基于脑电信号组合熵特征的驾驶疲劳检测分析

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.

关键词：驾驶疲劳、脑电信号、熵、分类器

分类号：X910(安全科学基础理论)

资助基金：武警部队装备军内科研项目WJ2020A020047

在线出版日期：2022-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：43-47