论文部分内容阅读
随着经济的发展,我国的汽车保有量日益增长,因汽车造成的交通事故也已屡见不鲜,而疲劳驾驶正是交通事故发生的主要原因之一。脑-机接口(Brain-Computer Interface,BCI)作为一种基于脑电信号(Electroencephalogram,EEG)的人机交互方式,可以在不依靠周边神经肌肉系统的情况下,通过脑部信号来实现与外界的沟通和自由行动。本文基于脑-机接口系统,通过对脑电信号的预处理、特征提取和模式分类等步骤来实现疲劳驾驶的检测。本文主要研究工作如下:(1)提出一种将经验模态分解(Empirical Mode Decomposition,EMD)方法与能量谱算法相结合的特征提取方法。预处理后的脑电信号通过EMD方法得到若干个固有模态分量(Intrinsic Mode Function,IMF),利用互信息筛选出有用的IMF分量并进行重构,之后通过能量谱对其进行特征提取,并与主流特征提取方法进行对比验证算法的特征提取效果。(2)提出一种粒子群算法(Particle Swarm Optimization,PSO)优化的多层感知超限学习机(Hierarchical Extreme Learning Machine,H-ELM)分类器,即PSO-H-ELM分类器。当采用多层感知超限学习机进行模式分类的时候,分类的惩罚因子S和最小误差的范数?2影响着分类器的性能,因此本文通过PSO优化H-ELM的模型参数,以增强分类器的分类性能,并对提取的信号特征进行模式分类。(3)分别将提出的方法进行实验对比,验证方法的有效性。以模拟驾驶时采集的脑电信号作为原始实验数据,实验一使用PSO优化后的H-ELM算法进行分类,实验结果证明PSOH-ELM有效地提高了脑电信号的分类正确率;实验二对比了EMD结合能量谱算法的特征提取方法与传统特征提取算法,使用多种分类器对提取的特征进行分类,包括本文提出的PSOH-ELM方法,通过分类结果证明了EMD和能量谱算法相结合的方法优于传统的功率谱方法。