论文部分内容阅读
现阶段,疲劳驾驶已成为造成道路安全隐患的第五大原因。基于生理电信号的疲劳驾驶检测已成为当下研究的热点。脑-机接口(Brain-Computer Interface,BCI)是一种不依靠外周神经,仅通过大脑电位活动解析出用户意识来控制外部设备的技术。随着BCI和信号处理技术的发展,基于脑电信号的疲劳驾驶检测成为可能。本文主要研究工作如下:(1)为了更加充分学习疲劳驾驶脑电信号的特征信息,本文提出了一种将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与功率谱密度(Power Spectral Density,PSD)相结合的特征提取方法。募集6位健康受试者进行模拟疲劳驾驶实验,同步采集32导脑电信号。预处理后进行EEMD分解得到若干个本征模态函数(Intrinsic Mode Function,IMF),利用分解得到的IMF分量进行PSD特征提取,得到更具代表性的特征向量。实验结果表明,新方法更适用于疲劳驾驶脑电信号的特征提取,使分类识别率有了很大的提升。(2)传统多层感知超限学习机(Hierarchical Extreme Learning Machine,H-ELM)在分类时的隐含层惩罚因子C和隐含层层数K是由人工预先设定的,无法针对数据自适应的去调整算法模型。本文提出了一种人工鱼群算法(Artificial Fish-Swarm Algorithm,AFSA)优化的多层感知超限学习机,即AFSA-H-ELM。实验结果表明该方法的分类性能优于传统分类算法,为疲劳驾驶脑电信号的识别提供了新思路。(3)分别将提出的方法进行实验对比,多角度验证方法的优越性。实验一将AFSA优化后的H-ELM算法与传统分类器进行对比,分析结果得出AFSA确实优化了 H-ELM分类器的性能。实验二将使用EEMD分解结合PSD的特征提取算法与PSD算法进行对比,将上述两种算法特征提取结果送入不同的分类器,包括本文提出的AFSA-H-ELM方法。实验结果证明EEMD和PSD算法相结合的特征提取算法在疲劳驾驶脑电信号分类上优于传统的功率谱方法,且与新分类器的结合可以使最终的识别率得到有效的提高。