从脑电图使用修改后的PCANet驾驶疲劳检测方法

文摘

汽车工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。

1。介绍

作为主要因素在交通事故中,驾驶疲劳占机动车事故的14% - -20%,对人类生活造成严重伤害和死亡1]。因此,增长近年来一直注意行车安全。行车安全被认为是受到多种因素的影响,包括单调的环境中,睡眠不足,慢性睡眠,药物和酒精的滥用2,3),其中最常见的因素是驾驶疲劳(4,5]。在这样的情况下,司机最容易入睡,无意识地驾驶,这不仅严重威胁司机的自己的生命和安全,同时也严重威胁到行人和其他车辆。因此,检测驾驶疲劳的重视减少交通事故的频率和严重程度(6]。

近年来,人们提出了各种方法来检测驾驶疲劳。例如,Hiesh和大开发红外光学数字信号处理(DSP)嵌入式系统捕捉到司机的脸和检测驾驶疲劳识别眼睛的打开和关闭7]。在另一项研究中,比例计算方法命名为改善眼睑闭合的小学生加班(PERCLOS)采用一个标准的标准来判断是否司机累了(8]。虽然在疲劳检测这种方法很方便,它是容易受到环境照明亮度等,导致可怜的检测性能(9]。后来,传感器设备称为方向盘监测系统(SAM)是检测驾驶疲劳监测的异常运动车辆的方向盘10]。尽管检测方向盘功能良好的实时性能和低成本,它也存在抗干扰能力差、可靠性低(11]。

最近,疲劳检测基于生理信号,如脑电图(EEG)、心电图(小城镇)、肌电图(EMG),和心电图(ECG)信号越来越多的研究在这个领域(4,12- - - - - -19]。其中,脑电图有一些主要资产在检测驾驶疲劳由于其高时间分辨率、高可移植性和疲劳的好敏感。有鉴于此,各种各样的因为它使得基于脑电图的研究试图执行分类使用不同的信号处理技术来准确地探测到在驾驶疲劳。例如,杨等人使用信息融合实现驾驶疲劳的检测和动态贝叶斯神经网络(20.]。在另一项研究中,赵等人证明了小波包可以用来从EEG信号中提取特征和分类的驾驶条件的支持向量机(SVM) [21]。然而,以脑波图为基础在驾驶疲劳检测仍面临着挑战。例如,脑电图信号通常是收集与低信噪比(信噪比),这需要很大的努力在原始脑电图数据预处理。此外,因为它使得基于脑电图广泛采用分类技术严重依赖手工制作的特性,这是耗时和高度依赖熟练的人域执行之前的预测。因此,有一个明确的需要开发一个新的策略来改善因为它使得基于脑电图的健壮性和效率驾驶疲劳检测。

作为一个简化的深度学习模型基于卷积神经网络(CNN),主成分分析网络(PCANet)已经被开发并广泛用于特征提取在二维图像处理22]。指一项研究,因为它使得基于脑电图进行测谎23],PCANet被证明是高度有效的分类问题,因为它从多通道脑电图数据自动提取功能基于深度学习的技术,而不是手工提取特征在传统方式。然而,PCANet可能受到维爆炸的现象当输入数据的维数很大,计算的复杂性和成本大幅增加,呈现更难以被有效地用于多通道脑电图信号处理。

为了解决这个挑战,本研究旨在适应PCANet算法提高效率因为它使得基于脑电图的常规驾驶疲劳检测通过合并PCANet的主成分分析(PCA)的技术。具体来说,使用PCA预处理多通道脑电图信号和降低数据的维数PCANet前处理。的性能提出修改PCANet驾驶疲劳检测方法是评估通过比较传统PCANet和其他传统的特征提取方法广泛应用于驾驶疲劳检测(4]。

2。方法和材料

2.1。总体结构和目的

本研究的主要结构显示在图1。第一次收集脑电图数据在模拟驾驶环境中,和紧随其后的是传统的信号预处理程序。PCA被用来减少维数的预处理信号,送入PCANet进行特征提取。最后,提取的特征分类使用支持向量机(SVM)和K最近的邻居(资讯)分类器的驾驶条件。

2.2。参与者

六个男性志愿者(右手,25.00±2.00岁)与有效的驾驶执照被招募参加实验。所有受试者生理和心理健康没有任何睡眠障碍。实验研究伦理委员会批准广东省工伤康复中心和执行符合赫尔辛基宣言。每个主题都完全了解的目的研究并提供书面知情同意开始之前的实验。

2.3。实验设计和数据采集

32路脑电采集系统(大脑产品GmbH德国)是用来收集脑电图信号的采样频率设置为500 Hz。脑电图电极放在头皮根据国际10 - 20标准体系。一个先进的驾驶模拟系统(上海红外汽车模拟驾驶设备有限公司有限公司,中国)用于本研究模拟一个真正的驾驶环境。短暂,驾驶仿真系统可以模拟真实场景的动态变化表征开车和周边交通。如图2驾驶模拟系统由一个固定的汽车方向盘、刹车和油门踏板,三大屏幕,高性能计算机,驾驶模拟软件和一个多功能数据采集板。这个系统可以适应测量脑电图信号在不同行驶状态。

所有的参与者都有足够的时间来练习和熟悉实验前驾驶仿真系统。数据集在两个国家为每个主题在这项研究中,收集包括清醒状态和疲劳状态。收集数据在清醒状态下,所有的受试者被要求保持自然和足够的前一天晚上睡八小时在这个实验。脑电图数据收集在第二天9点30 - 60分钟,受试者在模拟环境中驾驶。收集数据的疲劳状态,所有科目都允许在前一晚只睡4个小时的实验。EEG数据然后在9点30到60分钟测量受试者驾驶在模拟环境。具体来说,驾驶路径设置为相对较长,直和光滑的曲线几乎没有行人增加受试者的困倦疲劳组,而路径是相对复杂的,以避免睡意清醒组的受试者。录制期间,一个观察者旁边坐着2米受试者监控主体的行为不会造成任何干扰主题。观察者决定主题是否处于疲劳状态或一个醒着的状态通过观察受试者的昏昏欲睡的迹象(超过两秒闭目,点头,大偏差的路)(4,24]。数据记录受试者终止30分钟后开始出现疲劳的迹象。如果这个话题没有任何睡意的迹象后60分钟的测量,实验终止,主题的数据被排除在进一步分析。实验是在一个安静的,安静的实验室环境温度在22°C。

2.4。数据预处理和分析

本研究中的所有数据分析使用MATLAB实现(2014 a, MathWorks,纳蒂克,马萨诸塞州)。20分钟的脑电图信号在每个国家选择进行分析。原始的多通道脑电图信号首先downsampled从500赫兹到200赫兹。一个三阶带通滤波器(0.1 -45 Hz)被应用于消除构件(如慢漂移,高频噪音,和电力线干扰。每个州的20分钟的预处理脑电图数据被一个10秒的时间窗口,然后分段导致每个国家和每个主题120个样本。值得注意的是,在这项研究中一个示例是一个二维矩阵(32×2000频道数据点)。总的来说,共有1440个样本来自所有科目分类(720个样本清醒和疲劳的720个样本)。

2.5。PCA降维提取主要特征

在这项研究中,提出的修改PCANet由两个步骤组成,PCA-based降维,PCANet-based特征提取(图1)。克服维爆炸问题由于传统PCANet PCA最初是用来减少每个脑电图样本的维数。简单地说,对于一个给定的脑电图示例数据(32路×2000点),2000年PCA的数据转化为线性不相关的组件称为主成分,下令方差的原始数据量每个组件(占25,26]。通过保持第一r组件的最大方差和删除其余组件,原始样本数据的大小可以减少到32r。为了保持原始信号的信息尽可能完整,我们保持之前的r组件占至少99%的原始信号作为阈值,20对所有样品在这个研究。因此,每个样本的大小是由20个减少到32 PCA优化后,和优化的脑电图数据的特征提取进行了分析使用PCANet下一步。

2.6。PCANet-Based特征提取

我们之前介绍的,PCANet广泛用于二维图像处理,如人脸识别(27]。在这项研究中,每个优化脑电图样本视为二维数据矩阵(32×20)和美联储为特征提取PCANet。

的工作流PCANet网络如图3,算法可以找到的细节(22,28]。总之,PCANet包含两个PCA-based过滤层和一个输出层,包括处理二进制哈希和块直方图。

假设我们有N输入样本后,脑电图数据预处理。这里,每一个脑电图样本被视为一个二维信号的大小米×n(通道数×样品数)。给定一个输入样本脑电图 ,滑动窗口的大小用于集中脑电图样本的平均值减去每个窗口的数据从相应的窗口。每个集中窗口进一步矢量化到一个单独的列中,输入的脑电图样本转化为一个新的二维矩阵集中所有窗户组成。相同的处理是适用于所有输入脑电图样本( )得到以下数据结构: 在哪里 列的数量吗 。

新的矢量化矩阵用于执行PCA在第一层过滤。具体来说,协方差矩阵X,表示 ,计算和应用选择相对应的特征向量主特征值作为PCA过滤器 。为我th脑电图示例中,第一主成分分析的输出层然后由输入脑电图样本和PCA的卷积过滤器: 在哪里表示lth的输出我th脑电图样本地理是零填充的形式以确保相同的大小和 。

第二主成分分析层类似于第一层。第一主成分分析的输出层集中应用相同的滑动窗口,选择相对应的特征向量主特征值作为PCA过滤器 。第二主成分分析的输出层了

结果从两个PCA的过滤层,获得的输出PCANet ( )进一步由二进制哈希处理吗 在哪里H(·)是亥维赛阶跃函数,正值一和零。

最后,为我th输入脑电图样本,每一个组件被划分到B块。柱状图(垃圾箱)十进制值的计算每一块和连接成一个向量表示为Bhist ( )。的PCANet-derived特征我脑电图样品然后表示

PCANet处理应用于每个脑电图样本进行特征提取。

2.7。分类

支持向量机(SVM)和K最近的邻居(资讯)作为分类器的分类为每个主题清醒和疲劳状态。每个分类器的性能评估使用10倍交叉验证策略。在每个迭代中,90%的样本是随机选择作为训练集,和准确性,定义为正确预测之间的比率和总数量的预测,计算在其余10%的样品,测试集。精度之间的交叉验证的10个步骤加以平均,收益率平均精度为每个主题。评价该方法的优越性,获得的精度与性能从传统PCANet获得方法和两种常用的特征提取方法,即。功率谱密度(PSD) (29日,30.(WPD)[]和小波包分解31日]。

在这项研究中,每个脑电图通道的PSD特性在一个分段脑电图的样品(32路×2000点)通过短时傅里叶变换(STFT)估计128点汉宁窗和重叠率50%。对于每个通道脑电图,特定频带的PSD的特点是计算平均平方级的所有值的STFT在相应的频率范围。在这项研究中,研究了五个典型的脑电图乐队,包括三角洲(0.1 4赫兹),θ(4 - 8 Hz),α(8日至13日Hz),β(13-20 Hz),和γ(20-45赫兹)。这导致160 PSD功能为每个脑电图样品(五波段×32路)。

每个脑电图通道的WPD特性分段脑电图样本(32路×2000点)计算基于离散小波分解(DWT)。总之,DWT分解选中的脑电图信号到一个层数通过过滤信号正交镜像滤波器(低通滤波器和一个高通滤波器)。每一层的输出是一个系列的细节系数(从高通滤波器)和近似系数(低通滤波器),这是作为分类特征提取(32]。在这项研究中,我们分解每个脑电图通道数据(2000分),3 - layer Daubechies小波,导致8组系数(256分)。因此,总共有65536(8组××256点32路)为每一个脑电图特征提取样本。

3所示。结果

指的是以前的研究(4,24),发现大脑区域在清醒和疲劳状态的改变更突出在顶叶α和β频段(33,34]。图4显示相关的EEG信号的平均PSD分布在阿尔法8—13赫兹()和β(14到20 Hz)乐队在清醒和疲劳状态。PSD值计算基于所有10秒脑电图样品的平均每个州每个主题。总之,在疲劳状态下,PSD在大脑顶叶和枕叶的PSD分布相比更加明显处于清醒状态。

为了确定最优数量的PCA过滤器(l₁和l₂)当使用PCANet,分类性能随PCA过滤器收购的数量为每个主题。图5显示的变化为每个主题在使用支持向量机分类性能,与PCA过滤器增加数量从2到14层,分别。总的来说,对于大多数学科(除了子。3和子。4),分类性能增强滤波器数量增加,并逐步降低滤波器数量在10或12时。

此外,分类使用两个分类器的性能和各种特征提取策略,包括传统PCANet WPD, PSD,和提出修改PCANet方法,如图6和总结在表中1和2。总的来说,对于这两个分类器,在选择最优PCA滤波器数量为每个单独的主题,传统PCANet和拟议中的修改PCANet在清醒的分类方法实现更好的性能和疲劳状态。配对的结果t四种特征提取方法之间的测试显示,PCANet-based方法明显优于其他两种方法( ),如图6和表2。虽然在分类精度无显著差异观察传统PCANet和修改PCANet,用于特征提取,模型训练,当使用修改后的PCANet可大大降低和测试方法,说明该方法的效率高(表3)。

此外,曲线下的面积(AUC)的接受者操作特征(ROC)曲线35),评估模型分离组织如何分类,来评估不同的特征提取策略的性能。总结如表1和2,对于这两个分类器,AUC值从传统PCANet和提议的修改获得PCANet方法相比,明显高于PSD和WPD特性( )。同样,在观察AUC值无显著差异的传统PCANet PCANet和修改。

4所示。讨论

本研究试图验证使用的可行性修改PCANet因为它使得基于脑电图来提高性能的驾驶疲劳检测。神经元电活动被记录在模拟驾驶环境中使用脑电图与学科经历了清醒和疲劳状态。我们使用PCA缓解维爆炸造成PCANet之前分类。实验结果表明显著增强性能的疲劳检测比传统PCANet和其他传统的方法。

改变在低和高频段以前观察到脑电图在昏昏欲睡的状态36]。总之,调查包括从醒了沉睡的状态显示增加阿尔法节律(24]。α的蚀变带睡意中模拟和实际驾驶环境也在一项研究报告(37]。在这项研究中,我们比较这两个州之间的PSD为α和β频段,发现增加了PSD在枕叶和顶叶区域在两个α和β乐队(图4)。这一发现符合从这些研究结果,证明的可能性使用脑电图作为一种可移植的、可靠的方法来监控和检测驾驶疲劳。

为了监视期间大脑状态的驾驶,这是非常重要的实现高精度和可靠性检测驾驶员的疲劳状态。高分类精度之间的清醒和疲劳状态通过修改PCANet方法中,我们的研究证明了脑电图研究驾驶疲劳的有效性。特别是,大幅增加使用该方法分类精度,传统的特征提取方法相比,提供了一个新的视角来处理分类问题在使用多通道生物如脑电图和肌电图信号。值得注意的是PCA之前一定采用PCANet来提取特征在这个研究。如表所示3提出修改PCANet方法显著减少了时间分类,同时保持一个类似的性能相对传统PCANet方法。这提供了证据表明,主成分分析能够缓解PCANet引起的维度的诅咒,使用传统的PCANet时降低计算成本。通过这个伟大的优势,该方法被认为是一个更有效的策略在实际场景中实时监控驾驶疲劳等。此外,利用主成分分析法(PCA)的组件压缩保留原始信号的主要特征,即固有PCA提供的好处。pre-refined信号可以进一步提高PCANet实现显著提高分类精度。特别是,分类性能在所有科目不仅表现出精度高,但也取得了降低方差,证明该方法的鲁棒性。

虽然在这项研究中,取得了改善仍有一些局限性。首先,只有离线分析和小样本大小当选在这项研究。实时疲劳分类应该进行更大的人口基数在未来验证该方法在实际驾驶环境的潜力。此外,两层PCA结构应用在这项研究中,特征提取和8 - 12过滤器被认为是最佳设置达到最佳性能。显然,PCA过滤器的数量在每一层的质量特征提取的影响,大大影响疲劳性能和效率的分类。进一步研究如何自动选择最佳滤光片数量为每个主题是必需的。最后,在目前的研究中我们只关注因为它使得基于脑电图深上优于技术适应传统的驾驶疲劳的分类和处理分类问题提供一个新的视角。当使用多通道生物虽然引人注目的结果是实现在当前的研究中,预计未来将评估工作,采用最先进的算法来提高这个应用程序的性能。尽管提到的限制可能会阻止我们画一个坚实的结论,初步结果表明该PCANet-based算法的能力提前监控和检测驾驶疲劳,这样就可以防止汽车碰撞造成的司机困倦。

5。结论

在本文中,一种新的特征提取策略结合了PCA和PCANet技术提出了提高分类性能因为它使得基于脑电图的驾驶疲劳检测。显著提高分类性能通过使用拟议中的修改PCANet方法相比传统PCANet算法和两种传统的特征提取方法。此外,EEG信号的功率谱分析表明更高的力量改变在α和β的枕叶和顶叶区域。在这个研究结果不仅证明了使用脑电图监测驾驶疲劳的有效性也提供了一个新的视角去适应一种新的机器学习算法来研究语言学的信号的本质。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持由中国国家自然科学基金(没有。61871427,61871427,61372023)和休斯顿大学的。

引用

1. a·弗莱彻,k·麦克洛克,s . d .推诿和d·道森”对策司机疲劳:回顾公共宣传运动和法律方法,”澳大利亚&新西兰公共卫生杂志》上卷,29号5,471 - 476年,2005页。视图:出版商的网站|谷歌学术搜索
2. 林志信。Ting, J.-R。黄,J.-L。Doong, M.-C。刘正,“司机疲劳和高速公路驾驶:一个模拟器的研究中,“生理与行为,卷94,不。3、448 - 453年,2008页。视图:出版商的网站|谷歌学术搜索
3. h . Summala h . Hakkanen t Mikkola, j . Sinkkonen“任务”在一夜之间驾驶疲劳的症状,影响人体工程学,42卷,不。6,798 - 806年,1999页。视图:出版商的网站|谷歌学术搜索
4. 安,t·阮h .张成泽j·g·金和s c君”,探索neuro-physiological相关司机的心理疲劳引起的睡眠不足同时使用脑电图、心电图,和fNIRS数据,”人类神经科学前沿,10卷,不。848年,2016年。视图:出版商的网站|谷歌学术搜索
5. g . Zhang k·k·w·邱,x,, y,“涉及疲劳驾驶和交通事故伤亡的程度,”事故分析和预防卷。87年,34-42,2016页。视图:出版商的网站|谷歌学术搜索
6. c . h . Wang, t·史f . Wang和马,“因为它使得基于脑电图实时检测疲劳驾驶事故预测危险,”国际期刊的神经系统,25卷,不。2,文章ID 1550002, 2015。视图:出版商的网站|谷歌学术搜索
7. c。谢长廷和c c。大”,一种改进和便携式警告驾驶员疲劳检测系统,但持续时间”仪器科学与技术第41卷。。5,429 - 444年,2013页。视图:出版商的网站|谷歌学术搜索
8. j。j燕,h。郭,Y.-F。林,T.-L。廖”,实时驱动睡意检测系统基于PERCLOS和灰度图像处理”学报》国际研讨会上电脑首尔,韩国,2016年6月。视图:谷歌学术搜索
9. j . Jimenez-Pinto和m . Torres-Torriti脸凸点和眼睛跟踪健壮的睡意检测,”Robotica,30卷,不。5,731 - 741年,2012页。视图:出版商的网站|谷歌学术搜索
10. t . Akerstedt b·彼得斯,a . Anund g . Kecklund“警觉性和性能受损开车回家的夜班:驾驶模拟器的一项研究中,“睡眠研究杂志》,14卷,不。1,17 - 20,2010页。视图:出版商的网站|谷歌学术搜索
11. a·米塔尔k·库马尔,s . Dhamija和m·考尔”迁移型头司机睡意检测:审查技术发展水平的技术,”《IEEE国际会议工程与技术2016年3月,印度哥印拜陀。视图:谷歌学术搜索
12. r·柴g·r·奈克,t . n .阮et al .,”司机疲劳与独立分量分类熵率最小化分析因为它使得基于脑电图的系统,”IEEE生物医学和卫生信息学杂志》上,21卷,不。3、715 - 724年,2017页。视图:出版商的网站|谷歌学术搜索
13. j·胡”,比较不同的特性和分类器基于一个脑电图的驾驶员疲劳检测通道,”计算和数学方法在医学卷,2017篇文章ID 5109530、9页,2017。视图:出版商的网站|谷歌学术搜索
14. 马j . x、l·c·史和b . l . Lu”EOG-based警惕估计方法申请了驾驶员疲劳检测,”神经科学与生物医学工程,卷2,不。1,41-51,2015页。视图:出版商的网站|谷歌学术搜索
15. w·l·郑陆和b . l .”,多通道的方法来估计警惕使用脑电图和额头小城镇,“《神经工程,14卷,不。2、文章ID 026017, 2017。视图:出版商的网站|谷歌学术搜索
16. l . Boon-Leng l . Dae-Seok和l . Boon-Giin”手机wearable-type驾驶员疲劳检测的GSR,肌电图”学报Tencon IEEE 10地区会议2016年1月,西安,中国,。视图:谷歌学术搜索
17. a . Tjolleng k .荣格w .香港et al .,”司机的分类认知负载水平在心电图信号,使用人工神经网络”应用人体工程学59卷,第332 - 326页,2017年。视图:出版商的网站|谷歌学术搜索
18. 傅和r·h·f . Wang Wang,“实时ECG-based疲劳驾驶的检测使用样本熵,”熵,20卷,不。3,p。196年,2018年。视图:出版商的网站|谷歌学术搜索
19. j·f·g·r·凯利,奥汉隆”比较性能和司机之间的生理变化和延长车辆的操作期间,表现良好”警惕施普林格,页87 - 109年,波士顿,MA,美国,1977。视图:谷歌学术搜索
20. 林·g·杨,y, p·巴塔查里亚,“基于信息融合的一个司机疲劳识别模型和动态贝叶斯网络,”信息科学,卷180,不。10日,1942 - 1954年,2010页。视图:出版商的网站|谷歌学术搜索
21. 赵c, c .郑,m . ZhaoJ。LiuY。你”,精神疲劳驾驶的自动分类与脑电图通过小波包能量和KPCA-SVM,”国际期刊的创新计算、信息和控制,7卷,不。3、1157 - 1168年,2011页。视图:谷歌学术搜索
22. 郭宏源。Chan k .贾美国高,j . Lu z曾庆红,和y妈,“PCANet:一个简单的深度学习基线图像分类?”IEEE图像处理,24卷,不。12日,第5032 - 5017页,2015年。视图:出版商的网站|谷歌学术搜索
23. L.-Y。顾,w z Lv, y, j·f·高,j . a .关和d .周”欺骗检测研究基于PCANet和支持向量机,”《电子学报》,44卷,不。8,1969 - 1973年,2016页。视图:谷歌学术搜索
24. t·阮安,h .张成泽s c君和j·g·金,“利用结合脑电图/检测系统来预测司机困倦,”科学报告,7卷,不。1,2017。视图:出版商的网站|谷歌学术搜索
25. s . Poorna诉诉Arsha p·t·a·阿帕纳··g·j·奈尔,“睡意检测使用PCA EEG信号,安全驾驶”进步计算、分析和网络施普林格,页419 - 428年,新加坡,2018年。视图:谷歌学术搜索
26. r·K Chaurasiya n . d . Londhe, s . Ghosh“基于小波统计特性、主成分分析和支持向量机的方法对脑电图信号分类,“计算机和信息工程的国际期刊,9卷,不。2、182 - 186年,2015页。视图:谷歌学术搜索
27. l, c .风扇和y明,“多尺度结合主成分分析深度学习人脸识别网络”电子杂志的成像,25卷,不。2、文章ID 023025, 2016。视图:出版商的网站|谷歌学术搜索
28. b·李董y, d .赵,z, l·杨,“基于PCANet车辆进行识别的方法,”学报2016年IEEE 19国际会议上智能交通系统(ITSC),IEEE,里约热内卢,巴西,2016年11月。视图:谷歌学术搜索
29. j . c . Kim阳光、刘问:Wang和s . Paek”一个有效的特征提取方法,EEG信号的功率谱密度双阶级运动想象BCI,”医学和生物工程和计算卷,56号9日,第1658 - 1645页,2018年。视图:出版商的网站|谷歌学术搜索
30. n . g . Ozmen l . Gumusel, y,“生物启发的方法为脑电图分类、频域特征提取”计算和数学方法在医学卷,2018篇文章ID 9890132, 10页,2018。视图:出版商的网站|谷歌学术搜索
31. x, y, b . Liu和d .黄”分类基于EEG信号的自回归模型和小波包分解,“神经处理信件,45卷,不。2、365 - 378年,2017页。视图:出版商的网站|谷歌学术搜索
32. r·李·t·波特、w·黄和y,“提高性能的混合EEG-fNIRS系统使用通道选择和早期的时间特性,”人类神经科学前沿p . 462,卷。11日,2017年。视图:出版商的网站|谷歌学术搜索
33. j·p·刘,张c, c . x郑”估计皮质功能连通性的直接传递函数在精神疲劳,”应用人体工程学,42卷,不。1,第121 - 114页,2011。视图:出版商的网站|谷歌学术搜索
34. f . Gharagozlou g .极佳拉吉,说a Mazloumi et al .,“基于EEG检测司机心理疲劳α在模拟驾驶动力改变,”伊朗公共卫生杂志》上,44卷,不。12日,第1700 - 1693页,2015年。视图:谷歌学术搜索
35. t·福塞特,”介绍ROC分析。”模式识别的字母,27卷,不。8,861 - 874年,2006页。视图:出版商的网站|谷歌学术搜索
36. Kathner, s . c . Wriessnegger g·r·Muller-Putz a . Kubler和s·哈尔德,“心理工作负荷的影响和疲劳P300,α和θ乐队权力在运行ERP (P300)脑机接口,“生物心理学,卷102,不。5,118 - 129年,2014页。视图:出版商的网站|谷歌学术搜索
37. m·a·Schier“脑电图的改变α力量在模拟驾驶:一个示范,“国际心理生理学杂志,37卷,不。2、155 - 162年,2000页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019马Yuliang et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。