本文選題：聯(lián)合收獲機　切入點：駕駛疲勞　出處：《東北農(nóng)業(yè)大學》2016年博士論文

【摘要】：駕駛疲勞是由于長時間單調(diào)駕駛或夜間駕駛而導致的駕駛員生理和心理機能下降,影響正常駕駛行為的現(xiàn)象。受人機界面設(shè)計的不合理、駕駛環(huán)境較差、駕駛作業(yè)時間長、駕駛操作復雜費力等不利因素的影響,聯(lián)合收獲機駕駛員極易產(chǎn)生心理和生理疲勞,使駕駛機能下降,大大降低駕駛員的反應能力和警戒程度。研究聯(lián)合收獲機駕駛員疲勞狀態(tài)檢測方法,有效地識別出駕駛員的疲勞狀態(tài),并在影響駕駛的必要時刻對駕駛員及時預警,對提高聯(lián)合收獲機作業(yè)效率,保障安全駕駛,減少由疲勞駕駛引發(fā)的作業(yè)事故,保護駕駛員的身心健康,保證糧食無損、順利的收獲具有重要的現(xiàn)實意義和研究價值。在深入調(diào)研分析國內(nèi)外駕駛疲勞檢測方法與農(nóng)機領(lǐng)域駕駛疲勞研究現(xiàn)狀的基礎(chǔ)上,針對農(nóng)機領(lǐng)域駕駛疲勞研究存在的不足及待深入研究的問題,以聯(lián)合收獲機駕駛疲勞檢測問題為研究對象,以心電和肌電兩種生理信號為檢測疲勞手段,以建立適用于聯(lián)合收獲機作業(yè)環(huán)境的、高性能的駕駛疲勞檢測方法為核心任務(wù),對聯(lián)合收獲機駕駛過程中駕駛員的心電特征和表面肌電特征進行了深入的研究,提取分析特征參數(shù),進行最優(yōu)特征的篩選,基于信息融合的方法,搭建了聯(lián)合收獲機駕駛疲勞等級評價模型。實現(xiàn)了聯(lián)合收獲機駕駛疲勞的客觀判斷與評測,為進一步開展農(nóng)機駕駛疲勞實時檢測技術(shù)的研究提供參考。主要研究內(nèi)容如下:(1)試驗設(shè)計與實施。根據(jù)試驗目的,從人員、時段、天氣、地面、設(shè)備、測試方法和試驗過程等方面進行聯(lián)合收獲機駕駛疲勞檢測試驗方案設(shè)計,利用RM-6240C多通道生理信號采集處理系統(tǒng),在某聯(lián)合收獲機上進行了聯(lián)合收獲機駕駛疲勞檢測試驗,測取了駕駛員120min駕駛時的心電信號、兩側(cè)頸部肌肉和右側(cè)腰部肌肉的表面肌電信號。(2)聯(lián)合收獲機駕駛疲勞主觀評價分析。對試驗中獲得的聯(lián)合收獲機駕駛疲勞主觀調(diào)查問卷進行統(tǒng)計分析,得到駕駛過程中總體疲勞程度以及身體、精神和神經(jīng)感覺三類疲勞癥狀的變化趨勢。由分析結(jié)果可知,隨著駕駛時間的增加,總體疲勞程度逐漸加深,并呈現(xiàn)先快后慢再快的趨勢;60min時大多數(shù)被試者感覺到有點疲勞,100min時90%的被試者感覺到比較疲勞,120min時90%的被試者感覺到非常疲勞;駕駛后三類疲勞癥狀程度等級呈加重趨勢,其中身體疲勞變化最明顯,神經(jīng)感覺疲勞變化次之。身體各部位中肩頸和腰部是最疲勞的部位;神經(jīng)感覺疲勞癥狀中,發(fā)生最多的癥狀是眼睛疲乏,眼皮抬不起來,發(fā)澀、發(fā)干。(3)心電信號特征統(tǒng)計分析。提取聯(lián)合收獲機駕駛過程中心電信號HRV序列的時域、頻域和非線性特征參數(shù),隨著疲勞程度的加深,大部分特征參數(shù)呈現(xiàn)明顯的線性變化趨勢,且MEAN、SDNN、LF、HF、LFnorm、HFnorm、LF/HF和樣本熵在駕駛前后具有明顯的差異(P0.05);MEAN、LFnorm、HFnorm和樣本熵分別在三類指標中表現(xiàn)良好,線性趨勢明顯,波動小;非線性特征量與線性指標相比,非線性特征量曲線波動范圍小,穩(wěn)定性較好,可以更好的表征疲勞的過程及程度;通過計算HRV特征參數(shù)與駕駛疲勞度的皮爾遜相關(guān)系數(shù)確定SDNN、LFnorm、HFnorm和樣本熵為駕駛疲勞檢測HRV的關(guān)鍵特征參數(shù);從信號波形、心率、心率變異性、差異性檢驗等方面對直行階段和轉(zhuǎn)向階段的心電信號進行比較分析,得到轉(zhuǎn)向階段的心率和LF/HF在駕駛初、中、后三個時期均比直行階段的大,而轉(zhuǎn)向階段的MEAN、LFnorm、近似熵和樣本熵值在三個時期均比直行階段的小,且這6項指標在兩個階段存在顯著性差異(P0.05),說明聯(lián)合收獲機駕駛員在轉(zhuǎn)向階段比直行階段的工作負荷大,勞動強度高。(4)表面肌電信號特征統(tǒng)計分析。提取聯(lián)合收獲機駕駛過程中頸部和腰部肌肉表面肌電信號的時域、頻域和非線性特征參數(shù),隨著駕駛時間的延長,腰部豎脊肌和頸部兩側(cè)中斜角肌s EMG的三類特征參數(shù)都呈現(xiàn)明顯的線性變化趨勢,在駕駛前后均具有明顯的差異(P0.05);線性與非線性指標相比,線性指標的變化程度更為顯著,曲線波動相對較大,而非線性特征量曲線波動范圍小,穩(wěn)定性較好,可以更好的表征肌肉疲勞的過程及疲勞的程度;由幅頻聯(lián)合分析可知,聯(lián)合收獲機駕駛員在駕駛過程中腰部豎脊肌和頸部兩側(cè)中斜角肌的肌力增加不明顯,而肌肉疲勞逐漸產(chǎn)生,程度逐漸加強;由兩側(cè)頸部肌肉各類指標變化程度對比得出,右側(cè)比左側(cè)肌肉疲勞程度高;通過回歸分析的結(jié)果對比各參數(shù)的優(yōu)劣,確定線性趨勢和變化程度明顯的RMS、MF和C0復雜度作為腰部肌肉肌電信號的關(guān)鍵特征參數(shù),右側(cè)頸部肌肉的i EMG、MF和近似熵作為頸部肌肉肌電信號的關(guān)鍵特征參數(shù)。(5)聯(lián)合收獲機駕駛疲勞等級評價模型建立。將提取的心電信號和肌電信號關(guān)鍵特征參數(shù)進行信息融合,基于支持向量機方法構(gòu)建了聯(lián)合收獲機駕駛疲勞等級評價模型。該模型將HRV的SDNN、LFnorm、HFnorm、樣本熵,腰部肌肉的RMS、MF和C0復雜度,以及右側(cè)頸部肌肉的i EMG、MF和近似熵作為SVM的輸入變量,將駕駛疲勞等級清醒0級、輕度疲勞1級和疲勞2級作為SVM的輸出變量。經(jīng)測試集分類檢驗,三個疲勞等級的識別率分別為89.66%、83.33%和90.48%,總體分類準確率達到87.5%;心電和肌電特征融合后識別準確率比單獨特征的識別準確率高;心電特征識別準確率比肌電特征識別準確率高。利用支持向量機訓練得到的聯(lián)合收獲機駕駛疲勞評價模型性能良好,分類準確率較高,通過心電和肌電融合特征參數(shù)能夠有效的識別出聯(lián)合收獲機駕駛疲勞狀態(tài)的等級。
[Abstract]:......
【學位授予單位】：東北農(nóng)業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：S225
，

本文編號：1675728