[发明专利]一种基于眼动指标数据的驾驶疲劳检测系统及识别方法

说明书

技术领域

本发明属于智能交通领域，涉及机器学习领域，具体为利用随机森林算法挖掘驾驶人的眼动行为数据而快速识别驾驶人驾驶疲劳状态的系统及识别方法。

背景技术

近年来，机动车的保有量逐年增加，道路交通安全问题也日益严峻。在驾驶过程中，当驾驶人长时间从事驾驶活动时，易进入疲劳状态，影响其感知判断及驾驶操作，极端情况下甚至会引发交通事故。

在中国，2014发生在136386起机动车事故，并造成42847人死亡、141718人受伤，其中约14.3％由驾驶人的驾驶疲劳所引发。尽管驾驶疲劳产生的后果极其严重，相关理论研究亦较多，但现实中却缺乏一种简单易操作且精确可靠的装备或方法能准确监测/检测驾驶人的疲劳情况。

目前来说，针对驾驶人是否处于驾驶疲劳状态的检测方法主要有以下两类：

一、检测车辆的状态，如转向角、车辆横向位置、横摆率、车辆速度等。然而，这些参数可能因不同的车型、司机的经验、道路的几何特征与状态的不同而有所变化，往往会导致较高的误警率。

二、检测人体的相关指标，如血压、心率、心电、身体行为、生理变化等。但由于脑电、心率数据的采集对驾驶人来说有较强的侵入性，因此在实际驾驶环境中往往不易被驾驶人接受，此外不同的车辆状态所造成的差别较大。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于眼动行为数据的驾驶疲劳快速检测系统及识别方法。眼动行为指标与疲劳程度相关性强，数据获取相对容易，同时疲劳最直接的反应便是在驾驶人眼睛的变化。

本发明采用以下技术方案：

一种基于眼动指标数据的驾驶疲劳识别方法，包括以下步骤：

S1、数据采集模块按200Hz的频率采集闭眼时间、眨眼频率、眨眼时间和瞳孔直径四种眼动数据；

S2、数据分析处理模块接收步骤S1所述眼动数据，并将所述眼动数据传入计算程序，程序对数据进行预处理，对缺省、数据为空的数据弃置；

S3、采集驾驶人的眼动指标数据以及每一条数据对应驾驶人疲劳程度作为原始数据建立随机森林模型。通过随机森林模型对采集的驾驶人实时眼动数据进行处理，随机森林模型中每一棵决策树对驾驶人的眼动数据进行分类判断，给出结果；

S4、综合步骤S3中各个决策树给出的分类结果，利用所述随机森林模型进行投票，综合投票概率高的一类即为本次分类的最终结果。

优选的，步骤S3中，建立所述随机森林模型的步骤如下：

S31、取原始数据中80％作为原始训练数据，利用通过自助法从训练样本集S中通过放回地重复随机地抽取N个样本组合成一个新的训练样本集合，重复此流程以生成K个子样本集，S₁，S₂……S_K；

S32、对于步骤S1中每个所述子样本集，从所有的特征变量M中随机选出m个特征作为子特征向量集，即每个样本集对应一个子特征向量集M₁，M₂……M_K，其中m<M；

S33、根据步骤S1选择的所述子样本集及其对应的子特征向量，生成K棵决策树Tree₁，Tree₂……Tree_k；

S34、所有的决策树组合在一起成为随机森林，其对数据的判定为所有决策树的投票结果，最终的分类结果为综合决策树分类器的投票概率高的一类决定；

S35、利用原始数据剩余的20％作为模型的测试集，利用建立好的随机森林模型对这部分数据测试，并将测试结果与真实结果对比，确定模型的分类性能；

S36、根据评价结果对步骤S5所述随机森林模型进行参数调优，提高准确率，所述参数包括树的最大深度max_depth、根据属性划分节点时，设置每个划分最少的样本数min_samples_split、叶子节点最少的样本数min_samples_leaf、叶子树的最大样本数max_leaf_nodes和选择最适属性时划分的特征数不能超过此值max_features。

优选的，步骤S33中，所述决策树的纯度度量采用Gini指数，Gini指数越大表示纯度越低，集合K_i包括n类样本记录，每一类的概率为p₁，p₂，……p_n，则Gini指数为：