本文選題：無(wú)線體域網(wǎng) + 復(fù)合生理信號(hào)�。� 參考：《中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)》2017年05期

【摘要】：為有效合理地評(píng)價(jià)駕駛員在駕駛過(guò)程中的疲勞程度,通過(guò)無(wú)線體域網(wǎng)(WBAN)采集12名被試者的3種生理信號(hào)(腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)),提取并分析這些生理信號(hào)的近似熵在駕駛過(guò)程中對(duì)疲勞程度的反映效果。試驗(yàn)結(jié)果表明,腦電、肌電、呼吸3種信號(hào)的近似熵均隨時(shí)間的增加而逐漸下降,約90 min后下降程度變緩,表明進(jìn)入比較疲勞狀態(tài)。通過(guò)主成分分析可知,前兩個(gè)主成分的貢獻(xiàn)率分別為47.33%和40.26%,二者之和大于85%,其中腦電信號(hào)和肌電信號(hào)的近似熵所占權(quán)重較大。而且統(tǒng)計(jì)分析表明,腦電信號(hào)和肌電信號(hào)的近似熵顯著性P0.05,表明腦電信號(hào)和肌電信號(hào)在表征正常與疲勞兩種狀態(tài)時(shí)差異明顯。在此基礎(chǔ)上,分析信號(hào)組合對(duì)駕駛疲勞的反映效果,結(jié)果表明在腦電-肌電信號(hào)的近似熵組合時(shí),正常和疲勞狀態(tài)的概率分布具有明顯的界限,可以有效反映駕駛過(guò)程中的疲勞狀態(tài)。通過(guò)研究,獲得最佳的反映疲勞駕駛的信號(hào)組合,可為更加準(zhǔn)確地檢測(cè)和避免疲勞駕駛提供理論依據(jù)。
[Abstract]:In order to evaluate driver fatigue effectively and reasonably, three physiological signals (EEG, EMG) were collected from 12 subjects by WBAN. Respiratory signal, extraction and analysis of the approximate entropy of these physiological signals in the driving process to reflect the degree of fatigue. The experimental results showed that the approximate entropy of EEG, EMG and respiration decreased gradually with the increase of time, and slowed down after about 90 min, indicating that they had entered a relatively fatigue state. Through principal component analysis, the contribution rates of the first two principal components were 47.33% and 40.26%, respectively, and the sum of the two components was more than 85, in which the approximate entropy of EEG and EMG accounted for a large weight. The statistical analysis shows that the approximate entropy of EEG and EMG is significant (P0.05), which indicates that the difference between EEG and EMG is significant when they represent normal and fatigue states. On this basis, the effect of signal combination on driving fatigue is analyzed. The results show that the probability distribution of normal and fatigue states has obvious limits when the approximate entropy combination of EEG and EMG signals is used. It can effectively reflect the fatigue state in the driving process. Through the research, the optimal signal combination of fatigue driving can be obtained, which can provide a theoretical basis for more accurate detection and avoidance of fatigue driving.
【作者單位】： 沈陽(yáng)工程學(xué)院機(jī)械學(xué)院;東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院;燕山大學(xué)測(cè)控技術(shù)與儀器河北省重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金(51605419) 博士后啟動(dòng)基金(2016M600193) 河北省科技計(jì)劃項(xiàng)目(152177180)
【分類號(hào)】：R318;TN911.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宮琴,葉大田,郭連生,劉博,劉捤;瞬態(tài)誘發(fā)耳聲發(fā)射信號(hào)近似熵的分析及應(yīng)用[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年03期

2 趙麗,萬(wàn)柏坤,綦宏志,楊春梅;近似熵應(yīng)用于老年性癡呆患者腦電研究[J];北京生物醫(yī)學(xué)工程;2003年02期

3 江朝暉,馮煥清,謝丹;睡眠腦電的信息熵和近似熵[J];中國(guó)醫(yī)療器械雜志;2004年02期

4 董國(guó)亞,吳祈耀;近似熵和復(fù)雜度應(yīng)用于睡眠腦電研究的比較[J];中國(guó)醫(yī)療器械雜志;1999年06期

5 陳琳;黃江;潘海鴻;;培養(yǎng)神經(jīng)元網(wǎng)絡(luò)自發(fā)活動(dòng)規(guī)律性和復(fù)雜度分析[J];湖北大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

6 徐進(jìn),鄭崇勛,和衛(wèi)星;基于腦電近似熵分析的麻醉深度監(jiān)測(cè)研究[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2004年03期

7 田絮資;王偉榮;黃力宇;;不同腦負(fù)荷腦電特征的近似熵表征研究[J];西北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

8 李永強(qiáng);逯鵬;王治忠;;近似熵在大鼠狀態(tài)識(shí)別中的應(yīng)用[J];華僑大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

9 朱志茹,隋建峰,高潔,熊鷹,張長(zhǎng)城,張光輝,李希成;獼猴海馬參與痛覺(jué)感受與調(diào)制過(guò)程中的非線性信息編碼探索[J];第三軍醫(yī)大學(xué)學(xué)報(bào);2003年03期

10 秦廷武，王齊琳;8098單片機(jī)生理信號(hào)實(shí)時(shí)記錄系統(tǒng)[J];生物醫(yī)學(xué)工程學(xué)雜志;1996年01期

相關(guān)會(huì)議論文 前1條

1 劉慧;和衛(wèi)星;陳曉平;;生物時(shí)間序列的近似熵和樣本熵方法比較[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)碩士學(xué)位論文 前3條

1 徐秋晶;基于腦電熵參數(shù)的視覺(jué)注意力分級(jí)研究[D];天津大學(xué);2009年

2 何成;基于多生理信號(hào)的情緒識(shí)別方法研究[D];浙江大學(xué);2016年

3 石紅玉;情緒的生理特征及特征變異性研究[D];山東大學(xué);2017年

，

本文編號(hào)：1976969