CN109145890A - 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 - Google Patents
一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 Download PDFInfo
- Publication number
- CN109145890A CN109145890A CN201811377053.XA CN201811377053A CN109145890A CN 109145890 A CN109145890 A CN 109145890A CN 201811377053 A CN201811377053 A CN 201811377053A CN 109145890 A CN109145890 A CN 109145890A
- Authority
- CN
- China
- Prior art keywords
- sample
- signal
- electrical signal
- driver
- skin
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,生理信号选取皮肤电信号。本发明包括1台皮肤电信号采集设备(MP150),1个信号预处理单元和1个基于贝叶斯分类器的算法单元;首先,采用多导生理记录仪MP150实时采集驾驶员的足部皮肤电信号;之后每间隔10s截取一段时长为100s的信号,经巴特沃斯滤波器降噪后提取信号的统计特征及特有的四个特征,应用Fisher投影算法对特征向量进行降维;最后将预处理获得的特征作为贝叶斯算法模型的输入,实时预测驾驶员的心理应激低中高状态,以做出相应反馈和干预,缓解驾驶员的心理应激,保证驾驶安全。本发明相比多生理信号系统,设计简单、系统负载低,且识别有效可靠。
Description
技术领域
本发明属于智能驾驶安全以及智能识别技术领域;具体涉及一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型。
背景技术
随着经济的发展以及人民生活水平的提高,汽车已经成为人们出行的常用交通工具之一,但在带给人们方便的同时也带来不少交通事故。研究表明,有不少的交通事故是由于驾驶员心理过度应激而致,因此检测驾驶员的心理应激以便对驾驶人的应激强度进行适时调节,可以有效地减少交通事故的发生。同时驾驶员的心理应激检测也是汽车智能驾驶(人机交互)系统的一个重要问题。情绪与心理应激之间有着极其密切的关系,过强的心理应激会诱发驾驶员注意力不集中、烦躁、甚至愤怒等情绪。情绪是一种个体内在的多种生理反应的结果,可以通过表情、姿态、语调、语言等身体的外在表现显现出来。
目前,学者的研究主要集中在根据多生理信号对实验被试心理应激的低中高3种等级识别以及根据单模态生理信号对心理应激的有无两种状态进行识别。但显而易见的是,基于多生理信号的心理应激识别必然涉及到应用多中信号传感器,导致能耗过多,设备数量过多且体积庞大,从而影响驾驶方便和安全。第二种情况,基于单模态生理信号只能识别应激的有无两种状态,显然不能准确预测驾驶员的心理应激状态,以致无法更好地满足现实的场景应用需求,即根据不同的心理应激强度给予提醒、预警和干预,以达到有效缓解驾驶压力确保驾驶安全。
发明专利内容
发明专利目的:本发明的目的针对上述问题,为达到驾驶员心理应激强度的方便、快速和有效的识别,本文发明一种基于单一皮肤电信号的驾驶员心理应激强度智能识别模型。
本发明技术方案:一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,生理信号选取皮肤电信号,所述智能识别模型包括1个皮肤电信号的采集设备MP150、1个信号预处理单元及1个基于贝叶斯分类器的算法单元;所述智能识别模型,其操作步骤具体主要包括:
(1)、首先采用MP150(该多导生理记录仪是无线采集),将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号;
(2)、然后通过巴特沃斯滤波器(Butterworth filter)对皮肤电信号片段进行降噪至0.2Hz以下(皮肤电信号的有效频率低于0.2HZ以下),以此提取有效的皮肤电信号;
(3)、再对降噪的信号进行统计特征以及皮肤电特有特征的提取,并进行特征向量的降维处理,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模结果最优的低维特征向量;
(4)、最后,将上述步骤得到的低维特征向量作为贝叶斯分类算法的输入,对驾驶员的心理应激等级进行建模预测。
步骤(2)中,巴特沃斯滤波器是电子滤波器的一种,滤波器可以将有用的信号与噪声分离,提高信号的抗干扰性及信噪比,滤掉不感兴趣的频率成分;巴特沃斯滤波器最先由英国工程师斯蒂芬·巴特沃斯(Stephen Butterworth)在1930年提出,其特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。
步骤(3)中皮肤电信号的特征以及Fisher投影算法等处理过程,具体如下:皮肤电信号的统计特征包括:皮肤电导均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,皮肤电导一阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,以及皮肤电导二阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率;
皮肤电信号的特有特征有:单位时间内有效的皮肤电反应发生次数、皮肤电信号波峰的上升时间和皮肤电信号上升波峰的面积;
在提取完上述特征后,对其进行归一化处理以此消除个体间差异带来的影响。设归一化之后的特征向量为S(25维的特征向量)。
所述的Fisher投影算法具体如下:此模型采取把特征向量投影到2维的数据特征向量空间中,因此根据Fisher线性判别准则,可以找到两个最优的特征空间,当原始的25维的数据特征向量向该“最优”方向(即2维特征空间)投影时,,使样本的类间离散度Sb与类内离散度Sw的比值最大;假设共有m个待分类的类别,表示第i类中的第j个样本;样本的类间离散度Sb可表示为:
式(1)中,m为类别数;x(i)表示第i类样本的均值;为所有的样本的均值;Ni表示i类样本的样本数;N表示样本的总数,即
对于该样本,类内离散度Sw表示为:
式(2)中,m为3,N为训练样本的数量,N1、N2和N3分别为各类训练样本的样本数;
Fisher线性判别的准则函数为:
如果投影后得到的样本类内离散度越小、类间离散度越大,则样本间的类别可分离性就越好,越容易进行数据的分类。使函数J(W)达到最大的W*就是最佳的投影向量,由数学计算可得W*=[w1,...,wn],其中,w1,...,wn分别是的n个最大特征对应的特征向量。此模型中n为2。至此可获得使25维的数据空间降维至2维的数据空间的投影向量,使2维特征向量对心理应激模型识别率达到最大的效率;
最后根据Fisher投影法则得到的投影向量,将采集的皮肤电信号的特征向量x投影到2维数据空间的样本表示为:
y=(W*)Tx (4)
其中,y表示经过Fisher线性判别法投影后得到的特征向量。
步骤(4)中的贝叶斯分类器的算法,具体过程如下:
将数据样本在投影得到的2维空间数据样本进行贝叶斯模型建模,贝叶斯线性分类器的判别函数为:
式(5)中,每一个样本的向量;mk为每一类的样本均值;K为总的样本协方差;Pr[ck]为对应的第k类样本的先验概率,即nk为第k类样本所对应的样本数量,样本被分类到的值所对应的k类。
本发明的有益效果:本发明提供的一种基于单一皮肤电信号的汽车驾驶员心理应激强度智能识别的模型,更加适用于现实场景的汽车驾驶员的心理应激强度识别,可以很好地在设备功耗节省以及模型识别率之间做一个平衡。并且皮肤电信号是情感识别中最具典型的生理信号之一,相比较表情、语音、眼神或其他行为表现,它不容易被掩盖和控制,且采集极为方便,因此该模型具有很强的实用价值。本发明相比多生理信号系统,设计简单、系统负载低,且识别有效可靠。
附图说明
图1是本发明中一种基于单模态生理信号的驾驶员心理应激强度智能识别模型的流程图。
具体实施方式
如图,一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,生理信号选取皮肤电信号,所述智能识别模型包括1个皮肤电信号的采集设备MP150、1个信号预处理单元及1个基于贝叶斯分类器的算法单元;所述智能识别模型,其操作步骤具体主要包括:
(1)、首先采用MP150(该多导生理记录仪是无线采集),将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号;
(2)、然后通过巴特沃斯滤波器(Butterworth filter)对皮肤电信号片段进行降噪至0.2Hz以下(皮肤电信号的有效频率低于0.2HZ以下),以此提取有效的皮肤电信号;
(3)、再对降噪的信号进行统计特征以及皮肤电特有特征的提取,并进行特征向量的降维处理,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模结果最优的低维特征向量;
(4)、最后,将上述步骤得到的低维特征向量作为贝叶斯分类算法的输入,对驾驶员的心理应激等级进行建模预测。
步骤(2)中,巴特沃斯滤波器是电子滤波器的一种,滤波器可以将有用的信号与噪声分离,提高信号的抗干扰性及信噪比,滤掉不感兴趣的频率成分;巴特沃斯滤波器最先由英国工程师斯蒂芬·巴特沃斯(Stephen Butterworth)在1930年提出,其特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。
步骤(3)中皮肤电信号的特征以及Fisher投影算法等处理过程,具体如下:皮肤电信号的统计特征包括:皮肤电导均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,皮肤电导一阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,以及皮肤电导二阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率;
皮肤电信号的特有特征有:单位时间内有效的皮肤电反应发生次数、皮肤电信号波峰的上升时间和皮肤电信号上升波峰的面积;
在提取完上述特征后,对其进行归一化处理以此消除个体间差异带来的影响。设归一化之后的特征向量为S(25维的特征向量)。
所述的Fisher投影算法具体如下:此模型采取把特征向量投影到2维的数据特征向量空间中,因此根据Fisher线性判别准则,可以找到两个最优的特征空间,当原始的25维的数据特征向量向该“最优”方向(即2维特征空间)投影时,使样本的类间离散度Sb与类内离散度Sw的比值最大;假设共有m个待分类的类别,表示第i类中的第j个样本。样本的类间离散度Sb可表示为:
式(1)中,m为类别数;x(i)表示第i类样本的均值;为所有的样本的均值;Ni表示i类样本的样本数;N表示样本的总数,即
对于该样本,类内离散度Sw表示为:
式(2)中,m为3,N为训练样本的数量,N1、N2和N3分别为各类训练样本的样本数;
Fisher线性判别的准则函数为:
如果投影后得到的样本类内离散度越小、类间离散度越大,则样本间的类别可分离性就越好,越容易进行数据的分类。使函数J(W)达到最大的W*就是最佳的投影向量,由数学计算可得W*=[w1,...,wn],其中,w1,...,wn分别是的n个最大特征对应的特征向量。此模型中n为2。至此可获得使25维的数据空间降维至2维的数据空间的投影向量,使2维特征向量对心理应激模型识别率达到最大的效率;
最后根据Fisher投影法则得到的投影向量,将采集的皮肤电信号的特征向量x投影到2维数据空间的样本表示为:
y=(W*)Tx (4)
其中,y表示经过Fisher线性判别法投影后得到的特征向量。
步骤(4)中的贝叶斯分类器的算法,具体过程如下:
将数据样本在投影得到的2维空间数据样本进行贝叶斯模型建模,贝叶斯线性分类器的判别函数为:
式(5)中,每一个样本的向量;mk为每一类的样本均值;K为总的样本协方差;Pr[ck]为对应的第k类样本的先验概率,即nk为第k类样本所对应的样本数量,样本被分类到的值所对应的k类。
首先采用MP150(多导生理记录仪),将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号。通过巴特沃斯滤波器对皮肤电信号片段进行降噪至0.2Hz以下,接着对降噪的信号进行统计特征以及皮肤电特有特征的提取,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模最有效的低维特征向量。最后,将上述步骤得到的低维特征向量作为贝叶斯分类算法的输入,对驾驶员的心理应激等级进行预测。如果此值为0,表明驾驶员对应心理应激强度等级为低,1为中等等级强度,2为高等级强度。
实施例1:
采集驾驶员足部的皮肤电信号;之所以没有采集手部,是考虑到驾驶汽车时,驾驶员由于需要频繁操控方向盘,手部活动较多,容易产生更多的运动伪迹;且城市交通中自动挡汽车使用较多,因此选择将皮肤电信号采集贴片贴于驾驶员左脚的脚踝处。
实施例2:
需要通过巴特沃斯滤波器对皮肤电信号片段进行降噪至0.2Hz以下(皮肤电信号的有效频率低于0.2Hz以下),以此提取有效的皮肤电信号。
实施例3:
具体是对降噪的信号进行统计特征以及皮肤电特有特征的提取,并且进行归一化操作得到特征向量x,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模最有效的低维特征向量y,具体公式如下所示:
y=(W*)Tx
其中,W*为权利要求书1的步骤(3)中的投影向量。
实施例4:
所述权1第4步骤中,具体是指利用上述步骤得到的低维特征向量y作为贝叶斯分类算法的输入,得到预测值根据此对驾驶员的心理应激强度进行预测。如果此值为0,表明驾驶员对应心理应激强度等级为低,1为中等等级强度,2为高等级强度。
本发明提供的一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,更加适用于现实场景的汽车驾驶员的心理应激强度识别,可以很好地在设备功耗节省以及模型识别率之间做一个平衡。并且皮肤电信号是情感识别中最具典型的生理信号之一,相比较表情、语音、眼神或其他行为表现,它不容易被掩盖和控制,且采集极为方便,因此该模型具有很强的实用价值。
Claims (4)
1.一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,生理信号选取皮肤电信号;其特征在于,所述智能识别模型包括1个皮肤电信号的采集设备MP150、1个信号预处理单元及1个基于贝叶斯分类器的算法单元;所述智能识别模型,其操作步骤具体主要包括:
(1)首先采用MP150,将MP150中设有的皮肤电信号采集贴片贴于驾驶员左脚的脚踝处,每间隔10s采集时长为100s的驾驶员的皮肤电信号;
(2)然后通过巴特沃斯滤波器对皮肤电信号片段进行降噪至0.2Hz以下,以此提取有效的皮肤电信号;
(3)再对降噪的信号进行统计特征以及皮肤电特有特征的提取,并进行特征向量的降维处理,然后通过Fisher投影算法,对特征向量进行降维,获取对后续建模结果最优的低维特征向量;
(4)最后,将上述步骤得到的低维特征向量作为贝叶斯分类算法的输入,对驾驶员的心理应激等级进行建模预测。
2.根据权利要求1所述的一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,其特征在于,步骤(2)中所述的巴特沃斯滤波器是电子滤波器的一种,滤波器可以将有用的信号与噪声分离,提高信号的抗干扰性及信噪比,滤掉不感兴趣的频率成分。
3.根据权利要求1所述的一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,其特征在于;步骤(3)中皮肤电信号的特征以及Fisher投影算法等处理过程,具体如下:
(1)皮肤电信号的统计特征包括:皮肤电导均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,皮肤电导一阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率,以及皮肤电导二阶差分的均值、中值、最大值、最小值、标准差、最小值比率和最大值比率;
皮肤电信号的特有特征有:单位时间内有效的皮肤电反应发生次数、皮肤电信号波峰的上升时间和皮肤电信号上升波峰的面积。
在提取完上述特征后,对其进行归一化处理以此消除个体间差异带来的影响。设归一化之后的特征向量为S;
(2)所述的Fisher投影算法具体如下:此模型采取把特征向量投影到2维的数据特征向量空间中,因此根据Fisher线性判别准则,可以找到两个最优的特征空间,当原始的25维的数据特征向量向该“最优”方向投影时,使样本的类间离散度Sb与类内离散度Sw的比值最大。假设共有m个待分类的类别,表示第i类中的第j个样本。样本的类间离散度Sb可表示为:
式(1)中,m为类别数;x(i)表示第i类样本的均值;为所有的样本的均值;Ni表示i类样本的样本数;N表示样本的总数,即
对于该样本,类内离散度Sw表示为:
式(2)中,m为3,N为训练样本的数量,N1、N2和N3分别为各类训练样本的样本数;
Fisher线性判别的准则函数为:
其中,如果投影后得到的样本类内离散度越小、类间离散度越大,则样本间的类别可分离性就越好,越容易进行数据的分类;使函数J(W)达到最大的W*就是最佳的投影向量,由数学计算可得W*=[w1,...,wn],其中,w1,...,wn分别是的n个最大特征对应的特征向量;此模型中n为2;至此可获得使25维的数据空间降维至2维的数据空间的投影向量,使2维特征向量对心理应激模型识别率达到最大的效率。
最后根据Fisher投影法则得到的投影向量,将采集的皮肤电信号的特征向量x投影到2维数据空间的样本表示为:
y=(W*)Tx (4)
其中,y表示经过Fisher线性判别法投影后得到的特征向量。
4.根据权利要求1所述的一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型,其特征在于;步骤(4)中的贝叶斯分类器的算法,具体过程如下:
将数据样本在投影得到的2维空间数据样本进行贝叶斯模型建模,贝叶斯线性分类器的判别函数为:
式(5)中,每一个样本的向量;mk为每一类的样本均值;K为总的样本协方差;Pr[ck]为对应的第k类样本的先验概率,即nk为第k类样本所对应的样本数量,样本被分类到的值所对应的k类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811377053.XA CN109145890A (zh) | 2018-11-19 | 2018-11-19 | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811377053.XA CN109145890A (zh) | 2018-11-19 | 2018-11-19 | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145890A true CN109145890A (zh) | 2019-01-04 |
Family
ID=64806069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811377053.XA Pending CN109145890A (zh) | 2018-11-19 | 2018-11-19 | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145890A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427840A (zh) * | 2019-07-15 | 2019-11-08 | 东南大学 | 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 |
CN111714142A (zh) * | 2020-06-12 | 2020-09-29 | 京东数字科技控股有限公司 | 心理状态测评方法、装置、设备和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104665849A (zh) * | 2014-12-11 | 2015-06-03 | 西南交通大学 | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
-
2018
- 2018-11-19 CN CN201811377053.XA patent/CN109145890A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104665849A (zh) * | 2014-12-11 | 2015-06-03 | 西南交通大学 | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
Non-Patent Citations (3)
Title |
---|
RUEI-SUNG LIN 等: "Object Tracking Using Incremental Fisher Discriminant Analysis", 《PROCEEDINGS OF THE 17TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
YUN LIU 等: "Psychological Stress Level Detection Based on Electrodermal Activity", 《BEHAVIOURAL BRAIN RESEARCH》 * |
林伟 等: "基于核Fisher判别和核主成分分析的瞬时精神负荷水平识别", 《THE 32ND CHINESE CONTROL CONFERENCE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427840A (zh) * | 2019-07-15 | 2019-11-08 | 东南大学 | 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 |
CN111714142A (zh) * | 2020-06-12 | 2020-09-29 | 京东数字科技控股有限公司 | 心理状态测评方法、装置、设备和计算机可读存储介质 |
CN111714142B (zh) * | 2020-06-12 | 2023-12-08 | 京东科技控股股份有限公司 | 心理状态测评方法、装置、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108216254B (zh) | 基于面部图像与脉搏信息融合的路怒情绪识别方法 | |
WO2021017329A1 (zh) | 一种检测驾驶员分心的方法及装置 | |
CN109512442A (zh) | 一种基于LightGBM的EEG疲劳状态分类方法 | |
CN104461007B (zh) | 一种基于脑电信号的驾驶员辅助人车交互系统 | |
CN110236533A (zh) | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 | |
CN104408440A (zh) | 一种基于两步降维和并行特征融合的人脸表情识别方法 | |
CN103824420A (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
CN109145890A (zh) | 一种基于单模态生理信号的驾驶员心理应激强度智能识别的模型 | |
CN110991324B (zh) | 一种基于多种动态特征和物联网技术的疲劳驾驶检测方法 | |
EP1397268A1 (de) | Verfahren und vorrichtung zur erkennung des schläfrigkeitszustandes von führern bewegter objekte | |
CN110598628B (zh) | 一种基于集成深度学习的肌电信号手部运动识别方法 | |
CN112869717A (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
Lin et al. | The recognition of driving action based on EEG signals using wavelet-CSP algorithm | |
CN110427840A (zh) | 一种基于皮肤电信号的驾驶员心理应激强度智能识别方法 | |
Wang et al. | Optimized preprocessing and tiny ml for attention state classification | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Zhu et al. | Eeg-based system using deep learning and attention mechanism for driver drowsiness detection | |
Lin et al. | An early warning system for predicting driver fatigue | |
Deshmukh et al. | Identification of real-time driver distraction using optimal subband detection powered by Wavelet Packet Transform | |
Chai et al. | Classification of driver fatigue in an electroencephalography-based countermeasure system with source separation module | |
Ji et al. | A EEG-Based brain computer interface system towards applicable vigilance monitoring | |
Qin et al. | Classification of driving fatigue based on EEG signals | |
CN114997229A (zh) | 一种基于脑电信号的运动想象分类方法和系统 | |
Zeghlache et al. | Driver vigilance estimation with Bayesian LSTM Auto-encoder and XGBoost using EEG/EOG data | |
CN111098709B (zh) | 一种安全驾驶系统解锁启动方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |