基于多生理信号的飞行警戒疲劳检测

为预防事故发生,保障飞行安全,提出一种基于多生理信号和支持向量机(SVM)的飞行警戒疲劳检测方法,识别飞行员飞行警戒中的疲劳状态。首先,研究疲劳评价与检测方法,并基于自主开发的飞行警戒测试系统与多导生物反馈仪和眼动仪搭建试验平台;然后,采集飞行警戒作业中的心电、眼动、呼吸等多生理信号和主观疲劳自评值;再次,通过配对样本的非参数检验,提取敏感生理指标,并以此作为特征向量,通过机器学习训练,构建基于多生理信号和SVM的疲劳检测模型;最后,依据受试者工作特征(ROC)曲线和模型准确率,对比分析各疲劳检测模型的效果。结果表明:在飞行警戒疲劳状态下,作业者的多项生理指标均有显著变化;心电、眼动和呼吸等多生理信号融合较单一信号的疲劳检测效果好,其ROC曲线下面积为0.802。基于高斯径向基核函数(RBF)构建的疲劳检测模型训练及预测准确率可达93%和87.50%。基于多生理信号和SVM方法可以实现对飞行警戒疲劳状态的检测。

基于改进的Relief F多生理信号情绪识别算法

针对单一生理信号特征信息不足以及个体特异性与全局阈值不匹配导致的情绪识别正确率低的问题,提出了一种改进的Relief F匹配多生理信号特征选择算法。通过小波包分解多生理信号并重构与情绪相关的6个波段,以及经验模态分解提取基于小波系数和重构信号本征模函数分量的8类特征;使用Relief F算法先获得优选特征组,再构建优化特征组权重获得全局最优匹配特征组,以及与其对应的匹配通道;并采用概率神经网络结合全局最优匹配特征组训练情绪分类模型。结果表明:该方法能够较好地对愉悦、愤怒、放松、悲伤4类情绪进行分类,其平均识别正确率分别为90.89%、85.39%、82.81%、87.56%,对比单一生理信号平均提升了1.76%,验证了此方法的有效性。

多生理信号信息融合技术的情绪识别发展

近年来,焦虑、抑郁症的发生率大幅增加,有效识别情绪并对负面情绪进行及时干预和排解显得尤为必要。现阶段情绪识别的研究主要有针对非生理信号和生理信号的识别。其中,生理信号采集的数据更为客观。随着便携式、可穿戴设备的快速发展,基于生理信号的情绪识别显示出广阔的应用前景。由于利用单一生理信号对情绪分类准确率的提升陷入了瓶颈,不少学者开始研究融合多种生理信号进行情绪识别。本文从基于生理信号的情绪识别、信息融合、分类等方面,梳理了近年来多生理信号在情绪识别领域的发展进程和研究现状,并归纳总结了目前存在的主要问题和挑战。

多生理信号参数检测电路设计

本文设计了心音、血压、脉搏波生理信号的检测及单片机采集电路。通过单片机和主计算机通讯,由主计算机实现多路生理信号的综合处理。主计算机由LabVIEW软件对多路生理信号进行采集、分析和显示。进一步将三种信号进行有机融合,通过多路信号的时间关系计算血管硬化参数。实验结果表明电路稳定、有效,可用于血管功能的评价。

基于多种生理信号的情绪识别研究

情绪是由某种特定的对象或情景所引发的一系列反应,会影响人的生理状态,因此可通过生理信号进行识别。提出一种融合脉搏波、皮肤电反应、呼吸、皮肤温度等多种信号的特征,结合SVM-RFE-CBR(基于支持向量机可减少相关性偏差的递归特征消除)特征排序算法进行特征选择,利用支持向量机进行分类的情绪识别模型,并通过DEAP数据集验证该模型在愉悦度、唤醒度、优势度上的二分类效果,分别获得了73.5%、81.3%、76.1%的准确率。结果表明,利用多种生理信号融合可有效地进行情绪识别。

“数字信号处理”课程辅助教学系统

本文设计一种"数字信号处理"课程辅助教学系统,将多生理信号采集与分析这一实际工程案例应用于课程教学。该系统的应用激发了学生学习的兴趣,使其在掌握数字信号处理课程相关知识点的同时,能够将已学课程和未学课程以实际工程项目为主线串接起来,达到"从实际工程中学习,解决实际工程问题"的教学目的。

基于多生理信息及迁移学习的驾驶疲劳评估

目前基于多生理信号的驾驶疲劳评估方法得到广泛关注。针对驾驶疲劳识别率有待提高且受个体差异性影响的问题,提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法。基于模拟驾驶平台同步采集20名健康受试者的脑电信号、心电信号和颈部肌电信号,基于时频分析方法和复杂度分析方法提取各生理信号特征并进行融合;然后,基于特征空间内大间隔映射（LMPROJ）的迁移学习方法实现对单一源域到目标域疲劳状态的初步判别;最后,将上述多个单一源域到目标域疲劳状态的判别结果进行决策级融合,以提高驾驶疲劳识别算法的准确性和鲁棒性。实验结果表明,基于多生理信号特征融合及迁移学习的驾驶疲劳识别率高于传统机器学习方法,且能提高不同受试者驾驶疲劳检测的鲁棒性,为多生理信号驾驶疲劳检测研究提供了新方法。

基于多模态情绪识别的研究进展

情绪是对一系列主观认知经验的高度概括,对人类的发展意义重大。而在人机交互领域,情绪识别是实现机器智能化的关键一步。随着信息技术的发展,目前针对该领域的研究主要集中在基于神经生理模态、基于外在行为表现模态以及基于多模态的情绪识别。本文从以上角度出发,分别梳理了近年来情绪识别领域的发展进程和研究现状,并对未来的研究方向进行了展望。

粗糙集二进制布谷鸟算法在情感识别中的应用

为了提高情感识别过程中选择最优情感特征子集的能力,提出了一种粗糙集二进制布谷鸟算法.首先分别提取皮肤电、呼吸、肌电、脑电四种生理信号的原始特征;然后使用粗糙集二进制布谷鸟算法进行特征的优化选择,并使用支持向量机进行情感分类.仿真分析表明:提出的算法较好地优化了特征选择过程,可以通过较少特征获得较高的识别率,也说明了多模态生理信号的情感识别效果要优于单模态生理信号.

C5.0决策树算法在基于混沌特征的情绪识别中的应用

生理信号的某些特征参数在不同情绪下会有不同的变化规律,在此基础上,对4种不同情绪(喜、怒、哀、乐)下的多生理信号(心电信号、肌电信号、呼吸信号、皮电信号)的混沌特征参量进行情绪识别。文中采用C5.0决策树分类器算法,以样本的属性作为节点,以属性的取值作为分支的树结构,解决了大样本情况下的机器学习问题。研究结果表明,C5.0决策树这种算法在基于混沌特征参量进行情绪识别方面具有较高的识别率。

基于ARM9的远程多参数监护仪的设计

本设计为一种基于STM32和Android的多参数生理信号采集、处理、蓝牙传输、存储和显示装置,与上位机实现无线通信,对多种生理参数进行实时监测。