疲勞駕駛是目前造成交通事故的主要因素之一。腦電（Electroencephalogram,EEG）信號作為精確反映大腦活動的生理指標(biāo),它在人員工作狀態(tài)檢測中具有無可比擬的優(yōu)勢,是分析與判斷人體是否處于疲勞狀態(tài)的“金方法”,而腦電信號又是一種非平穩(wěn)的信號,具有連續(xù)性,非周期性,研究在具有這些特征下基于腦電信號的疲勞駕駛狀態(tài)識別的有效方法是有重要意義和應(yīng)用價值的。本文主要的工作和創(chuàng)新點如下:（1）提出基于函數(shù)型數(shù)據(jù)分析（Functional Data Analysis,FDA）的腦電信號描述和特征提取的方法。為了使所提取的腦電信號特征能更好地反映信號的連續(xù)性,內(nèi)部動態(tài)變化,以及為了挖掘出更豐富的數(shù)據(jù)信息的需要,本文提出一種基于函數(shù)型數(shù)據(jù)分析的腦電信號描述和特征提取方法,該方法首先將采集到的離散的腦電數(shù)據(jù)函數(shù)化,以此來描述腦電信息的實時連續(xù)性以及人體靜息與疲勞狀態(tài)下的腦電信號曲線之間的函數(shù)性差異,然后通過提取靜息與疲勞狀態(tài)下曲線極值區(qū)間處的腦電信號數(shù)據(jù)作為特征,旨在用于進(jìn)行疲勞駕駛狀態(tài)檢測。（2）提出基于函數(shù)型數(shù)據(jù)分析和核主成分分析（Kernel Principal Component An... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?２丨個傅里葉基函數(shù)圖?????ｂｇｐｔｉｒｗ?ｂａｓｔｅ，?ｎｏ．?ｆｔｗ?？１０，?ｏｒｄｅｒ?°?４???１ｌ?ｉ?ｉ￣￣?￣１?ｒ￣??

?第２章函數(shù)型數(shù)據(jù)分析與核主成分分析介紹???根據(jù)實際的數(shù)據(jù)情況來判斷，對于周期性觀測數(shù)據(jù)，我們常用傅里葉基作為基函??數(shù)，對于非周期性觀測數(shù)據(jù)，我們常用Ｂ樣條基作為基函數(shù)。傅里葉基函數(shù)與Ｂ??樣條基函數(shù)圖像如圖２．１和圖２．２所示。??????????—?????ｆａｕｒｉｅｆ?ｂａ？？？．?ｎｏ．?ｂａ？ｉｓ?ｆｎｓ?？?２１???＿?????０?０?１?０Ｊ?ＯＪ?０．４?ｏ．ｉ?０■?０－ｆ?０？?０＊?１??圖２．１?２丨個傅里葉基函數(shù)圖?????ｂｇｐｔｉｒｗ?ｂａｓｔｅ，?ｎｏ．?ｆｔｗ?？１０，?ｏｒｄｅｒ?°?４???１ｌ?ｉ?ｉ￣￣?￣１?ｒ￣??；４?＾?［?｜?Ｉ?１?Ｐ?Ｉ?■??？ｒ—Ｉ?ｊ?｜?｜?Ｉ?—??ｈ／?／ｋｘ＇??〇?ｏ?？?ｏｒ?〇３?〇４?〇ａ?〇〇?ｏｒ?〇■?ｏｏ?ｉ??ｔ??圖２．２?１０個３次Ｂ樣條基函數(shù)圖??由于本文分析的腦電信號為非周期性數(shù)據(jù)，因此，本文采用函數(shù)型數(shù)據(jù)分析??處理腦電信號時采用Ｂ樣條基函數(shù)。??ＤｅＢ〇ｏｒ［６８］對８樣條做過比較詳細(xì)的介紹，此處只做簡單介紹：??對于給定的遞增節(jié)點序列．．．，ｘｎ＋ｗ，?．．．｝，稱??１３??

?第３章基于函數(shù)型數(shù)據(jù)分析的腦電信號特征提取方法???擬合函數(shù)。函數(shù)化后的部分腦電信號如圖３．１所示，其中紅色圓形實曲線表示靜??息狀態(tài)下的腦電數(shù)據(jù)擬合，藍(lán)色星形虛曲線為疲勞狀態(tài)下的腦電數(shù)據(jù)擬合。??ＲＭＳ?ｒｅｓｉｄｕａｌ?＝?０．１２８４９??４０?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｉｉｉ?ｉｉ??３０?－?－??２０?－?池??－４〇??１?１?１?１?１?１?１?１?１???０?０．０１?０．０２?０．０３?０．０４?０．０５?０．０６?０．０７?０．０８?０．０９?０．１??ｔ??圖３．１函數(shù)化后的腦電數(shù)據(jù)圖??３．２基于函數(shù)型數(shù)據(jù)分析的腦電信號特征提取??３．２．１函數(shù)型腦電信號的極值點及其選擇??由３．１節(jié)可知，利用函數(shù)型數(shù)據(jù)分析，我們可以得到靜息與疲勞狀態(tài)下的腦??電信號擬合函數(shù)，而不同擬合函數(shù)的曲線形態(tài)特征存在差異，這種差異正是我們??進(jìn)行疲勞駕駛分類測試的依據(jù)。極值點是函數(shù)的一個重要狀態(tài)指標(biāo)，函數(shù)曲線狀??態(tài)的一些信息都與極值，導(dǎo)數(shù)相關(guān)。本文擬從函數(shù)的極值點出發(fā)，通過尋求靜息??狀態(tài)與疲勞狀態(tài)下的擬合函數(shù)在極值點附近的曲線差異來達(dá)到疲勞狀態(tài)識別的??目的。??極值點的計算：我們通過求導(dǎo)的方式來計算函數(shù)型腦電信號的極值點，即令??２１??

【參考文獻(xiàn)】：
期刊論文
[1]道路交通事故的成因分析及預(yù)防研究[J]. 布和.  武漢公安干部學(xué)院學(xué)報. 2019(02)
[2]基于眼口狀態(tài)的疲勞檢測系統(tǒng)[J]. 劉小雙,方志軍,劉翔,高永彬,張祥祥.  傳感器與微系統(tǒng). 2018(10)
[3]面向函數(shù)型數(shù)據(jù)的動態(tài)互信息特征選擇方法[J]. 馬忱,姜高霞,王文劍.  計算機(jī)科學(xué)與探索. 2019(01)
[4]道路交通運(yùn)輸安全發(fā)展報告（2017）[J]. Matthias Gsul,胡予紅,周旋,寧丙文,米建英,劉佳,王光遠(yuǎn),王靜,董晨,張露丹.  中國應(yīng)急管理. 2018(02)

博士論文
[1]基于深度學(xué)習(xí)和面部多源動態(tài)行為融合的駕駛員疲勞檢測方法研究[D]. 趙磊.山東大學(xué) 2018
[2]廣義函數(shù)型回歸模型及缺失數(shù)據(jù)模型[D]. 彭清艷.云南大學(xué) 2016

碩士論文
[1]基于眼部特征的疲勞駕駛檢測系統(tǒng)的研究與實現(xiàn)[D]. 沈英超.桂林電子科技大學(xué) 2019
[2]基于函數(shù)型數(shù)據(jù)的在線教育股票的數(shù)據(jù)分析[D]. 戴麗麗.哈爾濱工業(yè)大學(xué) 2019
[3]函數(shù)型數(shù)據(jù)分析方法及其在高光譜圖像目標(biāo)探測中的應(yīng)用[D]. 戴蕾.華中科技大學(xué) 2018
[4]基于心電肌電信號的汽車駕駛疲勞研究[D]. 葉成文.合肥工業(yè)大學(xué) 2018
[5]基于面部特征跟蹤識別的夜間疲勞駕駛檢測方法研究[D]. 章經(jīng)宇.武漢理工大學(xué) 2018
[6]基于表情與頭部狀態(tài)識別的疲勞駕駛檢測算法的研究[D]. 鄒昕彤.吉林大學(xué) 2017
[7]認(rèn)知神經(jīng)科學(xué)研究中事件相關(guān)電位數(shù)據(jù)的統(tǒng)計分析[D]. 杜揚(yáng).哈爾濱師范大學(xué) 2017
[8]基于心電信號的疲勞駕駛研究[D]. 金禮.重慶大學(xué) 2017
[9]基于前額眼電眼部行為分析的疲勞檢測[D]. 魏正平.上海交通大學(xué) 2014
[10]基于心率變異性的疲勞駕駛監(jiān)測系統(tǒng)的研究[D]. 張揚(yáng).東北大學(xué) 2012



本文編號：3343490