System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能驾驶,尤其涉及驾驶人疲劳状态识别方法、系统及存储介质。
技术介绍
1、疲劳驾驶是指驾驶员因长时间反复操作导致生理和心理功能失调,从而出现驾驶能力下降的现象。疲劳驾驶不仅威胁驾驶人的安全,也对其他道路使用者构成潜在威胁,因此,开发有效的疲劳驾驶检测技术,对于提升山区道路的行车安全至关重要。
2、目前,常见的疲劳驾驶检测方法根据数据来源分为接触式和非接触式两类。接触式检测方法主要研究驾驶员的脑电信号、脉搏信号、肌电信号和皮肤电信号等生理信号在驾驶过程中的变化,以判断是否疲劳。然而,这种方法需要驾驶员长时间佩戴检测设备,可能会分散注意力或引起不适,影响正常驾驶操作。非接触式检测方法中,基于驾驶员面部特征的检测方法受光照、遮挡物和驾驶员姿态等外界因素影响较大,稳定性有待提高。相比之下,基于车辆行为特征的疲劳驾驶检测方法通过分析驾驶员在不同状态下的车速、方向盘转角、横摆角速度和加速度等数据的差异来判别疲劳状态。这种方法检测设备易于安装且成本低,既不会干扰驾驶员的正常操作,又能有效抵御光照变化和姿态变化的影响,具有很高的实用性,已成为疲劳驾驶检测研究的热点。
3、基于车辆行为特征的疲劳驾驶检测,已取得诸多成果,但现有文献的研究多集中提取驾驶行为的统计特征和时频域特征,这些方法在识别疲劳驾驶行为时存在一定的局限性。首先,这些研究依赖的统计特征可能无法充分捕捉驾驶行为的动态变化和复杂性。其次,时频域特征虽然能够提供一定的时间-频率信息,但可能忽略了驾驶行为中的非线性和非平稳特性。此外,现有研究在疲劳检测
技术实现思路
1、本专利技术提供驾驶人疲劳状态识别方法、系统及存储介质,解决的技术问题在于:如何提高对驾驶人疲劳状态识别的准确率。
2、为解决以上技术问题,本专利技术提供驾驶人疲劳状态识别方法,包括步骤:
3、s1、采集在不同驾驶人疲劳状态下的多种驾驶操作数据;
4、s2、提取在不同驾驶人疲劳状态下各类别驾驶操作数据的信息熵特征;
5、s3、根据所有驾驶人疲劳状态下所有类别驾驶操作数据的信息熵特征确定最影响疲劳状态的驾驶行为关键特征类别;
6、s4、根据驾驶行为关键特征类别在所有驾驶人疲劳状态下所有类别驾驶操作数据的信息熵特征中筛选对应的驾驶行为关键特征,构成关键特征集;
7、s5、构建疲劳驾驶检测模型,并采用所述关键特征集对所述疲劳驾驶检测模型进行训练及测试;
8、s6、实时获取与驾驶行为关键特征类别相关的驾驶操作数据,并提取对应的驾驶行为关键特征,输入步骤s5生成的疲劳驾驶检测模型,得到对应的疲劳状态检测结果。
9、进一步地,在所述步骤s2中,提取的信息熵特征包括近似熵和样本熵。
10、进一步地,近似熵采用以下步骤计算:
11、1)获取共n个采样点的一类驾驶操作数据的动态时间序列{x(1),x(2),…x(n)};
12、2)将当前采样点及其后m-1个采样点组成一个m维采样点,对{x(1),x(2),…x(n)}进行重构,得到重构的m维方向盘转角动态时间序列{x(1),x(2),…x(n);
13、3)3)计算{x(1),x(2),…x(n)中任两个m维数据x(i)、x(j)之间的距离dij,距离定义为任两个m维数据内相同位置元素之间的差值最大值;
14、4)计算满足dij≤r条件的m维数据的数量bi,r表示距离尺度因子,并计算bi与(n-m+1)的比值以及bi与(n-m)的比值
15、5)根据以及计算时间序列{x(1),x(2),…x(n)}的近似熵apen(m,r,n),近似熵定义为从1至(n-m+1)范围内的之和与(n-m+1)的比值与从1至(n-m)范围内的之和与(n-m)的比值之差。
16、进一步地,样本熵采用以下步骤计算:
17、1)采用与计算近似熵的步骤1)至4)相同的步骤计算和在计算样本熵的时候,将和用和代替;
18、2)计算的均值和
19、3)根据均值和计算时间序列{x(1),x(2),…x(n)}的样本熵,样本熵定义为与之差。
20、进一步地,在步骤s3中,确定最影响疲劳状态的驾驶行为关键特征类别的步骤如下:
21、1)假设各疲劳状态下疲劳特征均值相等;
22、2)计算各疲劳状态下的数据特征均值和所有疲劳状态的总体均值;
23、3)根据计算的数据特征均值和总体均值以及各种疲劳状态下的样本数量计算不同疲劳状态的组间变异值ssb和组内变异值ssw;
24、4)根据组间变异值ssb和组内变异值ssw计算不同疲劳状态的组间均方差msw和组内均方差msb;
25、5)计算组内均方差msb和组间均方差msw之比f;
26、6)给定显著性水平,计算满足步骤1)假设的拒绝域w,若拒绝域成立,则表示所选取的疲劳特征与驾驶员不同疲劳状态具有显著相关性,则筛选出该类疲劳特征作为待定疲劳特征;
27、7)计算待定疲劳特征的显著性系数,将显著性系数大于预设值的待定疲劳特征作为最终的驾驶行为关键特征。
28、进一步地,在步骤s1中,不同驾驶人疲劳状态包括清醒状态、疲劳状态和非常疲劳状态;多种驾驶操作数据包括车速、方向盘转角、节气门开度、横向加速度、纵向加速度、横摆角速度的时间序列数据;
29、在所述步骤s3中,驾驶行为关键特征包括横摆角速度样本熵、纵向加速度样本熵、节气门开度样本熵、车速近似熵、横摆角速度近似熵、纵向加速度近似熵。
30、进一步地,在所述步骤s5中,构建的疲劳驾驶检测模型采用随机森林模型作为基础模型,引入麻雀搜索算法对所述随机森林模型的训练参数进行优化设置。
31、进一步地,所述麻雀搜索算法的步骤包括:
32、1)进行参数初始化,设定麻雀初始种群数量、最大寻优次数和搜索空间维度,每个麻雀个体是一个向量,表示所述随机森林模型的决策树数目和最小叶子数;
33、2)计算所述随机森林模型在训练集上的识别准确率作为适应度值;
34、3)更新发现者、跟随者和侦查者位置,然后重新计算适应度值;
35、4)若达到最大迭代次数,则输出适应度最高的个体作为最终参数设置,反之则转换到步骤2);
36、5)输出最优的麻雀个体,以此更新所述随机森林模型的参数,结束算法寻优。
37、本专利技术还提供一种驾驶人疲劳状态识别系统,其关键在于:包括数据采集模块、信息熵特征提取模块、特征筛选模块、数据集生成模块、模型生成模块和应用模块;
38、所述数据采集模块、所述信息熵特征提取模块、所述特征筛选模块、所述数据集生成模块、所述模型生成模块和所述应用模块分别用于执行上述驾驶人疲劳状态识别方法中的步骤s1至s6。本文档来自技高网...
【技术保护点】
1.驾驶人疲劳状态识别方法,其特征在于,包括步骤:
2.根据权利要求1所述的驾驶人疲劳状态识别方法,其特征在于:在所述步骤S2中,提取的信息熵特征包括近似熵和样本熵。
3.根据权利要求2所述的驾驶人疲劳状态识别方法,其特征在于,近似熵采用以下步骤计算:
4.根据权利要求3所述的驾驶人疲劳状态识别方法,其特征在于,样本熵采用以下步骤计算:
5.根据权利要求1所述的驾驶人疲劳状态识别方法,其特征在于,在步骤S3中,确定最影响疲劳状态的驾驶行为关键特征类别的步骤如下:
6.根据权利要求5所述的驾驶人疲劳状态识别方法,其特征在于:
7.根据权利要求1所述的驾驶人疲劳状态识别方法,其特征在于,在所述步骤S5中,构建的疲劳驾驶检测模型采用随机森林模型作为基础模型,引入麻雀搜索算法对所述随机森林模型的训练参数进行优化设置。
8.根据权利要求7所述的驾驶人疲劳状态识别方法,其特征在于,所述麻雀搜索算法的步骤包括:
9.驾驶人疲劳状态识别系统,其特征在于:包括数据采集模块、信息熵特征提取模块、特征筛选模
10.存储介质,其特征在于:其存储有计算机程序,该计算机程序用于执行权利要求1至8任一项所述的驾驶人疲劳状态识别方法。
...【技术特征摘要】
1.驾驶人疲劳状态识别方法,其特征在于,包括步骤:
2.根据权利要求1所述的驾驶人疲劳状态识别方法,其特征在于:在所述步骤s2中,提取的信息熵特征包括近似熵和样本熵。
3.根据权利要求2所述的驾驶人疲劳状态识别方法,其特征在于,近似熵采用以下步骤计算:
4.根据权利要求3所述的驾驶人疲劳状态识别方法,其特征在于,样本熵采用以下步骤计算:
5.根据权利要求1所述的驾驶人疲劳状态识别方法,其特征在于,在步骤s3中,确定最影响疲劳状态的驾驶行为关键特征类别的步骤如下:
6.根据权利要求5所述的驾驶人疲劳状态识别方法,其特征在于...
【专利技术属性】
技术研发人员:李作进,李东阳,蔡俊锋,李明虹,青美伊,聂玲,
申请(专利权)人:重庆科技大学,
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。