基于机器学习的可穿戴式脑电仪EEG疲劳检测研究

论文摘要

近年来,脑电波信号(EEG)的检测与应用技术水平正在逐步提高。随着可穿戴生物传感器的发展,脑健康状态管理取得了突破性的进展。利用可穿戴式脑电仪对EEG的监测分析可以实时获取人体的疲劳程度数据,进而对心脑血管等慢性疾病实现较好的监测和预防。本文针对单电极可穿戴式脑电仪的EEG的疲劳状态智能识别,进行了基于支持向量机(SVM),深度信念网络(DBN),广义回归神经网络(GRNN)的疲劳状态检测的研究。该研究可以准确识别疲劳状态,提供及时的健康预警和调整方案,从而实现对EEG的智能分析和人体健康状态的管理。首先,通过调查问卷调查用户主观疲劳量,结合疲劳检测手环进行EEG数据的疲劳等级标记,以建立疲劳状态数据集。其次,对数据预处理并提取数据的时域特征、频域特征,运用主成分分析进行特征降维。再次,分别以SVM,DBN,GRNN建立疲劳识别模型,计算识别准确率,并对比模型的检验效果。最后,以建立好的GRNN模型进行实时疲劳检测方法研究。实验表明,GRNN模型下EEG疲劳状态识别准确率最高为88.1%。相比于SVM模型与DBN模型,GRNN模型对于EEG的疲劳状态的识别准确率更高,计算速度更快,具有更好的稳定性,对不同的疲劳程度具有更好的区分度。DBN模型相比于SVM模型具有更精准的识别率和更好的分类效果,但模型训练速度较慢。可穿戴式脑电仪可以实现对EEG的疲劳状态的实时检测,对于健康管理和疾病预防发挥了重要作用。

论文目录

• 摘要
• abstract
• 第一章 绪论
•   1.1 研究背景和意义
•   1.2 国内外研究现状
•   1.3 论文的主要内容与章节安排
• 第二章 可穿戴式脑电仪的信号采集与传输
•   2.1 EEG采集设备
•     2.1.1 EEG采集设备对比
•     2.1.2 MindWave脑电仪与其数据形式
•   2.2 基于安卓手机的数据传输方法
•   2.3 基于PC机的数据传输方法
•   2.4 本章小结
• 第三章 EEG基础理论与疲劳等级分类
•   3.1 EEG基础理论
•   3.2 疲劳等级标记
•   3.3 数据集建立
•   3.4 疲劳检测的研究框架
•   3.5 本章小结
• 第四章 数据预处理与特征提取
•   4.1 数据预处理方法
•     4.1.1 EEG数据清洗
•     4.1.2 数据滤波与插值
•     4.1.3 EEG的滑窗提取
•     4.1.4 样本均衡化处理
•   4.2 EEG疲劳特征提取方法
•     4.2.1 统计特征分析
•     4.2.2 时域特征提取
•     4.2.3 频域特征提取
•     4.2.4 复杂度特征计算
•   4.3 基于PCA的特征降维
•   4.4 本章小结
• 第五章 基于SVM的 EEG疲劳检测算法
•   5.1 EEG疲劳检测的机器学习方法对比
•   5.2 多分类器SVM构造
•     5.2.1 OVR SVMs构造方法
•     5.2.2 OVO SVMs构造方法
•   5.3 不同核函数SVM性能分析
•     5.3.1 核函数理论研究
•     5.3.2 核函数性能对比
•   5.4 本章小结
• 第六章 基于DBN的EEG疲劳检测算法
•   6.1 DBN模型结构与网络设计
•   6.2 基于DBN的EEG数据训练
•   6.3 参数优化与结果分析
•   6.4 本章小结
• 第七章 基于GRNN的EEG疲劳检测算法
•   7.1 GRNN模型结构与网络设计
•   7.2 模型在疲劳检测中的应用
•     7.2.1 疲劳检测流程
•     7.2.2 疲劳检测结果分析
•     7.2.3 疲劳等级区分度的可视化展示
•   7.3 实时疲劳检测方法
•   7.4 本章小结
• 第八章 结束语
•   8.1 主要工作与创新点
•   8.2 后续研究工作
• 致谢
• 参考文献
• 攻读硕士学位期间已发表或录用的论文
• 附录一 疲劳程度调查问卷

文章来源

类型: 硕士论文

作者: 张兆瑞

导师: 赵群飞

关键词: 可穿戴式脑电仪,疲劳检测,数据清洗,脑电波特征提取,深度信念网络,广义回归神经网络

来源: 上海交通大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,电信技术,自动化技术

单位: 上海交通大学

分类号: R318;TP181;TN911.7

DOI: 10.27307/d.cnki.gsjtu.2019.001490

总页数: 77

文件大小: 3080K

下载量: 60