針對(duì)基于腦電圖（electroencephalogram,EEG）的疲勞駕駛狀態(tài)識(shí)別模型的準(zhǔn)確率問(wèn)題不夠理想,以及目前缺乏對(duì)疲勞駕駛發(fā)生的神經(jīng)機(jī)理問(wèn)題研究,課題致力于研究基于最短路徑樹(shù)來(lái)構(gòu)建有效的功能性腦網(wǎng)絡(luò)用于疲勞駕駛狀態(tài)識(shí)別,建立了基于最短路徑樹(shù)功能性腦網(wǎng)絡(luò)的疲勞駕駛狀態(tài)識(shí)別模型和疲勞發(fā)生的神經(jīng)機(jī)理模型,提出并設(shè)計(jì)了基于最短路徑樹(shù)功能性腦網(wǎng)絡(luò)的疲勞駕駛狀態(tài)識(shí)別方法和疲勞發(fā)生的神經(jīng)機(jī)理分析方法。課題主要研究?jī)?nèi)容和階段性研究成果如下:較全面分析了功能性腦網(wǎng)絡(luò)（functional brain networks,FBN）構(gòu)建的關(guān)鍵技術(shù),包括研究基于最短路徑樹(shù)（shortest path trees,SPT）的FBN構(gòu)建方法（該網(wǎng)絡(luò)記為SPT-FBN）,針對(duì)基于聯(lián)合最短路徑樹(shù)（the union of shortest path trees,USPT）所構(gòu)建的FBN存在密度過(guò)大問(wèn)題,提出了一種改進(jìn)的方法即基于組合最短路徑樹(shù)（the combination of shortest path tree,CSPT）的FBN構(gòu)建方法（該網(wǎng)絡(luò)記為CSPT-FBN）,并設(shè)計(jì)了相應(yīng)的構(gòu)建算法。對(duì)SPT-... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

大腦神經(jīng)元示意圖

圖 3-1 SPT-FBN 和 CSPT-FBN 的疲勞駕駛狀態(tài)識(shí)別模型圖主要可以分為四個(gè)階段：(1)數(shù)據(jù)準(zhǔn)備：包括對(duì)疲勞駕駛 EEG 數(shù)據(jù)集的采集、預(yù)處理階段以及頻段劃分，經(jīng)過(guò)這一系列的步驟，得到疲勞駕駛的 EEG數(shù)據(jù)集。(2)特征提�。褐饕� FBN 構(gòu)建以及對(duì)它們網(wǎng)絡(luò)屬性的提取方式。首先構(gòu)建了 SPT-FBN，在 SPT-FBN 的基礎(chǔ)上根據(jù) 3.2.2 節(jié)的規(guī)則構(gòu)建 CSPT-FBN，組成基于 EEG 的 FBN 數(shù)據(jù)集，分別采用 2.4 節(jié)的網(wǎng)絡(luò)屬性公式計(jì)算出兩種 FBN 的屬性，并用 KS 檢驗(yàn)提取有顯著性差異的屬性，將所有計(jì)算出的屬性和有顯著性差異的屬性分別放入網(wǎng)絡(luò)屬性數(shù)據(jù)集。(3)分類(lèi)測(cè)試：本文主要對(duì)網(wǎng)絡(luò)屬性采用十折交叉驗(yàn)證的 SVM 分類(lèi)算法，取數(shù)據(jù)集中的 9 份作為訓(xùn)練集，1 份作為測(cè)試集，進(jìn)行 10 次交叉驗(yàn)證，取 10次的平均分類(lèi)準(zhǔn)確率作為分類(lèi)準(zhǔn)確率。(4)結(jié)果分析：結(jié)果分析主要包括：測(cè)試結(jié)果的有效性分析、SPT-FBN 屬性和測(cè)試結(jié)果之間的關(guān)系分析，基于 CSPT-FBN 測(cè)試結(jié)果的疲勞駕駛神經(jīng)機(jī)理分析。

圖 3-2 基于 CSPT-FBN 的疲勞駕駛神經(jīng)機(jī)理分析模型圖3.5 本章小結(jié)主要介紹了 SPT-FBN、CSPT-FBN 構(gòu)建方法和基于 SPT-FBN、CSPT-FBN的疲勞駕駛狀態(tài)識(shí)別模型以及疲勞機(jī)理分析模型。先介紹了關(guān)鍵技術(shù)，包括SPT-FBN 根節(jié)點(diǎn)的選擇策略、權(quán)重變換的方法以及 CSPT-FBN 的生成規(guī)則；接著提出了 SPT-FBN 和 CSPT-FBN 疲勞駕駛狀態(tài)識(shí)別模型，模型主要分成了數(shù)據(jù)準(zhǔn)備、特征提取、分類(lèi)測(cè)試、結(jié)果分析四個(gè)階段，對(duì)這四個(gè)階段進(jìn)行了說(shuō)明；最后介紹了 CSPT-FBN 疲勞機(jī)理分析模型，主要是根據(jù)測(cè)試結(jié)果進(jìn)行逆向推斷與疲勞產(chǎn)生相關(guān)的腦區(qū)部位。

【參考文獻(xiàn)】：
期刊論文
[1]腦疲勞狀態(tài)的腦功能網(wǎng)絡(luò)特征分類(lèi)研究[J]. 楊碩,艾娜,王磊,張穎,徐桂芝.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(02)
[2]船員疲勞駕駛監(jiān)控技術(shù)發(fā)展[J]. 李林.  科技資訊. 2015(24)
[3]基于腦電圖識(shí)別結(jié)合操縱特征的駕駛疲勞檢測(cè)[J]. 王斐,王少楠,王惜慧,彭瑩,楊乙丁.  儀器儀表學(xué)報(bào). 2014(02)

博士論文
[1]基于腦功能網(wǎng)絡(luò)的腦力疲勞檢測(cè)技術(shù)及其形成機(jī)理研究[D]. 李剛.山東大學(xué) 2017
[2]抑郁癥靜息態(tài)功能腦網(wǎng)絡(luò)異常拓?fù)鋵傩苑治黾胺诸?lèi)研究[D]. 郭浩.太原理工大學(xué) 2013

碩士論文
[1]EEG腦功能網(wǎng)絡(luò)構(gòu)建方法及應(yīng)用研究[D]. 武政.太原理工大學(xué) 2015
[2]基于復(fù)雜網(wǎng)絡(luò)的腦功能研究與分析[D]. 喬赫元.中國(guó)科學(xué)技術(shù)大學(xué) 2011



本文編號(hào)：3002650