中国生物医学工程学报
中國生物醫學工程學報
중국생물의학공정학보
CHINESE JOURNAL OF BIOMEDICAL ENGINEERING
2014年
4期
482-486
,共5页
谢宏%周笑丽%夏斌%杨文璐%姚楠
謝宏%週笑麗%夏斌%楊文璐%姚楠
사굉%주소려%하빈%양문로%요남
脑电信号%功率谱%疲劳%粗糙集%支持向量机(SVM)
腦電信號%功率譜%疲勞%粗糙集%支持嚮量機(SVM)
뇌전신호%공솔보%피로%조조집%지지향량궤(SVM)
EEG%power spectrum%fatigue%rough set%support vector machine (SVM)
针对疲劳驾驶识别中脑电特征选择和分类模型,提出采用粗糙集理论的离散化算法对通道和脑电信号特征量进行选择,选用支持向量机作为疲劳驾驶识别模型,并将疲劳误判风险作为支持向量机模型参数进行模型优化.针对5名受试者的实验结果表明,与主分量方法相比,粗糙集离散化算法选取的特征量较少,以0.8为相容度阈值,在208个候选特征中选择的特征数为2～4个,不同被试者选取的特征不同且对建立支持向量机识别模型有影响;疲劳误判风险控制参数可以达到调节支持向量机识别模型误判风险.
針對疲勞駕駛識彆中腦電特徵選擇和分類模型,提齣採用粗糙集理論的離散化算法對通道和腦電信號特徵量進行選擇,選用支持嚮量機作為疲勞駕駛識彆模型,併將疲勞誤判風險作為支持嚮量機模型參數進行模型優化.針對5名受試者的實驗結果錶明,與主分量方法相比,粗糙集離散化算法選取的特徵量較少,以0.8為相容度閾值,在208箇候選特徵中選擇的特徵數為2～4箇,不同被試者選取的特徵不同且對建立支持嚮量機識彆模型有影響;疲勞誤判風險控製參數可以達到調節支持嚮量機識彆模型誤判風險.
침대피로가사식별중뇌전특정선택화분류모형,제출채용조조집이론적리산화산법대통도화뇌전신호특정량진행선택,선용지지향량궤작위피로가사식별모형,병장피로오판풍험작위지지향량궤모형삼수진행모형우화.침대5명수시자적실험결과표명,여주분량방법상비,조조집리산화산법선취적특정량교소,이0.8위상용도역치,재208개후선특정중선택적특정수위2～4개,불동피시자선취적특정불동차대건립지지향량궤식별모형유영향;피로오판풍험공제삼수가이체도조절지지향량궤식별모형오판풍험.
