|
|
|
| 一种基于核主成分分析的驾驶疲劳状态预测方法 |
| 郑超英叶贝鸽刘萍邱桃荣 |
| 华侨大学工学院南昌大学信息工程学院 |
|
|
|
|
摘要 针对在驾驶疲劳状态识别研究中采集的脑电信号(Electroencephalograph,EEG)具有非线性特点,以及目前基于EEG的驾驶疲劳状态识别方法仍存在识别准确率不很理想的问题,提出基于样本熵和核主成分分析的驾驶疲劳状态识别方法。所研究的方法结合了基于样本熵在驾驶疲劳状态识别方法具有较好的识别准确率优势以及核主成分对主成分是非线性的情况下具有较好的降维效果优势。实验结果表明所提出的方法是有效的。
|
|
| 关键词 ：
驾驶疲劳,
样本熵,
核主成分分析,
支持向量机
|
|
|
| 基金资助:国家自然科学基金资助项目(61762045,81460769,61070139)； |
| [1] |
段文影饶泓段隆振马海亮. 基于IA参数寻优组合核的SVM文本分类研究[J]. 南昌大学学报（理科版）, 2018, 42(3): 289-. |
| [2] |
车小磊李向军沈华吴青松李子健唐丽君. 一种基于局部核校准的核评估标准[J]. 南昌大学学报（理科版）, 2018, 42(3): 300-. |
| [3] |
陈铭钧陶凌李富贵刘九畅. HHT在白细胞亚群分类算法中的应用[J]. 南昌大学学报（理科版）, 2018, 42(1): 72-. |
| [4] |
赖清衷卫声熊鹏文黄嘉诚任倩茹. 基于BP神经网络与多分类支持向量机的水质识别与分类[J]. 南昌大学学报（理科版）, 2016, 40(06): 563-. |
| [5] |
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型[J]. 南昌大学学报（理科版）, 2015, 39(04): 347-. |
| [6] |
沈渊彬； 刘庆珍； 李友军； 苏申. 基于模糊组合权重的BA-SVM短期负荷预测[J]. 南昌大学学报（工科版）, 2015, 37(03): 300-. |
| [7] |
陆荣秀；杨辉；欧阳超明；朱璐闻； . 基于PCA-LS_SVM的镨\钕萃取过程元素组分含量预测[J]. 南昌大学学报（理科版）, 2013, 37(06): 589-. |
| [8] |
梁声灼；谢文修；李芒； . 一种改进的1-v-1 SVM多类分类算法[J]. 南昌大学学报（理科版）, 2013, 37(03): 287-. |
| [9] |
姜海燕； 杜民. 基于最小二乘支持向量机的纳米金免疫层析试条快速定量[J]. 南昌大学学报（工科版）, 2012, 34(03): 283-. |
| [10] |
林苏斌； 陈为. 基于支持向量机的热电偶高频磁场环境测温误差校正[J]. 南昌大学学报（工科版）, 2012, 34(02): 183-. |
| [11] |
徐敏； 袁建洲； 刘四新； 郭含. 基于支持向量机的短期风电功率预测[J]. 南昌大学学报（工科版）, 2012, 34(02): 201-. |
| [12] |
曾勍炜; 徐知海; 付爱英; 邓庚盛. 融合蚁群算法与支持向量机的网络流量预测[J]. 南昌大学学报（理科版）, 2011, 35(04): 1-. |
| [13] |
白似雪; 刘华斌. 基于页面分块模型的PageRank算法研究[J]. 南昌大学学报（工科版）, 2008, 30(02): 1-. |
| [14] |
. 南昌大学学报(理科版)2007年总目次 [J]. 南昌大学学报（理科版）, 2007, 31(06): 1-. |
| [15] |
富坤; 富成科; 汪友华; 杨晓光. 基于支持向量机对种群特征回归分析的自适应遗传算法[J]. 南昌大学学报（理科版）, 2007, 31(04): 1-. |
|
|
|
|
