基于深度收缩稀疏自编码网络的飞行员疲劳状态识别
飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)和beta波(14~30 Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.
飞行员疲劳、脑电信号、深度收缩稀疏自编码网络、深度自编码网络、Softmax分类器、准确率
33
TP181(自动化基础理论)
国家自然科学基金项目61671293,61473158,51705242;江苏省自然科学基金项目BK20141430;上海浦江人才计划项目15PJ1404300;浙江大学CAD&CG国家重点实验室开放课题项目A1713
2019-01-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
2263-2269