基于脑电信号的驾驶疲劳检测研究

研究利用脑电信号(EEG)判断驾驶员的疲劳程度. 基于疲劳驾驶实验平台进行模拟驾驶实验,综合实验视频图像和驾驶员自我评价进行主观疲劳评测. 利用生理检测仪采集驾驶员的脑电波,对比分析脑电信号不同频带信号功率谱值和驾驶员的主观疲劳评测之间的关系. 结果表明:主观疲劳评测与脑电信号中功率谱值的变化相对应,脑电功率谱的比值(α+θ)/β越大,疲劳等级越高.     

多方法融合的EEG信号特征提取及分类研究

在对EEG信号进行深入分析的基础上,将小波、分形和统计三种方法相结合,提出一种多方法融合的EEG信号分类特征提取方法.应用小波对EEG信号去噪,并对去噪重构后的EEG信号进行分解,提取各尺度空间上的平均高频系数作为第一部分EEG分类特征,在多尺度下对去噪重构后EEG信号进行多重分形分析,依据EEG数据的特点和分类的需要,提取相关多重分形谱参数作为第二部分EEG分类特征;根据EEG信号的特点,提取相关统计特征作为第三部分EEG分类特征;针对上述提取特征,使用BP神经网络作为分类器,结合EEG信号的自身特点和分类结果,选择确定最终的EEG分类特征,完成了EEG信号的分类.并通过比较说明了本文方法的优势,提高了EEG分类的精度.     

多径信道下的OFDM信号带宽盲估计

针对传统的正交频分复用（OFDM）信号的带宽估计方法在低信噪比多径信道下,估计精度低且计算量大的问题,提出一种OFDM信号带宽盲估计方法.本方法首先根据接收到的观测信号建立自回归（AR）模型,通过AR模型计算信号的功率谱;然后将其功率谱等效成矩形谱,并将矩形谱的带宽作为OFDM信号的估计带宽;最后通过多次循环求统计平均...     

基于连续隐Markov模型的理论线损率预测研究

提出一种基于连续隐马尔可夫模型的理论线损率预测方法,运用Baum-Welch参数重估修正公式实现CHMM参数优化,建立CHMM模型。依据CHMM模型概率输出判别各可选仿真模型相对于实际系统的有效性。结果表明,该模型运行速度快,在理论线损率预测中有更高的精度。     

基于频域和时域法的电池包随机振动疲劳计算对比研究

针对频域法和时域法在随机振动疲劳计算中的适用性问题,以某型号电池包为研究对象,综合研究了2种方法的计算精度和计算效率.首先,建立电池包有限元模型,并通过模态试验进行验证;其次,以国标GB 38031―2020加速度功率谱密度（PSD）载荷谱作为频域载荷输入,并利用傅里叶逆变换技术将其转换为加速度时域载荷;最后,分别基于频域法和时域法计算电池包的振动加速度、应力和疲劳寿命,并进行了计算精度、效率的对比分析和精度的试验验证.结果表明,在电池包总振级和应力均方根值（RMS）方面,频域法和时域法计算结果相近,相对误差小于16%;在加速度和应力峰值方面,频域法“3σ”计算结果与时域法差距较大,若采用“4σ”或“5σ”原则,计算结果与时域法相近,相对误差小于15%;在振动疲劳方面,频域法计算寿命约为时域法的3~6倍,主要原因包括Dirlik模型和应力响应PSD谱差异,其中Dirlik模型造成的差距小于1.5倍;在计算效率方面,频域法比时域法高约134倍.试验数据表明,时域法计算精度更高,适用于结构危险位置振动疲劳的精确计算,而频域法计算效率更高,适用于结构危险位置的快速预测.     

基于欧式空间-加权逻辑回归迁移学习的运动想象EEG信号解码

基于脑电图（Electroencephalography,EEG）信号的运动想象（Motor Imagery,MI）意图识别是脑机接口（BrainComputer Interface,BCI）研究中的重要问题.然而,EEG信号存在严重的个体性差异,不同被试之间的EEG信号特征空间分布差异很大,不同被试之间的分类模型不能通用.针对这一问题,提出一种基于欧式空间的加权逻辑回归迁移学习方法,算法首先将不同被试的EEG数据进行欧几里得空间对齐,使各信号更加相似,减少差异性,然后计算特定被试共空间模式（Common Spatial Pattern,CSP）获得不同的特征值,并计算这些特征值的KL(Kullback-Leibler)散度,进而利用KL散度调整迁移学习的加权逻辑回归算法,得到分类模型.实验结果表明：对于BCI竞赛IV中的数据集2a,提出的方法可以极大地提升BCI的学习性能,算法分类准确率比基线算法（线性判别分析）高出15%.在数据样本增多的情况下,被试的分类准确性也得到了明显的提升,和同类算法相比,分类准确率提升4%,说明提出的算法能进一步提高BCI的学习性能,改善分类模型的通用性问...     

新型样条权函数神经网络在路面谱识别中的应用

针对传统方法获得路面功率谱密度的不足,提出了一种基于新型样条权函数（SWF）神经网络的路面功率谱密度识别方法。建立了4自由度汽车的振动系统模型,推导出了汽车振动系统的输出响应谱密度与输入激励谱密度之间的非线性关系,采用样条权函数神经网络对这种非线性映射关系进行了仿真。结果表明,基于样条权函数神经网络的路面功率谱密度识别方法比较成功地克服了传统算法的缺点,具有更高的识别精度。     

基于时空特征学习Transformer的运动想象脑电解码方法

脑电图（Electroencephalography,EEG）可记录来自大脑皮层的电信息，反映了脑活动中神经细胞放电产生的电场变化情况. EEG的空间信息和时间信息对于运动想象脑电（Motor Imagery Electroencephalogram,MI-EEG）解码分类模型学习判别特征至关重要，但过度依赖预处理和手工特征提取，导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取，但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法 .针对FBCSP滤波的脑电信号，依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征，然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明，在BCI竞赛数据集IV-2a上，该方法的分类准确率可达84.16%，为MI脑电信号分类提供了新思路.     

少样本条件下高光谱图像空-谱特征分析

在高光谱图像（HSI）分类中，由于标记样本的获取十分耗时耗力，少样本问题一直是该领域的重要研究问题之一.本文先对HSI进行多种空间特征提取，并将这些特征与谱特征融合，以形成多种空-谱特征.然后对多种空-谱特征及其融合进行了实验对比分析.在3个基准HSI数据集上的实验结果表明，在少样本条件下，空-谱特征融合下的HSI分类精度显著高于仅用谱特征的分类精度；多空-谱特征融合方法的分类精度显著优于单一空-谱特征方法的分类精度.     

基于功率谱分析的头皮电位和心率变异性关系研究

通过对数学运算任务中头皮脑电信号和心率变异性的功率谱分析,研究了头皮脑电活动和心脏自主神经活动的关系.实验显示：数学运算过程中心率明显增加（P〈0.01）,心率变异性功率谱总能量减少（P〈0.05）,归一化高频功率明显降低（P〈0.01）,归一化低频功率明显升高（P〈0.01）;数算时脑电信号的α节律相对功率显著降低（P〈0.05）,θ节律谱能量值显著增加（P〈0.05）,相关分析显示F8、FT8、C4、P4和T8导脑电信号的θ节律功率谱能量值与心率变异性谱成分具有显著相关性（P〈0.05）.结果表明,数算任务中大脑有意识的精神活动增多,大脑中枢神经活动减少与心脏自主神经活动有关,脑中央前回、顶区和颞叶通过增加交感神经活动和减少迷走神经的作用来影响心率,它们在调节心脏自主神经活动中起重要作用.     

基于多通道线性描述参数的生理性精神疲劳分析

通过对24h睡眠剥夺实验以及不同精神疲劳状态下的脑电信号进行分析，提取了脑电信号的多通道线性描述参数场强变化率，研究了脑电信号场强变化率的平均值与生理性精神疲劳程度之间的关系，以及它在不同生理性精神疲劳状态下的变化规律及其相关性．实验结果表明，场强变化率的平均值与生理性精神疲劳程度之间存在很强的关联性，对于不同的生理性精神疲劳状态，随着生理性精神疲劳程度的增加，其脑电信号场强变化率的平均值逐渐降低．脑电信号场强变化率的平均值有望成为衡量生理性精神疲劳程度的指标．     

Evaluation of mental fatigue based on multipsychophysiological parameters and kernel learning algorithms

Mental fatigue is an extremely sophisticated phenomenon, which is influenced by the environment, the state of health, vitality and the capability of recovery. A single parameter cannot fully describe it. In this paper, the effects of long time sustained low-workload visual display terminal （VDT） task on psychology are investigated by subjective self-reporting measures. Then power spectral indices of HRV, the P300 components based on visual oddball and wavelet packet parameters of EEG are combined to analyze the impacts of prolonged visual display terminal （VDT） activity on autonomic nervous system and central nervous system. Finally, wavelet packet parameters of EEG are extracted as the features of brain activity in different mental fatigue states. Kernel principal component analysis （KPCA） and support vector machine （SVM） are jointly applied to differentiate two states. The statistic results show that the level of both subjective sleepiness and fatigue increase significantly from pre-task to post-task, which indicate that the long time VDT task induces the mental fatigue to the subjects. The predominant activity of autonomic nervous system of subjects turns to the sympathetic activity from parasympathetic activity after the task. The P300 components and wavelet packet parameters of EEG are strongly related with mental fatigue. Moreover, the joint KPCA-SVM method is able to effectively reduce the dimensionality of the feature vectors, speed up the convergence in the training of SVM and achieve a high recognition accuracy （87%） of mental fatigue state. Multipsychophysiological measures and KPCA-SVM method could be a promising tool for the evaluation of mental fatigue.     

疲劳驾驶的脑电特性探索

研究疲劳驾驶时的脑电特性.利用汽车模拟驾驶系统模拟驾驶员疲劳驾驶的情况,用脑电仪记录驾驶员的脑电情况,得到了驾驶员在正常状态和疲劳状态下驾驶时的脑电数据和波形,分别用平均功率谱方法和非线性的关联维数方法对所得数据进行分析.得到了疲劳驾驶时脑电的2个特征量R和D.可以用驾驶员驾驶时的脑电特征量来评价其疲劳程度.     

基于多导脑电复杂性测度的脑疲劳分析

通过对连续长时间脑力劳动前后状态下的脑电信号进行分析,提取了脑电信号的基本尺度熵和排列熵两种复杂性测度,研究了它们与脑疲劳程度之间的关系,以及它们在不同脑疲劳状态下的变化规律及其相关性.实验结果表明,基本尺度熵和排列熵与脑疲劳程度之间存在很强的关联性,对于不同的脑疲劳状态,随着脑疲劳程度的增加,其alpha(8～12 Hz)、beta(13～30 Hz)频率段和total频率段(0.5～30 Hz)脑电信号的基本尺度熵和排列熵逐渐降低.相对于Tsallis熵算法,基本尺度熵和排列熵可以更好地反映疲劳前后脑电信号复杂度的变化特性.同时,由于基本尺度熵和排列熵算法概念简单,运算量小,因而它们的计算复杂度大大降低,运算速度更快,使得实时分析与监测脑疲劳成为可能.脑电信号的基本尺度熵和排列熵有望成为衡量脑疲劳程度的指标.     

基于光流及耦合隐马尔可夫模型的动态手势识别

基于块的相关算法来计算光流，并利用光流跟踪双手的运动．双手的运动轨迹取相邻两点的速度向量，经8方向链码量化后作为观察向量．和直接利用位置信息相比较，提高了识别的鲁棒性．采用耦合隐马尔可夫模型来识别双手动态手势，提出并实现了最大后验概率的训练．对6个双手动态手势的试验表明，耦合隐马尔可夫模型(CHMM)比常规隐马尔可夫模型(HMM)能更有效地对双手动态手势建模．     

单次运动想象脑电的特征提取和分类

为了实现脑-计算机接口(BCI)系统,对运动想象脑电信号的特征进行了提取和分类.将大脑C3,C4处采集的二路运动想象脑电信号分成4段,分别建立六阶AR参数模型进行功率谱估计,再对每段数据的功率谱求和构造特征矢量,提供给误差反向传播算法进行左右手运动想象脑电模式分类.结果表明,该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步(ERD)和事件相关同步(ERS)的变化时程.另外,该方法识别率高,复杂性低,适合在线脑-计算机接口的应用.     

Hybrid Genetic Algorithm Based Optimization of Coupled HMM for Complex Interacting Processes Recognition

Coupled Hidden Markov Model (CHMM) is the extension of traditional HMM, which is mainly used for complex interactive process modeling such as two-hand gestures. However, the problems of finding optimal model parameter arc still of great interest to the researches in this area. This paper proposes a hybrid genetic algorithm (HGA) for the CHMM training. Chaos is used to initialize GA and used as mutation operator. Experiments on Chinese Tai‘Chi gestures show that standard GA (SC, A) based CHMM training is superior to Maximum Likelihood (ML) HMM training. HGA approach has the highest recognition rate of 98.0769%, then 96. 1538% for SGA. The last one is ML method, only with a recognition rate of 69.2308 %.     

语音识别中基于MCE准则的CHMM学习方法

研究了用于ＣＨＭＭ的ＭＣＥ学习方法,提出了简单形式的识别函数、误差函数、扣池数等的定义方法以及总损失函数的最小化方法。通过对非特定人汉语连续语音识别实验,证明了提出了的函数形式和损失函数最小化方法对ＣＨＭＭ的ＭＣＥ学习的有效性。     

隐马尔柯夫模型在信号检测中的应用

用隐滤波器隐马尔哥尔夫模型从相似功率谱噪声中检测脑电信号，运用似然比检验的方法对混有噪声的脑电信号进行检测。实践表明，该方法检测效果较好，在－１８ｄＢ信噪比时仍得到满意的ＲＯＣ曲线。