TY -的AU - Ma, Yuliang盟——陈,本盟- Li Rihui AU -王,Chushan AU -王,小君盟——她,青山AU -罗,Zhizeng盟——张Yingchun PY - 2019 DA - 2019/07/14 TI -从脑电图使用修改后的PCANet驾驶疲劳检测方法SP - 4721863六世- 2019 AB -汽车行业的快速发展给我们的生活带来了很大的便利,也会导致交通事故的数量急剧增加。大部分的交通事故是由疲劳驾驶引起的。脑电图被认为是一个直接的、有效的和有前途的方法来检测驾驶疲劳。在这项研究中,我们提出了一种新颖的基于深度学习模型的特征提取策略来实现高分类精度和效率在使用脑电图驾驶疲劳检测。脑电图信号记录从六个健康志愿者在模拟驾驶实验。特征提取策略是由结合主成分分析(PCA)和深度学习模型称为PCA网络(PCANet)。特别是,主成分分析(PCA)被用来预处理脑电图数据减少维度为了克服的局限性维度PCANet造成的爆炸,因为它使得基于脑电图这种方法可行的驾驶疲劳检测。结果表明高和健壮的性能提出修改PCANet方法分类精度达到95%,优于传统的特征提取策略。我们还发现,大脑顶叶和枕叶与驾驶疲劳密切相关。这是第一个研究中,我们所知,几乎应用修改PCANet因为它使得基于脑电图技术驾驶疲劳检测。 SN - 1687-5265 UR - https://doi.org/10.1155/2019/4721863 DO - 10.1155/2019/4721863 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -