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。     

飞机结构试验疲劳裂纹在线测量与预警系统设计

疲劳裂纹是飞机结构主要损伤，及时识别并预警疲劳裂纹对保障飞机结构安全和完整性具有重要意义，基于银涂层的结构裂纹监测技术对裂纹萌生及小损伤敏感，具有在线、实时特点,应用前景广阔。本文面向飞机结构地面强度试验应用，设计开发了一种阵列式银粉涂层裂纹在线测量与预警系统，首先提出了一种分布式、多通道设计的总体架构,并对系统的软硬件展开了设计。最后对该系统进行了试验验证，结果表明，该系统可以实现对金属疲劳裂纹扩展的及时识别和报警。     

人机共驾环境下驾驶疲劳研究综述

为减少自动驾驶过程中驾驶疲劳对驾驶人状态的影响，综合分析人机共驾环境下驾驶人的疲劳研究发展现状，系统梳理人机共驾模式下驾驶疲劳的研究成果，探索未来发展方向。首先，通过文献检索与关联性分析，明确人机共驾过程中疲劳累积研究现状；然后，从手动驾驶和人机共驾下的驾驶疲劳致因分析、驾驶时长和非驾驶相关任务对疲劳的影响、人机共驾环境下驾驶疲劳对驾驶行为的影响3个维度，讨论分析研究成果；最后，提出人机共驾环境下驾驶人疲劳研究的不足与发展方向。研究结果表明：人机共驾模式导致驾驶人被动疲劳增加，接管绩效受损，弹性设置非驾驶相关任务与自动驾驶时间可有效缓解被动疲劳；人机共驾过程中驾驶疲劳的演化规律与检测模型尚不明确，结合人机共驾场景特征探索驾驶人疲劳调控策略是未来研究重点。     

基于眼动指标的脑力疲劳识别研究

为减少因脑力疲劳导致的安全事故的发生,研究如何测量和识别脑力疲劳具有十分重要的现实意义.本文提出通过作业前后心算可靠性下降率作为判断脑力疲劳程度的指标,利用眼动追踪仪Tobii Glasses设备测量被试者疲劳前后的瞳孔直径、注视点、陀螺和加速计等眼动参数指标,探究被测试者眼动指标变化规律与脑力疲劳之间的关系.结果表明:发生脑力疲劳时瞳孔直径增加,陀螺和加速计的值减小,注视点的分散程度增加.瞳孔直径、注视点、陀螺和加速计等眼动指标都与脑力疲劳相关.本文研究结果可为建立脑力疲劳评价指标体系和预测脑力疲劳奠定基础.     

针对特定驾驶员的疲劳驾驶检测方法

疲劳驾驶是导致交通事故的重大诱因，而降低交通事故发生概率是交通系统的重要研究方向之一，结合当下的车辆驾驶实际情况，提出了针对特定司机的疲劳检测方法。该检测方法首先存储该车司机正常状态下的面部信息，然后利用多任务卷积神经网络(Multi-Task Convolutional Neural Network, MTCNN)检测摄像头所读取画面中的人脸，返回人脸的位置信息，其次通过全梯度下降树算法根据人脸位置信息得到驾驶人面部特征点，利用特征点中存储的信息判断眼部与嘴部的状态，最终与被检测司机的正常状态对比，根据设定的条件阈值来判断其是否疲劳。与其他检测方法相比，该方法只针对车辆的常驻司机，符合大部分车辆极少更换驾驶人的情况，并且成功消除了个体差异，提高了准确率。     

不同环境照度下VDT影响视疲劳的实验研究

基于保护学生视力等方面的考虑，本文通过采用闪光融合频率、视觉行为绩效等多种疲劳检测方法相结合的方式，研究学生线上线下学习作业条件下，智能手机及投影仪在不同环境照度指标下对视觉绩效及视疲劳的影响。结果表明：在低环境照度下观看手机等显示器对眼睛产生的视疲劳程度较大，在屏幕亮度保持不变的情况下，随着环境照度的提高，视疲劳程度逐渐减小，当环境照度为100lux时对用户视疲劳的影响最小；当处于任一环境照度条件下，被试者通过智能手机完成视觉搜索任务的正确率远高于通过投影仪完成视觉搜索任务；在日常使用环境(0lux<环境照度<500lux)下，被试者通过智能手机完成视觉搜索任务后其闪光融合频率下降值明显小于观看投影仪的闪光融合频率下降值。因此传统教学环境投影仪模式对学生视疲劳与视觉绩效的影响程度要高于通过线上网课学习移动端智能手机模式对学生视疲劳的影响程度。     

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。     

基于多生理信号融合的疲劳驾驶检测研究

为减少交通事故，保障道路交通安全，提出一种能更加有效地检测驾驶人驾驶状态的方法。通过对疲劳状态进行等级划分，利用脉搏波信号(Photoplethysmographic signal, PPG)以及皮肤电反应信号(Galvanic Skin Response, GSR),实现多种生理信号融合，进而构建驾驶人的驾驶疲劳状态数据库。根据采集数据结合主观评测分析驾驶人状态变化规律，选取有效指标进行分析比较，以探究各个指标与疲劳程度的变化趋势。依据状态变化规律和特征，结合主观评测，分析驾驶人的疲劳状态。同时，设定疲劳状态等级，分为清醒、轻度疲劳和重度疲劳状态，构建隐马尔可夫(Hidden Markov Model, HMM)驾驶疲劳水平分级的疲劳评估模型。测试结果显示：训练后的HMM疲劳检测模型准确率为90%。