典型文献
基于脑电信号组合熵特征的驾驶疲劳检测分析
文献摘要：
驾驶疲劳是驾驶员的常见职业危害,驾驶疲劳检测对运输安全具有重要意义.在本研究中,采用样本熵(sample entropy,SE)和近似熵(approximate entropy,AE)对脑电(EEG)进行特征提取,分别把两种熵组合特征和单一熵特征输入分类器进行驾驶疲劳识别.运用4种经典的分类器:K最邻近(KNN)、决策树(DT)、提升树(Adaboost)和支持向量机(SVM)对组合熵特征集和单一特征进行识别分析比较.实验结果表明:驾驶疲劳程度增加,SE和AE显著降低,两种非线性指标均是驾驶疲劳的敏感特征指标;4种分类器均可有效识别驾驶疲劳状态,KNN分类器的识别性能最佳;组合熵特征集识别精度比单一熵特征更高,其中KNN分类器组合特征模型在FP1通道的疲劳识别的平均准确率可达92.8％.基于单通道EEG组合熵检测驾驶疲劳具有较好的稳定性和鲁棒性,具有广泛的应用前景.
文献关键词：
驾驶疲劳;脑电信号;熵;分类器
中图分类号：
作者姓名：
蔡娇英;李胜民;赵春临
作者机构：
第一机动总队机动第六支队,河北保定,071000;武警贵州总队参谋部,贵州贵阳,550081;武警工程大学装备管理与保障学院,陕西西安,710000
文献出处：
引用格式：
[1]蔡娇英;李胜民;赵春临-.基于脑电信号组合熵特征的驾驶疲劳检测分析)[J].电子测试,2022(13):43-47
A类：
B类：
脑电信号,熵特征,驾驶疲劳,疲劳检测,检测分析,驾驶员,职业危害,运输安全,样本熵,sample,entropy,SE,近似熵,approximate,AE,EEG,组合特征,分类器,疲劳识别,KNN,决策树,DT,提升树,Adaboost,征集,识别分析,疲劳程度,敏感特征,特征指标,疲劳状态,识别性,识别精度,特征模型,FP1,平均准确率,单通道
AB值：
0.385038
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
