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。

基于独立成分分析降噪与集成分类器的疲劳脑电分析

疲劳驾驶是引起众多交通事故的重要因素之一,脑电作为一种直接反映大脑组织电活动的信号日趋成为评估驾驶疲劳检测与预警的研究焦点。提出了一种基于Ada Boost的组合型实验方法用于分析脑电检测疲劳驾驶。实验过程中针对不同受试者采用独立成分分析(independent component correlation algorithm,ICA)处理分析;继而进行样本熵、信息熵、模糊熵和AR系数的特征提取;最后运用Ada Boost将最小二乘向量机基于三种核分类器集成为一个强分类器。实验结果显示,采用Ada Boost分类器分类效果优于单个核分类器,对疲劳驾驶平均识别率达到93%,五折交叉验证准确率为91. 04%,在一定程度上推动了基于脑电信号的安全驾驶辅助监控系统的研究。

集成3种不同核分类器的疲劳脑电分类

为对疲劳脑电进行准确识别,预防疲劳驾驶带来的危害,对32导脑电信号进行预处理,对比小波变换和经验模态分析(empirical mode decomposition,EMD)去掉异常值和高频噪声情况,在效果较好的EMD基础上进行样本熵、模糊熵的提取,形成特征集,选用最小二乘为基分类器,采用AdaBoost (adaptive boosting)方法通过迭代增加错分样本权重,投票形成基于最小二乘支持向量机3个不同核的弱分类器集成的强分类器,实现驾驶疲劳的识别,平均准确率达95%。通过实验验证了该方法的灵活性及鲁棒性,在一定程度上推动了驾驶疲劳的研究。

基于小波变换与多项指标的疲劳驾驶检测应用

为了对疲劳驾驶的脑电进行研究,本文收集数据并利用小波变换在实验数据中提取α波、β波、θ波和δ波这4种频段的均幅值和(α+β)/β、α/β、(δ+α)/(α+β)、(α+β)/θ共8项合成指标集成为脑电特征参数。通过KPCA提取贡献率90%以上的主元特征信息形成特征集合,并将特征信息输入最小二乘支持向量机(LSSVM),建立KPCA-LSSVM预测模型并对比其他4种模型试验,最终求得该模型平均正确率达到89. 47%,通过实验表明了该实验的有效性及在数据处理速度上的优势。

基于改进U-Net网络对输电塔陶瓷绝缘子表面缺陷的识别算法

针对传统巡检方法对输电塔陶瓷绝缘子表面缺陷识别存在效率低、精度差、漏检率高的问题,采用基于改进U-net网络的无人机智能巡检方法,对输电塔中的陶瓷绝缘子表面缺陷进行检测与识别。运用空洞卷积矩阵对U-net网络中的卷积层进行膨胀系数优化,增大卷积核感受野提升缺陷细节信息的完整性;采用全尺度跳跃连接模型融合高位特征信息与低维特征信息,提高陶瓷绝缘子表面缺陷特征的准确性。实验结果表明:基于改进U-net网络的无人机智能巡检方法对陶瓷绝缘子的表面缺陷检测,其识别准确率(Accuarcy)为97.6%、平均精度(mPA)为95.28%、平均交并比(mIOU)为91.56%。与U-net相比,此方法对陶瓷绝缘子表面缺陷的巡检精度提高了7.8%。

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口(BCI)在交通运输中的应用,减少因疲劳驾驶导致的交通安全事故,提出基于前额脑电(EEG)信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先,设计驾驶仿真模拟试验,利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号,试验过程中,使用主观检测方法每隔20min对被试进行问询;其次,应用MATLAB对采集到的EEG数据进行预处理,基于2种驾驶状态形成被试初始样本数据集;进而,在该数据集基础上,利用多尺度熵的概念,提取EEG信号小波对数能量熵(WLE)特征,同时提取经典模糊熵(FE)特征进行比较分析;然后,运用极限学习机(ELM)对提取的特征数据集进行快速有效的精准分类,并使用留一交叉验证法进行验证评估;最后,对比经典FE分类表现,并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明:在本文试验条件下,基于多尺度WLE(MWLE)的前额EEG疲劳识别率显著高于基于多尺度FE(MFE)的识别率,其理论平均正确率达91.8%;基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率;多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标;结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性,有助于促进可穿戴BCI在疲劳驾驶预警中的应用。