[发明专利]基于肌电信号的异常驾驶行为检测方法及系统

权利要求书

1.一种基于肌电信号的异常驾驶行为检测方法，其特征在于，包括以下步骤：

使用肌电传感器获取带标签的异常驾驶行为肌电数据，其中异常驾驶行为包括向前抓取、急打方向盘、弯腰拾取、转身取物和开天窗；

对所述异常驾驶行为肌电数据进行滤波、降采样、数据分帧以及特征提取处理，得到异常驾驶行为肌电数据的特征信息；

利用所述异常驾驶行为肌电数据的特征信息对神经网络模型进行训练，得到分类模型，所述神经网络模型采用门控递归单元网络GRU，其网络结构包括两个GRU层和一个全连接层，其中第一层以异常驾驶行为肌电数据的特征信息作为输入，输出压缩的异常驾驶行为特征向量，第二层以压缩的异常驾驶行为特征向量作为输入，输出细粒度的特征；全连接层以细粒度的特征作为输入，通过softmax激活函数输出分类结果；

获取驾驶过程中的实时驾驶行为肌电数据，对所述实时驾驶行为肌电数据进行信号中值校正、动作区间提取以及特征提取处理，得到实时驾驶行为肌电数据的特征信息，将特征信息重构后输入至训练好的分类模型，输出实时检测的分类结果；

根据所述实时检测的分类结果判断是否发生异常驾驶行为，并在发生异常驾驶行为后发出异常驾驶警告；

其中，对所述实时驾驶行为肌电数据进行信号中值校正、动作区间提取以及特征提取处理，包括：

对所述实时驾驶行为肌电数据进行信号中值校正处理，将信号调整到相同的中值；

对校正处理后的数据进行动作区间提取，基于能量阈值提取时间序列的动作信号，首先检测长滑动窗口ΔT中是否有动作，这个周期的能量计算为其中x_i代表第i个采样点，T₀代表开始时间，然后将I与阈值Q进行比较，如果I大于Q，则认为会发生一个动作，然后使用一个小的滑动窗口Δt来细粒度地检测下一个信号是否是动作的一部分，第g次小窗口的信号能量设为I′_g，如果I′_g＞Q,I′_(g+1)＞Q,...,I′_(g+k)＞Q，信号将存储在动作缓存中，如果I′_g＜Q,I′_(g+1)＜Q,...,I′_(g+k)＜Q，则认为连续的动作结束，最后，将动作信号提取到动作缓存中；

对区间内的动作信号进行1024点快速傅里叶变换，得到实时驾驶行为肌电数据的频域特征信息。

2.根据权利要求1所述的基于肌电信号的异常驾驶行为检测方法，其特征在于，获取带标签的异常驾驶行为肌电数据，包括：

利用肌电传感器采集带标签的异常驾驶行为肌电数据；

使用滑动窗口将异常驾驶行为肌电数据进行分割。

3.根据权利要求1所述的基于肌电信号的异常驾驶行为检测方法，其特征在于：当利用所述异常驾驶行为肌电数据的特征信息对神经网络模型进行训练时，在第t个时间步长，GRU层将第n个样本的输入X_t映射到表示隐藏状态H_t的向量，为了获得H_t，首先需要获得门控信号Z_t和R_t为其中σ(·)代表sigmod函数,W^z,W^r代表权重矩阵，b_z,b_r分别代表更新门和复位门的偏置向量；

根据R_t得到候选隐藏状态为其中W_o和b_o代表权重矩阵和偏差向量；

基于所述候选隐藏状态和Z_t得到隐藏状态H_t为

根据所述隐藏状态H_t得到类别概率向量P_t＝s(W^tH_t+b),其中s(·)代表softmax函数，W^t和b是全连接层的权重矩阵和偏置向量。

4.根据权利要求1所述的基于肌电信号的异常驾驶行为检测方法，其特征在于：当利用所述异常驾驶行为肌电数据的特征信息对神经网络模型进行训练时，采用类交叉熵误差函数来最小化网络预测结果和样本基本事实之间的差异。