基于生理参数的驾驶疲劳检测方法综述

疲劳会影响驾驶人员的注意、思维、判断、决定等,是导致交通死亡事故的重要因素之一。实现高精度、强鲁棒性、轻量化的驾驶疲劳检测算法对于提升公共交通安全具有重要意义。该综述从信号模态(单模态、多模态)及分析方法(机器学习、深度学习、迁移学习)两个角度回顾并总结了基于脑电信号(EEG)、眼电信号(EOG)、心电信号(ECG)和肌电信号(EMG)进行驾驶疲劳检测的最新进展。同时,该综述分析了现有工作的局限性并探讨了未来的研究方向,为进一步提升基于生理参数的驾驶疲劳检测算法性能和推广结合可穿戴设备的实际应用提供了新颖的见解。     

基于短时心电信号的身份识别方法

为了提高基于短时(1 s)心电信号进行身份识别的准确率,本文提出了一种残差块的一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的短时心电信号身份识别方法。该方法采用快捷连接设计以解决深层卷积网络随着卷积层数增加而性能退化的问题,并通过增加卷积层数和卷积核数量来保证网络能够更充分地提取特征,进而提升网络的分类性能。本文方法在两个公开数据库心电数据库(electrocardiogram identification database,ECG-ID)和德国联邦物理技术研究院心电图诊断数据库(physikalish-technische bundesanstalt diagnostic ECG database,PTB)进行了实验,当采用一个心动周期(大约1 s)信号进行身份识别时,准确率分别达到了97.963%和99.359%。实验结果表明本文方法可以有效地提高短时心电信号的身份识别的准确率。     

基于BP和GA_BP的疲劳驾驶检测算法对比分析

为了有效检测驾驶人疲劳驾驶状态,利用模拟驾驶器开展疲劳驾驶实验,建立2类(疲劳、正常)样本数据库;采用均值分析法提取特征参数;最终基于BP和GA_BP神经网络建立分类算法进行疲劳驾驶检测。结果显示,基于GA_BP的分类算法的识别准确率、达到设定目标的次数、均方误差和迭代步长均比基于BP的算法好;两种算法的运行时间均呈二次函数增长;但基于GA_BP的分类算法增长速度更快。这表明基于BP和GA_BP建立分类算法进行疲劳驾驶检测具有可行性,且基于GA_BP的算法识别效果更好,虽然其运行时间较长,但满足实时检测的要求。     

基于脑电信号的驾驶疲劳检测综述

围绕基于脑电信号的驾驶疲劳检测,通过大量文献检索,总结了脑电信号采集设备、脑电信号特征提取方法和脑电信号分类方法三个方面现状．分析了采集设备的便携性与舒适度问题、与疲劳相关特征的稳定性问题及疲劳检测模型的鲁棒性问题,进而梳理并总结出基于脑电信号驾驶疲劳检测的三个发展趋势：从湿式电极到干式电极;从通道内特征到通道间特征;从浅层机器学习到深度学习．     

基于眼睛状态识别的疲劳驾驶检测

由于光照变化、头部姿态等因素的影响,现有的疲劳驾驶检测精度仍有待提高。针对该问题,提出一种基于迁移学习的眼睛状态识别网络(Gabor and LBP-convolutional neural networks,GL-CNN),该网络是由Gabor特征和LBP特征通过迁移学习加入卷积神经网络(convolutional neural networks, CNN)调制组成的。首先用多任务级联卷积神经网络(multi-task CNN,MTCNN)检测驾驶员的人脸和双眼,然后经过眼睛筛选机制获取待检测的单只眼睛,通过GL-CNN识别眼睛的睁闭状态,最后根据PERCLOSE准则判断驾驶员的疲劳状态。实验结果表明,该算法具有较高的准确率,可以检测多种姿态眼睛的状态,同时满足实时性的要求。     

基于方向盘握力的疲劳驾驶检测研究

选取6位普通驾驶员参加实际道路驾驶实验,在实验中同步检测驾驶员对方向盘的握力信号和驾驶员的脑电信号。通过独立样本T检验,从时域和时频域两方面筛选出5个与疲劳驾驶密切相关的握力信号特征,将它们作为输入信息;提取脑电功率谱比值作为衡量疲劳驾驶的信号特征,将其作为输出信息;通过BP神经网络方法,以输入信息和输出信息建立基于方向盘握力的疲劳驾驶检测模型。使用部分驾驶数据对检测模型进行验证,结果显示此数学模型对疲劳驾驶的识别率达到87.0%,说明方向盘握力信号可作为检测疲劳驾驶的有效数据。     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

基于脑电信号的草原公路驾驶疲劳研究

草原公路单调枯燥的驾驶环境容易使驾驶员产生驾驶疲劳,严重威胁到行车安全。通过草原二级公路实驾试验,监测驾驶员的脑电信号,探索真实驾驶环境下驾驶员驾驶时的EEG特征。结果表明:β波和(α+θ)/β这两项指标对驾驶员疲劳反应最为敏感,可以把这两项指标作为表征草原公路驾驶员疲劳的脑电指标;在草原公路150 min的驾驶过程中,驾驶员出现较明显疲劳症状时间段是:20~30 min,80~90 min,90~100 min,100~110 min。其中,在90~110 min这个时间段内疲劳趋势尤为明显。结果可为草原公路驾驶疲劳预警提供部分理论支撑。     

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.     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

基于机器学习的运营商客户行为分析

为了有效处理企业越来越多的业务数据,为企业业务提升和用户价值挖掘提供积极帮助,将机器学习方法应用于某运营商客户业务数据处理过程。首先对原始数据进行预处理,去除重复值、缺失值、异常值,并进行标准化处理,然后对不平衡数据采用合成少数类过采样(synthetic minority over-sampling technique, SMOTE)技术进行过采样,减少了预测的偏差。对处理后数据分别建立传统神经网络模型、优化神经网络模型和随机森林模型,并通过结构调优和参数调优等进行模型优化,对运营商客户进行预测与分析。结果表明,优化后的模型预测准确率可达96%,有良好的客户预测与分析效果,可见优化模型的有效性。最后为运营商挽留流失客户、维系非流失客户提供了解决方案,为运营商实施精准营销、节省运营商营销成本和创造更多利润提供了技术支持。     

基于无线体域网中多生理信号驾驶疲劳检测

利用生理信号的无线测量设备实现了对驾驶员在驾驶过程中的脑电信号、肌电信号和呼吸信号的采集,并对其进行分析处理,从而实现驾驶员的疲劳检测.首先分别计算三个生理信号的近似熵并将其作为疲劳检测的特征参数,然后使用主成分分析对特征参数进行降维优化处理,同时对原始特征参数和分析后的主成分分别进行统计分析,基于优化处理后的特征参数利用回归方程建立驾驶疲劳估计模型.最后通过交叉验证对本方法进行评价,并使用数据融合方法给出了综合的评价结果.评价结果表明提出的方法对驾驶员疲劳状态的检测正确率达到90%以上.     

心电信号的高质量无线电传输和检测

论述了心电信号高质量无线电传输与检测的几个重要问题，分析了前置放大器的设计，心电信号的传输与调制，二次ＦＭ发射和接收的线性及心电信号传输系统的抗干扰防失真能力．提出一种模拟抗干扰电路，并做了试验，结果表明具有良好的抗干扰能力．     

心电信号中R波的小波探测法

心电信号中的R波是心室除极时所产生的电位突奕，是典型的峰值奇异信号。笔者研究了小波变换对心电信号R波峰值奇异点的精确检测机理，分析了Mexican hat小波特有的时域特性，该小波具有任意阶连续性、对称性和指数衰减，具有零阶和一阶消失矩。因此Mexican hat小波基对R波具有良好的定位特性和分析精度。通过MIT／BIH（Massachusetts Institute of Technology/Boston's Beth Israel Hopital）心电数据库的测试和应用实例的验证，即使在有严重噪声干扰的情况下，该方法也很容易实现对R波的准确检测和精确定位，具有相当高的定位精度（定位误差不大于1个采样点，约80％能准确定位）和分析精度（不存在累计误差），同时具有较高的实时性，可以实现R波产时检测和分析。     

激光水下目标探测中混沌背景信号重构的研究

对激光水下目标探测中混沌背景信号的重构问题进行了研究．讨论了混沌时间序列的动态特性，并实际计算了激光水下目标探测中混沌背景信号的时延、混沌维数等有关特征参量．在阐述神经网络重构时间序列模型机理的基础上，提出用神经网络局部预测法重构水下目标探测中混沌背景信号，最后在成功地重构出混沌背景信号的条件下，利用预测误差检测到水下目标探测中的有用弱信号．实验结果表明这种方法是比较有效的．     

基于S变换的罗音信号检测算法

呼吸音中的罗音信号随机性强,变异性大,同时又蕴含了丰富的疾病信息.为从呼吸音中有效地检测出罗音,文中引入S变换,提出了一种基于S变换的罗音信号检测算法.首先从呼吸音信号S变换的时频谱图中提取罗音的时频特征,降维后采用局部峰值判别法检测罗音.实验结果表明,该算法的罗音信号检测正确率达93.70％,检测性能优于其他算法,说明该检测算法是有效的.     

基于SGNN的彩色图像分类

将神经网络用于遥感图像分类处理取得了一些成果,但已有的方法存在计算量大、需要用户设置网络结构和较多参数等缺点.SGNN(Self-Generating Neural Network)是一类自组织神经网络,它不需要用户指定网络结构和学习参数,而且不需要迭代学习,是一类特点突出的神经网络.基于SGNN进行彩色图像分类,实验结果表明,该方法用于彩色图像的分类是可行的.     

心电信号QRS波群的小波精确识别法

利用M arr小波特有的时频特性,采用离散小波变换的直接算法,对心电信号QRS波群进行识别,经M IT/B IH心电数据库的检测验证,即使有严重的噪声信号干扰,也能精确定位R波,其正确率为99.7%,能准确地识别QRS时限,实时地识别R波和QRS时限。可用于心电信号实时处理。