【技术实现步骤摘要】
本专利技术属于城市道路交通安全，具体涉及一种基于内部特征的电动自行车驾驶人压力负荷评估方法与系统。
技术介绍
1、随着城市化进程的加速，交通堵塞问题日益加剧，加之外卖和快递市场逐渐繁荣，城市内电动自行车的数量明显增多。中国自行车协会数据显示，截至2022年底，全国电动自行车保有量高达3.5亿辆。我国电动自行车数量的飞速增长，一方面为城市居民出行带来便利，另一方面也为城市道路交通安全带来严峻挑战。因此，提高城市道路下的电动自行车交通安全尤为关键。
2、近年来，随着生理信息采集技术和信息交互理论的发展，对交通安全的研究逐渐向驾驶人主体转移。电动自行车驾驶人作为行车任务的信息交互中枢，承担着“感知—决策—行为”的关键任务，可具体描述为：车辆、道路、环境变化形成感官刺激，该刺激信息通过驾驶人视觉、听觉等感官单向传递到中枢神经，中枢神经感知刺激信息并做出处理，随后控制驾驶人行为决策，操作电动自行车改变行驶状态。然而，当所感知的外部刺激超过驾驶人的承担阈值时，会造成驾驶人压力负荷骤增，进而影响驾驶人决策与操作，导致危险驾驶行为并引发事故。研究表明，86％的交通事故与危险驾驶行为密切相关，而造成危险驾驶行为的根源之一就是驾驶人压力负荷。
3、因此，针对城市道路交通系统，针对电动自行车驾驶人压力负荷开展评估，对于改善城市道路交通安全具有重要的现实意义。具体而言，通过对不同场景下电动自行车驾驶人压力负荷进行评估，可进一步识别交通系统中对电动自行车驾驶人造成压力的关键因素，评估基础设施布置及交通流状态对电动自行车驾驶人压力负
技术实现思路
1、专利技术目的：针对以上背景现状，本专利技术目的是提供一种基于内部特征的电动自行车驾驶人压力负荷评估方法与系统，综合考虑驾驶人客观生理特征及主观心理特征，能够利用三维聚类算法和遗传算法准确评估电动自行车驾驶人压力负荷水平，为改善城市道路交通安全提供重要依据，具有较高的评估准确率，且整体方案操作便捷、易于推广应用。
2、技术方案：本专利技术采用如下技术方案，一种基于内部特征的电动自行车驾驶人压力负荷评估方法，包括以下步骤：
3、步骤1，采集驾驶过程中的电动自行车驾驶人客观生理数据(心电数据、皮电数据)以及主观心理数据；所述主观心理数据是基于记录的电动自行车前方场景的行车视频数据结合心理评估量表所获取；
4、步骤2，采用滑动时间窗法划分时间窗大小，从心电数据中提取出平均相对心率(mean relative heart rate，mrhr)，从皮电数据中提取出皮电反应变异率(skinconductance response variability，scrv)，并结合各时间窗内行车视频对应的心理评估得分(psychological assessment score，pas)，组成三维内部特征；
5、步骤3，以三维内部特征为输入，依据聚类评价指标，对比筛选三维聚类算法，筛选出优势算法对三维内部特征进行聚类分析；
6、步骤4，将三维聚类结果映射于驾驶人二维生理特征视角，并利用遗传算法优化划分函数参数，构造电动自行车驾驶人压力负荷水平划分函数，将电动自行车驾驶人压力负荷划分为不同水平。
7、进一步，所述滑动时间窗法是指基于一个固定长度t的时间窗，通过在时间序列上按照滑动步长w进行滑动，对数据所进行的分段处理。
8、进一步，所述平均相对心率mrhr采用下述计算公式：
9、
10、式中，mrhri为第i个时间窗的平均相对心率，w为滑动步长，t为时间窗长度，hrt为t时刻的心率，hr′为被测者的静息心率。
11、进一步，所述皮电反应变异率scrv采用下述计算公式：
12、
13、式中，scrvi为第i个时间窗的皮电变异率，scrt为t时刻的皮肤电导反应，scl为基础皮肤电传导，由静息测量获取。
14、进一步，所述心理评估得分pas的获取方式为：依据所划分时间窗单元，准确截取对应时间窗内的行车视频，让被试电动自行车驾驶人通过视频打分的方式填写心理评估量表以获取对应时间窗的心理评估得分pas，通过采用事后调查的方式可保证试验过程中的骑行安全。
15、进一步，步骤3包括以下步骤：
16、步骤31，以平均相对心率mrhr、皮电反应变异率scrv、心理评估得分pas三个内部特征作为三维聚类的三维特征输入；
17、步骤32，以轮廓系数(silhouette coefficient，sc)和卡林斯基-哈拉巴斯指数(calinski-harabaz index，chi)作为评价指标三维聚类的评价指标；
18、步骤33，进一步扩充聚类数据集，提高分析结果的可靠性，从样本集中利用有放回随机抽样策略生成多个数据子集；
19、步骤34，使用k-means、k-means++、谱聚类(spectral clustering analysis，sca)、高斯混合聚类(gaussian mixture，gm)、层次聚类(hierarchical clusteringanalysis，hca)五种典型聚类算法分别进行簇数为三的三维聚类分析并计算评价指标；
20、步骤35，对比分析评价指标，筛选出评价指标数值最大的优势三维聚类算法，并以该算法得出的三维聚类结果作为聚类分析结果。
21、进一步，步骤4包括以下步骤：
22、步骤41，将三维聚类分析结果映射在坐标轴分别为平均相对心率mrhr和皮电反应变异率scrv的二维平面；
23、步骤42，初始化二次函数类型的电动自行车驾驶人压力负荷水平划分函数，采用下述基本形式：
24、y＝a1x2+a2x+a3
25、式中，y为函数因变量，x为函数自变量，a1,a2,a3为电动自行车驾驶人压力负荷水平划分函数的参数；可通过优化上述三个参数降低电动自行车驾驶人压力负荷水平的划分错误率；
26、步骤43，以最小化划分错误率为目标，采用遗传算法分别优化不同负荷水平划分函数中的参数；
27、步骤44，将优化后的参数带回电动自行车驾驶人压力负荷水平划分函数，可依据平均相对心率mrhr和皮电反应变异率scrv，将电动自行车驾驶人压力负荷划分为不同水平。
28、一种基于内部特征的电动自行车驾驶人压力负荷评估系统，包括：
29、数据采集模块，用于采集驾驶过程中的电动自行车驾驶人客观生理数据以及主观心理数据；所述主观心理数据是基于记录的电动自行车前方场景的行车视频数据结合心理评估量表所获取；
30、特征获取模块，用于采用滑动时间窗法划分时间窗大小，从心电数据中提取出平均相对心率mrhr，从皮本文档来自技高网...
【技术保护点】
1.一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤2所述滑动时间窗法是指基于一个固定长度T的时间窗，通过在时间序列上按照滑动步长W进行滑动，对数据所进行的分段处理。
3.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤2所述平均相对心率MRHR采用下述计算公式：
4.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤2所述心理评估得分PAS的获取方式为：依据所划分时间窗单元，准确截取对应时间窗内的行车视频，让被试电动自行车驾驶人通过视频打分的方式填写心理评估量表以获取对应时间窗的心理评估得分PAS。
5.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤3所述对比筛选三维聚类算法，包括以下步骤：
6.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤4所述
7.一种基于内部特征的电动自行车驾驶人压力负荷评估系统，其特征在于，包括：
8.一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-6任一项所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现根据权利要求1-6任一项所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法的步骤。
...【技术特征摘要】
1.一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤2所述滑动时间窗法是指基于一个固定长度t的时间窗，通过在时间序列上按照滑动步长w进行滑动，对数据所进行的分段处理。
3.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤2所述平均相对心率mrhr采用下述计算公式：
4.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤2所述心理评估得分pas的获取方式为：依据所划分时间窗单元，准确截取对应时间窗内的行车视频，让被试电动自行车驾驶人通过视频打分的方式填写心理评估量表以获取对应时间窗的心理评估得分pas。
5.根据权利要求1所述一种基于内部特征的电动自行车驾驶人压力负荷评估方法，其特征在于，步骤3所述对比筛选三维聚类算法，包括以下步骤：
【专利技术属性】
技术研发人员：何杰，方之茗，严欣彤，吴晓雨，秦鹏程，柏春广，张长健，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。