论文部分内容阅读
疲劳驾驶是现阶段导致交通事故发生的重要因素之一。本文研究分析驾驶员正常状态和疲劳状态下的不同前额脑电,提出了一种经验模态分解下自适应多尺度熵的脑电特征提取算法。所提出的算法是基于前额2个导联数据进行分析的,采集这2个导联的脑电数据不仅能有效地降低导联信号受毛发等因素的影响,而且基于前额导联设计出来的采集装置易于携带、实用性强。在这些数据基础上,针对脑电熵特征提取的尺度信息难于确定以及疲劳驾驶状态分类研究中存在分类准确率不理想问题。论文研究了在经验模态分解下如何选择自适应尺度重构脑电数据进行脑电分析,以便能提高分类准确率。论文主要的工作和创新点如下:(1)针对现有的脑电多尺度熵算法中存在尺度信息难于确定的问题。本文研究如何自适应的获取尺度来计算多尺度熵以提高疲劳驾驶检测的准确率,提出了一种自适应获取尺度因子(ASF)的方法。通过数据集的测试实验表明,使用ASF方法获得的尺度因子重构信号后计算得到的自适应多尺度熵特征对疲劳驾驶检测的准确率相对于单尺度下对疲劳驾驶的检测率有显著的提高。(2)考虑脑电信号具有非线性特征,而使用经验模态分解技术分解信号,研究如何选择信号分解的模态分量来计算尺度熵以更有效改进疲劳驾驶检测的准确率方法。引入单模态分量相关系数,选择与输入信号存在弱相关性的模态分量用于计算自适应多尺度熵特征进行分析。实验表明该方法得到的经验模态分解的自适应多尺度熵特征能够更有效提高疲劳驾驶检测的准确率。本文分析传统的多尺度熵算法,提出了一种自适应尺度因子的方法,将获得的自适应尺度因子重构信号得到自适应多尺度熵特征,以及结合经验模态分解的方法得到基于经验模态分解的自适应多尺度熵特征。在七种分类器下,采用多次实验方法得到经验模态分解的自适应多尺度熵特征比自适应多尺度熵以及单尺度熵特征对疲劳驾驶检测的准确率都要高。文中所提出的方法可以为脑电疲劳驾驶检测提供一定的参考价值。