基于眼动和脑电的疲劳特征的性别差异

为了研究驾驶疲劳特征的性别差异性和具有显著性别差异性的疲劳特征对驾驶员进行性别识别的有效性,采用眼动特征和脑电特征进行疲劳检测。首先从这些特征中筛选出检测稳定的特征,分析它们的性别差异性;然后采用具有显著性别差异的疲劳特征建立模型对驾驶员进行性别识别。研究结果显示:只有瞳孔面积和脑电的混合特征存在显著性别差异;利用瞳孔面积和脑电的混合特征进行性别识别时,检测率达到85.13%。这表明利用具有显著性别差异的驾驶疲劳特征也可以对驾驶员进行有效的性别识别。

融合眼动和脑电特征的疲劳驾驶检测研究

疲劳驾驶是导致交通事故的主要因素,采用脑电或眼动特征来检测疲劳驾驶是常用的方法。相对眼动特征,采用脑电特征检测率高但稳定性不如眼动特征。为了获得高且稳定的检测率,首先利用小波熵函数从脑电电极CP4、TP8、T5、P3、Pz、P4、T6、O1、Oz、O2中提取脑电特征,然后将脑电特征和眼睛的扫视长度进行融合,利用KNN算法建立基于融合特征的疲劳检测模型。最后将基于融合特征的检测模型与基于脑电特征的检测模型进行比较。结果发现:两个检测模型的检测均值相差不多,但就检测稳定性来比较,基于融合特征的模型比基于脑电特征的模型更加稳定。

定性推理生成器在驾驶疲劳检测中的应用

疲劳驾驶是导致交通死亡事故的原因之一。为检测识别驾驶疲劳状态,该文鉴于人的眼动行为存在随机性及模糊性的特点,建立了基于"眼睛闭合时间比"(Per-clos)和眨眼时间均值的二维云模型,根据这2个眼动参数的云模型特征,构建了14条定性规则。依据二维单规则生成器,构造了二维多规则定性推理生成器。对60例数据,进行识别判断。结果表明:平均识别率达到73.98%。同组实验数据下,使用该方法比采用K最近邻(KNN)及支持向量机(SVM)分类算法的检测率要高。随着训练样本人数增多,生成器的识别率预计可进一步提高。

关联规则挖掘算法的研究和应用

文中介绍了Apriori算法,并从逐渐减少扫描的数据量和减少扫描数据库的次数两个方面对Apriori算法进行优化,介绍了AprioriTid算法和Partition算法。根据这两种算法的优势又将两者进行结合,对整个数据库采用Partition算法,将数据库分区,而在每个分区中又采用AprioriTid算法。此外,在将数据库分区时,对数据进行一个预处理,即将支持数较高的两项集尽可能地放在同一个分区中,最后将结合的结果与单纯采用一种算法的效率进行比较。

图神经网络与传统机器学习算法的对比研究

为说明图神经网络与传统的机器学习算法在处理图数据的不同,选择K近邻算法和图卷积网络,分析其对cora数据集的分类过程和结果。结果发现,图卷积网络对cora数据分类准确度可达80.24%,表明图卷积网络能较高有效地对cora数据集的各节点进行分类;K近邻算法对cora数据集的分类精度仅为44.27%,表明K近邻算法不能有效实现对cora数据集的各节点进行分类。而从分类过程可以看出,由于K近邻算法没有利用节点与节点间的边的信息,导致其不能有效实现对cora数据集节点的分类。

基于眼动特征的驾驶员疲劳预警系统设计

疲劳驾驶是导致交通事故的重要原因之一。为检测识别驾驶员疲劳状态,根据人的眼动行为存在随机性及模糊性特点,采用不确定性的云模型对眼动特征进行数据处理,构建二维多规则推理生成器检测驾驶员疲劳状况,以此疲劳检测模型为基础构建基于安卓的疲劳预警系统。系统通过手机摄像头实时采集驾驶员面部数据,通过人脸人眼定位后,计算出per-clos和眨眼时间均值。将数据输入疲劳检测模块,一旦检测到驾驶员疲劳,系统即进行文字和语音提醒。该系统成本较低,实时性较好,在模拟驾驶环境下检测率可达到73.98%。

疲劳检测中眼动指标参数的分析研究

目前眼动特征的非接触式疲劳检测方法中采用的眼动疲劳指标很多。为了比较各眼动指标的性能,本文采集了7名受试者清醒和疲劳状态下的眼动数据,并从中提取了Per-clos、眨眼时间均值、瞳孔面积等5个常用眼动特征参数,分别从显著性和稳定性两个方面分析了这5个眼动参数的变化情况。研究发现perclos、眨眼均值和瞳孔面积3个眼动指标在清醒和疲劳状态下变化具有明显差异,可以作为有效的眼动疲劳特征指标;作为检测驾驶疲劳的指标,眨眼时间均值最为稳定,其次是瞳孔面积。

基于分类的Web图像内容混合自动注释方法

Web图像不断增加的数量和多样性,使当前图像检索技术面临很大挑战。然而目前图像检索技术还不能满足人们的需要。陈述一种图像内容混合自动注释方法-HIAM,它包含2个工作模块的Web图像检索,其中一个模块是两个级别的图像分类器将图像转换成图像概念的次序;另外一个是图像语义相似处理模块-ISAM,它具备从网页中挑选与图像概念相关的术语作为图像注释。使传统的文本信息检索技术能够用于图像查询的功能。

基于图数据的图神经网络分类性能研究

图神经网络采用神经网络来处理图数据,它能有效提取和发掘图结构数据中的特征和模式。为了研究在图数据处理上图神经网络的处理分类性能是否优于传统的机器学习算法以及分类过程的不同之处,文章选择了K近邻算法和图卷积网络,分析这两种算法对图数据cora数据集的提取特征及分类过程和分类结果。分类结果显示:图卷积网络对cora数据的分类准确度可以达到80.24%;K近邻算法对cora数据集的分类精度仅为44.27%,这表明图卷积网络相对于K近邻算法能更高效地对cora数据集的各节点进行分类。从分类过程可以看出,图卷积网络和KNN的分类过程基本类似,但图卷积网络提取了图数据的节点特征,利用节点间的边的信息,而KNN算法没有利用节点间的信息,导致其不能有效实现对cora数据集节点进行分类。

基于区块链技术的汽车自动驾驶系统的研究

文章针对汽车自动驾驶系统中的数据存储安全性和数据传输的实时性问题,提出将区块链技术引入汽车自动驾驶系统,借助区块链的去中心和智能合约特点去解决数据存储安全性和数据传输的实时性问题。