針對(duì)目前基于腦電信號(hào)的疲勞駕駛檢測(cè)存在的缺乏實(shí)時(shí)檢測(cè)與預(yù)警的問題,設(shè)計(jì)模擬駕駛試驗(yàn)。通過TGAM模塊和藍(lán)牙模塊實(shí)時(shí)采集并記錄"eSense"專注度(Attention)、放松度(Meditation)、眨眼次數(shù)以及θ波、α波、β波的功率譜,采用專注度與放松度的比值a_A/M、(θ+α)/β的功率譜密度比值c_PSD以及眨眼頻率b_Blink作為疲勞指數(shù),計(jì)算并使用專注度和放松度的相關(guān)性系數(shù)作為分類特征進(jìn)行分類。使用k-最近鄰算法(KNN)對(duì)不同疲勞程度的3種疲勞指數(shù)分類。使用改進(jìn)D-S證據(jù)理論合成算法,將3種特征準(zhǔn)確率綜合為一種判斷疲勞的綜合指數(shù)m(θ).結(jié)果表明,疲勞指數(shù)a_A/M、c_PSD、b_Blink能夠反映駕駛員駕駛狀態(tài)的變化,模擬實(shí)驗(yàn)駕駛55 min左右被試開始出現(xiàn)疲勞狀態(tài),55～75 min被試已處于疲勞駕駛狀態(tài)。疲勞指數(shù)閾值分別為a_A/M:0.8～1,c_PSD:3.32～4.64,b_Blink

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
1 實(shí)驗(yàn)設(shè)計(jì)
    1.1 實(shí)驗(yàn)方案
    1.2 實(shí)驗(yàn)設(shè)備及數(shù)據(jù)采集
2 專注度與放松度分析
3 功率譜密度分析
4 眨眼頻率分析
5 k-最近鄰算法
6 基于改進(jìn)的D-S證據(jù)理論合成算法
7 結(jié)論



本文編號(hào)：3832561