基于脑电信号深度迁移学习的驾驶疲劳检测

王斐; 吴仕超; 刘少林; 张亚徽; 魏颖

doi:10.11999/JEIT180900

基于脑电信号深度迁移学习的驾驶疲劳检测

doi: 10.11999/JEIT180900

1.
东北大学机器人科学与工程学院沈阳 110169
2.
东北大学信息科学与工程学院沈阳 110819

基金项目: 中央高校基本科研业务费专项基金(N172608005)，辽宁省科学事业公益研究基金(20170021)

详细信息

作者简介:
王斐：男，1974年生，博士，副教授，研究方向为人机交互感知与协作理论与技术、仿人机器人理论与技术

吴仕超：男，1996年生，硕士生，研究方向为机器学习、脑电认知

刘少林：男，1993年生，硕士生，研究方向为模式识别、深度学习

张亚徽：女，1995年生，硕士生，研究方向为机器学习、脑机接口

魏颖：女，1968年生，博士，教授，主要研究方向为图像处理与模式识别、医学影像计算与分析

通讯作者:
王斐　wangfei@mail.neu.edu.cn

中图分类号: TP391
计量
- 文章访问数: 3596
- HTML全文浏览量: 2362
- PDF下载量: 259
- 被引次数: 97
出版历程
- 收稿日期: 2018-09-20
- 修回日期: 2019-02-17
- 网络出版日期: 2019-03-21
- 刊出日期: 2019-09-10

Driver Fatigue Detection Through Deep Transfer Learning in an Electroencephalogram-based System

1.
Faculty of Robot Science and Engineering, Northeastern University, Shenyang 110169 China
2.
College of Information Science and Engineering, Northeastern University, Shenyang 110819, China

Funds: The Fundamental Research Funds for the Central Universities (N172608005), The Scientific Research Foundation for Public Welfare of Liaoning Province (20170021)

摘要

摘要: 脑电信号一直被誉为疲劳检测的“金标准”，驾驶者的精神状态可通过对脑电信号的分析得到。但由于脑电信号具有非线性、非平稳性和空间分辨率低等特点，传统的机器学习方法在运用脑电信号进行疲劳检测时还存在识别率低，特征提取操作繁琐等不足。为此，该文基于脑电信号的电极-频率分布图，提出运用深度迁移学习实现的驾驶疲劳检测方法，即搭建深度卷积神经网络，并利用SEED脑电情绪数据集对其进行预训练，然后通过迁移学习方法将其用于驾驶疲劳检测。实验结果表明，卷积神经网络模型能够很好地从电极-频率分布图中获得与疲劳状态相关的特征信息，达到较好的识别效果。此外，基于迁移学习策略可以将训练好的深度网络模型迁移到其他识别任务上，有助于推动脑电信号在驾驶疲劳检测系统中的应用。
- 脑电信号 /
- 疲劳检测 /
- 迁移学习 /
- 卷积神经网络 /
- 电极-频率分布图
Abstract: ElectroEncephaloGram (EEG) is regarded as a " gold standard” of fatigue detection and drivers’ vigilance states can be detected through the analysis of EEG signals. However, due to the characteristics of non-linear, non-stationary and low spatial resolution of EEG signals, traditional machine learning methods still have the disadvantages of low recognition rate and complicated feature extraction operations in EEG-based fatigue detection task. To tackle this problem, a fatigue detection method with transfer learning based on the Electrode-Frequency Distribution Maps (EFDMs) of EEG signals is proposed. A deep convolutional neural network is designed and pre-trained with SEED dataset, and then it is used for fatigue detection with transfer learning strategy. Experimental results show that the proposed convolutional neural network can automatically obtain vigilance related features from EFDMs, and achieve much better recognition results than traditional machine learning methods. Moreover, based on the transfer learning strategy, this model can also be used for other recognition tasks, which is helpful for promoting the application of EEG signals to the driver fatigue detection system.
- ElectroEncephaloGram (EEG) /
- Fatigue detection /
- Transfer learning /
- Convolutional neural network /
- Electrode-frequency distribution maps

HTML全文

1. 引言

GNSS卫星按照星载原子钟频率发射特定调制方式的导航信号，该信号经过时间t后到达地面用户接收机天线。信号传播时间t与电磁波在空间传播速度c相乘，即可得到卫星与用户之间的几何距离 $\rho$ 。通过解算至少3颗卫星到用户的距离，根据3球交会原理即可得到用户的准确位置。然而实际上由于传播时间t中包含有卫星钟差、接收机钟差、卫星星历误差、接收机测量噪声、多径、电离层延迟和对流层延迟等影响^[1]，估算出的t并非真正的卫星导航信号传播时间。因此，实际应用中计算出的距离并非真正的站星几何距离，习惯上称之为伪距。

对于高精度用户，利用差分系统可以消除一些误差，但遗留误差还包括多径、接收机测量噪声、各卫星信号畸变引起的误差等，该部分误差无法通过差分的方式进行消除。因此，当两台零基线或短基线接收机同时观测一颗相同卫星时，接收机之间伪距单差为均值非零的常数；当两台零基线或短基线接收机同时观测两颗相同的卫星时，接收机之间的伪距双差也得到均值非零的常数。而且不同接收机之间以及不同观测卫星之间的伪距差值不同，这种现象称为伪距偏差。该现象最早于2011年被斯坦福大学的Wong和Phelts等人在研究GPS和WAAS系统的测距和定位结果时发现。研究结果表明，由于不同卫星的信号特性不可能做到完全一致，双频用户在用双频线性组合的方式消除电离层影响的同时，会把伪距偏差的影响进一步放大。

国外对于伪距偏差的研究较早，GPS最早发现并试图解决伪距偏差现象。文献[2—4]在利用双频技术消除电离层延迟时，均发现了伪距偏差现象，并给出了减小伪距偏差影响的建议：一方面可以通过在导航电文中播发群时延参数TGD和信号间改正参数ISCs(Inter-Signal Corrections)的方法减小该现象对用户的影响；另一方面，可以通过在ICD(接口控制文件中)明确接收机的前端带宽和相关器间隔等参数来减轻伪距偏差的影响。文献[5—8]研究了可能导致GPS信号伪距偏差的原因，文章指出：各颗卫星导航信号的失真不一致，是导致伪距偏差的根本原因。

本文针对我国北斗卫星导航系统的伪距偏差问题，首先以理论公式推导的方式，对伪距偏差现象进行详细说明。然后在此基础上对卫星信号的发射、传播和接收通道建立完整的收发模型，从卫星信号传播的整个路径出发来逐步分析可能引起伪距偏差的原因；然后从用户终端的角度出发，分别从接收机的相关器间隔、滤波器带宽和卫星俯仰角等3个主要方面，进一步分析伪距偏差可能的表现形式及特点；最后给出本文结论及对我国北斗用户的建议。

2. 伪距偏差现象分析

伪距偏差现象不能通过单台接收机直接获得，需要在零基线或短基线条件下的两台接收机同时观测两颗卫星，得到的伪距观测值做单差或双差处理得到。进行单差或双差的作用是可以消除一些公共的误差。本文假定两台接收机分别为r1, r2，两颗卫星分别为i和j，对单频数据的O-C分别进行零基线双差处理。计算过程如下：

两台接收机r1, r2分别对卫星i, j的单频伪距观测方程为

$P_ {\rm{r}1}^ {\rm{i}} = \rho _ {\rm{r}1}^ {\rm{i}} + c\delta {t_ {\rm{r}1}} - c\delta {{\rm{t}}^ {\rm{i}}} + c \cdot {\rm{IF}}{{\rm{B}}_ {\rm{r}1}} - c \cdot {\rm{TG}}{{\rm{D}}^ {\rm{i}}} - {\rm{iono}}_ {\rm{r}1}^ {\rm{i}}\! - \!{\rm{trop}}_ {\rm{r}1}^ {\rm{i}} - {\rm{rel}}_ {\rm{r}1}^ {\rm{i}} - \alpha _ {\rm{r}1}^ {\rm{i}} + \varepsilon _ {\rm{r}1}^ {\rm{i}} + {\rm{M}}{{\rm{P}}_ {\rm{r}1}}\!\!\!\!^ {\rm{i}} \ + {\rm{SD}}{{\rm{M}}_ {\rm{r}1}}\!\!\!\!^ {\rm{i}}\vspace{12pt}$

(1)

$P_ {\rm{r}1}^ {\rm{j}} = \rho _ {\rm{r}1}^ {\rm{j}} + c\delta {t_ {\rm{r}1}} - c\delta {{\rm{t}}^ {\rm{j}}} + c \cdot {\rm{IF}}{{\rm{B}}_ {\rm{r}1}} - c \cdot {\rm{TG}}{{\rm{D}}^ {\rm{j}}} - {\rm{iono}}_ {\rm{r}1}^ {\rm{j}} - {\rm{trop}}_ {\rm{r}1}^ {\rm{j}} - {\rm{rel}}_ {\rm{r}1}^ {\rm{j}} - \alpha _ {\rm{r}1}^ {\rm{j}} + \varepsilon _ {\rm{r}1}^ {\rm{j}} + {\rm{M}}{{\rm{P}}_ {\rm{r}1}}\!\!\!\!^ {\rm{j}} \ + {\rm{SD}}{{\rm{M}}_ {\rm{r}1}}\!\!\!\!^ {\rm{j}}$

(2)

$P_ {\rm{r}2}^ {\rm{i}} = \rho _ {\rm{r}2}^ {\rm{i}} + c\delta {t_ {\rm{r}2}} - c\delta {{\rm{t}}^ {\rm{i}}} + c \cdot {\rm{IF}}{{\rm{B}}_ {\rm{r}2}} - c \cdot {\rm{TG}}{{\rm{D}}^ {\rm{i}}} - {\rm{iono}}_ {\rm{r}2}^ {\rm{i}} - {\rm{trop}}_ {\rm{r}2}^ {\rm{i}} - {\rm{rel}}_ {\rm{r}2}^ {\rm{i}} - \alpha _ {\rm{r}2}^ {\rm{i}} + \varepsilon _ {\rm{r}2}^ {\rm{i}} + {\rm{M}}{{\rm{P}}_ {\rm{r}2}}\!\!\!\!^ {\rm{i}}\ + {\rm{SD}}{{\rm{M}}_ {\rm{r}2}}\!\!\!\!^ {\rm{i}}$

(3)

$P_ {\rm{r}2}^ {\rm{j}} = \rho _ {\rm{r}2}^ {\rm{j}} + c\delta {t_ {\rm{r}2}} - c\delta {{\rm{t}}^ {\rm{j}}} + c \cdot {\rm{IF}}{{\rm{B}}_ {\rm{r}2}} - c \cdot {\rm{TG}}{{\rm{D}}^ {\rm{j}}} - {\rm{iono}}_ {\rm{r}2}^ {\rm{j}} - {\rm{trop}}_ {\rm{r}2}^ {\rm{j}} - {\rm{rel}}_ {\rm{r}2}^ {\rm{j}} - \alpha _ {\rm{r}2}^ {\rm{j}} + \varepsilon _ {\rm{r}2}^ {\rm{j}} + {\rm{M}}{{\rm{P}}_ {\rm{r}2}}\!\!\!\!^ {\rm{j}} \ + {\rm{SD}}{{\rm{M}}_ {\rm{r}2}}\!\!\!\!^ {\rm{j}}\$

(4)

以接收机r1与卫星i为例， $P_ {\rm{r}1}^ {\rm{i}}$ 为伪距观测值， $\rho _ {\rm{r}1}^ {\rm{i}}$ 为理论距离， $\delta {t_ {\rm{r}1}}$ 为接收机钟差， $\delta {{\rm{t}}^ {\rm{i}}}$ 为卫星钟差， ${\rm{IF}}{{\rm{B}}_ {\rm{r}1}}$ 为接收机频间差， ${\rm{TG}}{{\rm{D}}^ {\rm{i}}}$ 为卫星频间差， $c$ 为光速， ${\rm{iono}}_ {\rm{r}1}^ {\rm{i}}$ 为电离层延迟， ${\rm{trop}}_ {\rm{r}1}^ {\rm{i}}$ 为对流层延迟， ${\rm{rel}}_ {\rm{r}1}^ {\rm{i}}$ 为相对论效应延迟， $\alpha _ {\rm{r}1}^ {\rm{i}}$ 为伪距测量偏差(即接收通道时延)， $\varepsilon _ {\rm{r}1}^ {\rm{i}}$ 为热噪声， ${\rm{M}}{{\rm{P}}_ {\rm{r}1}}\!\!\!\!^ {\rm{i}}$ 表示多径误差， ${\rm{SD}}{{\rm{M}}_ {\rm{r}1}}\!\!\!\!^ {\rm{j}}$ 为信号畸变引起的误差。

由于两台接收机零基线连接，所受的电离层延迟、对流层延迟和相对论效应延迟基本一致，卫星频间差对不同接收机来说是一致的，接收机频间差对不同卫星来说也是一致的，因此对两台接收机的O-C进行双差处理时，可以将接收机钟差、卫星钟差、接收机频间差、卫星频间差、电离层延迟、对流层延迟、相对论效应延迟等误差消除，伪距测量多径在长弧段内也认为是零均值的。因此双差后的O-C序列均值为两台接收机的伪距测量偏差。

为了对比分析北斗2号与北斗试验卫星的信号性能差异及特点，本文选取了北斗2号与试验卫星共有的民用信号—B1频点I支路信号作为分析对象来开展伪距偏差问题的深入分析与研究。在对北斗2号B1I信号伪距偏差进行测量过程中，选取了4个不同厂家的接收机进行零基线试验，将其中一台接收机分别与其他3台接收机做双差处理，通过查看互差均值来分析B1I频点的伪距偏差现象。本文在进行双差计算时选取C01卫星为基准星，将1号接收机、2号接收机和3号接收机伪距测量值分别与4号接收机做双差处理。需要说明的是，由于1号接收机在观测过程中无法正常接收C05和C12号卫星数据，因此在表1中表中有几处出现了无数据现象。

表 1 北斗二号卫星B1I信号伪距偏差(m)

接收机	卫星
接收机	C02	C03	C04	C05	C06	C07	C08	C09	C10	C11	C12	C14
1号–4号	0.10	0.40	0.02	–	0.23	–0.01	0.31	0.24	0.65	0.37	–	0.49
2号–4号	–0.05	0.27	0.10	0.34	0.16	–0.10	0.14	0.17	0.40	0.18	0.57	0.22
3号–4号	0.00	0.42	0.22	0.53	0.08	0.08	0.18	0.20	0.77	0.67	0.72	0.48

下载: 导出CSV

| 显示表格

由表1分析可知：不同接收机间和不同卫星之间的伪距差出现了非零均值的常数，而且不同卫星或不同接收机之间的偏差大小不一。因此下一节将针对伪距偏差问题的产生机理展开深入分析。

3. 伪距偏差产生机理分析

卫星导航信号从产生发射到空间传播，再到地面接收，若整个传输通道特性非理想，即通道传递函数H(f)幅频特性和相频特性均不理想，则此时到达地面接收系统的卫星信号与本地复现码做相关运算时，相关函数会发生非线性畸变，进而引起相关曲线非对称，导致码跟踪环鉴相曲线锁定点有偏差，最终会导致测距误差^[9–12]，如图1所示。

图 1 本地码和卫星实测信号的互相关示意图

下载: 全尺寸图片幻灯片

以具有代表性的非相干超前减滞后功率型鉴相器为例，设其相关器的超前-滞后间距为 $\delta$ ，则其S曲线计算式可表示为^[9]

${\rm{Curve}}\left( {\varepsilon ,\delta } \right) \!=\! {\left| {{\rm{CCF}}\left( {\varepsilon \!-\! \frac{\delta }{2}} \right)} \right|^2} \!-\! {\left| {{\rm{CCF}}\left( {\varepsilon \!+\! \frac{\delta }{2}} \right)} \right|^2}$

(5)

锁定点偏差 ${\varepsilon _{\rm bs}}\left( \delta \right)$ 满足

${\rm{Curve}}\left( {{\varepsilon _{\rm bs}}\left( \delta \right),\delta } \right) = 0$

(6)

S曲线偏差的定义为

${\rm{SCB = }}\max \left( {{\varepsilon _{\rm bs}}\left( \delta \right)} \right) - \min \left( {{\varepsilon _{\rm bs}}\left( \delta \right)} \right)$

(7)

图1中的实线代表理想信号相关曲线，虚线表示实际接收到的卫星信号有畸变的相关曲线。从图中可以看出：实测信号相关曲线严重不对称，因此在不同的相关器间隔下，S曲线的锁定点偏差不同，从而导致不同相关器间隔的接收机同时观测两颗卫星时，伪距做双差处理后仍然存在无法抵消的非零常数，也即伪距偏差。

由于伪距偏差是卫星信号的非理想特性以及用户接收机参数(主要是前端带宽和相关器间隔两个参数)设置的不同共同引起的^[13]，因此为了便于从公式推导，先假设接收机的前端带宽均相同，仅相关器间隔不同，这时有以下几种可能性：

(1)两台接收机(不同相关器间隔)同时观测一颗卫星，做单差处理：

$\begin{align}{\rho _ {\rm{mn}}} = & c\left[ {{δ} {t_ {{u,{\rm m}}}} - {δ}{t_ {{u,{\rm n}}}}} \right] + {\varepsilon _ {\rho,\rm{m}}} - {\varepsilon _ {\rho,\rm{n}}} + {\rm{M}}{{\rm{P}}_ {\rho,\rm{m}}} \\& - {\rm{M}}{{\rm{P}}_ {\rho,\rm{n}}} + {\rm{SD}}{{\rm{M}}_ {\rho,\rm{m}}} - {\rm{SD}}{{\rm{M}}_ {\rho,\rm{n}}} \end{align}$

(8)

(2)两台接收机(不同相关器间隔)同时观测两颗卫星，做双差处理：

${\rho ^ {\rm{i,j}}}\!\!\!\!_ {\rm{mn}} = {\varepsilon ^ {\rm{i,j}}}\!\!\!\!_ {\rho,\rm{mn}} + {\rm{M}}{{\rm{P}}^ {\rm{i,j}}}\!\!\!\!_ {\rho,\rm{mn}} + {\rm{SD}}{{\rm{M}}^ {\rm{i,j}}}\!\!\!_ {\rho,\rm{mn}}$

(9)

其中，m和n表示接收机，i和j表示卫星。

信号畸变量一般为常数，假设 ${\varepsilon ^ {\rm{i,j}}}\!\!\!\!_ {\rho,\rm{mn}}$ 和 ${\rm{M}}{{\rm{P}}^ {\rm{i,j}}}\!\!\!\!_ {\rho,\rm{mn}}$ 相比信号畸变带来的伪距差较小，而且均为零均值噪声分布，则此时可以通过一段时间平均的方式求出信号畸变量。

(3)两台接收机(相同相关器间隔)同时观测一颗卫星，做单差处理：

${\rho _ {\rm{mn}}} = c\left[ {{δ}{t_ {{u,{\rm m}}}} - {δ}{t_ {{u,{\rm m} \right] + {\varepsilon _ {\rho,\rm{m}}} - {\varepsilon _ {\rho,\rm{n}}}$

(10)

可以看到，多径和信号畸变都被抵消。

(4)两台接收机(相同相关器间隔)同时观测两颗卫星，做双差处理：

${\rho ^ {\rm{i,j}}}\!\!\!\!_ {\rm{mn}} = {\varepsilon ^ {\rm{i,j}}}\!\!\!\!_ {\rm{mn}}$

(11)

只剩噪声，认为是零均值的。

双频定位时使用无电离层组合，如式(12)：

$P_{{{\rm{B}}1{\rm{B}}{3 }}_ {\rm{r}1}}^ {\rm{i}} = \frac{{{f_1}\!\!^{\raisebox{2pt}{2}}}}{{{f_1}\!\!^{\raisebox{2pt}{2}}- {f_3}\!\!^{\raisebox{2pt}{2}}}} \cdot P_{{{\rm{B}}{1 }}_ {\rm{r}1}}^ {\rm{i}} - \frac{{{f_3}\!\!^{\raisebox{2pt}{2}}}}{{{f_1}\!\!^{\raisebox{2pt}{2}} - {f_3}\!\!^{\raisebox{2pt}{2}}}} \cdot P_{{{\rm{B}}{3 }}_ {\rm{r}1}}^ {\rm{i}}$

(12)

双频短基线O-C双差结果为

$\begin{align}{\rm{om}}{\rm{c}}_{{{\rm{B}}1{\rm{B}}{3 }}_{{\rm{r}}1,{\rm{r}}2}}^ {\rm{i,j}} =& \frac{{{f_1}\!\!^{\raisebox{2pt}{2}}}}{{{f_1}\!\!^{\raisebox{2pt}{2}} - {f_3}\!\!^{\raisebox{2pt}{2}}}} \cdot {\rm{om}}{\rm{c}}_{{{\rm{B}}{1 }}_{{\rm{r}}1,{\rm{r}}2}}^ {\rm{i,j}} \\& -\frac{{{f_3}\!\!^{\raisebox{2pt}{2}}}}{{{f_1}\!\!^{\raisebox{2pt}{2}} - {f_3}\!\!^{\raisebox{2pt}{2}}}} \cdot {\rm{om}}{\rm{c}}_{{{\rm{B}}{3 }}_{ {\rm{r}}1,{\rm{r}}2}}^ {\rm{i,j}}\end{align}$

(13)

可以发现，B1I频点的伪距测量偏差会分别被放大约2.9倍。若进行电离层消除的两个频点的伪距测量偏差符号相反，则双频无电离层组合的伪距测量偏差会被严重放大。

研究表明：若各颗卫星信号的畸变特性完全一致，或各台接收机的参数设置完全一致，则在进行双差处理时，完全可以消除由于卫星信号畸变或者接收机参数的不同导致的伪距偏差现象。因此，即便是接收到的信号存在非理想特性，处于零基线或短基线的不同接收机若参数设置相同，则在进行伪距双差处理时仍将得到零均值的高斯噪声。

由于不同卫星导航信号的非理想特性不同，因此不同的用户接收机同时接收不同卫星的导航信号时，测量得到的伪距值不同，从而产生伪距偏差现象。由于在轨运行卫星的导航信号很难做调整，而且在实现过程中不可能保证所有卫星信号特性完全一致，因此本文将主要从用户端研究伪距偏差影响，包括相关器间隔的设置、滤波器带宽以及不同卫星俯仰角对北斗2号卫星导航信号伪距偏差测量结果的影响，并最终给出用户端接收机参数设置范围建议，从而最大程度上减小由信号非理想特性导致的伪距偏差给用户带来的影响。

4. 伪距偏差与相关器间隔

接收机主要是利用本地复现的理想测距码与接收的卫星下行信号测距码进行相关运算进行捕获、跟踪以及测距计算的。在实际应用中，接收机相关器间隔选取合适与否，直接决定了码跟踪测量精度^[14–16]。

2017年11月，利用昊平观测站的40 m天线GNSS信号观测评估系统采集的数据，按照前述方法分析计算可视北斗B1I信号相关间隔1码片以内的S曲线过零点偏差。由于篇幅限制，图2仅给出了几颗比较有代表性的卫星信号分析结果。

图 2 单边8 MHz带宽条件下，北斗卫星B1I频点信号及GPS L1C/A信号S曲线过零点偏差随相关器间隔的变化情况

下载: 全尺寸图片幻灯片

分析结果表明：首先，在单边带宽均为8 MHz条件下，北斗系统信号间的差异性约是GPS的5倍，而且GPS不同卫星信号之间的一致性较北斗信号好；其次，在相同带宽条件下，北斗系统不同卫星B1I信号的S曲线过零点偏差随相关器间隔的变化相差比较大；另外，对北斗系统同一颗卫星而言，不同相关器间隔下的过零点偏差相差也比较大；最后，相同类型卫星信号的S曲线过零点偏差曲线比较接近，不同类型卫星之间的S曲线过零点偏差相差较大，说明北斗系统同类型卫星信号之间的差异性较小。

由于北斗系统伪距偏差相比GPS系统偏差较大，因此本文将主要以北斗信号为研究对象，重点研究针对北斗B1I信号的伪距偏差特性。假设参考接收机的相关器间隔为0.5码片，则本文给出了不同卫星B1I信号的S曲线过零点偏差随相关器间隔变化的分析结果。需要说明的是由于篇幅限制，本文图3—图5仅给出了几颗比较有代表性的卫星信号分析结果。

图 3 参考接收机相关器间隔为0.5码片时的S曲线过零点偏差

下载: 全尺寸图片幻灯片

从图3及数据分析结果可以看出，若用户接收机相关器间隔取0.2码片，则用户接收机与参考接收机同时接收相关卫星信号并做伪距双差处理时，带来的伪距偏差最大约为3 ns；若用户接收机相关器间隔取0.6码片，则用户接收机与参考接收机同时接收相关卫星信号时，带宽的误差最大约为0.8 ns。因此，若此时用户接收机相关器间隔的设置比较接近参考接收机的相关器参数设置时，带来的伪距偏差较小。例如取值为[0.4码片 0.6码片]时，带来的伪距偏差最大为0.8 ns。

5. 伪距偏差与滤波器带宽

接收机前端带宽的作用是保证有用信号通过的同时，滤除掉带外干扰信号的影响。若前端带宽较宽，则会引入干扰信号或其他支路信号的影响，影响测距精度。

利用上一节所采用的昊平观测站采集数据，本小节将重点研究滤波器带宽对伪距偏差的影响。为了减小滤波器对分析结果的影响，试验过程中采用的滤波器是锐截止FIR滤波器并假定除滤波器带宽外接收机其他参数均相同。

图4给出了不同滤波器带宽情况下的S曲线过零点偏差变化情况。分析结果表明：在相同相关器间隔条件下，不同卫星B1I信号的S曲线过零点偏差随带宽的变化相差较大；另外，对同一颗卫星而言，不同滤波器带宽下的过零点偏差相差也较大；相同类型的卫星S曲线过零点偏差曲线比较接近，不同类型卫星之间的S曲线过零点偏差相差较大。

图 4 相关器间隔为0.5码片条件下，北斗卫星B1I频点信号S曲线过零点偏差随滤波器带宽的变化情况

下载: 全尺寸图片幻灯片

假设参考接收机的滤波器单边带宽为4 MHz，则不同卫星B1I信号的S曲线过零点偏差随滤波器带宽变化的分析结果如图5所示。

图 5 参考接收单边带宽为4 MHz时的S曲线过零点偏差

下载: 全尺寸图片幻灯片

分析结果表明：若用户接收机单边带宽取2 MHz，则用户接收机与参考接收机同时接收相同卫星信号并做伪距双差处理时，带来的伪距偏差最大约为1.0 ns；若用户接收机单边带宽取8 MHz，则用户接收机与参考接收机同时接收相同卫星信号并做伪距双差处理时，带来的伪距偏差最大约为2.8 ns。

因此，若此时用户接收机的滤波器带宽设置比较接近参考接收机的带宽参数设置时，带来的伪距偏差较小。例如取值为[2 MHz 5 MHz]时，带来的伪距偏差最大为1.0 ns。

6. 伪距偏差与卫星仰角

为了研究卫星俯仰角对伪距偏差的影响，利用昊平观测站的40 m天线GNSS信号观测评估系统，对每颗卫星仰角变化每隔约10°采集一组数据，最后统计分析各颗卫星信号在不同俯仰角下的伪距偏差结果，分析结果如图6所示。

图 6 带宽为2 MHz且相关器间隔0.1码片时，不同卫星俯仰角条件下的北斗B1I信号S曲线过零点偏差分析结果

下载: 全尺寸图片幻灯片

通过对各颗北斗卫星在不同俯仰角条件下的S曲线过零点偏差统计分析，结果表明：卫星俯仰角对伪距偏差影响基本在厘米级(<0.15 ns)。

7. 结束语

伪距偏差产生的根本原因是卫星导航信号的畸变，而且这种信号畸变对于不同的卫星来说表现形式并不完全相同。因此当接收机中复现的测距码与卫星下行信号测距码做相关运算时，不同卫星信号得到的相关曲线不同，导致不同卫星信号的S曲线过零点偏差也不同，从而会带来不同的测距误差。这也就从根本上解释了为什么会带来文章引言部分提到的伪距偏差现象。

针对我国北斗卫星导航系统出现的伪距偏差问题，本文利用昊平观测站40 m天线系统采集各颗北斗卫星信号数据，同时选取零基线条件下的4个不同厂家的接收机开展相关试验及验证工作。首先根据观测过程中得到的伪距偏差现象及表现特点，从理论分析、公式推导和试验验证几个方面，研究了伪距偏差产生的根本原因，然后详细论证分析了在不同相关器间隔、不同滤波器带宽和不同卫星俯仰角条件下伪距偏差对用户的影响，最终得出结论如下：

(1)卫星俯仰角对伪距偏差的影响较小(厘米级)，因此可以忽略；

(2)不同用户接收机之间滤波器带宽设置的差异，会严重影响伪距偏差测量结果：接收机间滤波器带宽设置的差异越小，带来的伪距偏差越小；

(3)不同用户接收机之间相关器间隔设置的差异，同样会严重影响伪距偏差测量结果：接收机间相关器间隔设置的差异越小，带来的伪距偏差越小。

因此，本文针对北斗卫星导航用户终端，给出接收机参数设置范围建议如下：

(1)在已知参考接收机滤波器带宽和相关器间隔条件下，用户终端的相应参数设置尽量与参考接收机的参数设置接近；例如当参考接收机相关器间隔为0.20码片情况下，建议用户接收机相关器间隔取[0.10 0.25]码片，或当参考接收机相关器间隔为0.50码片情况下，建议用户接收机相关器间隔取[0.38码片 0.60码片]，此时带来的最大伪距偏差不超过0.2 m。

(2)在未知参考接收机滤波器带宽和相关器间隔条件下，建议各类用户终端尽量统一相应参数设置范围，或者说不同生产厂家的接收机滤波器带宽和相关器间隔之间的差异应尽可能地小，从而最大程度上减小由于下行卫星导航信号的非理想特性导致的伪距偏差给用户带来的影响。

致谢感谢昊平观测站相关人员的帮助及数据采集，感谢北斗在轨验证与技术试验团队的各位专家对本试验提出的宝贵意见及建议。

图 1 基于2层残差块的深度卷积神经网络模型

下载: 全尺寸图片幻灯片

图 2 基于卷积神经网络的迁移学习策略

下载: 全尺寸图片幻灯片

图 3 32通道脑电电极分布图

下载: 全尺寸图片幻灯片

图 4 基于同步采集的眼电(HEOG水平眼电，VEOG垂直眼电)和面部图像进行主观划分得到的2种不同数据片段

下载: 全尺寸图片幻灯片

图 5 3种情绪下的电极-频率分布图

下载: 全尺寸图片幻灯片

图 6 深度情绪识别网络的训练过程

下载: 全尺寸图片幻灯片

图 7 微调网络和随机初始化网络的训练过程

下载: 全尺寸图片幻灯片

表 1 基于2层残差块的卷积神经网络模型的详细结构参数

	网络层类型	特征层数	特征层尺寸
输入层			100×30
残差块1	卷积层Conv1_1(3×3)、批归一化(32)	32	100×30
	卷积层Conv1_2(3×3)、批归一化(32)	32	100×30
	卷积层Conv2(1×1)、批归一化(32)	32	100×30
池化层1	最大池化(2, 2)	32	50×15
残差块2	卷积层Conv1_1(3×3)、批归一化(64)	64	50×15
	卷积层Conv1_2(3×3)、批归一化(64)	64	50×15
	卷积层Conv2(1×1)、批归一化(64)	64	50×15
池化层2	最大池化(2, 2)	64	25×7
全连接层1	全连接		1024
全连接层2	全连接		3
输出层	Softmax		3

下载: 导出CSV

表 2 疲劳驾驶实验时间安排表

时间	事件
11:30～12:10	搭建实验平台，向被试说明实验要求和实验过程中的注意事项等；
12:10～12:20	被试者针对模拟驾驶环境进行适应性练习；
12:20～15:10	开始测试，被试者进行持续驾驶，实验组织人员记录实验相关数据；
15:10～	整理实验设备，实验完成。

下载: 导出CSV

表 3 不同方法在SEED数据集上的识别结果

方法	特征	分类器	信号	平均准确率(%)
Zheng方法^[16]	DE	DBN	EEG(1s)	86.08
Thejaswini方法^[22]	Statistical features, Hjorth parameters, DE, DASM, RASM	ANN	NA	91.20
Tang方法^[23]	PSD, DE, Mean, SD	Bimodal-LSTM	EEG(4s)+Eye movement	93.97
本文方法	EFDMs	CNN	EEG(1s)	90.59

下载: 导出CSV

表 4 不同的模式识别方法对疲劳状态的识别结果

方法	平均准确率(%)
EFDMs+随机初始化训练	82.60
EFDMs+微调全连接层	77.15
EFDMs+微调全部网络	83.90
PSD+SVM	75.53
SampEn+SVM	63.69
EEG+DBN	79.01
EFDMs+AlexNet	83.59
EFDMs+VGGNet	82.67

下载: 导出CSV

参考文献(23)

李刚. 基于脑功能网络的脑力疲劳检测技术及其形成机理研究[D]. [博士论文], 山东大学, 2017.

LI Gang. Study on the mental fatigue detecting technology and its formation mechanism based on brain functional network[D]. [Ph. D. dissertation], Shandong University, 2017.

BALANDONG R P, AHMAD R F, SAAD M N M, et al. A review on EEG-based automatic sleepiness detection systems for driver[J]. IEEE Access, 2018, 6: 22908–22919. doi: 10.1109/ACCESS.2018.2811723

HU Jianfeng. Comparison of different features and classifiers for driver fatigue detection based on a single EEG channel[J]. Computational and Mathematical Methods in Medicine, 2017: 5109530. doi: 10.1155/2017/5109530

XIONG Yijun, GAO Junfeng, YANG Yong, et al. Classifying driving fatigue based on combined entropy measure using EEG signals[J]. International Journal of Control and Automation, 2016, 9(3): 329–338. doi: 10.14257/ijca

FU Rongrong, WANG Hong, and ZHAO Wenbo. Dynamic driver fatigue detection using hidden Markov model in real driving condition[J]. Expert Systems with Applications, 2016, 63: 397–411. doi: 10.1016/j.eswa.2016.06.042

LI Zuojin, LI S M, LI Renjie, et al. Online detection of driver fatigue using steering wheel angles for real driving conditions[J]. Sensors, 2017, 17(3): 495–508. doi: 10.3390/s17030495

王斐, 王少楠, 王惜慧, 等. 基于脑电图识别结合操纵特征的驾驶疲劳检测[J]. 仪器仪表学报, 2014, 35(2): 398–404.

WANG Fei, WANG Shaonan, WANG Xihui, et al. Driving fatigue detection based on EEG recognition and vehicle handling characteristics[J]. Chinese Journal of Scientific Instrument, 2014, 35(2): 398–404.

LI Zuojin, CHEN Liukui, PENG Jun, et al. Automatic detection of driver fatigue using driving operation information for transportation safety[J]. Sensors, 2017, 17(6): 1212–1222. doi: 10.3390/s17061212

ZHANG Qingchen, YANG L T, CHEN Zhikui, et al. A survey on deep learning for big data[J]. Information Fusion, 2018, 42: 146–157. doi: 10.1016/j.inffus.2017.10.006

HATCHER W G and YU Wei. A survey of deep learning: Platforms, applications and emerging research trends[J]. IEEE Access, 2018, 6: 24411–24432. doi: 10.1109/ACCESS.2018.2830661

DU Lihuan, LIU Wei, ZHENG Weilong, et al. Detecting driving fatigue with multimodal deep learning[C]. The 8th International IEEE/EMBS Conference on Neural Engineering (NER), Shanghai, China, 2017: 74–77. doi: 10.1109/NER.2017.8008295.

MAO Zijing, YAO Wanxiang, and HUANG Yufei. EEG-based biometric identification with deep learning[C]. The 8th International IEEE/EMBS Conference on Neural Engineering (NER), Shanghai, China, 2017: 609–612. doi: 10.1109/NER.2017.8008425.

WANG Haixian. Optimizing spatial filters for single-trial EEG classification via a discriminant extension to CSP: The Fisher criterion[J]. Medical & Biological Engineering & Computing, 2011, 49(9): 997–1001. doi: 10.1007/s11517-1-0766-7

CHUANG C H, KO L W, LIN Yuanpin, et al. Independent component ensemble of EEG for brain-computer interface[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2014, 22(2): 230–238. doi: 10.1109/TNSRE.2013.2293139

LI Mingyang, CHEN Wanzhong, and ZHANG Tao. Classification of epilepsy EEG signals using DWT-based envelope analysis and neural network ensemble[J]. Biomedical Signal Processing and Control, 2017, 31: 357–365. doi: 10.1016/j.bspc.2016.09.008

ZHENG Weilong and LU Baoliang. Investigating critical frequency bands and channels for EEG-based emotion recognition with deep neural networks[J]. IEEE Transactions on Autonomous Mental Development, 2015, 7(3): 162–175. doi: 10.1109/TAMD.2015.2431497

ZHANG Benyu, JIANG Huiping, and DONG Linshan. Classification of EEG signal by WT-CNN model in emotion recognition system[C]. The 2017 IEEE 16th International Conference on Cognitive Informatics & Cognitive Computing (ICCI^*CC), Oxford, UK, 2017: 109–114. doi: 10.1109/ICCI-CC.2017.8109738.

LEE H K and CHOI Y S. A convolution neural networks scheme for classification of motor imagery EEG based on wavelet time-frequecy image[C]. 2018 International Conference on Information Networking (ICOIN), Chiang Mai, Thailand, 2018: 906–909. doi: 10.1109/ICOIN.2018.8343254.

PAN S J and YANG Qiang. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345–1359. doi: 10.1109/TKDE.2009.191

YOSINSKI J, CLUNE J, BENGIO Y, et al. How transferable are features in deep neural networks?[C]. The 27th International Conference on Neural Information Processing Systems, Cambridge, USA, 2014: 3320–3328.

ZHENG Weilong, ZHU Jiayi, and LU Baoliang. Identifying stable patterns over time for emotion recognition from EEG[J]. IEEE Transactions on Affective Computing, 2017. doi: 10.1109/TAFFC.2017.2712143

THEJASWINI S, RAVI KUMAR K M, RUPALI S, et al. EEG Based Emotion Recognition Using Wavelets and Neural Networks Classifier[M]. GURUMOORTHY S, RAO B N K, GAO Xiaozhi. Cognitive Science and Artificial Intelligence: Advances and Applications. Singapore: Springer, 2018: 101–112.

TANG Hao, LIU Wei, ZHENG Weilong, et al.. Multimodal emotion recognition using deep neural networks[C]. The 24th International Conference on International Conference on International Conference on Neural Information Processing, Guangzhou, China, 2017: 811–819. doi: 10.1007/978-3-319-70093-9_86.

施引文献

期刊类型引用(49)

1.	张宏，周大伟，陆丽，康小东. 基于改进的樽海鞘群算法的永磁同步电机多目标优化设计. 电机与控制应用. 2025(02): 221-230 . 百度学术
2.	徐良，田青云，文成，张海波，郭晶晶. 基于改进樽海鞘群算法的测试数据自动生成. 信息技术与信息化. 2024(01): 117-121 . 百度学术
3.	李辉，殷文明. 探索者变异樽海鞘算法及其应用. 数学的实践与认识. 2024(03): 151-159 . 百度学术
4.	蒙淑娇，晋良念. 基于改进鲸鱼优化的地面短基线单站无源定位方法. 无线电工程. 2024(07): 1739-1748 . 百度学术
5.	曹宁，严心娥，徐根祺，许又文，张正勃，杜倩云. 基于DEFA-LSSAR的水利工程边坡力学参数预测模型. 计算机与现代化. 2024(07): 106-111 . 百度学术
6.	史红伟，左越. 基于LPNN的无源ML-TDOA估计. 沈阳工业大学学报. 2024(06): 832-839 . 百度学术
7.	肖剑，刘经纬，胡欣，齐小刚. 基于改进非洲秃鹫算法的TDOA-AOA定位. 吉林大学学报(工学版). 2024(12): 3558-3567 . 百度学术
8.	陈一馨，张婷，刘永刚，陈晶. 基于改进樽海鞘群算法的提梁机主梁轻量化设计方法. 东北大学学报(自然科学版). 2023(02): 223-232 . 百度学术
9.	牛昊一，吴维敏，章庭棋，沈微，张涛 . 自适应樽海鞘群算法求解考虑运输时间的柔性作业车间调度. 浙江大学学报(工学版). 2023(07): 1267-1277 . 百度学术
10.	问轲，林晶，张学昌，刘永跃. 混沌策略和非线性收敛因子的核参数寻优算法. 机械科学与技术. 2023(09): 1490-1501 . 百度学术
11.	丁美芳，吴克晴，肖鹏. 多策略融合的黄金正弦樽海鞘群算法. 南京信息工程大学学报(自然科学版). 2023(06): 662-675 . 百度学术
12.	叶智慧，吴红梅，王佩，熊伟，郭颖，陈略，董志源. 基于量子海鸥算法的运载火箭回收舱段时差定位方法. 上海航天(中英文). 2023(06): 121-135 . 百度学术
13.	张铸，张仕杰，饶盛华，王静袁. 基于自适应正态云模型的引力樽海鞘群算法. 控制与决策. 2022(02): 344-352 . 百度学术
14.	韦子辉，王世昭，叶兴跃，马英杰，李小阳，方立德. 基于超宽带的TDOA相邻单元协同定位技术. 电子测量技术. 2022(01): 77-83 . 百度学术
15.	赵玉超，袁宏拓，孙铭. 基于单步加权最小二乘的战场集结定位算法. 河北科技大学学报. 2022(01): 42-49 . 百度学术
16.	高岳林，杨钦文，王晓峰，李嘉航，宋彦杰. 新型群体智能优化算法综述. 郑州大学学报(工学版). 2022(03): 21-30 . 百度学术
17.	马一鸣，石志东，赵康，贡常磊，单联海. 基于改进樽海鞘群算法的到达时间差定位. 上海大学学报(自然科学版). 2022(02): 238-249 . 百度学术
18.	段绍米，罗会龙，刘海鹏. 人群搜索和樽海鞘群的混合算法优化PID参数. 系统仿真学报. 2022(06): 1230-1246 . 百度学术
19.	方立德，王世昭，解云龙，李萌旭，韦子辉. 基于改进粒子群的TDOA三维定位解算方法. 现代电子技术. 2022(13): 45-50 . 百度学术
20.	汤安迪，韩统，徐登武，周欢，谢磊. 使用高斯分布估计策略的改进樽海鞘群算法. 系统工程与电子技术. 2022(07): 2229-2240 . 百度学术
21.	彭石燕，郑洪清. 复数编码的樽海鞘群算法及其应用. 广西民族大学学报(自然科学版). 2022(02): 81-86 . 百度学术
22.	范纯龙，童航. 樽海鞘算法在测试用例约简问题中的应用. 电脑编程技巧与维护. 2022(10): 8-10+15 . 百度学术
23.	余修武，黄露平，刘永，李佩. 融合柯西折射反向学习和变螺旋策略的WSN象群定位算法. 控制与决策. 2022(12): 3183-3189 . 百度学术
24.	刘树东，梁婷蓉，王燕，张艳. 一种提高水下目标被动定位性能的两步定位法. 天津城建大学学报. 2022(06): 460-466 . 百度学术
25.	刘小龙，许岩，徐维军. 基于统计引导和多项式差分学习的樽海鞘优化算法. 运筹与管理. 2021(01): 43-49 . 百度学术
26.	王振亚，姚立纲，蔡永武，张俊. 基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法. 振动与冲击. 2021(06): 107-114 . 百度学术
27.	刘景森，袁蒙蒙，李煜. 基于改进樽海鞘群算法求解工程优化设计问题. 系统仿真学报. 2021(04): 854-866 . 百度学术
28.	魏鹏飞，樊小朝，史瑞静，王维庆，闫亚东. 基于互补式集合经验模态分解和SSA-ELM的短期风电功率预测. 水力发电. 2021(05): 116-120 . 百度学术
29.	赵忠凯，刘楯，黄湘松. 无人机编队时差定位时的空间布局分析. 应用科技. 2021(02): 12-18+41 . 百度学术
30.	韩超杰，郝玉然，刘亚飞. 基于SSA-Otsu的彩色图像多阈值分割研究. 现代计算机. 2021(10): 108-111 . 百度学术
31.	陈连兴，牟永敏. 一种改进的樽海鞘群算法. 计算机应用研究. 2021(06): 1648-1652 . 百度学术
32.	蒋美琪，杨兴，罗聪敏. 基于反向学习与混合位置中心的樽海鞘算法. 西华大学学报(自然科学版). 2021(01): 17-21+74 . 百度学术
33.	杨兴，郭明昊，方霞，祝忠明，蒋美琪. 基于天牛须搜索自适应的樽海鞘算法. 计算机技术与发展. 2021(06): 1-6 . 百度学术
34.	唐菁敏，郑锦文，曲文博. 基于改进自适应乌鸦搜索算法的无源定位. 重庆邮电大学学报(自然科学版). 2021(03): 372-377 . 百度学术
35.	卓然，王未卿. 混沌映射与动态学习的自适应樽海鞘群算法. 计算机工程与设计. 2021(07): 1963-1972 . 百度学术
36.	刘景森，袁蒙蒙，左方. 面向全局搜索的自适应领导者樽海鞘群算法. 控制与决策. 2021(09): 2152-2160 . 百度学术
37.	田洪舟，陈思溢，黄辉先. 基于改进樽海鞘群算法的无线传感器网络节点定位. 传感器与微系统. 2021(09): 139-141+145 . 百度学术
38.	唐铁斌，刘炜. 基于改进樽海鞘群算法的SDN控制器部署算法. 计算机应用与软件. 2021(12): 291-297 . 百度学术
39.	孙光才，王裕旗，高昭昭，江帆，邢孟道，保铮. 一种基于短合成孔径的双星干涉精确定位方法. 电子与信息学报. 2020(02): 472-479 . 本站查看
40.	张文彬. 基于天体运动更新机制的改进樽海鞘群算法. 上海电力大学学报. 2020(02): 195-200 . 百度学术
41.	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法. 计算机工程与应用. 2020(10): 44-50 . 百度学术
42.	林国营，卢世祥，郭昆健，高赐威，冯小峰. 基于主从博弈的电网公司需求响应补贴定价机制. 电力系统自动化. 2020(10): 59-68 . 百度学术
43.	王明超，董佳圆，李继影，高磊，聂永辉. 基于ISSA的STATCOM模型参数解耦辨识研究. 东北电力大学学报. 2020(01): 81-89 . 百度学术
44.	张达敏，陈忠云，辛梓芸，张绘娟，闫威. 基于疯狂自适应的樽海鞘群算法. 控制与决策. 2020(09): 2112-2120 . 百度学术
45.	陈忠云，张达敏，辛梓芸. 正弦余弦算法的樽海鞘群算法. 计算机应用与软件. 2020(09): 209-214 . 百度学术
46.	范千，陈振健，夏樟华. 一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法. 哈尔滨工业大学学报. 2020(10): 183-191 . 百度学术
47.	马一鸣，石志东，赵康，贡常磊，单联海. 基于改进哈里斯鹰优化算法的TDOA定位. 计算机工程. 2020(12): 179-184 . 百度学术
48.	孙铭阳. 基于SSA-PNN的矿井提升机主轴装置故障诊断. 无线互联科技. 2019(09): 139-141+144 . 百度学术
49.	王丽，康飞. 基于樽海鞘群优化算法的裂缝图像分割. 电脑知识与技术. 2019(25): 223-224 . 百度学术

其他类型引用(48)

资源附件(0)

访问统计

图(7) / 表(4)

计量

文章访问数: 3596
HTML全文浏览量: 2362
PDF下载量: 259
被引次数: 97

1. 引言
2. 伪距偏差现象分析
3. 伪距偏差产生机理分析
4. 伪距偏差与相关器间隔
5. 伪距偏差与滤波器带宽
6. 伪距偏差与卫星仰角
7. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于脑电信号深度迁移学习的驾驶疲劳检测

doi: 10.11999/JEIT180900

通讯作者:
王斐　wangfei@mail.neu.edu.cn

计量

Driver Fatigue Detection Through Deep Transfer Learning in an Electroencephalogram-based System

1. 引言

2. 伪距偏差现象分析

3. 伪距偏差产生机理分析

4. 伪距偏差与相关器间隔

5. 伪距偏差与滤波器带宽

6. 伪距偏差与卫星仰角

7. 结束语

期刊类型引用(49)

其他类型引用(48)

计量

目录

1. 引言

2. 伪距偏差现象分析

3. 伪距偏差产生机理分析

4. 伪距偏差与相关器间隔

5. 伪距偏差与滤波器带宽

6. 伪距偏差与卫星仰角

7. 结束语

留言板

基于脑电信号深度迁移学习的驾驶疲劳检测

doi: 10.11999/JEIT180900

通讯作者: 王斐 wangfei@mail.neu.edu.cn

计量

出版历程

Driver Fatigue Detection Through Deep Transfer Learning in an Electroencephalogram-based System

1. 引言

2. 伪距偏差现象分析

3. 伪距偏差产生机理分析

4. 伪距偏差与相关器间隔

5. 伪距偏差与滤波器带宽

6. 伪距偏差与卫星仰角

7. 结束语

期刊类型引用(49)

其他类型引用(48)

计量

出版历程

目录

1. 引言

2. 伪距偏差现象分析

3. 伪距偏差产生机理分析

4. 伪距偏差与相关器间隔

5. 伪距偏差与滤波器带宽

6. 伪距偏差与卫星仰角

7. 结束语

通讯作者:
王斐　wangfei@mail.neu.edu.cn