基于深度学习的高铁驾驶员EEG警觉度检测方法研究

发布时间：2024-02-15 09:10

　　随着高速铁路在人们出行交通方式中所占据比例的逐年上涨,高铁的安全问题也愈发的引发关注。针对高铁的安全技术研究已成为一个研究热点,在此背景下,本文将脑电信号和警觉度相结合,从高铁驾驶员的角度出发,通过对脑电信号的分类来对高铁驾驶员的警觉度进行检测。并且提出了简易可行的预警策略。本文的主要研究内容如下:首先根据国际标准选择了合适的点位,本文采用Ag-CL干电极和Open-BCI开发板制作了便携式的八通道脑电信号采集装置,并设计实验采集了不同状态下的驾驶员脑电信号。其次对采集到的脑电信号进行预处理操作,提高信号质量。采用线性滤波器初步过滤,随后通过FastICA算法进行盲源分离,降低不同通道信号之间的相关性,接着对分离出的信号进行小波阈值去噪,得到可靠的高铁驾驶员脑电信号。并将处理过的脑电信号整理制作成神经网络训练时所需的训练集和测试集。然后本文分别搭建了卷积神经网络和长短时记忆网络(LSTM)对训练集进行训练,并通过各类评价指标验证了网络性能。本文还通过Attention机制确定不同位置的脑电信号与驾驶员警觉度的相关性。最后,本文对比了传统分类算法SVM、PRCA和本文所提出的深度学习方法...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 选题背景和意义
    1.2 国内外研究现状
        1.2.1 驾驶员警觉度检测
        1.2.2 高铁安全技术研究现状
    1.3 脑电信号与警觉度
        1.3.1 脑电信号简介
        1.3.2 脑电信号与警觉度
    1.4 本文主要研究内容及章节安排
第2章 脑电信号采集与预处理
    2.1 概述
    2.2 脑电信号采集
    2.3 脑电信号预处理
        2.3.1 概述
        2.3.2 线性滤波器预处理
        2.3.3 快速独立成分分析
        2.3.4 小波阈值方法
    2.4 数据集的制作
    2.5 本章小结
第3章 基于卷积神经网络的脑电信号分类
    3.1 概述
        3.1.1 卷积运算
        3.1.2 卷积网络的分层
        3.1.3 激活函数
        3.1.4 损失函数
        3.1.5 优化算法
    3.2 基于卷积神经网络的模型搭建
        3.2.1 一维卷积神经网络
        3.2.2 基于Inception的网络模型搭建
        3.2.3 改进的AlexNet网络模型搭建
    3.3 实验数据分析
        3.3.1 实验环境介绍
        3.3.2 基于Inception网络的实验数据分析
        3.3.3 改进的 AlexNet 网络实验数据分析
    3.4 本章小结
第4章 基于LSTM和 ATTENTION机制的脑电信号分类
    4.1 概述
    4.2 基于LSTM的脑电信号分类
    4.3 基于ATTENTION机制的LSTM脑电信号分类
    4.4 实验数据分析
    4.5 本章小结
第5章 深度学习方法与传统算法性能比较
    5.1 概述
    5.2 基于SVM的脑电信号分类
    5.3 基于RPCA算法的脑电信号分类
    5.4 各类算法比较
    5.5 本章小结
第6章 基于高铁司机的警觉度预警策略
    6.1 概述
    6.2 预警策略
    6.3 实验仿真
    6.4 本章小结
总结
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果
    已发表学术论文
    主持或主研项目
    公示或授权专利
索引
    图片索引
    表格索引



本文编号：3899516