典型文献
基于心电的铁路列车驾驶压力检测研究
文献摘要：
为实时检测列车司机压力水平,基于高铁驾驶行为与安全仿真平台,获取16名被试不同驾驶速度下的主观压力量表和心电(ECG)信号.首先,通过分析主观压力量表,探究不同速度下司机的压力水平;其次,统计分析不同压力水平下的心率变异性(HRV)特征;最后,比较最邻近算法(KNN),支持向量机(SVM),随机森林(RF)3种机器学习算法在压力检测方面的表现,并分析不同输入特征对分类器性能的影响.研究表明:随着速度的增加,司机的压力增大.连续R波之间的时间差间隔大于50 ms的数量(NN50),连续R波之间的时间差间隔大于50 ms的数量占比(PNN50),低频段功率值与高频段功率值之比(LF/HF),心脏交感神经指数(CSI)在不同的压力条件下具有显著性差异.在高速条件下,PNN50、HF、LF/HF减小,NN50增加,其中LF/HF值显著降低.此外,特征选择和特征标准化均有助于提高模型的表现;相比KNN和RF,径向基为核函数(RBF)的SVM分类器模型在检测驾驶压力方面的效果最好,准确度为71.2％.
文献关键词：
心电(ECG)信号;驾驶压力;列车司机;驾驶速度;机器学习
中图分类号：
作者姓名：
刘坤;焦钰博;张晓明;陈晓宇;蒋朝哲
作者机构：
西南交通大学交通运输与物流学院,四川成都610031
文献出处：
引用格式：
[1]刘坤;焦钰博;张晓明;陈晓宇;蒋朝哲-.基于心电的铁路列车驾驶压力检测研究)[J].中国安全科学学报,2022(06):31-37
A类：
B类：
心电,铁路列车,车驾,驾驶压力,压力检测,实时检测,检测列车,列车司机,机压,压力水平,驾驶行为,安全仿真,仿真平台,驾驶速度,ECG,心率变异性,HRV,KNN,RF,机器学习算法,输入特征,分类器,时间差,ms,数量占比,PNN50,低频段,频段功率,高频段,之比,LF,HF,心脏交感神经,CSI,特征选择,特征标,径向基,核函数,RBF
AB值：
0.38073
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
