基于心電信號的疲勞駕駛研究.pdf

1、隨著全球經(jīng)濟的不斷發(fā)展，各國汽車保有量的持續(xù)增加，道路交通事故發(fā)生率一直居高不下。研究表明疲勞駕駛是造成交通事故的重要原因之一，嚴重威脅著駕駛員的生命和財產(chǎn)安全。因此，實時檢測駕駛員的疲勞程度并提前預警，對避免交通事故的發(fā)生，保護駕駛員的生命安全以及提高駕駛員的工作效率具有非常重要的意義。
　　本文針對傳統(tǒng)基于心電信號的疲勞駕駛判別方法中心電信號采集時間過長，響應速度無法滿足實際應用要求的問題，提出了基于短時心電信號分析駕駛員疲勞

2、狀態(tài)的方法，解決了短時心電信號中HRV(Heart Rate Variability)頻域指標的提取問題，建立了基于支持向量機的疲勞判別模型，達到了利用短時心電信號快速并較準確地判別駕駛員疲勞狀態(tài)的目標。具體研究內(nèi)容如下：
　　本文首先研究了短時心電信號的采集，設計了每隔5秒循環(huán)采集心電信號的心電采集裝置，并通過開展駕駛模擬實驗，采集得到駕駛員的心電數(shù)據(jù)樣本。
　　隨后對采集到的心電數(shù)據(jù)樣本進行小波去噪預處理，利用自適應差分

3、閾值法進行R波檢測，并采用CZT(線性調(diào)頻Z變換)頻譜細化算法對其進行頻域分析。計算得到表征疲勞駕駛的HRV時頻域特征指標：(1)時域指標：SDNN(RR間期標準差)；(2)頻域指標：LFnorm(標準化低頻功率)、HFnorm(標準化高頻功率)、LF/HF(低頻功率與高頻功率之比)。
　　最后，本文構建了基于支持向量機的疲勞駕駛識別模型。將心電數(shù)據(jù)樣本作為識別模型的訓練集和測試集，每組樣本向量均包含 SDNN、LFnorm、HF

4、norm、LF/HF這4種特征參數(shù)。通過交叉驗證選取SVM(支持向量機)最優(yōu)參數(shù)c=4和g=16后進行分類測試，經(jīng)測試，正常和疲勞兩個等級的識別率分別為86.5％和82.5%，依據(jù)分類器的良好性能，較高的分類準確率可知，從短時心電信號中提取的表征疲勞駕駛的HRV時頻域特征指標能夠有效地識別出疲勞駕駛狀態(tài)。
　　本文的研究從縮短心電信號采集長度的角度，改善了基于心電信號的疲勞駕駛檢測方法的實時性問題，為駕駛員疲勞狀態(tài)實時檢測提供了有