基于支持向量机的驾驶疲劳脑电特征递增选择算法研究

作者：谢宏; 杨硕富; 夏斌; 杨文璐; 周娜娜

来源：生物医学工程学杂志, 2013, (06): 1321-1325.

• 脑电信号
• 特征选择
• 支持向量机
• 递增 Electroencephalogram(EEG)signals
• Feature selection
• Support vector machine(SVM)
• Increasing

脑电(EEG)信号为识别驾驶员的疲劳状态提供了一种可能的客观生理指标,由于其特征的变化因人因时而异,因此能客观自适应地选取恰当的通道和EEG信号特征量是非常重要的。本文提出一种用于驾驶疲劳的EEG特征递增选择算法,即在候选通道的若干特征量集合中依次递增选择特征量,每次从剩余候选通道的特征量集合中,以优化后的支持向量机(SVM)模型的错误率最小为指标选取最优的特征,实现自适应选取驾驶疲劳EEG信号通道和特征的算法。实验计算中,在覆盖整个头部主要区域的16个电极通道选取了208个候选特征作为初始集合,针对受试者在5个不同时间段的EEG数据计算表明,以2%的错误率作为算法的终止条件,选取的特征和模型...

• 出版日期2013
• 单位上海海事大学