高速公路驾驶员主动疲劳的脑电检测分析北大核心CSCD

为开发高速公路驾驶疲劳预警系统,保障道路交通安全,基于脑电(EEG)数据功率谱分析方法,探索驾驶员主动疲劳与脑电指标(θ+α)/β的关系,首先,开展模拟驾驶试验,采集21名被试驾驶状态的脑电信号,分析α(8~13Hz),β(13~30Hz),θ(0.5~4Hz)这3个频段的脑电波,计算脑电合并指标(θ+α)/β;然后,运用瑞典行业疲劳问卷(SOFI),比较驾驶员执行驾驶任务前后的疲劳状态,分析心理测量和脑电测量结果的回归拟合效度。结果表明:在高速公路复杂驾驶任务中,驾驶员脑电合并指标(θ+α)/β呈现下降趋势,同时,(θ+α)/β与驾驶员主观疲劳程度有显著的正向拟合关系,拟合解释率达50%;脑电指标(θ+α)/β可实时预测驾驶员主动疲劳状态。     

高速公路驾驶员主动疲劳的脑电检测分析

为开发高速公路驾驶疲劳预警系统,保障道路交通安全,基于脑电(EEG)数据功率谱分析方法,探索驾驶员主动疲劳与脑电指标(θ+α)/β的关系,首先,开展模拟驾驶试验,采集21名被试驾驶状态的脑电信号,分析α(8～13 Hz),β(13～30 Hz),θ(0. 5～4 Hz)这3个频段的脑电波,计算脑电合并指标(θ+α)/β;然后,运用瑞典行业疲劳问卷(SOFI),比较驾驶员执行驾驶任务前后的疲劳状态,分析心理测量和脑电测量结果的回归拟合效度。结果表明:在高速公路复杂驾驶任务中,驾驶员脑电合并指标(θ+α)/β呈现下降趋势,同时,(θ+α)/β与驾驶员主观疲劳程度有显著的正向拟合关系,拟合解释率达50%;脑电指标(θ+α)/β可实时预测驾驶员主动疲劳状态。     

疲劳对矿工心智游移影响的事件相关电位研究

为了深入探讨疲劳程度对矿工心智游移的影响,选取10名男矿工作为被试,采用事件相关电位(ERP)方法,用E-prime软件编写刺激程序,用64导脑电仪采集脑电信号,并用BESA软件预处理和分析脑电数据,测量被试疲劳前后行为指标和脑电指标。结果表明:疲劳对心智游移频率、平均反应时和错误率以及引发P300的波幅和潜伏期有显著影响;疲劳后,心智游移频率显著增高,平均反应时延长,错误率上升,心智游移时引发P300的波幅显著减小、潜伏期延长;通过降低矿工的疲劳程度,可以有效减少心智游移。     

基于生理信号的气味对运动性疲劳的影响分析

利用MP150多道生理仪记录心电和脑电等生理信号的变化,从嗅觉的角度,研究2种嗅觉刺激气体(桉树精油和工业废水)对运动性疲劳的影响,并以静息组做对照进行了3组试验。结果表明:1)方差分析显示,关于HR、MRR、Uα等静息组和精油组p0.05,达到显著性水平;2)心电数据分析显示,3组试验心率值均处于下降趋势,精油组下降速度最快,且下降的幅度最大;3)脑电数据分析显示,脑能量参数(Uα+Uθ)/Uβ的变化说明疲劳程度先增加后降低,嗅吸过精油后脑能量上升的幅度最小,开始下降的时间最早,且下降的幅度相对较大。这表明精油和工业废水对人体产生了不同的影响,但精油对心电和脑电信号影响较大,对运动后心率和疲劳的恢复有较好的作用。桉树精油能更好地缓解运动性疲劳。     

基于EEG频谱特征的驾驶员疲劳监测研究

研究表明疲劳驾驶是引发交通伤亡事故的重要原因之一,因此有必要采取相应的预防措施。脑电是公认的睡眠(疲劳)金指标,因此论文提出了基于脑电频谱特征的驾驶员疲劳预测方法。采用了驾驶模拟实验中记录的三路驾驶员脑电信号,并利用驾驶员自评与专家评定两种方式相结合的方法将驾驶数据分为疲劳和清醒。针对脑电中眼电噪声很强的特点,对记录的脑电进行了自适应滤波消噪处理,结果显示可有效滤除眼电伪迹;然后根据脑电的频域特征比较突出且与疲劳相关的特点,从去噪后的脑电中提取出了的75个频谱特征;最后利用这些频谱特征,采用朴素贝叶斯分类的方法建立了驾驶员疲劳监测模型。实验结果表明,该方法能监测出驾驶员84%的疲劳状态。     

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态，降低作业风险，利用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化反向传播(Back Propagation, BP)神经网络，构建疲劳识别模型。首先，通过模拟日常作业进行疲劳诱发试验，将OpenBCI Cyton开发套板作为心电信号的采集装置；其次，借助MATLAB对所采集心电信号(Electrocardiogram, ECG)数据进行预处理，基于疲劳等级形成初始样本数据集；进而利用Pan-Tompkins算法进行特征提取；最后，针对特征间皮尔逊相关系数进行假设检验，从而获得优选指标并用于模型训练，经疲劳识别模型得出结果。结果表明，与传统BP神经网络、支持向量机(Support Vector Machines, SVM)、遗传算法(Genetic Algorithm, GA)优化BP神经网络相比，模型准确率分别提高6.25百分点、22.92百分点、2.78百分点，从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。     

应急场景下矿工脑电成分特征的实验研究

为探究矿工在应急场景下的脑电成分变化规律,研究通过脑电实验的方法对矿工在观看应急与正常作业场景下文字与图片素材的脑电数据进行分析.结果表明:矿工在实验素材的靶刺激下,ERP成分明显,且图片刺激效果强于文字,在200～400 ms时,P200,P300成分峰值最大;矿工大脑α节律不断下降,β节律不断上升,且β节律波幅面积...     

基于眼-脑生理指标的大型地下洞室驾驶员疲劳演化特征研究

为保障大型地下洞室驾驶安全，提出眼动和脑电双模态驱动的大型地下洞室驾驶疲劳评价方法，探究驾驶员疲劳演化特征。首先，根据实地数据设计大型地下洞室模拟场景，利用驾驶模拟技术开展驾驶试验，实时采集驾驶员的眼动和脑电数据；其次，对数据进行分段处理，基于格拉布斯准则剔除眼动异常数据，通过快速傅里叶变换分解出脑电节律，构建脑电疲劳指数模型；最后，开展不同区段下驾驶员平均瞳孔直径、眨眼持续时间、眨眼频率及θ、α、β节律等指标的差异性分析，以平均瞳孔直径和脑电疲劳指标F为参量，提出基于模糊综合评价的驾驶疲劳度量方法。结果表明，驾驶员的视觉疲劳出现明显早于精神疲劳，而精神疲劳可以更精确地体现影响驾驶状态的内在疲劳。相较于地上路段，驾驶员在大型地下洞室中的疲劳累积更快，呈现反复、波动式上升，且其综合疲劳程度在中后段达到峰值，之后受洞口光亮刺激在末段减弱。     

草原公路短时程驾驶疲劳程度多指标划分研究

为确定行车过程中不同时段驾驶员的疲劳程度,考虑草原公路的特殊性,选取典型草原公路路段,对9位受试者腰部肌电(EMG)、脑电(EEG)及心电(ECG)信号进行连续3 h的实驾测试。用因子(降维)及相关性分析法得到疲劳敏感指标;通过回归方程得到疲劳公式;利用层次聚类法初步划分疲劳程度,并验证划分结果。试验结果表明:表征EMG信号频谱变化的中位频率(MF)、ECG信号的心率均值(MHR)、高频标准化值(HFnu)和EEG信号的(α+θ)/β值对草原公路驾驶疲劳响应敏感,且驾驶疲劳发展呈多元线性变化;草原公路短时程驾驶疲劳可分为3个阶段。     

疲劳影响驾驶员心理旋转能力的ERP试验研究

为探究疲劳对驾驶员心理旋转能力的影响机制,首先开展2 h模拟驾驶任务试验,以诱发驾驶疲劳,并在模拟驾驶任务前后,分别测定驾驶员的心理旋转能力;然后基于试验数据,分析驾驶疲劳前后心理旋转能力行为绩效(反应时间、正确率)和脑电事件相关电位(ERP)成分(P3波幅和潜伏期)的变化及其差异。试验发现,驾驶疲劳引起行为绩效显著降低(反应时延长,正确率降低),脑电ERP的P3成分波幅在顶叶区显著下降、潜伏期显著延长。上述结果表明:疲劳影响了驾驶员在心理旋转过程中对认知资源的分配和加工信息的速度,导致心理旋转能力降低。     

地铁驾驶员驾驶疲劳状态监测

为监测地铁自动驾驶系统驾驶模式下驾驶员驾驶疲劳状态,以S地铁公司的驾驶员为研究对象,开展驾驶员疲劳主、客观监测研究。主观监测应用《自觉症状调查表》调查并统计分析地铁驾驶员的驾驶主观疲劳感受;客观监测应用Eegosports 64通道无线脑电肌电系统测量地铁驾驶员在各班次、各时间段的脑电(EEG)信号,并结合Matlab工具箱中的EEGLAB分析各班次驾驶员EEG中δ波的频谱图。结果表明:驾驶员驾驶疲劳总体的平均得分为1.8分,即驾驶疲劳有些明显,且晚班和夜班驾驶疲劳比白班的大,从主客观2方面说明驾驶员处于疲劳驾驶状态。     

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

基于脑电信号的驾驶员情绪状态识别研究

为研究驾驶员情绪状态识别技术,利用特定题材的影音氛围诱发兴奋和悲伤2种情绪,结合汽车模拟驾驶试验采集驾驶员情绪化驾驶时的脑电信号,利用db5小波分解算法分解信号,提取受情绪状态显著的脑电信号成分,并计算相应的功率谱。结果表明:驾驶员左右额叶区脑电β波受情绪状态影响显著;平静状态时,驾驶员左右额叶脑电β波功率值Pβ大小近似,数值较小;兴奋状态时,左右额叶脑电Pβ大小近似,相比于平静时显著增加;悲伤状态时,左额叶脑电Pβ显著增加,右额叶脑电Pβ相比于平静时无显著变化。Pβ可作为区分驾驶员平静(平常)、兴奋和悲伤这3种情绪状态的依据。     

铁路行车事故预测方法分析与比较

对铁路行车事故的特点和类型进行分析;根据美国铁路2005年安全年报提供的数据,运用灰色系统理论和BP神经网络方法建立铁路行车事故的预测模型;利用MATLAB软件进行预测仿真,比较和分析两种预测方法的精度及特点。结果表明:灰色系统理论预测结果固定,短期效果比较好;BP神经网络预测具有适应性和灵活性,适用于长期预测。采用灰色系统理论和BP神经网络进行铁路行车事故的预测,克服了传统数学统计预测方法中建立复杂的数学模型,预测准确性低的缺点,对预防和控制铁路事故的发生,降低事故损失具有现实意义。     

驾驶员脑电特性与高原公路线形关系的试验分析

为探讨高原公路线形对驾驶员心理和生理特性的影响,利用生物反馈系统对急进高原公路的驾驶员进行实地行车试验。通过定量分析,分别建立驾驶员β频段脑电(EEG)信号变化值与试验路段海拔、道路线形之间的关系模型。分析结果表明:高原公路驾驶员行车时的β频段脑电信号变化值随路段海拔的升高而增大,它与道路平曲线半径成负相关;纵坡度的变化对β频段脑电信号变化值的影响不显著,线形组合值的增加会导致脑电波频段功率值上升;海拔和线形组合值同时作用时,驾驶员的脑电波频段功率值变化更加显著。     

基于MATLAB工具箱的开采煤层自燃危险性预测

正确预测开采煤层自燃发火的趋势与危险性,对煤矿安全生产具有重要的指导意义。煤层自燃发火的趋势和危险程度与其影响因素之间存在着复杂的非线性关系,而人工神经网络具有极强的非线性逼近能力,能真实刻画出输入变量与输出变量之间的非线性关系。为准确预测开采煤层自燃发火的危险性,笔者针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对开采煤层自燃的危险性进行了预测。根据开采煤层自燃的特点,选取煤本身自燃倾向性、煤层地质及赋存条件、通风技术条件3个关键影响因素作为开采煤层自燃危险性的评判指标,建立了开采煤层自燃危险性预测的神经网络模型。实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;该模型收敛速度快,准确性高,是一种十分有效的开采煤层自燃危险性预测方法。     

基于灰色BP神经网络组合模型的水上交通事故数预测

为了提高水上交通事故数的预测精度,在灰色预测模型与BP神经网络模型相组合的基础上,建立了灰色BP神经网络组合预测模型。以全国水上交通事故数、机动船数、驳船数、水上运输就业人数、水路货运量和水路客运量的数据作为样本数据,进行试验计算,并将组合预测模型的预测结果分别与灰色预测模型和BP神经网络预测模型的预测结果进行了对比。试验结果表明,相较灰色预测模型和BP神经网络预测模型灰色BP神经网络组合预测模型的误差更小、预测精度更高,且具有良好的稳定性。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低,BP神经网络陷入局部最优等问题,提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人,断丝数量作为神经网络的输出;利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化;建立基于IPSO-BP算法的神经网络模型,用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型,且改进的粒子群算法迭代寻优速度更快。     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。