[发明专利]驾驶疲劳识别方法及系统

说明书

技术领域

本发明涉及识别控制技术领域，特别涉及一种驾驶疲劳识别方法及系统。

背景技术

驾驶疲劳是指由于长时间连续行车而导致的驾驶员信息获取、信息处理以及操纵能力下降的现象。驾驶员在长时间驾驶过程中，易引发驾驶疲劳，从而导致其对突发事件反应时间的延长，影响驾驶安全。因此，对驾驶员疲劳状态予以有效识别，是构建危险性驾驶状态预警系统的关键。

目前，国内外就驾驶疲劳状态识别已开展了一系列研究，如：利用眼见闭合度与眼睛闭合速度来判断驾驶员驾驶状态，并建立了基于图像分割方法的疲劳识别模型。通过分析模拟驾驶实验数据发现，脑电和心电指标可用于疲劳的识别。应用动态贝叶斯网络，建立了基于心电数据和信息融合的疲劳识别模型。采用神经网络，构建了基于心率变异性(Heart Rate Variability,HRV)的驾驶疲劳识别模型。吴超仲等提出综合考虑驾驶行为操作和驾驶员生理指标的疲劳识别模型。叶柠等针对疲劳发生过程中脑电信号的变化，提出了一种基于小波包子带能量比的疲劳驾驶状态检测方法。

上述文献从不同角度丰富和拓展了疲劳识别研究。脑电信号与驾驶员的精神状态高度相关，在疲劳检测和识别中敏感性最高，因而得到较为深入的研究，但仍存在以下两点问题：⑴脑电信号存在大量冗余，因而在一定程度上影响了识别模型的效率和精度；⑵现有研究在选取疲劳识别指标时只侧重于对若干电极的脑电指标选取，未利用其他电极的脑电指标，即在识别指标选取上具有局部性。

因此，亟待开发一种有效的驾驶疲劳识别方案，以克服上述不足。

发明内容

有鉴于此，本发明旨在提供一种驾驶疲劳识别方法及系统，以期实现对驾驶员疲劳状态的有效识别，为危险性驾驶状态预警和干预系统的开发提供理论依据。

具体而言，本发明的所述方法包括步骤：获取所述被测人员的脑电数据；对脑电数据利用傅里叶变换计算，提取脑电特征数据；采用核主元分析对脑电特征数据进行特征降维，依次按照贡献率从大到小选取主元直至总贡献率超过预定值，被选中的主元构成疲劳识别脑电指标；将所述疲劳识别脑电指标作为支持向量机的输入，得到被测人员的驾驶疲劳识别结果。

另一方面，本发明的所述系统包括：脑电信号收集单元，用于获取被测人员的脑电数据；脑电特征数据提取单元，用于对脑电数据利用傅里叶变换计算，提取脑电特征数据；疲劳识别脑电指标获取单元，用于采用核主元分析对脑电特征数据进行特征降维，依次按照贡献率从大到小选取主元直至总贡献率超过预定值，被选中的主元构成疲劳识别脑电指标；疲劳识别单元，用于将所述疲劳识别脑电指标作为支持向量机的输入，得到被测人员的驾驶疲劳识别结果。

本发明的驾驶疲劳识别方法及系统，用脑电特征参数作为客观识别指标，通过核主元分析进行降维和指标提取，形成疲劳识别脑电指标，在此基础上，结合SVM算法，构建驾驶员疲劳状态识别模型，以期实现对驾驶员疲劳状态的有效识别，为危险性驾驶状态预警和干预系统的开发提供理论依据。

附图说明

并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种驾驶疲劳识别方法的流程示意图；

图2为本发明实施例主观疲劳与行为数据检验结果示意图；

图3为主元数量对模型识别效果的影响示意图；

图4为模型识别效果及ROC曲线；

图5为图本发明实施例提供的一种驾驶疲劳识别系统的方框示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

下面结合附图详细说明本发明实施涉及的驾驶疲劳识别方法及系统。

实施例一：

参见图1所示，实施例一的方法包括步骤：

首先：获取所述被测人员的脑电数据；

其次：对脑电数据利用傅里叶变换计算，提取脑电特征数据；