CN109770895A - 一种疲劳驾驶监测方法和终端 - Google Patents
一种疲劳驾驶监测方法和终端 Download PDFInfo
- Publication number
- CN109770895A CN109770895A CN201711127086.4A CN201711127086A CN109770895A CN 109770895 A CN109770895 A CN 109770895A CN 201711127086 A CN201711127086 A CN 201711127086A CN 109770895 A CN109770895 A CN 109770895A
- Authority
- CN
- China
- Prior art keywords
- sequence
- eeg signal
- signal sequence
- group
- fatigue 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 90
- 238000012417 linear regression Methods 0.000 claims abstract description 22
- 239000004568 cement Substances 0.000 claims description 18
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Landscapes
- 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
本发明提供了一种疲劳驾驶监测方法和终端,其方法包括:将脑电波信号序列μ划分为N组,每组包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列w(i,k);计算得到脑电波信号序列的均方根波动值F(ω);计算logaF(ω)和logaω的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。本发明通过上述方法,能够有效地除去脑电波信号中强烈的背景噪声,提高了疲劳驾驶判断的稳定性和可靠性,间接保证了驾驶员及乘客的生命安全。
Description
技术领域
本发明涉及疲劳检测技术领域,尤其涉及一种疲劳驾驶监测方法和终端。
背景技术
随着人们生活质量以及生活水平的提高,越来越多的人优先选择自驾汽车的方式出行。乘车人员最关心的人是驾驶员,因为驾驶员直接关乎到乘客的生命财产安全。驾驶员由于长时间驾驶、睡眠不足或质量差、生理节律、驾驶人因素等很容易造成疲劳驾驶,疲劳驾驶是造成交通事故的重要原因之一。如何及时判别出驾驶员的状态是否处于疲劳状态以及当驾驶员进入疲劳驾驶状态时进行预警已成为各国和各大汽车厂商重要的研究课题。
传统的判别的方法有基于驾驶行为的方法、基于眼动特征、基于眨眼次数、基于分析脑电波信号的平均功率谱方法等等。传统的方法不能很好反应出驾驶员的真实状态,判断的正确率不高,脑电信号能够很好的反应出驾驶员的状态,但脑电信号是一个复杂而且背景噪声比较强烈的信号,采用传统的处理方式很难提取出信号的主要特征。
发明内容
本发明所要解决的技术问题是:本发明提供了一种疲劳驾驶监测方法和终端,提高了疲劳驾驶监测的可靠性,间接保证了驾驶员及乘客的安全性。
为了解决上述技术问题,本发明提供了一种疲劳驾驶监测方法,包括以下步骤:
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:计算得到脑电波信号序列的均方根波动值F(ω),其中
S4:计算logaF(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。
本发明还提供了一种疲劳驾驶监测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:计算得到脑电波信号序列的均方根波动值F(ω),其中
S4:计算logaF(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。
本发明的有益效果为:
本发明提供的一种疲劳驾驶监测方法和终端,由于脑电信号是属于复杂的信号,非线性信号,通过上述方法不仅能够很好地去除实际环境中一些平稳的背景噪声(例如白噪声等一些平稳噪声),还能有效得保留信号的主要成分,非常有效地排除其它环境中背景噪声的影响,适用于处理各类复杂的生物信号;本发明通过获取对数函数的线性回归方程,并判断斜率α是否处于斜率阈值范围内来判断驾驶员是否处于疲劳驾驶状态,能够滤去背景器声,对脑电波信号的主要成分进行分析,使疲劳驾驶判断结果更加稳定和可靠,间接保证了驾驶员及乘客的生命安全。
附图说明
图1为根据本发明实施例的一种疲劳驾驶监测方法的主要步骤示意图;
图2为根据本发明实施例的一种疲劳驾驶监测终端的结构示意图;
标号说明:
1、存储器;2、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参照图1,本发明提供了一种疲劳驾驶监测方法,包括以下步骤:
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:计算得到脑电波信号序列的均方根波动值F(ω),其中
S4:计算loga F(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。
从上述描述可知,通过上述方法,能够有效地除去脑电波信号中强烈的背景噪声,并且保留了脑电波信号的主要成分,判断斜率α是否处于斜率阈值范围内来判断驾驶员是否处于疲劳驾驶状态;本发明通过上述方法能够滤去背景器声,对脑电波信号的主要成分进行分析,使疲劳驾驶判断结果更加稳定和可靠,间接保证了驾驶员及乘客的生命安全。
进一步的,所述S1之前还包括:
S0:每隔预设第一时间获取脑电波信号,并通过900~1000Hz的频率对所述脑电波信号进行采样,得到脑电波信号序列μ。
从上述描述可知,通过上述方法能够将脑电波的模拟信号转换为离散时间信号(序列),同时能够将其它频段的信号滤除,使数据运算更加准确可靠。
进一步的,所述S2和S3之间还包括:
所述ω=2n+1,其中n为正整数;相邻两组序列具有n+1个重合点;
预设拟合序列更新表达式:
woverlap(j+n,k)=ρ1w(j+n,k)+ρ2w(j,k+1),j=1,2,…,n+1,其中 woverlap(j+n,k)为第k组电波信号序列第j+n个点的拟合序列更新表达式;
通过所述拟合序列更新表达式更新拟合序列w(i,k)。
从上述描述可知,通过上述方法,使拟合序列的数据更加精确可靠,从而提高了疲劳判断的可靠性。
进一步的,所述S4具体为:
所述ω为变量;以log2F(ω)为纵坐标,及以log2ω为横坐标,拟合得到线性回归直线,并计算得到所述线性回归直线的斜率α,若所述斜率α不大于预设斜率阈值θ,则为正常驾驶状态,否则为疲劳驾驶,并发出警报。
从上述描述可知,通过上述方法能够快速精确地判断驾驶员是否处于疲劳状态,若处于疲劳状态,则发出警声提醒驾驶员,直到驾驶员确认之后才解除警报,提高了驾驶员行车的安全性。
进一步的,所述的一种疲劳驾驶监测方法,还包括:
每隔预设第二时间将计算得到的斜率α在汽车内的显示屏上进行显示。
从上述描述可知,通过上述方法,能够使驾驶员能够直观明了地获取指标参数(斜率α),以便行车过程中及时休息。
请参照图2,本发明提供了一种疲劳驾驶监测终端,包括存储器1、处理器2及存储在存储器1上并可在处理器2上运行的计算机程序,所述处理器2执行所述程序时实现以下步骤:
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:计算得到脑电波信号序列的均方根波动值F(ω),其中
S4:计算loga F(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。
进一步的,所述的一种疲劳驾驶监测终端,所述S1之前还包括:
S0:每隔预设第一时间获取脑电波信号,并通过900~1000Hz的频率对所述脑电波信号进行采样,得到脑电波信号序列μ。
进一步的,所述的一种疲劳驾驶监测终端,所述S2和S3之间还包括:
所述ω=2n+1,其中n为正整数;相邻两组序列具有n+1个重合点;
预设拟合序列更新表达式:
woverlap(j+n,k)=ρ1w(j+n,k)+ρ2w(j,k+1),j=1,2,…,n+1,其中 woverlap(j+n,k)为第k组电波信号序列第j+n个点的拟合序列更新表达式;
通过所述拟合序列更新表达式更新拟合序列w(i,k)。
进一步的,所述的一种疲劳驾驶监测终端,所述S4具体为:
所述ω为变量;以log2F(ω)为纵坐标,及以log2ω为横坐标,拟合得到线性回归直线,并计算得到所述线性回归直线的斜率α,若所述斜率α不大于预设斜率阈值θ,则为正常驾驶状态,否则为疲劳驾驶,并发出警报。
进一步的,所述的一种疲劳驾驶监测终端,还包括:
每隔预设第二时间将计算得到的斜率α在汽车内的显示屏上进行显示。
本发明的实施例一为:
本发明提供了一种疲劳驾驶监测方法,包括以下步骤:
S0:每隔预设第一时间获取脑电波信号,并通过900~1000Hz的频率对所述脑电波信号进行采样,得到脑电波信号序列μ(序列μ即为脑电波的离散时间信号);
其中,优选的所述第一时间为0.2s;
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:所述ω=2n+1,其中n为正整数;相邻两组序列具有n+1个重合点;
预设拟合序列更新表达式:
woverlap(j+n,k)=ρ1w(j+n,k)+ρ2w(j,k+1),j=1,2,…,n+1,其中 woverlap(j+n,k)为第k组电波信号序列第j+n个点的拟合序列更新表达式;
通过所述拟合序列更新表达式更新拟合序列w(i,k);
例如计算第k组与第k+1组重合的第一点的值ωoverlap(j+1,k),此时i=1,即ρ1=1,ρ2=0,所以ωoverlap(j+1,k)=ω(n+1,k),即表示ωoverlap(j+1,k)等于第k组里面第n+1点的值,即将计算得到的ωoverlap(j+1,k)更新为拟合序列w(i,k)中对应点的序列值。
S4:计算得到脑电波信号序列的均方根波动值F(ω),其中
S5:计算loga F(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶;
所述S5具体为:
所述ω为变量;以log2F(ω)为纵坐标,及以log2ω为横坐标,拟合得到线性回归直线,并计算得到所述线性回归直线的斜率α,若所述斜率α不大于预设斜率阈值θ,则为正常驾驶状态,否则为疲劳驾驶,并发出警报。
其中,θ表示经过多次实验数据所得到疲劳驾驶与清醒状态的临界值。
S6:每隔预设第二时间将计算得到的斜率在汽车内的显示屏上进行显示。
其中,优选的所述第二时间为0.2s。
本发明的实施例二为:
本发明提供了一种疲劳驾驶监测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
S0:每隔预设第一时间获取脑电波信号,并通过900~1000Hz的频率对所述脑电波信号进行采样,得到脑电波信号序列μ(序列μ即为脑电波的离散时间信号);
其中,优选的所述第一时间为0.2s;
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:所述ω=2n+1,其中n为正整数;相邻两组序列具有n+1个重合点;
预设拟合序列更新表达式:
woverlap(j+n,k)=ρ1w(j+n,k)+ρ2w(j,k+1),j=1,2,…,n+1,其中 woverlap(j+n,k)为第k组电波信号序列第j+n个点的拟合序列更新表达式;
通过所述拟合序列更新表达式更新拟合序列w(i,k);
例如计算第k组与第k+1组重合的第一点的值ωoverlap(j+1,k),此时i=1,即ρ1=1,ρ2=0,所以ωoverlap(j+1,k)=ω(n+1,k),即表示ωoverlap(j+1,k)等于第k组里面第n+1点的值,即将计算得到的ωoverlap(j+1,k)更新为拟合序列w(i,k)中对应点的序列值。
S4:计算得到脑电波信号序列的均方根波动值F(ω),其中
S5:计算loga F(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶;
所述S5具体为:
所述ω为变量;以log2F(ω)为纵坐标,及以log2ω为横坐标,拟合得到线性回归直线,并计算得到所述线性回归直线的斜率α,若所述斜率α不大于预设斜率阈值θ,则为正常驾驶状态,否则为疲劳驾驶,并发出警报。
其中,θ表示经过多次实验数据所得到疲劳驾驶与清醒状态的临界值。
S6:每隔预设第二时间将计算得到的斜率在汽车内的显示屏上进行显示。
其中,优选的所述第二时间为0.2s。
综上所述,本发明提供的一种疲劳驾驶监测方法和终端,能够将脑电波的模拟信号转换为离散时间信号(序列),同时能够将其它频段的信号滤除,使数据运算更加准确可靠。同时能够有效地除去脑电波信号中强烈的背景噪声,并且保留了脑电波信号的主要成分,判断斜率α是否处于斜率阈值范围内来判断驾驶员是否处于疲劳驾驶状态;本发明通过上述方法能够滤去背景器声,对脑电波信号的主要成分进行分析,使疲劳驾驶判断结果更加稳定和可靠,间接保证了驾驶员及乘客的生命安全。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种疲劳驾驶监测方法,其特征在于,包括以下步骤:
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:计算得到脑电波信号序列的均方根波动值F(ω),其中
S4:计算logaF(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。
2.根据权利要求1所述的一种疲劳驾驶监测方法,其特征在于,所述S1之前还包括:
S0:每隔预设第一时间获取脑电波信号,并通过900~1000Hz的频率对所述脑电波信号进行采样,得到脑电波信号序列μ。
3.根据权利要求1所述的一种疲劳驾驶监测方法,其特征在于,所述S2和S3之间还包括:
所述ω=2n+1,其中n为正整数;相邻两组序列具有n+1个重合点;
预设拟合序列更新表达式:
woverlap(j+n,k)=ρ1w(j+n,k)+ρ2w(j,k+1),j=1,2,…,n+1,其中 woverlap(j+n,k)为第k组电波信号序列第j+n个点的拟合序列更新表达式;
通过所述拟合序列更新表达式更新拟合序列w(i,k)。
4.根据权利要求1-3任意一项所述的一种疲劳驾驶监测方法,其特征在于,所述S4具体为:
所述ω为变量;以log2F(ω)为纵坐标,及以log2ω为横坐标,拟合得到线性回归直线,并计算得到所述线性回归直线的斜率α,若所述斜率α不大于预设斜率阈值θ,则为正常驾驶状态,否则为疲劳驾驶,并发出警报。
5.根据权利要求1所述的一种疲劳驾驶监测方法,其特征在于,还包括:
每隔预设第二时间将计算得到的斜率α在汽车内的显示屏上进行显示。
6.一种疲劳驾驶监测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
S1:将脑电波信号序列μ划分为N组,得到N组脑电波信号序列,每组电波信号序列包括ω个点,其中,第k组脑电波信号序列表示为μ(i,k)(0<k≤N,0<i≤ω),相邻两组序列具有重合点,所述i为第k组脑电波信号序列中第i个点;
S2:对每一组脑电波信号序列的数据分别进行最小二乘法数据拟合,得到每一组脑电波信号序列对应的拟合序列,其中第k组脑电波信号序列对应的拟合序列为w(i,k);
S3:计算得到脑电波信号序列的均方根波动值F(ω),其中
S4:计算logaF(ω)和logaω(a>0,且a≠1)的线性回归直线的斜率α,若α在预设斜率阈值范围内,则为正常驾驶状态,否则为疲劳驾驶。
7.根据权利要求6所述的一种疲劳驾驶监测终端,其特征在于,所述S1之前还包括:
S0:每隔预设第一时间获取脑电波信号,并通过900~1000Hz的频率对所述脑电波信号进行采样,得到脑电波信号序列μ。
8.根据权利要求7所述的一种疲劳驾驶监测终端,其特征在于,所述S2和S3之间还包括:
所述ω=2n+1,其中n为正整数;相邻两组序列具有n+1个重合点;
预设拟合序列更新表达式:
woverlap(j+n,k)=ρ1w(j+n,k)+ρ2w(j,k+1),j=1,2,…,n+1,其中 woverlap(j+n,k)为第k组电波信号序列第j+n个点的拟合序列更新表达式;
通过所述拟合序列更新表达式更新拟合序列w(i,k)。
9.根据权利要求6-8任意一项所述的一种疲劳驾驶监测终端,其特征在于,所述S4具体为:
所述ω为变量;以log2F(ω)为纵坐标,及以log2ω为横坐标,拟合得到线性回归直线,并计算得到所述线性回归直线的斜率α,若所述斜率α不大于预设斜率阈值θ,则为正常驾驶状态,否则为疲劳驾驶,并发出警报。
10.根据权利要求6所述的一种疲劳驾驶监测终端,其特征在于,还包括:
每隔预设第二时间将计算得到的斜率α在汽车内的显示屏上进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711127086.4A CN109770895A (zh) | 2017-11-15 | 2017-11-15 | 一种疲劳驾驶监测方法和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711127086.4A CN109770895A (zh) | 2017-11-15 | 2017-11-15 | 一种疲劳驾驶监测方法和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109770895A true CN109770895A (zh) | 2019-05-21 |
Family
ID=66493669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711127086.4A Pending CN109770895A (zh) | 2017-11-15 | 2017-11-15 | 一种疲劳驾驶监测方法和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109770895A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932476A (zh) * | 2019-11-26 | 2021-06-11 | Oppo广东移动通信有限公司 | 信息提示方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005230030A (ja) * | 2004-02-17 | 2005-09-02 | Daikin Ind Ltd | 健康管理システム、ヘルメット、処理装置、サーバ装置及び健康管理方法 |
CN102119857A (zh) * | 2011-02-15 | 2011-07-13 | 陕西师范大学 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
CN202995969U (zh) * | 2012-11-16 | 2013-06-12 | 西安众智惠泽光电科技有限公司 | 汽车疲劳驾驶远程监控及实时提醒系统 |
CN103860201A (zh) * | 2014-03-06 | 2014-06-18 | 西安交通大学 | 一种基于宽波束造影成像及提取灌注时间强度曲线的方法 |
-
2017
- 2017-11-15 CN CN201711127086.4A patent/CN109770895A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005230030A (ja) * | 2004-02-17 | 2005-09-02 | Daikin Ind Ltd | 健康管理システム、ヘルメット、処理装置、サーバ装置及び健康管理方法 |
CN102119857A (zh) * | 2011-02-15 | 2011-07-13 | 陕西师范大学 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
CN202995969U (zh) * | 2012-11-16 | 2013-06-12 | 西安众智惠泽光电科技有限公司 | 汽车疲劳驾驶远程监控及实时提醒系统 |
CN103860201A (zh) * | 2014-03-06 | 2014-06-18 | 西安交通大学 | 一种基于宽波束造影成像及提取灌注时间强度曲线的方法 |
Non-Patent Citations (1)
Title |
---|
曾超 等: "驾驶员疲劳状态生理信号的DFA", 《传感器与微系统》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932476A (zh) * | 2019-11-26 | 2021-06-11 | Oppo广东移动通信有限公司 | 信息提示方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN205721347U (zh) | 车辆故障诊断系统 | |
CN108731921B (zh) | 一种设备连接件故障监测方法及系统 | |
WO2004030525A3 (en) | Systems and methods for providing trend analysis in a sedation and analgesia system | |
CN103698489B (zh) | 测试数据的验证方法及装置 | |
CN104978825A (zh) | 一种疲劳驾驶预警方法及系统 | |
CN108836324B (zh) | 一种基于脑电信号监测的疲劳驾驶预警方法及系统 | |
WO2006026985A3 (en) | Method and computer system for quantum chemical modelling of molecules under non-equilibrium conditions | |
CN110348718B (zh) | 业务指标监控方法、装置及电子设备 | |
CN113624514A (zh) | 驾驶员状态监控产品的测试方法、系统、电子设备及介质 | |
CN109770895A (zh) | 一种疲劳驾驶监测方法和终端 | |
CN108332623B (zh) | 一种多功能复合引信智能检测仪 | |
CN108267170B (zh) | 一种环境监测方法和装置 | |
CN113907758A (zh) | 一种驾驶员疲劳检测方法、装置、设备及存储介质 | |
CN106776248A (zh) | 一种数据处理的方法和装置 | |
CN115503535B (zh) | 安全充电方法、装置、设备及计算机可读存储介质 | |
CN108701401B (zh) | 报警方法、装置、系统及电子设备 | |
CN115933619A (zh) | 一种远程诊断方法、系统、电子设备及存储介质 | |
CN115311764A (zh) | 门锁安全评估方法以及相关设备 | |
CN104484968A (zh) | 一种人体探测方法、装置及系统 | |
CN112386249B (zh) | 跌倒检测方法及装置、设备、存储介质 | |
CN111098709A (zh) | 一种安全驾驶系统解锁启动方法和系统 | |
CN109682994A (zh) | 一种icp加速度传感器通路检查装置及系统 | |
CN111343535A (zh) | 体温监测耳机及其体温监测方法 | |
CN204133465U (zh) | 演讲辅助装置 | |
CN205691751U (zh) | 一种模拟汽车启动智能测试仪装置 |
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: 20190521 |