基于粒子群优化与支持向量机的驾驶员疲劳等级判别-哈尔滨工业大学.PDF

基于粒子群优化与支持向量机的驾驶员疲劳等级判别-哈尔滨工业大学.PDF

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于粒子群优化与支持向量机的驾驶员疲劳等级判别-哈尔滨工业大学

第46卷  第 12期 哈  尔  滨  工  业  大  学  学  报 Vol46 No12     20 14年12月 JOURNAL OF HARBIN INSTITUTE OF TECHNOLOGY Dec. 2014             基于粒子群优化与支持向量机的驾驶员疲劳等级判别 1,2 1 2 1 王琳虹 ,李世武 ,高振海 ,冀秉魁 (1. 吉林大学 交通学院,130025 长春;2. 吉林大学 汽车工程学院,130025 长春) 摘  要:为客观、准确地判别驾驶员的疲劳程度,采用多项驾驶员生理指标、基于粒子群与支持向量机(SVM)算法建立 驾驶疲劳等级判别模型,首先将驾驶员疲劳状态分为清醒、轻度疲劳、重度疲劳和睡意4 个等级,然后将驾驶员的心电 RR 间期标准差、心率均值、呼吸潮气量、脑电的α波、β 波和δ 波功率谱密度积分等作为SVM 的输入变量,驾驶疲劳等级 作为输出变量,引入粒子群算法优化SVM 的惩罚系数和核函数参数对判别模型进行标定,采用吉珲高速公路上的实车 实验数据对模型有效性进行验证. 结果表明:本模型对4项疲劳等级的判别准确率均高于85%,对于驾驶员疲劳预警具 有重要意义.通过对模型各个输入变量的敏感性分析,证明基于多项生理指标的疲劳判别较基于单生理指标的疲劳判别 更加有效. 关键词:驾驶员生理指标;疲劳判别;支持向量机;粒子群;敏感性分析 - - - 中图分类号:U4912 文献标志码:A 文章编号:0367 6234(2014)12 102 06 A driver fatigue level recognition model based on particle swarm optimization and support vector machine 1,2 1 2 1 WANG Linhong ,LI Shiwu ,GAOZhenhai ,JI Bingkui (1. College of Transportation,Jilin University,130025 Changchun,China; 2. College of Automotive Engineering,Jilin University,130025 Changchun,China) Abstract:To recognize driver′s fatigue level accurately and objectively, a driver fatigue level recognition model thatemploysmultiplepsychologicalfeatureswasdevelopedbasedonparticleswarmoptimization (PSO) and support vector machine (SVM). Firstly,the driverfatiguewasdivided intofour levels,whichwere alert, mild fatigue,deep fatigue and drowsiness. Then alpha rhythm,beta rhythm,delta rhythm,mean of heart

您可能关注的文档

文档评论(0)

xiaozu + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档