驾驶员疲劳程度预测方法及装置制造方法及图纸

本公开实施例公开了驾驶员疲劳程度预测方法及装置，其中方法包括：获取不同驾驶时段驾驶员的语音样本，并基于预设的规则进行样本标注，以标注出不同语音样本对应的疲劳程度；提取语音样本的声纹特征以及提起描述疲劳程度的文本特征，得到多模态特征；基于所述特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型，通过语音信号确定驾驶员疲劳程度解决了相关技术中疲劳程度预测精度不佳的缺陷

【技术实现步骤摘要】
驾驶员疲劳程度预测方法及装置


[0001]本公开涉及信息处理
，具体涉及到一种驾驶员疲劳程度预测方法及装置
。

技术介绍

[0002]疲劳驾驶严重危害交通安全，相关技术中，对驾驶员疲劳程度监测通常是通过图像处理的方式，该方式预测准确性不高
。

技术实现思路

[0003]本公开的主要目的在于提供一种驾驶员疲劳程度预测方法及装置
。
[0004]为了实现上述目的，根据本公开的第一方面，提供了一种驾驶员疲劳程度预测方法，包括：获取不同驾驶时段驾驶员的语音样本，并基于预设的规则进行样本标注，以标注出不同样本对应的疲劳程度；提取语音样本的声纹特征以及提起描述疲劳程度的文本特征，得到多模态特征；基于所述特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型
。
[0005]可选地，方法还包括对所述特征进行聚类；在聚类分析之后针对每个类别，将每个类别下的特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型
。
[0006]可选地，提取语音样本的声纹特征以及提起描述疲劳程度的文本特征，得到多模态特征包括：
S1:
对语音样本进行预处理，得到音频帧序列；
S2:
对所述音频帧序列中一帧进行快速傅里叶变换，得到该帧对应的频谱函数；
S3:
对所述频谱函数经过由预设数量个
Mel
滤波器组成的
Mel
滤波器组，计算每个滤波器所覆盖频谱范围内频谱帧的累积能量；预设数量个
Mel
滤波器的计算结果，组成一个预设数量维的
Mel
能量向量；
S4:
取所述
Mel
能量向量的低8维能量值，进行计算自然对数操作，得到一个8维的对数能量向量；对音频帧序列中每一帧，按照
S2
至
S4
的方法进行处理，得到一个对数能量矩阵；5，对数能量矩阵每行为8维的对数能量向量；
S6
，计算对数能量矩阵中每列数据的方差值，8列数据计算得到8个方差值；对所述8个方差值计算均值
x
，以此作为
Mel
能量波动特征；
S7
，对
S
所述对数能量矩阵，以列为对象，列中每
15
个数据点作为一个数据段，最后一段不足
15
点则与相邻数据段合并；计算每个数据段所含极值数，所有数据段的计算结果组成极值数序列；其次，计算上述极值数序列均值作为阈值；进而将上述极值数序列中小于阈值的极值数置为0，得到新的极值数序列；最后，计算新的极值数序列的均值以此作为
Mel
能量振荡特征；
S8
，根据所述
Mel
能量波动特征
、Mel
能量振荡特征的特征值，通过线性加权的方式组合成新的特征值
Z。
[0007]可选地，所述对所述特征进行聚类包括：
S11:
针对
n
个特征
x
j
(j
＝
1,2,
…
,n)
，用在0，1间的值随机数初始化隶属矩阵
U
，使其中元素
u
ij
满足式中的约束条件；
S12:
用式计算
c
个聚类中心
c
i
，
i
＝
1,
…
,c
；
m
是一个超参数，代表模
糊度；
S13:
根据式计算价值函数值，其中
J
表示价值函数，
d
ij
＝
||c
i
‑
x
j
||
为第
i
个聚类中心
c
i
与第
j
个数据点
x
j
间的欧几里德距离；如果价值函数值小于预设阈值，则算法停止；
S14:
用计算新的
U
矩阵，并对所述新的
U
矩阵执行
S13。
[0008]根据本公开的第二方面，提供了一种驾驶员疲劳程度预测方法，包括接收驾驶员的当前驾驶时段的语音信号；
[0009]将所述语音信号输入至权利要求1所述的判断模型中，输出疲劳程度，其中，所述疲劳程度包括疲劳界限
、
轻度疲劳
、
或者重度疲劳
。
[0010]可选地，所述判断模型对所述语音信号的处理包括：提取所述语音信号的预设特征；对提取的预设特征聚类至预设的类别中，计算所述预设的类别中各个特征之间的相似度，将相似度最高的向量作为与所述特征最相似的向量；基于所述最相似的向量确定疲劳程度
。
[0011]根据本公开的第三方面，提供了一种驾驶员疲劳程度预测装置，包括第一处理单元，被配置成获取不同驾驶时段驾驶员的语音样本，并基于预设的规则进行样本标注，以标注出不同样本对应的疲劳程度文本；第二处理单元，被配置成提取语音样本的声纹特征以及提起描述疲劳程度的文本特征，得到多模态特征；第三处理单元，被配置成基于所述特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型
。
[0012]根据本公开的第四方面，提供了一种驾驶员疲劳程度预测装置，包括接收单元，被配置成接收驾驶员的当前驾驶时段的语音信号；预测单元，被配置成将所述语音信号输入至权利要求1所述的判断模型中，输出疲劳程度，其中，所述疲劳程度包括疲劳界限
、
轻度疲劳
、
或者重度疲劳
。
[0013]根据本公开第五方面，提供了一种计算机可读存储介质，存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面任意一项驾驶员疲劳程度预测方法
。
[0014]根据本公开的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面任意一项实现方式所述的方法
。
[0015]本实施例业务系统的驾驶员疲劳程度预测方法及装置，其中方法包括：获取不同驾驶时段驾驶员的语音样本，并基于预设的规则进行样本标注，以标注出不同语音样本对应的疲劳程度；提取语音样本的声纹特征以及提起描述疲劳程度的文本特征，得到多模态特征；基于所述特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型，通过语音信号确定驾驶员疲劳程度解决了相关技术中疲劳程度预测精度不佳的缺陷
。
[0016]为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种驾驶员疲劳程度预测方法，其特征在于，包括：获取不同驾驶时段驾驶员的语音样本，并基于预设的规则进行样本标注，以标注出不同语音样本对应的描述疲劳程度的文本；提取语音样本的声纹特征以及提起描述疲劳程度的文本特征，得到多模态特征；基于所述特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型
。2.
根据权利要求1所述的驾驶员疲劳程度预测方法，其特征在于，所述基于所述特征进行相空间重构之前，所述方法还包括：对所述特征进行聚类；在聚类分析之后针对每个类别，将每个类别下的特征进行相空间重构，以建立语音随不同疲劳程度变化的判断模型
。3.
根据权利要求1所述的驾驶员疲劳程度预测方法，其特征在于，提取语音样本的声纹特征包括：
S1:
对语音样本进行预处理，得到音频帧序列；
S2:
对所述音频帧序列中一帧进行快速傅里叶变换，得到该帧对应的频谱函数；
S3:
对所述频谱函数经过由预设数量个
Mel
滤波器组成的
Mel
滤波器组，计算每个滤波器所覆盖频谱范围内频谱帧的累积能量；预设数量个
Mel
滤波器的计算结果，组成一个预设数量维的
Mel
能量向量；
S4:
取所述
Mel
能量向量的低8维能量值，进行计算自然对数操作，得到一个8维的对数能量向量；对音频帧序列中每一帧，按照
S2
至
S4
的方法进行处理，得到一个对数能量矩阵；
S5
，对数能量矩阵每行为8维的对数能量向量；
S6
，计算对数能量矩阵中每列数据的方差值，8列数据计算得到8个方差值；对所述8个方差值计算均值
x
，以此作为
Mel
能量波动特征；
S7
，对
S
所述对数能量矩阵，以列为对象，列中每
15
个数据点作为一个数据段，最后一段不足
15
点则与相邻数据段合并；计算每个数据段所含极值数，所有数据段的计算结果组成极值数序列；其次，计算上述极值数序列均值作为阈值；进而将上述极值数序列中小于阈值的极值数置为0，得到新的极值数序列；最后，计算新的极值数序列的均值以此作为
Mel
能量振荡特征；
S8
，根据所述
Mel
能量波动特征
、Mel
能量振荡特征的特征值，通过线性加权的方式组合成新的特征值
Z。4.
根据权利要求2所述的驾驶员疲劳程度预测方法，其特征在于，所述对所述特征进行聚类包括：
S11:
针对
n
个所述多模态特征
x
j
(j
＝
1,2,
…
,n)
，用在0，1间的值随机数初始化隶属矩阵
U
，使其中元素

【专利技术属性】
技术研发人员：杜登斌，
申请(专利权)人：吾征智能技术北京有限公司，
类型：发明
国别省市：