摘要
1绪论
1.1研究背景及意义
1.1.1研究背景
1.1.2研究意义
1.2相关概念
1.2.1疲劳驾驶
1.2.2数据融合
1.2.3面部特征点
1.2.4评估方法
1.3国内外研究现状
1.3.1基于生理反应的疲劳监测方法
1.3.2基于生理信号的疲劳监测方法
1.3.3基于驾驶行为的疲劳监测方法
1.4相关技术
1.4.1相关性分析
1.4.2层次分析法
1.4.3熵值法
1.4.4神经网络
1.4.5决策树
1.4.6集成学习
1.5论文研究内容及章节安排
1.5.1研究内容
1.5.2章节安排
2操控员疲劳特征分析
2.1疲劳的外部特征
2.1.1视线落点坐标变化量
2.1.2头部姿态变化量
2.1.3眨眼频率
2.1.4张嘴频率
2.2疲劳状态的评估标准
2.3本论文所需数据的获取
2.3.1获取视线落点坐标变化量
2.3.2获取头部姿态变化量
2.3.3获取眨眼频率
2.3.4获取张嘴频率
2.3.5获取疲劳值
2.4本章小结
3基于神经网络获取头部姿态变化量
3.1本章节所需的实验环境
3.2建立视线落点坐标变化量到头部姿态变化量的运动学映射关系模型
3.2.1确定笛卡尔坐标系
3.2.2解决量纲不一致的问题
3.2.3基于神经网络建立映射关系模型
3.3验证视线落点坐标变化量到头部姿态变化量的映射关系模型
3.3.1定义映射关系模型的精度
3.3.2K折交叉验证
3.4本章小结
4疲劳特征数据的各层次数据融合研究
4.1疲劳特征数据的数据层融合算法设计
4.1.1疲劳特征与疲劳状态的关系
4.1.2基于AHP分析疲劳特征对疲劳状态的影响
4.1.3基于熵值法分析疲劳特征对疲劳状态的影响
4.1.4疲劳特征数据的多元回归融合
4.2疲劳特征数据的特征层融合算法设计
4.2.1扩充实验样本
4.2.2疲劳特征数据的特征提取
4.3疲劳特征数据的决策层融合算法设计
4.3.1基于决策树的融合
4.3.2基于集成学习器的融合
5数据融合结果与疲劳评估
5.1数据层融合实验与疲劳评估
5.1.1疲劳特征与疲劳状态的关系
5.1.2基于AHP分析疲劳特征对疲劳状态的影响
5.1.3基于熵值法分析疲劳特征对疲劳状态的影响
5.1.4疲劳特征数据的多元回归融合
5.1.5疲劳评估
5.2特征层融合实验与疲劳评估
5.2.1扩充实验样本
5.2.2疲劳特征数据的特征提取
5.2.3疲劳评估
5.3决策层融合实验与疲劳评估
5.3.1基于决策树的融合
5.3.2基于集成学习器的融合
5.3.3疲劳评估
5.4本章小结
6结论
6.1工作总结
6.2课题展望
参考文献
攻读硕士学位期间发表的论文及成果
致谢
声明
西安工业大学;