基于EEG的驾驶持续性注意水平PSO-SVM识别模型
为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.
粒子群优化、支持向量机、驾驶持续性注意、识别模型
42
U491.254(交通工程与公路运输技术管理)
国家自然科学基金资助项目51108390;国家自然科学基金委铁道联合基金资助项目U1234206
2016-04-27（万方平台首次上网日期，不代表论文的发表时间）
共6页
427-432
