CN102133100A - 基于稀疏重表示的脑电信号检测方法 - Google Patents
基于稀疏重表示的脑电信号检测方法 Download PDFInfo
- Publication number
- CN102133100A CN102133100A CN2011100514482A CN201110051448A CN102133100A CN 102133100 A CN102133100 A CN 102133100A CN 2011100514482 A CN2011100514482 A CN 2011100514482A CN 201110051448 A CN201110051448 A CN 201110051448A CN 102133100 A CN102133100 A CN 102133100A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- driver
- vector
- data
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种信号检测技术领域的基于稀疏重表示的脑电信号检测方法,采用小波变换来提取与驾驶员的疲劳驾驶状态有关的脑电信号的频率特征信息,构建一个模板矩阵,对于任意外来的脑电信号序列,通过求解模板矩阵用来构建外来序列的稀疏解来实现对驾驶员处于不同驾驶状态的脑电信号进行分类的工作。本发明通过对驾驶员的不同驾驶状态的脑电信号频率能量进行分析可以有效判断出驾驶员当前是处于清醒状态、疲劳驾驶状态还是已经处于睡眠状态。
Description
技术领域
本发明涉及的是一种信号检测技术领域的方法,具体是一种用于驾驶员疲劳驾驶的基于稀疏重表示的脑电信号检测方法。
背景技术
我国是一个交通事故多发国,根据2005年统计数字,平均每年因交通事故死亡的人数超过10万人,居世界第一,而每年因交通事故所造成的经济损失达数百亿元。其中,驾驶员疲劳驾驶是交通事故发生的主要诱因。据统计研究表明,由疲劳驾驶造成的重大交通事故所占的比例大约是10%-20%。根据德国保险公司的调查结果显示,德国大约四分之一的高速公路死亡事故是由疲劳驾驶引发的。另据美国公路交通局NHTSA的统计研究得出,人在疲劳时,事故发生的可能性会上升4-6倍。疲劳驾驶是指驾驶员在长时间的驾车之后所产生的反应水平下降,导致不能正常驾驶。驾驶员产生疲劳后,其心理状态也会发生各种各样的变化.如视力下降,致使注意力分散、视野逐渐变窄;思维能力下降致使反应迟钝、判断迟缓、动作僵硬、节律失调;自我控制能力减退致使易于激动、心情急躁或开快车等。
经过对现有技术的检索发现,奔驰开发的“疲劳识别”辅助系统能识别驾驶员的疲劳状态,并及时予以警告;沃尔沃卡车开发了驾驶员提醒支持系统。这种系统自动监测卡车在路标间的位置,如果发现汽车在未使用转向灯的情况下偏离车道,则判定驾驶员有困倦的迹象。此时系统将自动记录并通过仪表盘中央位置的屏幕发出报警声音来提醒驾驶员,在报警的同时,屏幕还会发出闪烁光,十分醒目,能够有效避免司机疲劳驾驶。
日本丰田开发的系统则是针对驾驶者眼部的侦测,通过内置在驾驶者前方的摄像头记录驾驶者的眼部状态,如果系统侦测到驾驶者的眼睛已经闭上,车内会立即发出警报提醒驾驶者。国内南京远驱科技有限公司已经开发出了一套基于眼睛闭合的驾驶员疲劳驾驶的检测系统,并已经推向市场销售;由此看来对于驾驶员疲劳程度的检测系统其应用前景非常广阔,可以预见在未来很长一段时间内都将是汽车安全技术领域的一个热点方向。
针对驾驶员疲劳驾驶的检测,可采用多种生物特征,如心跳、眼睛、脑电信号(EEG)等。目前,技术比较成熟的是基于眼睛闭合度的检测,但是该技术也同时存在一个弊端:若驾驶员的眼睛比较小的话,那么基于此所设计出的系统,其误检的错误率会增大。研究人员很早就已经发现脑电信号能够直接反映大脑的活动状态,发现当人体进入疲劳状态时,脑电中的δ波和θ波的活动会大幅度增长,而α波活动会有小幅增长。另一项研究通过在模拟器和实车中监测脑电信号,试验结果表明脑电信号对于监测驾驶员疲劳驾驶是一种有效的方法。研究人员同时发现,脑电信号特征有很大的个人差异,如性别和性格等,同时也和人的心理活动有很大的相关性。
发明内容
本发明针对现有技术存在的上述不足,提出了一种基于稀疏重表示的脑电信号检测方法,通过对驾驶员的不同驾驶状态的脑电信号频率能量进行分析可以有效判断出驾驶员当前是处于清醒状态、疲劳驾驶状态还是已经处于睡眠状态。驾驶员所处的每一种驾驶状态的脑电信号能量自身具有很强的相似性,而不同驾驶状态的脑电信号能量大小具有较大的差异,所以通过提取驾驶员不同驾驶状态脑电信号的能量信息并采用稀疏重表示的方法来对驾驶员驾驶状态进行识别是一种有效的方法。
本发明是通过以下技术方案实现的,本发明主要采用小波变换来提取与驾驶员的疲劳驾驶状态有关的脑电信号的频率特征信息,构建一个模板矩阵,对于任意外来的脑电信号序列,通过求解模板矩阵用来构建外来序列的稀疏解来实现对驾驶员处于不同驾驶状态的脑电信号进行分类的工作,具体包括以下步骤:
第一步、脑电信号的预处理:
1.1)首先实时地采集驾驶员的脑电信号,并将脑电信号经低通滤波以去除在脑电采集过程中来自于肌电和眼电信号的干扰;
1.2)将采样数据进行分段处理,每个片段与前一个片段有50%的重复;
1.3)将采集到的每个分段的采样数据采用独立成份分析方法进行分解得到由每个导联采集到的近似独立的脑电信号;
1.4)对由上述方法得到的每一个分段信号Us∈RN×L,采用Morlet复小波提取每一个分段内的频率特征信息用作驾驶员驾驶状态的分析。
所述的频率特征信息是通过下述方法得到的:
其中:fc为中心频率,取值分别为2.5、6、10、13、21、35,fb为带宽参数,取值分别为2、1、2、1、3、3,综合得到24个频率特征信息,包括:12个均值,12个方差,对于60导联的数据,则每一段脑电信号总共有24*60=1440个特征值,得到每一段脑电信号的一个特征值向量
所述的驾驶员驾驶状态的分析是指:根据频率特征信息得到的特征值生成一段脑电信号的特征值向量后,对应得到驾驶员在清醒驾驶、疲劳驾驶和睡眠驾驶等三个驾驶状态的多个特征向量,即分别为Va,Vd,Vs,其中:l=a,d,s,N为每个状态的训练样本的数目,Va表示清醒状态(alert)数据,Vd表示疲劳状态(drowsy)数据,Vs表示睡眠状态(sleeping)数据。
第二步、疲劳驾驶检测:通过稀疏重表示的方法进行驾驶员疲劳驾驶的检测,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作,具体步骤包括:将驾驶员分别在清醒驾驶、疲劳驾驶和睡眠驾驶状态得到的脑电信号特征值Va,Vd,Vs组合起来构建一个矩阵A=[Va,Vd,Vs],对于从驾驶员脑电信号的任意一个的数据段提取到的特征向量y∈{a,d,s}。要根据vy预测驾驶员此刻所处的驾驶状态可以通过求解下列方程来得到:min||x||0满足方程式:Ax=vy,其中A=[Va,Vd,Vs],转化l1的求解:min||x||1满足方程式:Ax=vy,其中A=[Va,Vd,Vs],并采用稀疏重表示渐变投影算法得到其中:Va表示清醒状态数据,Vd表示疲劳状态数据,Vs表示睡眠状态数据;然后利用值对代表当前驾驶员所处的驾驶状态的特征向量Vy进行分类,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作。
本发明的优点在于:由于采用人体的脑电信号为生物特征对驾驶员的疲劳进行检测,能够大大提高检测结果的准确率;同时由于采用的信号特征是那些仅与人的警觉度有着紧密联系的频率谱而去除了那些与警觉度检测不相关的特征从而能够大大提高疲劳驾驶的检测效率;由于采用的用作模板的矩阵具有多个训练数据,从而提高了检测系统的鲁棒性及准确率;对脑电信号做小波变换后,利用压缩感知的方法通过其进行采样后存储,然后可以通过求解l1凸优化的问题将原有的脑电信号恢复出来便于以后作为冗余数据检测。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例包括以下步骤:
第一步、脑电信号的预处理:
1.1)首先实时地采集了5名测试者在模拟驾驶环境中分别处于清醒驾驶、疲劳驾驶和睡眠驾驶三个状态的中由NeuroScan系统采集的一段时间的脑电数据,采样频率为100Hz/s;,并将脑电信号经低通滤波以去除在脑电采集过程中来自于肌电和眼电信号的干扰;
所述的低通滤波是指:采用带宽为1-40Hz的有限长低通滤波器对脑电信号进行滤波;
1.2)将采样数据进行分段处理,每5秒分成一个片段,每个片段与前一个片段有2.5秒的重复,即每个分段内有500个采样数据,其中包括与前一个分段相重叠的250个采样数据;
1.3)将采集到的每个分段的采样数据采用独立成份分析方法进行分解得到由每个导联采集到的近似独立的脑电信号;
所述的独立成份分析方法是指:通过线性变换把混合数据或混合信号分离成多个统计独立的非高斯的信号源的线性组合的方法;具体步骤包括:
i)首先在脑电信号的预处理中对于每一个脑电极采集到的一个N维的脑电信号矢量值X都是来自于X的数值是多个脑电极源信号矢量S的加权和,即X=AS,这里S为独立的M(M≤N)维的未知源信号矢量,矩阵A被称为加权混合矩阵,然后对X进行线性变换后得到输出向量U,即U=WX=WAS。向量U即是对大脑每一个区域产生的电位信号S的近似估计。
ii)对直接通过电极采集到的脑电信号X可以使用独立成份分析的方法,来得到大脑皮层的每一个区域产生的源信号S的近似估计U,其中:每一个分段内的脑电信号Xs是N×L的数据,N为脑电采集帽的导联数目在后面的实验中N=60,L为每一个分段内信号的采样数目,L=500,则对每一个分段内的信号求其独立成份Us=WXs,其中W为解混合矩阵。
1.4)对由上述方法得到的每一个分段信号Us∈RN×L,设定N=60为脑电极的数目,L=500为采样点数目,并采用Morlet复小波提取每一个分段内的频率特征信息用做驾驶员驾驶状态的分析。
所述的频率特征信息是通过下述方法得到的:
其中:fc为中心频率,取值分别为2.5、6、10、13、21、35,fb为带宽参数,取值分别为2、1、2、1、3、3,综合得到24频率特征信息,包括:12个均值,12个方差,对于60导联的数据,则每一段脑电信号总共有24*60=1440个特征值,得到每一段脑电信号的一个特征值向量
所述的驾驶员驾驶状态的分析是指:根据频率特征信息得到的特征值生成一段脑电信号的特征值向量后,对应得到驾驶员在清醒驾驶、疲劳驾驶和睡眠驾驶等三个驾驶状态的多个特征向量,即分别为Va,Vd,vs,其中:l=a,d,s,N为每个状态的训练样本的数目,Va表示清醒状态(alert)数据,Vd表示疲劳状态(drowsy)数据,Vs表示睡眠状态(sleeping)数据。
第二步、疲劳驾驶检测:通过稀疏重表示的方法进行驾驶员疲劳驾驶的检测,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作,具体步骤包括:将驾驶员分别在清醒驾驶、疲劳驾驶和睡眠驾驶状态得到的脑电信号特征值Va,vd,Vs组合起来构建一个矩阵A=[Va,Vd,Vs],对于从驾驶员脑电信号的任意一个的数据段提取到的特征向量y∈{a,d,s},要根据vy预测驾驶员此刻所处的驾驶状态可以通过求解下列方程来得到:min||x||0满足方程式:Ax=vy,其中A=[Va,Vd,Vs],转化l1的求解:min||x||1满足方程式:Ax=vy,其中A=[Va,Vd,Vs],并采用稀疏重表示渐变投影算法得到其中:Va表示清醒状态数据,Vd表示疲劳状态数据,Vs表示睡眠状态数据;然后利用值对代表当前驾驶员所处的驾驶状态的特征向量vy进行分类,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作。
所述的判断得到驾驶员的驾驶状态是指:采用残余差来度量特征列向量vy能够被模板中清醒状态、疲劳状态和睡眠状态中的特征列向量表达的精确程度,得到对应驾驶状态;具体是指:根据l={a,d,s}来对具有特征向量vy所的驾驶员所处的驾驶状态进行检测,求矩阵中每一个类别Vl与系数列向量乘积后得到的数据向量与更新后的数据向量vy的残余差,残余差数据越小则对应该类别使用l1在表达更新后的数据vy方面就更精确,即该更新后的数据vy判定为属于对应的驾驶状态。
所述的指令操作是指:当控制中心得到驾驶状态为疲劳驾驶,则输出驾驶员警告信息,在警告信息未得到反馈的情况下,控制中心向汽车引擎输出关闭引擎或停车的指令。
根据以上提出的方法进行实验,得到如下的实验结果:
实验者 | 验证1 | 验证2 | 验证3 | 验证4 | 平均准确率 |
实验者1 | 0.7470 | 0.8715 | 0.9518 | 0.9639 | 0.8836±0.0100 |
实验者2 | 0.9108 | 0.9812 | 0.9437 | 0.9718 | 0.9519±0.0010 |
实验者3 | 0.7073 | 0.8862 | 0.9512 | 0.6992 | 0.8110±0.0162 |
实验者4 | 1.0000 | 0.7467 | 0.9733 | 0.9733 | 0.9233±0.0140 |
实验者5 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000±0.0000 |
Claims (10)
1.一种基于稀疏重表示的脑电信号检测方法,其特征在于,包括以下步骤:
第一步、脑电信号的预处理:
1.1)首先实时地采集驾驶员的脑电信号,并将脑电信号经低通滤波以去除在脑电采集过程中来自于肌电和眼电信号的干扰;
1.2)将采样数据进行分段处理,每个片段与前一个片段有50%的重复;
1.3)将采集到的每个分段的采样数据采用独立成份分析方法进行分解得到由每个导联采集到的近似独立的脑电信号;
1.4)对由上述方法得到的每一个分段信号,采用Morlet复小波提取每一个分段内的频率特征信息用作驾驶员驾驶状态的分析;
第二步、疲劳驾驶检测:通过稀疏重表示的方法进行驾驶员疲劳驾驶的检测,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作。
2.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的采集的频率为100Hz/秒。
3.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的低通滤波是指:采用带宽为1-40Hz的有限长低通滤波器对脑电信号进行滤波。
4.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的独立成份分析方法是指:通过线性变换把混合数据或混合信号分离成多个统计独立的非高斯的信号源的线性组合的方法。
5.根据权利要求1或4所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的独立成份分析方法具体步骤包括:
i)首先在脑电信号的预处理中对于每一个脑电极采集到的一个N维的脑电信号矢量值X的数值是多个脑电极源信号矢量S的加权和,即X=AS,这里S为独立的M,M≤N维的未知源信号矢量,矩阵A被称为加权混合矩阵,然后对X进行线性变换后得到输出向量U,即U=WX=WAS。向量U即是对大脑每一个区域产生的电位信号S的近似估计;
ii)对直接通过电极采集到的脑电信号X可以使用独立成份分析的方法,来得到大脑皮层的每一个区域产生的源信号S的近似估计U,其中:每一个分段内的脑电信号Xs是N×L的数据,N为脑电采集帽的导联数目在后面的实验中N=60,L为每一个分段内信号的采样数目,L=500,则对每一个分段内的信号求其独立成份Us=WXs,其中W为解混合矩阵。
8.根据权利要求1所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的第二步具体是指:将驾驶员分别在清醒驾驶、疲劳驾驶和睡眠驾驶状态得到的脑电信号特征值Va,Vd,Vs组合起来构建一个矩阵A=[Va,Vd,Vs],对于从驾驶员脑电信号的任意一个的数据段提取到的特征向量y∈{a,d,s},要根据vy预测驾驶员此刻所处的驾驶状态可以通过求解下列方程来得到:min||x||0满足方程式:Ax=vy,其中A=[Va,Vd,Vs],转化l1的求解:min||x||1满足方程式:Ax=vy,其中A=[Va,Vd,Vs],并采用稀疏重表示渐变投影算法得到其中:Va表示清醒状态数据,Vd表示疲劳状态数据,Vs表示睡眠状态数据;然后利用值对代表当前驾驶员所处的驾驶状态的特征向量vy进行分类,判断得到驾驶员的驾驶状态并输出至控制中心进行指令操作。
10.根据权利要求8所述的基于稀疏重表示的脑电信号检测方法,其特征是,所述的指令操作是指:当控制中心得到驾驶状态为疲劳驾驶,则输出驾驶员警告信息,在警告信息未得到反馈的情况下,控制中心向汽车引擎输出关闭引擎或停车的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100514482A CN102133100A (zh) | 2011-03-04 | 2011-03-04 | 基于稀疏重表示的脑电信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100514482A CN102133100A (zh) | 2011-03-04 | 2011-03-04 | 基于稀疏重表示的脑电信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102133100A true CN102133100A (zh) | 2011-07-27 |
Family
ID=44293127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100514482A Pending CN102133100A (zh) | 2011-03-04 | 2011-03-04 | 基于稀疏重表示的脑电信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102133100A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632195A (zh) * | 2013-09-16 | 2014-03-12 | 中国科学院电子学研究所 | 利用压缩感知算法处理神经Spike信号的方法 |
CN103690160A (zh) * | 2013-11-18 | 2014-04-02 | 浙江大学 | 一种基于非高斯时序模型的脑电特征提取方法 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
CN105962932A (zh) * | 2016-04-20 | 2016-09-28 | 西安电子科技大学 | 基于子空间正交向量的峰电位检测方法 |
CN106388779A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态样本数据类型的标注方法和系统 |
CN107273856A (zh) * | 2017-06-19 | 2017-10-20 | 吉林大学 | 一种用于驾驶负荷对比研究的脑电功率谱均值压缩方法 |
CN107334481A (zh) * | 2017-05-15 | 2017-11-10 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN107423668A (zh) * | 2017-04-14 | 2017-12-01 | 山东建筑大学 | 基于小波变换和稀疏表达的脑电信号分类系统与方法 |
CN108877150A (zh) * | 2018-07-05 | 2018-11-23 | 张屹然 | 一种基于生物脑电芯片的司机疲劳驾驶监测装置及疲劳判别算法 |
CN109497996A (zh) * | 2018-11-07 | 2019-03-22 | 太原理工大学 | 一种微状态eeg时域特征的复杂网络构建及分析方法 |
CN111202517A (zh) * | 2020-02-03 | 2020-05-29 | 山东师范大学 | 一种睡眠自动分期方法、系统、介质及电子设备 |
-
2011
- 2011-03-04 CN CN2011100514482A patent/CN102133100A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632195B (zh) * | 2013-09-16 | 2016-03-23 | 中国科学院电子学研究所 | 利用压缩感知算法处理神经Spike信号的方法 |
CN103632195A (zh) * | 2013-09-16 | 2014-03-12 | 中国科学院电子学研究所 | 利用压缩感知算法处理神经Spike信号的方法 |
CN103690160A (zh) * | 2013-11-18 | 2014-04-02 | 浙江大学 | 一种基于非高斯时序模型的脑电特征提取方法 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
CN105962932B (zh) * | 2016-04-20 | 2018-09-11 | 西安电子科技大学 | 基于子空间正交向量的峰电位检测方法 |
CN105962932A (zh) * | 2016-04-20 | 2016-09-28 | 西安电子科技大学 | 基于子空间正交向量的峰电位检测方法 |
CN106388779B (zh) * | 2016-09-21 | 2019-06-11 | 广州视源电子科技股份有限公司 | 睡眠状态样本数据类型的标注方法和系统 |
CN106388779A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态样本数据类型的标注方法和系统 |
CN107423668A (zh) * | 2017-04-14 | 2017-12-01 | 山东建筑大学 | 基于小波变换和稀疏表达的脑电信号分类系统与方法 |
CN107334481A (zh) * | 2017-05-15 | 2017-11-10 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN107273856A (zh) * | 2017-06-19 | 2017-10-20 | 吉林大学 | 一种用于驾驶负荷对比研究的脑电功率谱均值压缩方法 |
CN107273856B (zh) * | 2017-06-19 | 2019-08-20 | 吉林大学 | 一种用于驾驶负荷对比研究的脑电功率谱均值压缩方法 |
CN108877150A (zh) * | 2018-07-05 | 2018-11-23 | 张屹然 | 一种基于生物脑电芯片的司机疲劳驾驶监测装置及疲劳判别算法 |
CN109497996A (zh) * | 2018-11-07 | 2019-03-22 | 太原理工大学 | 一种微状态eeg时域特征的复杂网络构建及分析方法 |
CN111202517A (zh) * | 2020-02-03 | 2020-05-29 | 山东师范大学 | 一种睡眠自动分期方法、系统、介质及电子设备 |
CN111202517B (zh) * | 2020-02-03 | 2022-06-24 | 山东师范大学 | 一种睡眠自动分期方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102133100A (zh) | 基于稀疏重表示的脑电信号检测方法 | |
Yang et al. | Comparison among driving state prediction models for car-following condition based on EEG and driving features | |
CN109124625A (zh) | 一种驾驶员疲劳状态水平分级方法 | |
Gurudath et al. | Drowsy driving detection by EEG analysis using wavelet transform and K-means clustering | |
CN110575163B (zh) | 一种检测驾驶员分心的方法及装置 | |
CN101470951B (zh) | 汽车安全驾驶监控系统 | |
CN102119857B (zh) | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 | |
CN102499676B (zh) | 基于有效时间序列和电极重组的脑电信号分类系统和方法 | |
CN103129385A (zh) | 驾驶行为分析警示系统与方法 | |
CN104112335A (zh) | 一种基于多信息融合的疲劳驾驶检测方法 | |
CN106919948B (zh) | 一种驾驶持续性注意水平的识别方法 | |
Alizadeh et al. | The impact of secondary tasks on drivers during naturalistic driving: Analysis of EEG dynamics | |
CN101987017A (zh) | 用于驾车司机警觉度测定的脑电信号识别检测方法 | |
CN111643077B (zh) | 一种基于脑电数据的交通动态因素复杂度的辨识方法 | |
CN103700220A (zh) | 一种疲劳驾驶监控装置 | |
CN105405253A (zh) | 一种驾驶员疲劳状态的监测方法及监测装置 | |
CN104490391A (zh) | 一种基于脑电信号的战斗人员状态监测系统 | |
CN108248610A (zh) | 一种自适应分心驾驶行为的监测及干预装置 | |
CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
CN101843496A (zh) | 驾驶工作负荷成套检测方法 | |
Kutila et al. | Driver cognitive distraction detection: Feature estimation and implementation | |
CN106859644A (zh) | 一种基于脑电波的疲劳驾驶监控系统及监控方法 | |
Kumar et al. | Classification of driver cognitive load based on physiological data: Exploring recurrent neural networks | |
CN106448059A (zh) | 基于腕带仪器的驾驶员疲劳检测方法 | |
CN114564110B (zh) | 基于脑电数据的驾驶学习能力检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110727 |