摘要：面向目前最普遍的L2级别的智能驾驶场景下的驾驶员的疲劳状态检测预警的安全需求问题，基于多通道的无线脑电帽采集的脑电极数据实现驾驶员的状态的四分类识别。研究采用卷积循环神经网络同时集成频域、时域和非线性特征的不同组合训练模型，发现当将非线性特征微分熵以及时域特征平均绝对值组合在一起识别性能最好，并提出了三种集成策略来集成不同输入特征组合下的基分类器模型，该方法能够以经济的成本以及便捷的方式来满足驾驶员的疲劳状态的精确多分类，推动可穿戴式设备应用于驾驶场景，提高驾驶安全。
文章目录
1 数据采集与处理
1.1 试验环境和试验设置
1.2 EEG信号预处理
1.3 特征提取
1.3.1 频域特征
1.3.2 时域特征
1.3.3 非线性特征
1.4 特征组合
2 模型搭建
2.1样本集标注
2.2模型训练
2.3 集成学习
3 模型效果
4 结果分析
4.1 特征分析
4.2 集成策略的比较
5 结语
