基于独立成分分析降噪与集成分类器的疲劳脑电研究

疲劳驾驶是引起众多交通事故的重要因素之一,脑电作为一种直接反映大脑组织电活动的信号日趋成为评估驾驶疲劳检测与预警的研究焦点。本文提出了一种基于AdaBoost的组合型实验方法用于分析脑电检测疲劳驾驶。试验过程中针对不同受试者采用独立成分分析(Independent Component Correlation Algorithm, ICA)处理分析,继而进行样本熵、信息熵、模糊熵和AR系数的特征提取;最后运用AdaBoost将最小二乘向量机基于三种核分类器集成为一个强分类器。试验结果显示,采用AdaBoost分类器分类效果优于单个核分类器,对疲劳驾驶平均识别率达到93%,五折交叉验证准确率为91.04%,在一定程度上推动了基于脑电信号的安全驾驶辅助监控系统的研究。     

基于自编码神经网络与AdaBoost的快速行人检测算法

针对传统基于HOG特征与Ada Boost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出了一种基于自编码神经网络与Ada Boost的快速行人检测算法.该算法首先利用基于ACF模型的目标检测算法对图像进行预处理,获得疑似目标区域;然后对获取的子区域进行尺度归一化,提取HOG特征,并输入到自编码神经网络中进行降维;最后利用Ada Boost分类器对分类检测,输出检测到的行人区域.实验结果表明:文中所提算法的行人检测性能超过现有的检测算法,其检测速度也超过大多数算法.     

一种融合特征选择的AdaBoost集成算法

针对Ada Boost算法训练分类器的特征具有大量冗余问题,提出了一种融合特征选择的Ada Boost集成算法.首先,使用一种特征选取方法,选择图像特征之间冗余度最小的特征,构造最优训练集;其次,采用Ada Boost算法训练分类器,构建分类模型;最后,使用分类模型实现待标注图像的自动标注.实验使用华盛顿大学用于图像自动标注的数据集,结果验证算法的有效性,并且相比其他传统算法,该算法具有更高的分类精度.     

基于人脸关键点的疲劳驾驶检测研究

为解决疲劳驾驶检测中人眼状态识别的难点,提出一种基于人脸关键点的疲劳检测方法.首先从摄像头实时采集驾驶员图像;然后经过Ada Boost方法检测出图像中最大的人脸,并完成人眼定位和人眼睁闭状态判断;最后使用PERCLOS算法判别驾驶员的疲劳状态.其中人眼睁闭状态判定采用基于Dlib库的关键点检测方法,通过计算上下眼睑的距离判断人眼睁闭状态.采集了1 000组人眼状态的数据之后进行分析,在闭眼时99%的状态值都小于2,而眼睛全睁时99%的状态值都大于2.4,当状态阈值设置为2时基于人脸关键点的检测算法正确率最高.试验结果表明,基于人脸关键点的检测算法在头部倾斜等姿态下和光线不好的情况下仍能很好地检测出驾驶员的疲劳状态,具有较强的鲁棒性.     

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DSP人脸特征识别的司机疲劳驾驶预警系统研究

疲劳驾驶是造成交通事故的一个重要原因。为实时有效地检测驾驶员的疲劳状态,设计了一种融合眼睛和嘴巴两种疲劳特征进行疲劳状态判定的检测算法,并构建了基于DSP人脸特征识别的司机疲劳驾驶预警系统。该算法采用"Harr特征值+Ada Boost"的方法进行人脸识别,然后根据人脸图像的灰度分布定位眼睛和嘴巴的位置,利用Hough变换,以及模板匹配技术判断出人眼的开闭状态,计算PERCOLS值作为司机疲劳驾驶的一个判断指标。除此之外,本系统还利用嘴巴的宽高比及打哈欠的持续时间来综合判定司机的疲劳状态。通过仿真测试结果表明该系统的算法准确、可行、实时性强。     

基于AdaBoost集成学习的演化硬件DNA微阵列数据分类

为了更好地解决DNA微阵列数据的分类问题并进一步提高系统的识别率,提出了一种用于DNA微阵列数据分类的演化硬件多分类器Ada Boost选择性集成学习方法.在系统集成阶段,介绍了2种改进的Ada Boost算法,分别探讨了以样本标记提升抽样有效容量和直接面向组合分类器分类精度提升的选择性集成策略.对急性白血病、肺癌、结肠癌数据集进行了试验.结果表明,基于Ada Boost集成学习的演化硬件方法对白血病、肺癌、结肠癌的平均识别率为97.06%,99.32%,和94.44%.相对于传统演化硬件集成学习方法,文中方法保证更优识别率的同时有效降低了硬件实现代价.     

可拓AdaBoost算法对预测结果的改进

为解决传统分类算法的预测结果所提供的信息不够丰富的问题,采用理论分析和实验相结合的方法,融合Ada Boost算法和可拓学理论,提出一种全新的以关联函数的形式对分类结果进行表达的可拓Ada Boost算法.以Ada Boost算法为框架,结合可拓理论中可拓模型和关联函数的理论,寻找物元的本质特征元并以此作为弱分类器,提出了根据事物隶属所有类别的关联度来判断事物类别的方法.实验表明,可拓Ada Boost算法不仅用关联函数优化了传统分类算法预测结果为关于某一类别"是"或"不是"的简单表述,而且在适用问题中可以使分类结果更准确.     

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。     

改进AdaBoost与SVM快速人脸检测

使用Ada Boost进行人脸检测,存在训练时间长以及误检率高的问题.本文提出了一种新的快速人脸检测方法.首先通过对类Haar特征约束,提高人脸特征选取的有效性,减少整体特征数;然后利用基于梯度方向直方图HOG特征的支持向量机SVM算法对改进后的Ada Boost算法出现的高误检率进行检测优化,以降低误检率,提高检测的准确度.实验结果表明,本文提出的Ada Boost改进算法可以有效地缩短训练和检测时间,结合SVM优化实验可以大大降低误检率,提高人脸检测的正检率,实现快速高效的人脸检测.     

一种基于眼动输入的手机解锁方法

提出了一种基于眼动输入的手机解锁方法,该方法首先使用Ada Boost级联分类器进行人脸区域检测,利用眼部特征点建立眼睛相对坐标系,进行人眼视线方位的估计;然后利用K-Means聚类算法对视场坐标系中的凝视区域进行聚类;最后使用随机生成的密码序列对视线方位进行加密。实验结果表明,该身份认证方法具有较高的认证精度和效率。     

基于脑电的实时疲劳监测算法的研究

疲劳驾驶是造成交通事故的一个重要因素。基于脑电波传感器采集到的脑电(EEG)信号,提出了一种基于特征节律波样本空间距离的实时驾驶疲劳监测算法。该算法通过提取脑电特征信号并建立相应的特征样本空间,然后通过将实时采集的脑电信号与样本空间之间的距离来判别驾驶员是否处于疲劳状态;并结合多次实验结果,使用ROC曲线分析方法获得确定疲劳判别的阈值,由此实现对驾驶者疲劳状态的实时监测。实验结果显示,该算法能有效地、实时地对疲劳进行监测,且具有较好的鲁棒性和准确性。     

一种新的多视角背景下人脸检测方法

针对实际生活中普遍存在的多视角、多人脸检测问题,提出了一种新的分类器训练方法及人脸检测的解决方案;首先采用NPD差分特征对人脸特征进行描述,NPD特征通过判断两个像素值间相对差异对人脸进行描述,其特征值可从二维表直接获取,能大大节省训练时间;同时提出了一种深度二叉特征树结构来训练分类器,可有效结合特征间的关联性,将训练得到分类器与肤色算法相结合来提高检测速度;通过在CMU人脸数据库上对所提出算法进行验证,仿真结果证明在多人脸、多视角检测背景环境下,该算法较Ada Boost算法在检测率提高了8.7%,误检率降低了4.1%,检测速度提高了27.7%。     

基于深度卷积网络的多视角人脸检测研究

针对复杂背景下多视角人脸检测的问题,提出了一种基于深度卷积网络的多视角人脸检测算法。该算法从AFLW多视角人脸库中得到了原始正负样本的数据集,利用改进的NIN_Cifar10网络结构模型来训练一个深度人脸分类器,通过非极大值抑制算法(Non-maximum suppression,NMS)使其确定为最终的人脸检测窗口进行人脸检测。在Caffe框架下的实验结果表明:本文的方法在多视角人脸检测的正确率上达到了97.3%,与Ada Boost算法相比,误检率降低了6%,检测速度提高了30%,同时对遮挡、光照也具有一定的鲁棒性。     

基于TWQT和熵特征的癫痫脑电快速检测

该文提出一种基于可调Q因子小波变换的熵特征提取方法用于癫痫脑电的快速检测。首先,利用TWQT算法对脑电信号进行分解,计算分解后得到的小波子带的中心频率;随后,选择对应癫痫发作时异常波段频率范围的子带进行小波重构,并对重构信号提取排序熵和规则性指数等熵特征;最后,选择包括支持向量机、随机森林、极端梯度提升在内的多种分类器进行分类实验。实验中采用德国波恩大学癫痫研究中心的公开数据集和UPenn and Mayo Clinic′s Seizure Detection Challenge数据集进行验证,所提出的方法针对小样本数据集可以达到99.3%的准确率,100%的灵敏度以及98.6%的特异度,体现了该算法的有效性。     

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.     

情感识别中脑电漂移数据的校正方法

本研究针对脑电信号在采集过程中出现的漂移情况,采用支持向量机分类器,分析了节律对数功率、分形维数和信号熵等9种特征,研究了脑电漂移数据对情绪分类的影响;同时,采用拟合求差的方法,尝试对脑电漂移数据进行校正.实验结果表明:脑电漂移数据会导致情绪分类正确率下降,而拟合求差法可以在一定程度上补偿漂移数据对分类造成的不利影响.仿真结果显示:不存在漂移数据时,样本熵和θ节律功率对数两种特征的情绪分类效果最好,而存在未经校正的漂移数据时,δ节律功率对数特征的情绪分类结果最好;漂移数据校正后,样本熵和δ节律功率对数两种特征的情绪分类结果最好.     

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。     

基于多导联脑电时空信息的情感分类研究

为探究脑电空间关联信息与不同情感状态之间对应关系，基于SEED(SJTU Emotion EEG Dataset)情感脑电数据集，计算实验采集的不同导联脑电的皮尔逊相关系数，通过小波变换获取脑电导联之间的小波相干系数，利用Hilbert变换提取各个导联脑电的瞬时相位，计算脑电相位同步指数。然后分别将皮尔逊相关系数、小波相干系数、相位同步指数作为特征，采用支持向量机分类器实现正性、负性、中性三种情感状态的有效分类。仿真结果表明，脑电的空间关联特征用于情感识别是有效的，可以达到91.5%的情感识别精度；利用脑电微分熵的皮尔逊相关系数获得了93.7%的平均分类准确率；并且脑电γ节律相比α、β节律更有利于情感识别。该研究可以应用于情感脑机接口系统。     

基于头部姿态眼睛差分定位的驾驶员疲劳检测

基于面部特征的驾驶员疲劳判断是应用最广泛的方法,而眼睛睁闭程度最直接表达驾驶员的精神状态。传统的眼睛检测方法受环境、传输、头部姿态的影响,眼睛的定位精度不高,从而导致疲劳分析不准确。提出一种基于脸部图像灰度差进行眼睛检测的方法:正常情况下在人脸上半部只有眼睛进行睁闭的活动,故眼部区域灰度会发生变化,由此来进行标定。该方法主要包括基于Ada Boost算法的人脸识别、图像预处理、眼睛的检测、积分投影法计算眼睛的高宽比,以及基于PERCLOS(percentage of eyelid closure)准则的驾驶员疲劳判断。最后分别基于头部左转、右转和正视三种情况下进行实验。根据结果表明该方法能够较好地进行眼睛的检测,对于进行驾驶员的疲劳判断有极大的意义。