近年来,随着驾驶疲劳引起的事故日益增多,有关驾驶员的疲劳检测问题已经成为安全研究的重要课题。脑电图(EEG)凭借高时间分辨率和信号采LY2835219体内实验剂量集非侵入性等优势,被广泛地应用于驾驶疲劳检测研究。基于脑电图的驾驶疲劳检测通常做法是直接提取信号中的时频特征进行疲劳程度的分类和预测,但是这种方法只能独立地分析EEG单个通道,难以反映大脑不同区域之间的功能联系,也难以刻画大脑多个区域的整体功能状态,因此需要引入脑功能网络对大脑整体进行分析。实际上,过多的通道会增加引入噪声的概率和加重计算负担,GSK1349572化学结构因此对脑功能网络提取核心网络用于后续分析与分类很有必要。针对基于EEG脑功能网络的驾驶疲劳检测,本文提出了(1)基于状态间差异的核心网络提取方法,(2)基于张量分解和特征选择从核心网络中构造有效分类特征的方法,(3)使用多层卷积神经网络集成核心网络和对应通道的时频特征用于驾驶疲劳检测的方法。具体的研究工作如下:(1)本文基于图论中心性原理和相关性分析,同时考虑两种状态脑网络并以状态间的差异为基点识别核心网络,使得所识别的核心网络更具有鉴别能力。然后在网络上提取参考文献推荐的6种图指标作为分类特征,核心网络上的最高准确率平均值比全节点网络(未提取核心网络)的结果高12.0biomimetic robotics8%。相比于当前最新文献中核心网络的提取方法,本文识别的核心网络不仅可以在更少关键节点数下达到最优的分类效果,而且准确率结果分布曲线明显优于文献中的核心网络提取方法(最高准确率平均值提升4.03%)。(2)研究者通常提取不同频带上的脑功能网络图指标并线性拼接为特征向量用于后续分类,这种方法难以提取不同频带功能网络之间的关联性。针对这个问题,本文利用张量分解和特征选择从多层功能网络中提取有效的分类特征用于驾驶疲劳检测。该方法既可以提取单个频段核心网络的结构信息,又可以提取不同频段核心网络间的关联信息。在特征维度一致的公平前提下,对于相同的核心网络选取方法,张量分解提取特征的最高分类准确率比图论特征的最高准确率平均增加5%以上。基于核心网络和张量分解的特征提取方法具有很强的信息提取和抗干扰能力,可以直接应用于没有二值化的初始脑网络,最高可以达到91.14%的分类准确率。(3)将核心脑网络与对应通道的时频特征结合,提高驾驶疲劳检测的识别率。本文通过研究驾驶疲劳程度改变时脑网络和通道时频特征的变化,发现了两种特征的潜在互补性且脑网络特征的区分度更大。因此本文以核心脑网络为基础并结合对应通道的时频特征,使用多层卷积神经网络集成两种类型特征用于驾驶疲劳检测。最后实验表明,集成核心脑网络和对应通道时频特征的多层卷积神经网络模型分类结果最佳,最高准确率可以达到93.03%。