式处理和阈值法实现了睡眠分期:醒觉期、浅睡期、中睡期、深睡期.实验采集分析了8个实验者为期46天的睡眠生理信号,同时同步采集视频信息、TANITA水床睡眠信息、接触式呼吸脉搏信号.与视频结果比较发现醒觉期正确率达到90%;与TANITA水床睡眠结果相比,本系统的结果与其吻合程度达到70%;与不同睡眠状态下呼吸率、心率的变化相比,本系统的结果吻合度达到80%.     

Transformer网络在雷达辐射源识别中的应用

由于雷达辐射源信号在时序上具有强相关性,针对卷积神经网络难以提取信号的时序逻辑相关性特征的缺点,本文提出了基于Transformer网络的雷达辐射源个体识别的方法。该方法首先以3台信号发生器模拟雷达辐射源信号,同时采集数据并建立数据库;然后对原始信号提取相位特征以及包络特征;最后采用基于注意力机制的Transformer网络对信号进行进一步的特征提取并分类。实验结果表明,该算法对于包络特征以及相位特征敏感度不同,同时数据样本长度对于识别效果会产生影响,最终结合相位特征的网络模型在信噪比为15 dB时识别率可以达到98.9%。     

基于HHT和SVM的纤维拉伸断裂声发射信号的特征提取及分类研究

为了研究纤维拉伸断裂声发射信号的特征提取及分类方法,采用声发射技术采集了芳纶1313和阻燃黏胶2种纤维的拉伸断裂的声发射信号。通过小波变换,对采集的2种纤维的声发射信号进行消噪预处理以去除部分噪声,应用希尔伯特-黄变换对2种纤维去噪后的信号进行特征频率的提取,运用最小二乘支持向量机(LSSVM)对2种纤维的特征频率进行分类识别。结果表明:小波去噪方法可以去除信号的部分噪声;希尔伯特时频谱可以一定程度上反映2种纤维材料在时间维度上的断裂情况,边际谱上可以提取2种纤维材料声发射信号的特征频率;LSSVM能够对2种纤维材料拉伸断裂的特征频率分类识别,芳纶1313的识别率为40%,阻燃黏胶的识别率为80%,总的识别率为60%。     

基于DBN的sEMG智能轮椅人机交互系统

设计了基于表面肌电信号的智能轮椅人机交互系统,首先通过CyberLink肌电传感器,对面部运动信号进行采集与分析处理,采用了深度信任网络(deep belief network,DBN)算法对肌电信号进行分类,进而用于智能轮椅的运动控制.实验表明:与支持向量机相比,用深度信任网络训练肌电信号,能有效地处理大量的肌电样本信号,并得到最高可达95.25%的识别率,提高了肌电信号的识别率、有效降低了对大量数据的处理时间、增强了智能轮椅响应的实时性.     

基于独立分量分析特征提取的故障诊断系统

针对矿山破碎机的声音故障诊断受复杂现场环境制约、确诊率低的难题, 结合独立分量分析(ICA)在自然图像和连续语音信号中特征提取的方法,采用两层ICA分别用于从混杂声音中提取各采集通道(部位)的统计独立声音信号和进一步提取该信号的特征基.训练阶段生成的特征基系数序列用来生成矢量量化(VQ)的码书,设计出ICA-VQ破碎机故障诊断系统.现场采集数据的实验中系统的故障诊断准确率达到96.8%,表明系统的高效性.