基于眨眼次数的驾驶员疲劳驾驶预测方法

文档序号:8282804阅读:781来源:国知局
基于眨眼次数的驾驶员疲劳驾驶预测方法
【技术领域】
[0001] 本发明涉及一种基于眨眼次数的驾驶员疲劳驾驶预测方法,属于驾驶员疲劳驾驶 检测技术领域。
【背景技术】
[0002] 随着现代交通运输业的飞速发展,交通事故已成为当前全球所面临的严重问题。 据统计,全世界每年因交通事故导致的死亡人数达60万,直接经济损失约125亿美元,这些 事故中57%的灾难性事故与驾驶员疲劳驾驶有关。疲劳虽然是一个很正常的生理现象,但 每年导致的交通事故给世界各国造成巨大的经济损失和人员伤亡,增加了社会的不安定因 素。因此,针对疲劳驾驶预测的研究具有十分重要的现实意义。
[0003] 目前驾驶员疲劳度的预测是通过生物学的方法来检测驾驶员的生理参数,比如分 析脑电图(EEG)、心电图(ECG)的信号变换等,继而进行驾驶人员疲劳度的预测,但是这种 基于驾驶员生理预测的方法需要将检测设备与驾驶员身体相接触,有一定的局限性。由此 可见目前的驾驶员疲劳度预测方法上还存在一定的不足。

【发明内容】

[0004] 本发明基于眨眼次数的驾驶员疲劳驾驶预测方法。
[0005] 本发明的具体技术方案如下:
[0006] 本发明公开了基于眨眼次数的驾驶员疲劳驾驶预测方法,首先根据历史眨眼次数 分别建立卡尔曼滤波预测模型以及径向基函数(RBF)神经网络模型来进行下一时刻眨眼 次数的预测,其次考虑眨眼次数之间的关联度,根据灰熵分析计算预测眨眼次数与历史眨 眼次数的关联度等级,并选取关联度等级较高的历史眨眼次数作为预测模型的输入数据, 根据输入数据获得每个预测模型的预测值,接着结合传统贝叶斯融合的方法及最相关的历 史眨眼次数,计算每个预测模型在预测该时刻眨眼次数时的权重,获得该时刻的预测眨眼 次数,最后通过设定阈值,比较阈值与预测眨眼次数的大小,最终实现驾驶员是否为疲劳驾 驶的判定。
[0007] 本发明具有如下优点:
[0008] 1、本发明所构建的预测模型能充分利用卡尔曼滤波预测模型和径向基(RBF)神 经网络模型的优势,能够最大程度地适应复杂变化的疲劳度预测。卡尔曼滤波预测模型在 眨眼次数变化不大的条件下预测较为准确,而径向基(RBF)神经网络模型在眨眼次数变化 较大的条件下预测较为准确,比如下午的1点到4点,综合二者的优点,本发明可以在眨眼 次数复杂变化的条件下取得良好的疲劳程度预测效果。
[0009] 2、本发明考虑历史眨眼次数与预测眨眼次数的关联度,选取最相关的历史眨眼次 数来作为输入数据,克服了传统贝叶斯融合中将所有历史眨眼次数作为输入数据的问题而 导致的计算量过大和预测精确性不高的问题。
【附图说明】:
[0010] 图1基于眨眼次数的驾驶员疲劳驾驶预测方法流程图。
【具体实施方式】:
[0011] 如图1所示,本发明的基于眨眼次数的驾驶员疲劳驾驶预测方法,具体过程如下: [0012] 首先,通过对某时刻之前一段时间内驾驶员连续几次眨眼次数的预测来判断该时 刻驾驶员是否疲劳驾驶,规定t时刻的眨眼次数表示t时刻前5分钟的眨眼次数之和,每隔 5分钟采集一次,则t-Ι时刻的眨眼次数表示t时刻前10到前5分钟之间的眨眼次数之和, 一般情况下,t时刻的眨眼次数与之最近的几个时间段内的眨眼次数关联性较大,
[0013] 步骤1 :根据观测得到的历史数据,建立预测模型
[0014] 第一,建立卡尔曼滤波预测模型进行预测
[0015] 将集合V(t) = [yt,JV1,…,yt_4]作为卡尔曼滤波预测模型的输入数据,其中5^表 示t时刻的眨眼次数,5^表示t-Ι时刻的眨眼次数,y t_4表示t-4时刻的眨眼次数,
[0016] 1)建立线性预测模型:.?'(汗丨⑴·〗(〇,其中,j)(什1)为卡尔曼滤波预测模型 下计算所得的t+ι时刻预测眨眼次数,为状态向量,
[0017] 2)利用卡尔曼滤波理论,计算状态向量J⑴:
【主权项】
1.基于眨眼次数的驾驶员疲劳驾驶预测方法,其特征在于,通过对某时刻之前一段时 间内驾驶员连续几次眨眼次数的预测来判断该时刻驾驶员是否疲劳驾驶,规定t时刻的眨 眼次数表示t时刻前5分钟的眨眼次数之和,每隔5分钟采集一次,则t-1时刻的眨眼次数 表示t时刻前10分钟到前5分钟之间的眨眼次数之和; 步骤1 ;根据观测得到的历史数据,建立预测模型 第一,建立卡尔曼滤波预测模型进行预测 将V(t) = [y。yt_i,…,yt_4]作为卡尔曼滤波预测模型的输入数据,其中yt表示t时刻 的眨眼次数,表示t-1时刻的眨眼次数,y t_4表示t-4时刻的眨眼次数, 1) 建立线性预测模型:,其中,別川)为卡尔曼滤波预测模型下计 算所得的t+1时刻预测眨眼次数,/的为状态向量, 2) 利用卡尔曼滤波理论,计算状态向;
其中,B(t)为状态转移矩阵,其初始值设为单位矩阵,R为测量噪声>'(、0-則/)的自 相关矩阵,该矩阵中元素服从[0,1]之间的正态分布,W为过程噪声公的 自相关矩阵,该矩阵中元素服从[0, 1]之间的正态分布,其中,式为t时刻的状态向量, 7(/-1)为t-1时刻的状态向量,p(t|t-l)为V(t)在t时刻预测估计误差的自相关矩阵,其 初始值p(l|0) = 0, 第二,建立径向基函数(RB巧神经网络模型进行预测 随机选取7个时刻记录下驾驶员的预测眨眼次数(观测得到)W及该时刻前5个时刻 的历史眨眼次数,该样获得预测眨眼次数集合Z = {z (a),a = 1,2, 3, 4, 5, 6, 7},表示7个时 刻的预测眨眼次数,与每个预测眨眼次数相对应的前5个时刻的历史眨眼次数集合为X = 找(a), a = 1,2, 3, 4, 5, 6, 7},其中 X(a) = (xi(a),X2(a), X3(a), X4(a), Xs(a)},表示预测眨 眼次数z(a)之前5个时刻历史眨眼次数,将观测到的前5个时刻的历史眨眼次数作为输 入数据,则RBF神经网络的输入层由5个神经元组成,每组历史眨眼次数对应一个预测眨眼 次数,则RBF神经网络的输出层由1个神经元组成, 1)根据K-均值聚类算法求取径向基函数的中也,首先从历史眨眼次数集合X中选取 3个样本数据作为RBF神经网络的初始聚类中也c,(e = 1,2, 3),其次把输入数据X按照最 邻近原则分配给聚类中也C。的聚类集合0。(6 = 1,2, 3),该种分配原则满足W下条件;屯 =mini |X(a)-c」I,(a = 1, 2, 3, 4, 5, 6, 7, e = 1, 2, 3),de表示输入数据与聚类中也的最小
距离,接着计算每个聚类集合e e中数据的平均值作为新的聚类中也,
黄中 C"。表示新的聚类中也,M。表示聚类集合0。中输入数据X(a)的个数,最后根据C"。的 值是否变化来判断聚类中也位置是否变化,如果聚类中也位置变化则继续按照最近邻原则 分配输入数据,计算新的聚类中也直至聚类中也位置不再发生变化,得到最终的聚类中也C =(C。〇2, 〇3) T, 2)根据平均距离法计算RBF网络的径向基函数的宽度向量F = (fi,f2, fs)T,其中fi = min{ I I C1-C21 I,II C1-C3I I},表示第1类聚类中也与其最近邻聚类中也的距离,f2= min{ I c厂Cl I I,I I C2-C3II},表示第2类聚类中也与其最近邻聚类中也的距离,fs= min{ I I c 3-C11 ,I IC3-C2II},表示第3类聚类中也与其最近邻聚类中也的距离, 扣计算RBF神经网络隐含层的径向基向量H=化。h2,h3)T,
, 其中,e = 1,2, 3, I I ? I I表示欧式范数,X(a)表示输入数据,C。表示径向基函数的中也,f。 表示径向基函数的宽度, 4)通过最小二乘法计算RBF网络的权值向量W,W =姐巧-itfz (a),其中H表示RBF神 经网络隐含层的径向基向量,z(a)表示与输入数据相对应的输出数据(即与历史眨眼次数 X(a)相对应的预测眨眼次数), 步骤2 ;计算预测眨眼次数与历史眨眼次数的灰关联度 规定t时刻的眨眼次数yt为预测眨眼次数,其前10个时刻的历史眨眼次数集合 为{心,yt_2,…,,根据灰赌分析理论,构建参考序列Yt和比较序列{Y……,Yt_i,… ,,参考序列为预测眨眼次数,Yt = [y t (1),yt(2),yt (3),yt(4),yt 巧),yt 化),Yt(7)],定 义为t时刻之前7个时刻的眨眼次数,比较序
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1