一种用于重点车辆驾驶员的疲劳检测方法技术

重点车辆疲劳驾驶检测能够及时发现判断驾驶员的疲劳程度，有助于降低疲劳驾驶带来的风险，具有重要价值和意义

【技术实现步骤摘要】
一种用于重点车辆驾驶员的疲劳检测方法


[0001]本专利技术属于重点车辆疲劳驾驶检测领域，更确切地说，它涉及一种用于重点车辆驾驶员的疲劳检测方法
。

技术介绍

[0002]重点车辆疲劳驾驶检测能够及时发现判断驾驶员的疲劳程度，提供预警和提醒，帮助司机采取必要的休息措施，有效降低疲劳驾驶带来的风险，保护司乘人员的生命安全和财产安全，具有重要价值和意义
。
然而，现有面向重点车辆疲劳驾驶检测方法存在诸多限制和不足，例如，基于图像和视频的检测方法受到环境光线
、
姿态变化和面部遮挡等因素的干扰，导致检测准确性下降，而基于单一生理信号的检测方法限制了对疲劳状态的全面分析，无法充分考虑驾驶员的多个生理指标
。
[0003]为此，本专利技术提出一种基于多个生理信号的重点车辆疲劳驾驶检测技术，通过综合多个生理信号
(
皮肤电导度
、
皮肤温度
、
心率
、
三轴加速度
、
呼吸率
)
，能够提供更准确
、
全面
、
实时和个性化的重点车辆驾驶疲劳监测，从而有效预防驾驶员疲劳导致的交通事故
。

技术实现思路

[0004]本专利技术的目提供一种用于重点车辆驾驶员的疲劳检测方法，包括以下步骤：
[0005]S1、
使用智能手表或胸部可穿戴传感器，设置数据采样的参数为1‑
4Hz
，采集皮肤电导度/>、
皮肤温度
、
心率
、
三轴加速度
、
呼吸率等5种生理信号数据，将采集到的生理信号数据可以通过传感器内部存储进行保存
。
[0006]S2、
构建低通3阶滤波器对采集的5种生理信号进行低通滤波，对于某一类生理采集原始信号为
x(n)
，预先设置滤波器的系数
a0,a1,a2,a3和
b0,b1,b2,b3，设置初始条件为
y(
‑
1)
＝
y(
‑
2)
＝
y(
‑
3)
＝0和
x(
‑
1)
＝
x(
‑
2)
＝
x(
‑
3)
＝0，则滤波后的输出信号为
y(n)
按如下方式计算
。
[0007][0008]S3、
计算下采样频率为
0.5Hz
，对步骤
S2
滤波后的生理信号进行下采样，具体为对滤波后信号每2秒钟保留一个样本，得到下采样后的生理信号
z(n)。
[0009]S4、
根据给定的分割点集合，对步骤
S3
下采样后的生理信号
z(n)
进行逐步分割为多个分段，并计算每个分段的协方差矩阵
。
然后，通过对分割段长度
、
协方差矩阵行列式的对数以及协方差矩阵迹的计算，找到能够使求和项最大化的最佳分割点配置，以达到最佳的分段效果
。
[0010]S402、
给定一组包括
K
个分割点集合
C
＝
(c1,c2,...,c
K
)
，对步骤
S3
下采样后的生理信号
z(n)
逐步分割为多个分段，将每个分段内的数据点看作是独立样本的高斯分布，对于每个分段计算其协方差矩阵为：
[0011][0012]其中，
c
i
和
c
i
‑1表示两个相邻的分割点点，定义了当前段的起始和结束位置
。
是一个归一化因子，用于将求和项的结果除以该段的长度，以得到平均值
。x
t
表示时间点
t
处的数据样本
。
μ
i
表示第
i
段生理信号样本的平均值
。
[0013]S404、
在给定分割点集合
C
的情况下，基于上述步骤计算的协方差矩阵，通过对每个分割段的长度
、
协方差矩阵行列式的对数以及协方差矩阵迹的计算，计算出一个求和项，找到能够使该求和项达到最大值的最佳分割点配置
C。
设置正则化项
λ
用于平衡协方差的重要性
。
定义矩阵通过以下似然函数最大化来确定最佳的分割点
C
，以达到最佳的分段效果：
[0014][0015]其中，
max
C
表示对分割点集合
C
进行最大化操作，即在给定的分割点集合中，寻找能够使整个式子达到最大值的分割点配置
。logdet
表示对矩阵
M
的行列式取对数
。Tr
表示对矩阵
M
的迹进行计算
。I
表示单位矩阵
。
[0016]S5、
对每个分段时间序列样本，计算移动平均值
、
标准差
、
峰度和偏度等四种波动特征
。
划分数据集为训练集和测试集，计算归一化特征并生成特征向量
。
构建随机森林和梯度提升树的集成模型，实时采集驾驶员的生理信号并提取特征，使用训练好的集成模型进行疲劳驾驶检测
。
[0017]S502、
对步骤
S4
分割后的每个分段时间序列生理信号数据时间序列样本为
U
＝
(u1,u2,...,u
l
)
，其中
l
表示该分段样本的长度，计算四种波动特征：
1)
移动平均值
μ
；
2)
标准差
σ
；
3)
峰度
p
；
4)
偏度
q。
[0018][0019][0020]S504、
将收集的数据集划分为训练集和测试集，对于给定的时间序列样本基于上述步骤计算每个分段的移动平均值
μ
、
标准差
σ
、
峰度
K
和偏度
S
，并对计算得到的特征进行归一化，确保它们在相同的尺度上，将归一化后的特征进行组合，生成新的特征向量
。
使用随机森林和梯度提升树构建多个基分类器，每个基分类器使用训练集和特征向量进行训练，使用平均集成方法将多个基分类器的预测结果进行整合，得到集成模型的预测结果，包括正常驾驶和疲劳驾驶两类，使用测试集对集成模型进行评估，基于分类性能指标调优分类模型参数
。...

【技术保护点】

【技术特征摘要】
1.
一种用于重点车辆驾驶员的疲劳检测方法，其特征在于，包括：
S1、
使用智能手表或胸部可穿戴传感器，设置数据采样的参数为1‑
4Hz
，采集皮肤电导度
、
皮肤温度
、
心率
、
三轴加速度
、
呼吸率等5种生理信号数据，将采集到的生理信号数据可以通过传感器内部存储进行保存
。S2、
构建低通3阶滤波器对采集的5种生理信号进行低通滤波，对于某一类生理采集原始信号为
x(n)
，预先设置滤波器的系数
a0，
a1，
a2，
a3和
b0，
b1，
b2，
b3，设置初始条件为
y(
‑
1)
＝
y(
‑
2)
＝
y(
‑
3)
＝0和
x(
‑
1)
＝
x(
‑
2)
＝
x(
‑
3)
＝0，则滤波后的输出信号为
y(n)
按如下方式计算
。S3、
计算下采样频率为
0.5Hz
，对步骤
S2
滤波后的生理信号进行下采样，具体为对滤波后信号每2秒钟保留一个样本，得到下采样后的生理信号
z(n)。S4、
根据给定的分割点集合，对步骤
S3
下采样后的生理信号
z(n)
进行逐步分割为多个分段，并计算每个分段的协方差矩阵
。
然后，通过对分割段长度
、
协方差矩阵行列式的对数以及协方差矩阵迹的计算，找到能够使求和项最大化的最佳分割点配置，以达到最佳的分段效果
。S5、
对每个分段时间序列样本，计算移动平均值
、
标准差
、
峰度和偏度等四种波动特征
。
划分数据集为训练集和测试集，计算归一化特征并生成特征向量
。
构建随机森林和梯度提升树的集成模型，实时采集驾驶员的生理信号并提取特征，使用训练好的集成模型进行疲劳驾驶检测
。2.
根据权利要求1所述的一种用于重点车辆驾驶员的疲劳检测方法，其特征在于，步骤
S4
包括：
S402、
给定一组包括
K
个分割点集合
C
＝
(c1，
c2，
...
，
c
K
)
，对步骤
S3
下采样后的生理信号
z(n)
逐步分割为多个分段，将每个分段内的数据点看作是独立样本的高斯分布，对于每个分段计算其协方差矩阵为：其中，
c
i
和
c
i
‑1表示两个相邻的分割点点，定义了当前段的起始和结束位置
...

【专利技术属性】
技术研发人员：吴伟骏，王波，陈威，郑赟，
申请(专利权)人：浙江吴霞科技有限公司，
类型：发明
国别省市：