原文传递
基于驾驶员生理特征的疲劳状态识别方法研究
| 论文题名： | 基于驾驶员生理特征的疲劳状态识别方法研究 |
| 关键词： | 驾驶员;生理信号;状态识别;疲劳程度;SVM模型 |
| 摘要： | 交通安全问题一直是困扰当今社会的主要问题之一。其中，不少特大道路交通伤亡事故是由驾驶员疲劳驾驶导致的。因此如何寻找快速有效的疲劳状态识别方法，进而避免交通事故的发生，已成为当今研究的热点之一。 本文通过总结归纳国内外疲劳检测方法研究现状，结合疲劳驾驶概念及其影响因素，研究生理信号与疲劳程度的关系，将脑电分析与心电分析应用于疲劳状态识别的研究中，确定了论文的主要技术路线。其次介绍了生理信号特征提取方法，特征融合方法以及利用支持向量机解决疲劳状态多分类问题，为后续的驾驶疲劳试验的设计与开展奠定基础。 通过设计相关疲劳行驶实验，考虑驾驶员驾驶经验个体差异性影响，将驾驶员分为熟练组和非熟练组。利用Spirt-10MarkII生理仪采集驾驶员在进行连续驾驶任务时的生理信号。并构建驾驶员疲劳等级主观评判表，将驾驶员的疲劳状态分为三个等级，即清醒、轻度疲劳、重度疲劳。 由于原始脑电信号中往往混有伪迹与噪声，在提取脑电特征之前，先对其进行眼电伪迹去除、带通滤波等预处理。然后利用小波分析和快速傅里叶变换提取表征驾驶疲劳状态变化的特征指标。针对心电信号，先通过差分阈值法进行 R波检测得到RR间期序列，其次对心率变异性指标进行时域和频域分析，确定可以用来评判疲劳状态的特征指标。 利用Pearson简单相关系数对脑电信号与心电信号进行相关性分析，后采用主成分分析法进行特征融合。然后引入支持向量机方法在熟练组、非熟练组以及综合组（熟练组与非熟练组）中构建三组疲劳状态判别模型，并比较三组SVM模型对驾驶员不同疲劳状态的分类准确率。研究结果表明，在熟练组或非熟练组构建的SVM模型对驾驶员疲劳状态的识别率高于综合组的通用SVM模型，可为以后开发针对不同驾驶经验的驾驶员的疲劳检测预警设备提供理论依据。 |
| 作者： | 尹传斌 |
| 专业： | 机械设计及理论 |
| 导师： | 卢章平 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
