CN112545530A - 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 - Google Patents
一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 Download PDFInfo
- Publication number
- CN112545530A CN112545530A CN202010561701.8A CN202010561701A CN112545530A CN 112545530 A CN112545530 A CN 112545530A CN 202010561701 A CN202010561701 A CN 202010561701A CN 112545530 A CN112545530 A CN 112545530A
- Authority
- CN
- China
- Prior art keywords
- layer
- hrv
- fatigue
- drunk driving
- network
- 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 50
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 241000764238 Isis Species 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- 230000035987 intoxication Effects 0.000 description 2
- 231100000566 intoxication Toxicity 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6893—Cars
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法。所述方法包括以下步骤:使用嵌入方向盘的心电传感器测量来自驾驶员手掌的连续心电信号;使用小波分解对心电信号进行去噪;对去噪后的心电信号采用自适应差分阈值法检测R波,提取R‑R间隔的微小波动(HRV);使用一个包括对抗生成网络和CNN的模型根据得到的R‑R间隔的微小波动(HRV)来判断驾驶员的疲劳状态和醉驾状态。本发明使用嵌入方向盘的ECG电极检测驾驶员心电信号,这种方法更科学,便利,驾驶员也更容易接受。本发明所提出的模型具有良好的抗噪性能和预测精度。
Description
技术领域
本发明属于智能交通技术领域,特别涉及一种基于HRV和对抗网络的预测 醉驾和疲劳驾驶的方法。
背景技术
在过去的几十年里,车载电子和车载信息系统的增加使用导致许多驾驶员 醉酒或疲劳的检测系统的设计和实现变为可能。例如,基于车辆参数、驾驶员 行为模式和生理信号变化的检测系统。与其他方法相比,利用生理参数进行检 测具有更好的准确性和可靠性,因为外部因素对这一特征的干扰较少。
许多生理参数如脑电图(EEG)、心电图(ECG)、眼电图(EOG)和肌电图(EMG) 可用于测量驾驶员的醉酒程度和疲劳程度。在这些检测的指标中,心电图被认为 是一个重要和可靠的信号。心电信号采集具有无创、携带方便的特点,所有生理 信息采集简单。随着监测手段的进步和分析技术的发展,将实现动态监测和实时 处理。因此,基于心电信号的驾驶疲劳评估和醉酒检测成为研究的重点之一。一 些关于心电图的研究表明,它与身心活动密切相关。对于不同的活动,心电图记 录可能在幅度或频率或两者都有所不同。
随着现代机器学习和深度学习方法的兴起,这些方法被应用到心电图的研 究中。机器学习和深度学习方法被广泛用于人体健康检测中。但是这些方法大多 使用传统的接触式方法来测量ECG信号,即通过电极连接到胸腔或大腿皮肤上。 这种方法十分不方便,驾驶员也不容易接受这种方式。使用非接触式的测量ECG 信号的方法又往往会导致原始的心电信号产生大量的噪声,例如公开号为 CN110710957A、CN109171702A的发明中使用的非接触式测量方法需要采用复 杂的手段来消除噪声。
本发明提出了一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法。在 本方法中,ECG电极植入方向盘中,这种方法更科学,便利,驾驶员也更容易 接受。同时,生成对抗式的神经网络被使用在本方法中,用于生成清晰准确的特 征,以减少测量时产生的检测电极片与手之间的噪声。最后,一维卷积神经网络 被用来对得到的特征进行分类。
发明内容
本发明的目的是为了解决上述现有技术存在的缺陷,并给出一种基于HRV 和对抗网络的预测醉驾和疲劳驾驶的方法。
本发明的目的至少通过如下技术方案之一实现。
一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,包括以下步骤:
S1、使用嵌入方向盘的心电传感器测量来自驾驶员手掌的连续心电信号;
S2、使用小波分解对心电信号进行去噪;
S3、对去噪后的心电信号采用自适应差分阈值法检测R波,提取R-R间隔 的微小波动(HRV);
S4、使用一个包括对抗生成网络和CNN的模型根据步骤S3中得到的R-R 间隔的微小波动(HRV)来判断驾驶员的疲劳状态和醉驾状态。
进一步地,步骤S2中,所述使用小波分解对心电信号进行去噪的步骤如下:
S21、基于4次小波分解对步骤S1中得到的原始心电信号去噪,得到小波 系数;
S22、采用软阈值算法更新小波系数,小波的方向的相似度记为λ,具体如 下:
其中N为信号的数量大小,σ为噪声的标准差,用公式估计为:
其中ds表示第s个小波系数,median(|ds|)为小波系数ds,的中值,设标准 差的调整系数为0.6745;然后采用软阈值算法更新小波系数,公式如下:
其中sgn(ds)表示ds的符号函数,在ds≥0时取值为1,在ds<0时取值为 -1;
S23、根据更新后的小波系数重构心电信号。
进一步地,步骤S3中,具体步骤如下:
S31、利用微分计算增强心电信号的R波,同时压缩心电信号的T波;利用 微分计算的频率响应,将放大和压缩在指定的频率Δt,公式如下:
d(t)=2f(t)-f(t+Δt)-f(t-Δt);
其中,f(t)为信号关于时间t的函数,为了放大频率在20Hz左右的R波, 压缩频率在9Hz以下的T波,Δt设为0.025s;
S32、采用动态阈值来适应R波的幅值波动,包括初始阈值选择和阈值自适 应修改过程;初始阈值选择时,将去噪后的心电信号分为5段;每段应包括至少 一个QRS心电波组;丢弃分段的最大值和最小值,计算平均值λ,然后设定初始 阈值为Th=0.5λ;在阈值自适应修改过程中,前5个R波检测阈值决定当前阈 值;前5个R波检测阈值记为Th(n),其中n=-1、-2、-3、-4、-5,则前5个阈 值的平均值为记为ThAvg,前5个阈值的最大值记为Thmax;当前 阈值自适应修改地设置为:
S33、提取R-R间隔的微小波动(HRV)作为后续神经网络的输入。
进一步地,步骤S4中,所述对抗生成网络用于降低检测极片与手之间的噪 声对结果的影响;对抗生成网络包括生成器G和识别器D;识别器D拥有与G 相似的结构,只是最后一层的输出为一个标量,用于判断输入的数据是否符合要 求;识别器D仅在模型训练时起作用。
进一步地,所述生成器G的结构有五层,具体如下:
第二层为卷积层,采用一维卷积方法对HRV时间序列数据进行处理,公式 如下所示:
第三次为全连接层,卷积层中利用一维卷积可以得到与ECG相关的特征, 但这些特征的维度可能不与输入维度一致;因此采用全连通层对特征序列进行 再生,确保模型的输出维度合适;公式如下:
第四层为最大池化层,最大池化层对邻近的两个通道取最大值,采用2x1的 过滤器从信号的每个2x1区域中选择一个最大值;
第五层为全局平均池层,全局平均层对每个通道的所有值计算一个平均值; 全局平均池层用于推导特征序列。
进一步地,步骤S4中,CNN网络有两个,一个用于预测疲劳驾驶,另一个 用于预测醉驾;两个CNN网络的输入都来自生成对抗神经网络的生成器G的 最后一层输出;预测疲劳的CNN网络输出包括疲劳与非疲劳两个分类;预测醉 驾的CNN网络包括醉驾与非醉驾两个分类。
与现有技术相比,本发明具有以下优势:
(1)本发明中采用嵌入式ECG电极的方向盘来检测驾驶员心电信号,这种 方法更科学,便利,驾驶员也更容易接受。
(2)本发明使用生成对抗式的神经网络来生成清晰准确的特征,以减少测 量时产生的极片与手之间的噪声。
附图说明
图1为本发明实施例中一种用于预测醉驾和疲劳的基于HRV和对抗网络 的方法的流程图;
图2为本发明实施例中的对抗生成网络中生成器的结构图。
具体实施方式
下面结合实例和附图对本发明做进一步的说明,但本发明的实施方式不限 于此。
实施例:
一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,如图1所示,包 括以下步骤:
S1、使用嵌入方向盘的心电传感器测量来自驾驶员手掌的连续心电信号;
S2、使用小波分解对心电信号进行去噪;具体步骤如下:
S21、基于4次小波分解对步骤S1中得到的原始心电信号去噪,得到小波 系数;
S22、采用软阈值算法更新小波系数,小波的方向的相似度记为λ,具体如 下:
其中N为信号的数量大小,σ为噪声的标准差,用公式估计为:
其中ds表示第s个小波系数,median(|ds|)为小波系数ds,的中值,设标准 差的调整系数为0.6745;然后采用软阈值算法更新小波系数,公式如下:
其中sgn(ds)表示ds的符号函数,在ds≥0时取值为1,在ds<0时取值为 -1;
S23、根据更新后的小波系数重构心电信号。
S3、对去噪后的心电信号采用自适应差分阈值法检测R波,提取R-R间隔 的微小波动(HRV);具体步骤如下:
S31、利用微分计算增强心电信号的R波,同时压缩心电信号的T波;利用 微分计算的频率响应,将放大和压缩在指定的频率Δt,公式如下:
d(t)=2f(t)-f(t+Δt)-f(t-Δt);
其中,f(t)为信号关于时间t的函数,为了放大频率在20Hz左右的R波, 压缩频率在9Hz以下的T波,Δt设为0.025s;
S32、采用动态阈值来适应R波的幅值波动,包括初始阈值选择和阈值自适 应修改过程;初始阈值选择时,将去噪后的心电信号分为5段;每段应包括至少 一个QRS心电波组;丢弃分段的最大值和最小值,计算平均值λ,然后设定初始 阈值为Th=0.5λ;在阈值自适应修改过程中,前5个R波检测阈值决定当前阈 值;前5个R波检测阈值记为Th(n),其中n=-1、-2、-3、-4、-5,则前5个阈 值的平均值为记为ThAvg,前5个阈值的最大值记为Thmax;当前 阈值自适应修改地设置为:
S33、提取R-R间隔的微小波动(HRV)作为后续神经网络的输入。
S4、使用一个包括对抗生成网络和CNN的模型根据步骤S3中得到的R-R 间隔的微小波动(HRV)来判断驾驶员的疲劳状态和醉驾状态。
所述对抗生成网络用于降低检测极片与手之间的噪声对结果的影响;对抗 生成网络包括生成器G和识别器D;识别器D拥有与G相似的结构,只是最 后一层的输出为一个标量,用于判断输入的数据是否符合要求;识别器D仅在 模型训练时起作用。
如图2所示,所述生成器G的结构有五层,具体如下:
第二层为卷积层,采用一维卷积方法对HRV时间序列数据进行处理,公式 如下所示:
第三次为全连接层,卷积层中利用一维卷积可以得到与ECG相关的特征, 但这些特征的维度可能不与输入维度一致;因此采用全连通层对特征序列进行 再生,确保模型的输出维度合适;公式如下:
第四层为最大池化层,最大池化层对邻近的两个通道取最大值,采用2x1的 过滤器从信号的每个2x1区域中选择一个最大值;
第五层为全局平均池层,全局平均层对每个通道的所有值计算一个平均 值;全局平均池层用于推导特征序列。
CNN网络有两个,一个用于预测疲劳驾驶,另一个用于预测醉驾;两个 CNN网络的输入都来自生成对抗神经网络的生成器G的最后一层输出;预测 疲劳的CNN网络输出包括疲劳与非疲劳两个分类;预测醉驾的CNN网络包括 醉驾与非醉驾两个分类。
本实施例中,采用一维CNN可以以最快的速度执行分类任务,其输入层连 接对抗生成网络的生成器的全局平均池层的输出,中间层为一层128个神经元 的全连接层,输出层采用激活函数sigmoid输出一个0到1之间的数字用于二 分类。
本发明的实施方式并不受上述实施例的限制,其他任何未背离发明精神实 质与原理下所做的改变,修饰,替代,组合,简化均应为等效的置换方式,都 包含在本发明的保护范围之内。
Claims (6)
1.一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,其特征在于,包括以下步骤:
S1、使用嵌入方向盘的心电传感器测量来自驾驶员手掌的连续心电信号;
S2、使用小波分解对心电信号进行去噪;
S3、对去噪后的心电信号采用自适应差分阈值法检测R波,提取R-R间隔的微小波动(HRV);
S4、使用一个包括对抗生成网络和CNN的模型根据步骤S3中得到的R-R间隔的微小波动(HRV)来判断驾驶员的疲劳状态和醉驾状态。
2.根据权利1要求的一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,其特征在于,步骤S2中,所述使用小波分解对心电信号进行去噪的步骤如下:
S21、基于4次小波分解对步骤S1中得到的原始心电信号去噪,得到小波系数;
S22、采用软阈值算法更新小波系数,小波的方向的相似度记为λ,具体如下:
其中N为信号的数量大小,σ为噪声的标准差,用公式估计为:
其中ds表示第s个小波系数,median(|ds|)为小波系数ds,的中值,设标准差的调整系数为0.6745;然后采用软阈值算法更新小波系数,公式如下:
其中sgn(ds)表示ds的符号函数,在ds≥0时取值为1,在ds<0时取值为-1;
S23、根据更新后的小波系数重构心电信号。
3.根据权利1要求的一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,其特征在于,步骤S3中,具体步骤如下:
S31、利用微分计算增强心电信号的R波,同时压缩心电信号的T波;利用微分计算的频率响应,将放大和压缩在指定的频率Δt,公式如下:
d(t)=2f(t)-f(t+Δt)-f(t-Δt);
其中,f(t)为信号关于时间t的函数,为了放大频率在20Hz左右的R波,压缩频率在9Hz以下的T波,Δt设为0.025s;
S32、采用动态阈值来适应R波的幅值波动,包括初始阈值选择和阈值自适应修改过程;初始阈值选择时,将去噪后的心电信号分为5段;每段应包括至少一个QRS心电波组;丢弃分段的最大值和最小值,计算平均值λ,然后设定初始阈值为Th=0.5λ;在阈值自适应修改过程中,前5个R波检测阈值决定当前阈值;前5个R波检测阈值记为Th(n),其中n=-1、-2、-3、-4、-5,则前5个阈值的平均值为记为ThAvg,前5个阈值的最大值记为Thmax;当前阈值自适应修改地设置为:
S33、提取R-R间隔的微小波动(HRV)作为后续神经网络的输入。
4.根据权利1要求的一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,其特征在于,步骤S4中,所述对抗生成网络用于降低检测极片与手之间的噪声对结果的影响;对抗生成网络包括生成器G和识别器D;识别器D拥有与G相似的结构,只是最后一层的输出为一个标量,用于判断输入的数据是否符合要求;识别器D仅在模型训练时起作用。
5.根据权利4要求的一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,其特征在于,所述生成器G的结构有五层,具体如下:
第二层为卷积层,采用一维卷积方法对HRV时间序列数据进行处理,公式如下所示:
第三次为全连接层,卷积层中利用一维卷积可以得到与ECG相关的特征,但这些特征的维度可能不与输入维度一致;因此采用全连通层对特征序列进行再生,确保模型的输出维度合适;公式如下:
第四层为最大池化层,最大池化层对邻近的两个通道取最大值,采用2x1的过滤器从信号的每个2x1区域中选择一个最大值;
第五层为全局平均池层,全局平均层对每个通道的所有值计算一个平均值;全局平均池层用于推导特征序列。
6.根据权利1要求的一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法,其特征在于,步骤S4中,CNN网络有两个,一个用于预测疲劳驾驶,另一个用于预测醉驾;两个CNN网络的输入都来自生成对抗神经网络的生成器G的最后一层输出;预测疲劳的CNN网络输出包括疲劳与非疲劳两个分类;预测醉驾的CNN网络包括醉驾与非醉驾两个分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561701.8A CN112545530A (zh) | 2020-06-18 | 2020-06-18 | 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561701.8A CN112545530A (zh) | 2020-06-18 | 2020-06-18 | 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112545530A true CN112545530A (zh) | 2021-03-26 |
Family
ID=75040866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561701.8A Pending CN112545530A (zh) | 2020-06-18 | 2020-06-18 | 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112545530A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113180627A (zh) * | 2021-04-02 | 2021-07-30 | 深圳市科思创动科技有限公司 | 一种基于rPPG技术的非接触式识别酒驾的方法 |
CN113705427A (zh) * | 2021-08-26 | 2021-11-26 | 成都上富智感科技有限公司 | 基于车规级芯片SoC的疲劳驾驶监测预警方法及系统 |
CN114343642A (zh) * | 2021-10-22 | 2022-04-15 | 厦门大学 | 一种基于心率变异性指标的疲劳驾驶检测方法、系统 |
CN113180627B (zh) * | 2021-04-02 | 2024-05-28 | 深圳市科思创动科技有限公司 | 一种基于rPPG技术的非接触式识别酒驾的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010044341A1 (de) * | 2010-09-03 | 2012-03-08 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zum Erkennen einer Hypoglykämie |
CN108765876A (zh) * | 2018-05-31 | 2018-11-06 | 东北大学 | 基于多模信号的驾驶疲劳深度分析预警系统及方法 |
CN110667686A (zh) * | 2019-09-25 | 2020-01-10 | 厦门大学 | 基于心电与握力信号的疲劳驾驶监测/预警的方向盘 |
CN110840445A (zh) * | 2019-12-12 | 2020-02-28 | 山东省计算中心(国家超级计算济南中心) | 一种动态心电信号的自动降噪方法 |
CN213035887U (zh) * | 2020-06-18 | 2021-04-23 | 华南理工大学 | 一种用于醉驾和疲劳驾驶检测的智能方向盘 |
-
2020
- 2020-06-18 CN CN202010561701.8A patent/CN112545530A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010044341A1 (de) * | 2010-09-03 | 2012-03-08 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zum Erkennen einer Hypoglykämie |
CN108765876A (zh) * | 2018-05-31 | 2018-11-06 | 东北大学 | 基于多模信号的驾驶疲劳深度分析预警系统及方法 |
CN110667686A (zh) * | 2019-09-25 | 2020-01-10 | 厦门大学 | 基于心电与握力信号的疲劳驾驶监测/预警的方向盘 |
CN110840445A (zh) * | 2019-12-12 | 2020-02-28 | 山东省计算中心(国家超级计算济南中心) | 一种动态心电信号的自动降噪方法 |
CN213035887U (zh) * | 2020-06-18 | 2021-04-23 | 华南理工大学 | 一种用于醉驾和疲劳驾驶检测的智能方向盘 |
Non-Patent Citations (1)
Title |
---|
金礼: "基于心电信号的疲劳驾驶研究", 《CNKI优秀硕士学位论文全文库 工程科技Ⅱ辑》, pages 7 - 59 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113180627A (zh) * | 2021-04-02 | 2021-07-30 | 深圳市科思创动科技有限公司 | 一种基于rPPG技术的非接触式识别酒驾的方法 |
CN113180627B (zh) * | 2021-04-02 | 2024-05-28 | 深圳市科思创动科技有限公司 | 一种基于rPPG技术的非接触式识别酒驾的方法 |
CN113705427A (zh) * | 2021-08-26 | 2021-11-26 | 成都上富智感科技有限公司 | 基于车规级芯片SoC的疲劳驾驶监测预警方法及系统 |
CN114343642A (zh) * | 2021-10-22 | 2022-04-15 | 厦门大学 | 一种基于心率变异性指标的疲劳驾驶检测方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques | |
CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
Zontone et al. | Stress detection through electrodermal activity (EDA) and electrocardiogram (ECG) analysis in car drivers | |
Güler et al. | Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients | |
JP6435104B2 (ja) | 身体状態の変化を判定するシステム及び方法 | |
CN108392211B (zh) | 一种基于多信息融合的疲劳检测方法 | |
Güler et al. | Application of adaptive neuro-fuzzy inference system for detection of electrocardiographic changes in patients with partial epilepsy using feature extraction | |
JP2014180543A5 (zh) | ||
Zontone et al. | Car driver's sympathetic reaction detection through electrodermal activity and electrocardiogram measurements | |
CN112545530A (zh) | 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 | |
CN111407260A (zh) | 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法 | |
US20200054262A1 (en) | Method for real time analyzing stress using deep neural network algorithm | |
Shalash | Driver fatigue detection with single EEG channel using transfer learning | |
KR100883185B1 (ko) | 가중 퍼지 소속함수 기반 신경망 알고리즘을 이용한생체신호의 이상데이터 추출 장치 및 그 방법 | |
Malviya et al. | A novel technique for stress detection from EEG signal using hybrid deep learning model | |
Zontone et al. | Supervised learning techniques for stress detection in car drivers | |
Gupta et al. | An improved deep learning model for automated detection of BBB using ST spectrograms of smoothed VCG signal | |
CN111461206B (zh) | 一种方向盘嵌入脑电传感器的基于脑电的疲劳检测方法 | |
CN112704503B (zh) | 心电信号噪声处理方法 | |
Kanna et al. | Smart Detection and Removal of Artifacts in Cognitive Signals Using Biomedical Signal Intelligence Applications | |
CN114027786A (zh) | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统 | |
Rezaee et al. | EEG-Based Driving Fatigue Recognition Using Hybrid Deep Transfer Learning Approach | |
Naik et al. | Comparative analysis of ECG classification using neuro-fuzzy algorithm and multimodal decision learning algorithm: ECG classification algorithm | |
Wang et al. | EEG-based emergency braking intention prediction for brain-controlled driving considering one electrode falling-off | |
CN112971784B (zh) | 一种可穿戴骨传导疲劳驾驶检测方法及装置 |
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 |