一个改进的特征提取算法用于基于EEG的驾驶疲劳识别
Xiaozhong Geng1, Weixin Hu1, Qipeng Liang2
1School of Computer Technology and Engineering, Changchun Institute of Technology, Changchun, 130012, China.
Scientific reports
|September 27, 2025
概括
使用脑电图 (EEG) 信号检测驾驶员疲劳对于安全至关重要. 这项研究引入了一种结合信号处理和特征提取技术的新方法,以提高从EEG数据中检测疲劳的准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 驾驶员疲劳构成重大风险,需要准确的检测方法.
- 电脑电图 (EEG) 信号对于评估与疲劳相关的大脑活动至关重要.
- 从EEG中提取有关疲劳检测的特征仍然是一个挑战,特别是在文物中.
研究的目的:
- 开发一种有效的方法,通过去除电眼镜 (EOG) 装置来预处理EEG信号.
- 引入一种新的多功能提取策略,以提高疲劳检测的准确性.
- 整合时间频率和非线性特征,以进行基于EEG的综合性疲劳评估.
主要方法:
- 综合实证模式分解 (EEMD) 和快速独立组件分析 (FastICA) 结合用于EOG文物删除.
- 使用波段包转换 (WPT) 来从清理的EEG信号中提取时间频率特征.
- 采样 (SampEn) 用于捕捉非线性特征,然后是支持向量机 (SVM) 分类.
主要成果:
- 拟议的EEMD-FastICA方法有效地过了EOG人工物,产生了更纯的EEG信号.
- 与单一方法相比,WPT和SampEn的综合方法从疲劳EEG信号中获取了更详细的信息.
- 多功能融合策略显著提高了驾驶疲劳识别的准确性.
结论:
- 开发的预处理和特征提取技术为基于EEG的驾驶员疲劳检测提供了强大的解决方案.
- 将人工物移除与多功能融合相结合,提高了疲劳监测系统的可靠性和准确性.
- 这种方法有望通过更有效地检测昏昏欲睡的司机来提高道路安全.
