夜间环境驾驶员精神负荷的生理特性评估与实验

以夜间环境下的驾驶行为为研究对象,基于驾驶模拟器开展了四类驾驶实验,以及白天、夜间单一驾驶任务实验,以及白天、夜间主从驾驶任务实验。在驾驶员脑电、心电、呼吸、皮电等生理数据和精神负荷主观评价的基础上,运用统计学方法综合分析了驾驶模拟实验过程中的生理参数变量变化规律。结果表明:相比白天行车环境,夜间环境下驾驶员的精神负荷有一定的增加,在执行主从任务的夜间行驶实验中被测试对象感知的主观压力显著增加,且主观压力与主从任务难度成正比关系。心率变异性功率谱密度、脑电负荷水平等生理指标呈现显著性差异,呼吸频率也有一定的变化,呼吸幅度和皮电的指标变化不明显。研究成果可用于夜间环境下的道路交通安全评价。     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

基于生理信号的驾驶疲劳综合评价方法试验研究

采用驾驶模拟舱对30名被试进行动态驾驶模拟试验,分析心电信号和脑电信号随驾驶时间的变化规律,验证心电信号和脑电信号作为驾驶疲劳评价指标的有效性.采用皮尔逊相关系数计算发现心电信号与脑电信号相关关系显著,并通过主成分分析法,建立脑电信号与心电信号之间的关系,确定驾驶疲劳评价的综合指标,可以排除干扰因素,减小数据的波动性,提高驾驶疲劳评价的准确性.     

融合语音信号和脑电信号的多模态情感识别

为构造有效的情感识别系统,通过声音刺激分别诱发出高兴、悲伤、生气以及中性4种情感,并采集相应的语音信号和脑电信号。首先,利用相空间重构技术提取脑电信号和语音信号的非线性几何特征和非线性属性特征,并结合两者的基本特征分别实现情感识别;然后,通过构建基于限制玻尔兹曼机的特征融合算法,从特征层融合的角度实现多模态情感识别;最后,利用二次决策算法从决策融合的角度构建多模态情感识别系统。实验结果显示,从特征融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高1.08%和2.75%;从决策融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高6.52%和8.19%;决策融合相比特征融合构建的多模态情感识别系统整体识别效果更优。因此,融合语音信号和脑电信号等不同来源的情感数据可以构造出更有效的情感识别系统。     

基于改进深度学习模型C-NTM的脑电鲁棒特征学习

为了在脑电信号鲁棒特征学习中提取更多脑电抽象和深层特征,本文在卷积长短时记忆网络的基础上提出一种深度学习混合网络。采用快速傅里叶变换将多通道的脑电信号转换为一系列具有空域、时域、频域相关信息的频谱图;将改进的卷积神经网络和神经图灵机组合搭建完成深度学习混合模型卷积神经图灵机C-NTM;通过认知工作负载脑电的分类任务对改进的模型进行评估。实验结果表明:本文所提模型在相应的数据库上取得了94. 5%的准确率,优于目前在脑电分类任务中效果最好的模型。该模型能够有效地学习不同受试者之间和同一受试者不同状态时的脑电特征,实现更好的脑电鲁棒特征学习。     

基于音乐诱发脑电的抑郁症识别研究

抑郁症是最常见的精神类疾病之一,临床诊断存在困难,有必要寻找一种客观、高效的方式来辅助抑郁症的快速识别.通过融合中性、负性、正性音乐刺激下的不同脑电图(EEG)数据,提出一种新的抑郁识别方法来区分轻度抑郁症患者和正常对照组.在接受不同音乐刺激的同时同步记录抑郁症患者和正常对照组的脑电信号;然后从各模态的脑电图信号中提取线性和非线性特征,得到各模态的特征;此外,采用线性组合技术融合不同模型的脑电特征,构建全局特征向量,找出最佳的特征子集.最后比较了各分类器K-NN、DT和SVM的分类精度.实验结果表明,基于音乐刺激诱发脑电建立有效的抑郁症识别模型,KNN分类器的分类准确率最高达86.93％,可为抑郁症的辅助识别提供客观的指标和依据.     

照明对“本本族”驾驶人生理特性影响分析

为探寻"本本族"驾驶人安全行车的驾驶操作,针对光线突变时生理特性的变化展开研究.借助UC-winroad软件和模拟驾驶仪搭建的平台,要求被试者在突发照明场景下进行模拟驾驶试验,同时采用眼动仪、MP150收集驾驶人生理参数.分析能够反映驾驶负荷的脑电信号(α+θ)/β、RR间期平均值和瞳孔面积变化情况,然后建立基于驾驶人脑电波、心率增长率、单次注视持续时间和瞳孔面积变化率在明适应过程中的驾驶负荷模型,以研究不同视觉及生理指标对驾驶负荷的影响程度.研究结果表明:"本本族"驾驶人会对突发照明更快地作出反应,但会产生更大的驾驶负荷,需要更长的适应时间.     

基于函数型数据分析的疲劳驾驶状态识别

针对目前常用于脑电信号特征提取的方法存在不能很好地反映信号的连续性、内部动态变化,导致基于脑电信号的疲劳驾驶识别的准确性不理想的状况,一种基于函数型数据分析进行脑电信号特征提取的方法被提出。所提出的方法是通过计算人体在静息状态和疲劳状态的函数性差异来表示特征和进行特征的提取。基于所提出的脑电信号特征提取方法构建了1个疲劳驾驶状态识别模型,并通过使用5种常见分类器在采集的疲劳驾驶脑电信号数据上进行测试,结果表明所提出的基于函数型数据分析的脑电信号特征提取方法有效,所构建疲劳驾驶状态识别模型能获得好的识别效果,最好的识别准确率达到94.82%。     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

基于时域、频域脑电(EEG)特征情感分类研究

目前的情绪识别技术已经成功地将情绪变化与脑电信号联系起来,并在适当的刺激下从脑电信号中进行识别和分类.因为声音以及表情等信号具有一定的伪装性,而脑电信号(EEG)和情绪的变化密切相关,通过对EEG信号的分析可以更精确的反映人的情感变化.对EEG信号的研究集中于通过时域和频域的角度提取出特征信号,采用基于熵(entropy)的可分性判断进行特征选择,分别使用SVM和HMM-SVM模型两种分类方法进行情绪分类,然后对分类结果进行分析、比较.结果表明,利用HMM-SVM模型基于频域特征的分类结果最好,平均准确率为83.93％.     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

基于DWT、MEMD和模糊熵的脑电信号特征提取与分类研究

针对脑电信号分类准确率不高导致脑控设备控制稳定性差的问题,提出一种基于离散小波变换(DWT)、多变量经验模态分解(MEMD)和模糊熵的特征提取与分类方法。首先,利用DWT将脑电信号分解成一系列窄带信号;其次,利用MEMD对子带信号进行分解,得到一系列本征模函数(IMFs),选择合适的IMFs进行信号重构,利用模糊熵算法对信号提取特征,作为实验的特征向量;最后,使用支持向量机(SVM)进行分类。利用脑机接口(BCI)大赛数据作为验证集,验证了该算法的有效性,使分类精度提高到了96.2%,同时解决了经验模态分解(EMD)中频带覆盖较广的问题。     

基于小波变换共空间模式的脑电信号解码

针对运动想象脑电信号实现任务少、识别准确率低等问题,提出了一种基于小波包分解的共空间模式脑电信号特征提取方法.该方法通过长短期记忆网络进行脑电信号解码,采用独立成分分析的方法将运动想象信号进行盲源分离,采用小波包分解方法将每个通道脑电信号按频率分为8组.计算每组信号的功率值,采用递归特性消除方法去除对分类不重要的10个...     

基于MP稀疏分解的心电身份识别

心电信号在医疗方面的应用有着广泛的研究,然而心电信号反映了人体心脏的生理活动,不同人的心电信号各不相同,因此可以用作身份识别.该文采用Gabor原子库对心电信号进行基于MP的稀疏分解,分解后所得的原子参数和投影值中包含该信号的重要信息,将其作为特征参数,并采用支持向量机对其进行分类.通过对20个人的心电信号进行实验,识...     

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。     

驾驶员脑力负荷的SVM识别模型

车载信息系统的使用,道路交通控制信息的复杂,增加了驾驶员脑力负荷量.为对驾驶员脑力负荷进行有效识别,为自动辅助驾驶系统以及交通信息的整合优化设计提供依据,以驾驶员脑电信号δ(0.54 Hz),θ(48 Hz),α(813 Hz),β(1330Hz)频谱幅值为输入特征,结合SVM模型构建了驾驶员脑力负荷识别模型.在此基础上,基于驾驶模拟器实验数据,对该模型予以试算.结果表明,模型识别正确率可达93.8%96.5%.该模型对驾驶员脑力负荷识别具有较高准确性,可用于驾驶员脑力负荷识别.     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。     

应用于假手的肌电信号分类方法研究

高效、准确的肌电信号分类方法是实现高仿生性肌电假手控制的关键技术之一.本文对肌电假手常用的信号分类方法进行了系统研究,阐述了目前常用的七种方法的基本原理和研究现状.重点分析了基于神经网络和支持向量机的肌电信号分类方法,分别从网络类型、所采用的信号特征、识别准确率等方面对分类结果进行了比较.最后,对各种方法的优缺点及适应...