专利交易市场

本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。

本发明公开了一种基疲劳脑电信号组合特征的通道选择方法。针对现有技术的问题，提出的技术方案为：首先使用脑电采集设备采集疲劳驾驶信号，选取大脑皮层上能显著反映疲劳状态的电极通道并预处理；通过集合经验模态分解所获得的有限个本征模函数的功率谱值作为特征，并将样本熵作为辅助特征，再通过本文提出的通道选择方法分别筛选出在功率谱值和样本熵值作为特征下的理想通道；最后使用多层感知超限学习机和使用粒子群优化算法优化后的多层感知超限学习机分别对筛选出的理想通道数据进行二分类。本发明使用了组合特征提高了通道选择算法的泛化能力，最终使用了最优通道相比于全通道大幅提高了准确率。

本发明公开了一种基于多模态深度神经网络的驾驶注意力检测方法，属于驾驶注意力检测技术领域，为了解决现有驾驶注意力检测过程中用单一模态的指标去进行检测的可靠性不足的技术问题，包括：S1：获取原始公开数据集中的脑电数据和眼电数据；S2：分别对所述脑电数据和所述眼电数据进行预处理，得到预处理后的眼电数据和预处理后的脑电数据；S3：根据所述预处理后的眼电数据和所述预处理后的脑电数据，对多模态深度神经网络进行训练，得到训练好的多模态深度神经网络；S4：利用所述训练好的多模态深度神经网络对驾驶输入图像进行注意力检测，得到驾驶注意力检测结果。本发明能够有效地提升检测结果的准确性。

本发明公开了一种基于Yolov7‑Retina的驾驶分心检测方法，包括构建驾驶分心判别模型、模型训练、模型验证和驾驶分心实时监测，对实时视频进行检测并处理，将实时视频数据输入到训练验证后的驾驶分心实时判别模型，统计分心帧数及连续出现分心帧数的总时长；最终输出驾驶分心判别结果。有益效果：本发明通过结合Yolov7模型和Retina模型能够高精度地检测驾驶员的动作和姿态，更准确地分析其驾驶行为；能够基于轻量化网络结果，提高了检测效率，使得算法能于轻量化车载终端部署；通过实时处理和分析行为数据能够及时发现驾驶员的驾驶行为的变化，有助于及时对驾驶员进行提醒。

本发明实施例公开了一种基于深度时空网络的疲劳检测方法，涉及机器学习技术领域，所述方法包括：模拟驾驶环境，包括不同天气和路况下的驾驶环境；在所述驾驶环境下采集样本数据并进行分类，包括第一数据集和第二数据集；构建深度时空网络模型，生成特征提取器对样本数据中眼部特征进行提取；利用自动编解码器对第一数据集的眼部特征进行特征压缩并输入循环神经网络RNN；利用第二数据集对循环神经网络RNN进行训练，得到训练完成的疲劳检测模型；利用训练完成的疲劳检测模型进行实时检测，输出检测结果并通过警示模块做出反馈。本发明实施例能够解决现有技术中的疲劳检测方法不能精确分类疲劳程度、操作不方便等问题。

本发明公开了一种基于多级雪崩式卷积递归网络EEG分析的疲劳驾驶识别方法，具体步骤为将一维EEG序列转换为二维EEG网格；创建包含空间信息和时间信息的3D数据架构；提取每个数据网格的空间特征；将提取的空间特征后的序列馈送到RNN中以提取时间特征；一个完全连接层接收RNN层的最后一个时间步的输出；馈送到softmax层进行处理；判定是否疲劳驾驶。本发明大大降低了采集数据时的困难度，提高模型对疲劳驾驶状态的识别性能；实验装备脑‑计算机接口(BCI)使用户能够直接与外界通信或仅使用大脑意图来控制仪器，进而进行数据采集与分析作出判断。