文献类型：期刊文章

作　　者：徐礼胜[1,2] 张闻勖[1] 庞宇轩[3] 吴承暘[1]

XU Li-sheng;ZHANG Wen-xu;PANG Yu-xuan;WU Cheng-yang(School of Sino-Dutch Biomedical and Information Engineering,Northeastern University,Shenyang 110169,China;Neusoft Research of Intelligent Healthcare Technology Co.,Ltd.,Shenyang 110167,China;School of Computer Science & Engineering,Northeastern University,Shenyang 110169,China)

机构地区：[1]东北大学中荷生物医学与信息工程学院,辽宁沈阳110169 [2]沈阳东软智能医疗科技研究院有限公司,辽宁沈阳110167 [3]东北大学计算机科学与工程学院,辽宁沈阳110169

出　　处：《东北大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(61773110,61374015);沈阳东软智能医疗科技研究院有限公司开放课题基金资助项目(NRIHTOP1801);中央高校基本科研业务费专项资金资助项目(N161904002)

年　　份：2019

卷　　号：40

期　　号：7

起止页码：937-941

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30 s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.

关 键 词：心电信号 疲劳驾驶 随机森林  迁移学习  神经网络

分 类 号：N945.14]