论文部分内容阅读
作为重大交通事故产生的主要原因之一,疲劳驾驶给社会、家庭及个人带来了极大的危害。因此,如何找到有效方法来检测驾驶员的疲劳状态,尽可能避免疲劳驾驶所带来的严重危害,显得尤其重要。在多种疲劳驾驶检测方法中,基于脑电信号的检测方法是公认最准确、客观的方法。在本文中,我们通过模拟驾驶实验采集到脑电数据,然后从以下三个方面对模拟驾驶过程中产生的脑电数据进行了分类研究:(1)针对脑电信号低信噪比、非稳定性的特点、手动特征提取易导致脑电重要特征缺失的问题和卷积神经网络训练效率较低的问题,提出了一种基于卷积神经网络和残差网络的疲劳状态分类方法。本文利用残差网络的思想对卷积神经网络进行改进,得到模型:EEG-Conv-R,并使用模拟驾驶实验中采集到的脑电信号数据对模型进行验证,得出两个结论:其一,卷积神经网络方法具有比支持向量机(SVM)及长短时记忆网络(LSTM)更好的疲劳状态分类性能;其二,EEG-Conv-R收敛速度比原模型更快,并且分类准确率更高。(2)针对EEG-Conv-R时间复杂度较高、依赖高维度样本数据等问题,提出了一种基于CSP+LightGBM的疲劳状态分类方法。本文结合脑电信号通道维度较低的特点,设计了一种基于CSP的特征提取方法,并在此基础上提出了一种基于LightGBM的轻量级分类模型:LightFD。与支持向量机(SVM)、大间隔最近邻(LMNN)、卷积神经网络(CNN)和门控循环单元(GRU)等模型的实验对比结果表明,LightFD拥有更好的分类性能及决策效率,不依赖于高维度的样本数据,并能够实现疲劳状态更细致的区分。(3)针对不同被试间脑电数据差异较大的问题,提出了一种基于MEDA的疲劳状态迁移学习方法。研究疲劳状态分类算法的最终目的是投入实际应用中,而投入实际应用的前提是模型的泛用性。本文使用改进后的CSP方法作为特征提取方式,利用MEDA的方法,通过自适应的分布配置来减小流形空间中特征之间的距离,利用部分被试脑电数据训练模型,并对未经训练被试进行分类预测,取得了远高于联合分布适配(JDA)和迁移度量学习(MTLF)的分类准确率。