——介紹Python的基礎操作，通過示例進行編程展示；——講解信號處理基礎，通過Python編程對小波理論、小波包理論等信號處理技術進行編程；——介紹機器學習的模型及原理，並運用Python編程來實現；——分析駕駛行為，運用小波理論和小波包理論等對腦電信號進行處理、分析並提取特征參數，將提取的特征參數輸入到深度學習模型中，對駕駛意圖進行識別；——對深度學習駕駛意圖識別模型進行仿真驗證，將駕駛意圖轉換為相應的指令控制車輛自動駕駛。

●第1章 緒論
1.1 駕駛意圖識別概述
1.2 駕駛意圖識別研究現狀
1.3 深度學習概述
第2章 Python基礎知識
2.1 變量和簡單數據類型
2.2 數字
2.3 列表
2.4 列表切片
2.5 if語句
2.6 字典
2.7 while循環
2.8 函數
2.9 數據可視化
2.10 數據的統計學特征
2.11 代數和符號數學問題
第3章 信號處理基礎
3.1 信號的定義及應用
3.2 信號的分類
3.3 連續時間信號的頻域分析
第4章 機器學習基礎
4.1 矩陣的基本知識
4.2 腦電信號的數據處理
4.3 樹和隨機森林算法
4.4 KNN算法
4.5 貝葉斯理論
4.6 支持向量機
4.7 神經網絡原理
4.8 神經網絡Python基礎
第5章 深度學習的駕駛意圖識別
5.1 腦電信號概述
5.2 試驗方案設計
5.3 駕駛行為與駕駛意圖
5.4 深度學習
第6章 駕駛意圖人機融合
6.1 腦機接口與CAN總線繫統的整體設計
6.2 腦-機接口與CAN總線繫統的模塊化設計
6.3 數據采集繫統
附錄 LSTM模型識別案例代碼
參考文獻

本書主要介紹了Python基礎知識、信號處理技術、機器學習基礎、深度學習的駕駛意圖識別、駕駛意圖人機融合。書中運用小波理論、小波包理論、主成分分析法等對信號進行處理，並通過Python實現；介紹了深度學習模型循環神經網絡、LSTM模型；同時還介紹了輸入腦電信號對駕駛意圖識別的試驗，識別後的駕駛意圖可運用到自動駕駛領域，輔助保障行車安全。本書可幫助讀者更好地理解基於信號技術的深度學習的駕駛意圖識別，更深入地理解並掌握人機融合的駕駛技術原理。本書可供信號處理、車輛工程、交通工程等領域的技術人員、編程人員閱讀，也可供相關專業的師生學習參考。