吴志敏
- 作品数：6 被引量：41H指数：4
- 供职机构：西南交通大学交通运输与物流学院更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域：交通运输工程环境科学与工程机械工程更多>>
- 基于EEG的驾驶疲劳识别算法及其有效性验证被引量：11
- 2017年
- 为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.
- 郭孜政牛琳博吴志敏肖琼史磊
- 关键词：驾驶疲劳核主元分析支持向量机
- 基于SVR模型的驾驶简单反应时间预测方法被引量：11
- 2017年
- 为准确预测驾驶人对突发事件的简单反应时间,并为构建自适应式危险驾驶状态预警系统奠定基础,提出了一种基于实时脑电图(EEG)信号的驾驶人简单反应时间预测方法。首先,通过快速傅里叶变换(FFT)对EEG信号进行特征参数提取,作为驾驶人简单反应时间的客观预测指标。在此基础上,基于支持向量回归(SVR)建立驾驶人对突发事件简单反应时间的预测模型。最后采用20名驾驶人连续驾驶4h的EEG信号与反应时间数据,对该模型予以试算。研究结果表明:3项脑电特征参数(θ,α,β)与反应时间均具有显著相关性,其中脑电特征参数α的相关性最显著,为SVR模型对简单反应时间进行预测提供了客观预测指标;分别采用径向基函数(RBF)、Polynomial函数、Sigmoid函数作为核函数构建SVR模型对简单反应时间进行预测时,所得预测结果中采用RBF函数所产生的各项误差均低于其他2项函数,表明采用RBF函数为核函数的SVR模型预测精度最优,其预测准确率达到80%以上。
- 张骏吴志敏潘雨帆郭孜政
- 关键词：交通工程支持向量回归驾驶人脑电信号核函数
- 疲劳对高铁司机持续性注意影响机制的ERP试验研究被引量：7
- 2015年
- 为探究驾驶作业疲劳对高铁司机持续性注意的损伤机制,基于动车模拟器平台,进行主任务为动车驾驶,次任务为随机信号检测的连续4 h动车模拟驾驶试验。全程采集20名高铁司机的驾驶行为数据和脑电信号数据。根据试验数据,对高、低持续性注意水平下司机的行为绩效、事件相关脑电位(ERP)成分进行差异性对比分析。结果表明,与第1阶段相比,第2阶段司机的行为绩效显著下降(对随机信号的反应时增加,有效检测率下降)。此外,ERP的P2成分波幅显著减小,N2b成分波幅显著增大、潜伏期显著延长,P3成分波幅显著减小、潜伏期显著延长。该结果表明,长时间连续作业将造成高铁司机的持续性注意水平下降,引起该水平降低的主要因素是疲劳造成高铁司机对突发事件的分类、评估,资源的调制、分配和认知控制等高级认知能力的损伤。
- 郭孜政潘毅润吴志敏肖琼谭永刚张骏
- 基于EEG的驾驶持续性注意水平PSO-SVM识别模型被引量：4
- 2016年
- 为了对驾驶持续性注意水平予以有效识别，基于脑电（EEG）信号特征指标构建了一种持续性注意水平识别方法．以驾驶行为绩效为客观测评指标，提出了一种驾驶持续性注意水平等级划分方法．在此基础上，选取驾驶员EEG波段（θ（4～8Hz）、α（8～13Hz）、β（13～30Hz））的频谱幅值及其组合指标（α＋β）β、α/β、（θ＋α）／（α＋β）、θ/β、（α＋β）／θ作为特征指标，将粒子群优化（PSO）算法与支持向量机（SVM）相结合，构建了驾驶持续性注意水平识别算法．最后，基于驾驶模拟器实验数据对该模型予以试算．结果表明模型识别平均正确率可达93．02％．该方法可用于对驾驶员持续性注意水平的识别．
- 郭孜政吴志敏潘雨帆余刚张骏
- 关键词：粒子群优化支持向量机
- 动车组司机持续性注意水平的脑电测评指标研究被引量：2
- 2016年
- 对22名动车组司机进行4h的模拟驾驶试验,采集参试司机完成动车驾驶及对随机信号的反应2项试验任务过程中在16～46和210～240min这2个时段内的主观疲劳测评数据、行为绩效数据和脑电数据,验证了将这2个时段分别作为动车组司机高、低持续性注意水平时段的合理性;采用快速傅里叶变换方法分别提取4～8,8～13和13～30Hz这3个频段脑电数据的平均幅值,进行脑电熵的计算;采用Kruskal-Wallis检验和Relief算法,选取差异性最显著或权重最大的脑电熵作为动车组司机持续性注意水平的敏感性指标。研究结果表明：与第1时段相比,动车组司机在第2时段（210～240min）的疲劳程度显著增加,对列车运行速度的控制能力和对随机信号的反应能力显著下降;在贴于头皮上的FP1和F7电极处频段为13～30 Hz的香农熵以及FZ电极处频段为8～13Hz的样本熵对动车组司机持续性注意水平的影响十分敏感。
- 郭孜政吴志敏肖琼潘雨帆潘毅润张骏
- 基于EEG熵值的驾驶员脑力负荷水平识别方法被引量：7
- 2015年
- 为了对驾驶员脑力负荷予以有效识别,基于脑电信号指标构建了一种驾驶员脑力负荷识别方法.对驾驶员脑电信号进行快速傅里叶变换（FFT）,选取θ（4~8 Hz）,α（8~13 Hz）,β（13~30 Hz）3个频段的频谱幅值分别进行熵处理,对所得到的熵值作为脑力负荷识别参数,并对识别参数进行Kruskal-Wallis检验,选取差异最为显著的10项参数作为脑力负荷特征指标,在此基础上结合BP模型构建了驾驶员脑力负荷识别模型.基于驾驶模拟器实验数据,模型识别正确率为87.8%~90.4%.结果表明,该模型对驾驶员脑力负荷识别具有较高准确性,可实现不同驾驶员脑力负荷的有效识别,为未来自动辅助驾驶系统构建及车载信息系统优化设计提供算法依据.
- 郭孜政潘毅润潘雨帆吴志敏肖琼谭永刚张骏
- 关键词：EEGBP神经网络
