基于脑电信号组合熵特征的驾驶疲劳检测分析

驾驶疲劳是驾驶员的常见职业危害,驾驶疲劳检测对运输安全具有重要意义。在本研究中,采用样本熵(sample entropy,SE)和近似熵(approximate entropy,AE)对脑电(EEG)进行特征提取,分别把两种熵组合特征和单一熵特征输入分类器进行驾驶疲劳识别。运用4种经典的分类器：K最邻近(KNN)、决策树(DT)、提升树(Adaboost)和支持向量机 (SVM)对组合熵特征集和单一特征进行识别分析比较。实验结果表明：驾驶疲劳程度增加,SE和AE显著降低,两种非线性指标均是驾驶疲劳的敏感特征指标;4种分类器均可有效识别驾驶疲劳状态,KNN分类器的识别性能最佳;组合熵特征集识别精度比单一熵特征更高,其中KNN分类器组合特征模型在FP1通道的疲劳识别的平均准确率可达92.8%。基于单通道EEG组合熵检测驾驶疲劳具有较好的稳定性和鲁棒性,具有广泛的应用前景。     

基于脑电识别与车辆操纵特征的驾驶疲劳检测分析

本文以脑电识别与车辆操纵特征为切入点,通过模拟疲劳驾驶实验,将脑电识别与车辆操纵特性相结合来检测驾驶员的疲劳状态.通过对脑电信号的S变换分析,发现不同驾驶时刻其变换时频谱图存在显著差异,可用来区分驾驶过程中驾驶员的精神状态,结合车辆操纵特征参数,得到操纵特征与疲劳状态的关系,为脑电识别与操纵特征的驾驶疲劳检测的有效性提供一定的理论和实验基础.     

汽车驾驶行为远程监控分析系统的研究及应用

选用汽车无线数据记录仪,整合网络服务平台和上位机数据分析软件,构建一套简单易用的驾驶行为远程监控分析系统;利用该系统对汽车GPS定位、车速、三轴加速度等行驶数据远程采集,并结合道路状况对驾驶人在城市快速路、城市红绿灯路口、弯道、过减速带驾驶的几种典型路况驾驶行为特征数据进行对比分析;实验结果表明:该系统能有效记录、传输汽车行驶数据,通过数据的分析识别驾驶人驾驶行为特征以判断驾驶行为并评价优劣,对改进驾驶人驾驶行为、降低交通事故发生率提供有效技术支持。     

基于协方差流形的异常驾驶行为识别方法

研究一种高效的异常驾驶行为正确识别分类的识别方法,对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征,以克服基于单一特征识别驾驶行为的不足;并利用协方差流形进行多特征融合,以消除特征冗余以及不同特征数值悬殊对图像识别的影响;最后使用多类LogitBoost分类器进行分类识别。针对相同检测目标的正确识别率可达98%以上,对不同检测目标的正确识别率可达70%以上。实验结果表明该方法有效提高了驾驶行为识别的效果。     

P300 Speller中基于权值重采样的 ABSVM字符识别方法研究

 P300 Speller是脑-机接口中重要的信息交互方式,由于其诱发的脑电特征信噪比较低与训练样本量庞大等问题,常规的线性识别算法和支持向量机等非线性识别算法难以获得理想的识别效率.本文引入了一种基于权值样本重采样过程的Adaptive Boosting SVM(ABSVM)方法,在大样本集上利用AdaBoost重采样方法建立一系列小样本子集,在其上训练支持向量机并将其集成后进行识别.对6位受试者P300 Speller字符辨识实验的脑电特征识别结果发现,该方法能够显著提高字符识别效率,在合并使用5次重复刺激特征的情况下字符识别准确率达到97.5%.使用国际脑机接口竞赛数据库数据进一步验证,在合并使用5次重复刺激特征的情况下该方法识别正确率较竞赛报告的最优方法提高7.35%,最大信息传输速率的提高达到48.9%.研究结果表明,ABSVM方法能够有效提高P300 Speller的识别效率和信息传输速率,值得进一步研究和发展.     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法.根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的μ节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3,C4通道μ节律的样本熵构筑分布性和指向性相结合的特征向量.选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27％.     

基于脑网络组图谱的阿尔茨海默病分类

结构磁共振影像(sMRI)作为一种非入侵式的脑成像方式为人们理解阿尔茨海默病(AD)的患病机制提供了很大的帮助,目前已有大量研究利用从sMRI中提取的特征进行AD的识别。为了充分利用图像信息提取AD相关的特征,提出了一种简单易用的基于人类脑网络组图谱的脑区划分进行特征提取的方法。选取美国阿尔茨海默病神经影像组织(ADNI)数据库中的226例正常被试(NC)和227例AD患者的sMRI数据作为研究对象,提取每个个体脑网络组图谱中各脑区的平均灰质密度作为特征,利用支持向量机(SVM)对NC和AD患者进行分类,通过10折交叉验证的方式得到了85.2%的平均分类准确率。后续的统计分析发现,海马、杏仁核及梭状回等脑区的平均灰质密度对NC和AD患者的识别贡献很大,且这些脑区的萎缩程度与患者的认知能力密切相关。利用最小绝对收缩选择算子(LASSO)对个体的简易智力状态评分(MMSE)进行预测,预测结果与真实值间存在显著的正相关(r0.65, p0.001)。研究结果表明,基于脑网络组图谱脑区划分提取的脑区平均灰质密度特征可以有效地对AD患者进行识别,并可以用来评估个体的认知水平。     

结合图像分割和ResNet18的危险驾驶行为识别

针对驾驶行为图像中背景干扰问题,文章提出了一种结合图像分割和残差网络的危险驾驶行为识别方法。首先采用GrabCut分割出图像中驾驶员所在区域;然后通过迁移学习完成基于ResNet18的识别模型;最后使用AUC数据集验证算法的有效性。实验表明:在测试集上实现了94.57%的准确率。     

利用相锁值算法的脑电相同步测谎研究

相锁值（Phase Locking Value,PLV）是由相同步的概念下提出一种描述不同信号相关性（同步性）的算法,在脑电信号领域,其有效性已经得到了验证.本文针对当前测谎方法中脑电信号特征提取困难的问题,首次将相锁值的算法应用到脑电测谎领域中,研究谎言脑活动下不同脑区之间的相关性,通过相关性发现谎言的认知机制,并利用该相关性作为特征,使用支持向量机对说谎者和诚实者的两类信号进行模式识别,得到了88.50%的准确率,提出的方法验证了PLV在测谎应用中的有效性,为基于脑电信号的测谎提供了一种新的途径.     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法。根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的\begin{document}$ \mu$\end{document}节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3, C4通道节律的样本熵构筑分布性和指向性相结合的特征向量。选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27%。     

基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法

该文将脑功能网络引入到脑电特征提取的研究中,提出一种基于感兴趣脑区LASSO-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的LASSO-Granger因果度量,并将其作为特征向量,最后输入支持向量机分类器,对BCI Competition IV dataset 1中的4组数据进行分类识别。结果表明,基于感兴趣脑区间LASSO-Granger因果关系分析和支持向量机分类器的方法对不同的运动想象任务识别率较高,提供了新的研究思路。     

基于极微弱脑电编解码技术的脑机接口前沿展望

脑机接口是人机交互领域中迅速发展的新兴技术,在系统交互速率和指令集数量等方面已经取得较大突破,但现有脑机接口技术多基于高鲁棒性的脑电特征进行编解码,欠缺舒适性和交互友好性,导致目前该技术的应用场景受限且不利于用户进行多线程作业,限制了脑机接口技术走向实际应用.面向脑机交互过程中的实际应用需求,需要开发基于极微弱脑电的编解码技术,挖掘蕴含更深层、更复杂大脑信息的脑电特征.为此,一方面需设计提升用户体验的极微弱刺激编码范式,一方面需研发提高极微弱特征识别精度的解码算法,实现更加实用化、人性化的新型脑机接口系统.本文对基于极微弱脑电编解码技术的相关研究进行了回顾和总结,并对该技术的未来发展趋势进行了展望.     

对脑电信号特征的驾驶疲劳检测方法

疲劳驾驶已成为一种严重的社会问题,但是目前业内依然缺乏一种行之有效的疲劳驾驶预防与技术检测手段。本文提出了一种基于脑电信号特征的驾驶疲劳检测方法,文中采用疲劳驾驶模拟试验方法,通过分析研究对象面部表情变化情况,探讨了驾驶员疲劳状态与其脑电信号特征之间的关联性。在此基础上,本文分别提取研究对象脑电信号特征值中的"δ、θ、α与β"四种脑电节律能量值进行疲劳指数对比分析。     

基于深度学习的工业车辆驾驶行为识别

文章提出一种基于深度学习的工业车辆驾驶行为识别的方法。该方法对工业车辆在实际工厂环境中行驶的特点进行分析,将三轴加速度传感器和三轴角速度传感器采集到的数据进行预处理,根据处理结果将数据送入深度神经网络训练,完成对工业车辆驾驶行为的识别。系统先对样本数据使用数据插值、标准化处理等方法进行预处理,通过数据增强算法减少过拟合的影响,再基于长短期记忆网络(LSTM)处理时间序列数据,构建出CNN+LSTM的深度网络模型,用于驾驶行为的识别。测试结果表明,所提模型识别整体准确率可达96.51%,能够准确地识别出工业车辆行驶的状态。     

基于脑电图识别结合操纵特征的驾驶疲劳检测分析

交警部门在进行道路安全管理时,对疲劳驾驶的人员进行有效的驾驶疲劳检测,是辨别疲劳驾驶人员前提与基础。本文基于脑电图识别结合操纵特征为切入点,通过选取的样本进行驾驶疲劳实验,将脑电图识别与车辆操纵特性相结合来检测驾驶员的疲劳状态。     

不同编码分组调制的VEP脑机接口研究

在现有的各种脑机接口实现范例中,基于c-VEP的脑机接口取得了最高的信息传输率,但这种脑机接口系统必须在刺激目标数与检测精度和检测速度之间进行折衷。要增加刺激目标数并保证识别率高,必须增加码长,然而,增加码长会导致识别一个目标所需的时间增加,降低信息传输率。针对这个问题,提出了使用不同编码分组调制刺激目标的方法。基于该方法,采用Golay码和近完美码各调制16个刺激目标,目标识别的方法是先获取两组目标的参考模板,分别对两个模板做移位得到所有目标的模板,再运用模板匹配法对目标进行识别。7位受试者在一个刺激周期的平均分类准确率高达92.34%,研究结果表明该方法增加了刺激目标数,同时提高了识别率,缩短了检测时间。     

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。     

高灵敏度多通道fNIRS系统的BCI应用：“肯定/否定”二分类意图识别

本文探讨了高灵敏度多通道fNIRS系统用于解码“肯定/否定”二分类意图的脑机接口应用。实验过程中采用全并行激励下的锁相光子计数模式进行测量,采集了10名被试思考针对其个人情况的相关问题时前额叶脑区的fNIRS信号,从中提取血红蛋白浓度变化数据的均值、方差、偏度、峰度、激活水平这五种特征,根据各特征对不同被试的分类效果和Fisher-score方法分别进行特征与通道选择,并最终构建支持向量机(SVM)模型。采用10次十折交叉方案进行验证,以更好地评估模型的分类准确性。为了对比,本文也研究了以原始光强数据建立的SVM模型的分类效果。实验结果表明：使用血红蛋白浓度变化数据构建的SVM模型的平均平衡准确率为73.1%±1.7%,以原始光强数据构建的SVM模型的平均平衡准确率为70.6%±3.7%,前者较后者提高了3.5%,且二者的平均平衡准确率均达到了70%以上。本研究不但展示了高灵敏度多通道fNIRS系统识别人脑直接意图的能力,也为fNIRS-BCI的应用提供了有益思路。     

基于互信息的脑网络及测谎研究

互信息分析方法是基于信息论提出的一种描述两信号间信息交互情况的算法,其在脑电信号领域的有效性已得到了充分证实.针对当前测谎方法中脑电信号特征提取困难以及大脑整体认知功能分析在脑认知科学研究中越来越被重视的情况,本文首次将互信息分析方法应用到脑电测谎领域中,使用互信息量化大脑各节点之间的相关性,对计算结果进行统计分析,选取出在两类人群中具有显著性差异的电极对的互信息作为分类特征,进行模式识别,得到了99.67%的准确率.这一结果表明,互信息分析方法是一种有效的脑功能连接分析方法,为基于脑电信号连接分析的测谎研究提供了一种新的途径.另外,对说谎与诚实两类受试者的大脑功能网络的分析结果表明：处于说谎状态时,大脑的额叶、顶叶、颞叶及枕叶之间协同实现谎言功能,并在躯体行为所对应的脑区与其他脑区的连接上也表现出相对诚实组的显著性差异,以上结果均有助于进一步揭示谎言的神经活动机制.     

语言脑机接口康复系统中的参数优化研究

脑机接口可为失语症及运动障碍患者提供新的康复途径。本文设计了基于汉字默读的语言脑机接口实验,将9位被试脑电信号从时域、频域和空间域三方面进行特征选择和优化,用于汉字识别。采用事件相关谱扰动算法进行时频分析,以获取特征显著的时频区间,利用共空间模式进行空域分析,选择出最佳导联组并结合分类结果对电极优化选择。结果表明:默读汉字所引起的脑电信号时频能量变化主要分布在α波和β波,且随默读时间动态变化。特征选择时,改进时间与频率区间较固定时间与频率区间均能有效提高汉字的平均匹配准确率,若同时改进时间与滤波范围,匹配准确率提高范围达到3.37%。本文有助于语言脑机接口的理论研究,同时为语言康复训练提供新思路。