一种驾驶员心电状态监控分类系统及方法

本发明属于智能驾驶，尤其涉及一种驾驶员心电状态监控分类系统及方法。

背景技术：

1、现如今，根据相关部门统计，全国每年发生的机动车交通事故多达20余万次，而行车时司机的状态是导致交通事故的一大因素。因此，行车过程中驾驶员的状态监测可以对驾驶员进行分析预警，使得驾驶员可以得到休息或者相应的治疗，从而预防事故的发生。然而，目前市面上的各种生理信号监测装置如血压仪、心电采集设备存在测量操作复杂，不方便携带以及测量结果滞后等问题，难以实现实时监测生理状态，为行车时驾驶员的健康状况进行评估及预警。

2、目前深度神经网络模型拥有分析速度快，分类效果好的特点。然而由于计算量较大，通常采用上传到云端的方式进行分析，之后再从云端回传到本地设备。这种方式在穿越无信号地区如隧道时则不能上传数据，不能实现实时长时监测分析。

3、边缘计算设备是指位于网络边缘远程位置的物理硬件，具有足够内存、处理能力以及计算资源。因此非常适合用于处理获取的生理信号并提供分类、诊断等处理功能。另外，汽车方向盘作为驾驶员在行驶过程中接触最多的汽车内部设备之一，可以长时间与驾驶员接触，适合用于各种非侵入式生理信号检测设备。

4、现有专利一种汽车多功能方向盘，包括微处理器、指纹识别器传感器、心率采集传感器、动脉压传感器、静脉压传感器、无创血糖检测装置、温度传感器、无线通信模块、gprs短信通讯装置。采用无线网络将多功能方向盘与“云”服务器相连接。将多种传感器布置于汽车方向盘表面驾驶员握持的部位，可以随时随地对身体指标进行监测。这一种方法对生理信号处理非常依赖于可靠的数据传输，信号处理依赖于“云”服务器。

5、现有专利一种生物测定式汽车方向盘，包括方向盘本体、心率采集模块和pc上位机。该生物测定式汽车方向盘利用安装于车辆方向盘上的脉搏血氧传感器，模拟前端芯片和单片机来实时监控驾驶员的生理主要状态信息，从而提前进行危险预判、预警、报警和提醒等辅助安全驾驶功能，减少事故发生率。这一种方法只采用了脉搏信号作为判别驾驶员生理状态的指标。

技术实现思路

1、为了解决现有车辆无法对驾驶员在行车过程的生理状态进行实时长时监测和对驾驶员心脏骤停等风险的智能评估和预警问题，本发明提出了一种驾驶员心电状态监控分类系统及方法。

2、本发明系统的技术方案为一种驾驶员心电状态监控分类系统，包括：微处理器、心电信号传感器、显示模块、预警模块；

3、所述微处理器分别与所述的心电信号传感器、显示模块、预警模块依次连接；

4、所述微处理器部署于车辆的方向盘中心位置；所述心电信号传感器部署于车辆的方向盘握手处；所述显示模块位于方向盘中间；所述预警模块位于显示模块右侧；

5、所述心电信号传感器用于实时采集心电信号，并输出至所述微处理器；

6、所述微处理器用于将实时采集的心电信号通过驾驶员心电状态分类方法进行分类得到驾驶员的驾驶状态类别，输出至所述显示模块显示，并通过预警模块进行预警；

7、本发明方法的技术方案为一种驾驶员心电状态监控分类方法，包括以下步骤：

8、步骤1：微处理器通过心电信号传感器采集多个时刻的心电信号，人本标记每个时刻的真实驾驶状态类别；

9、步骤2：构建驾驶心电状态分类神经网络，将每个时刻的心电信号依次输入至驾驶心电状态分类神经网络进行预测分类，得到每个时刻的预测驾驶状态类别，结合每个时刻的真实驾驶状态类别构建损失函数模型，通过adam算法优化训练得到优化后驾驶心电状态分类神经网络；

10、步骤3：心电信号传感器采集实时心电信号并输出至所述微处理器，所述微处理器将实时心电信号通过优化后驾驶心电状态分类神经网络进行预测分类，得到实时的驾驶状态预测类别并通过所述显示模块显示，若驾驶状态预测类别属于驾驶疲劳则通过预警模块进行语音预警；

11、作为优选，步骤2所述的驾驶心电状态分类神经网络由第一特征卷积模块、第二特征卷积模块、...、第k特征卷积模块以及线性分类模块依次级联构成；

12、第一特征卷积模块，用于将每个时刻的心电信号通过特征提取得到第一心电特征，并输出至所述第二特征卷积模块；

13、所述第i特征卷积模块，用于将第i-1心电特征通过特征提取得到第i心电特征，并输出至所述第i+1特征卷积模块；i∈[1,k]；

14、所述第k特征卷积模块，用于将第k-1心电特征通过特征提取得到第k心电特征，并输出至所述线性分类模块；

15、所述线性分类模块由全局池化层、第一线性层、第二线性层、第三线性层依次级联组成；

16、所述线性分类模块，用于将第k心电特征转换为驾驶状态分类向量；

17、每个特征卷积模块由基于注意力的分组卷积模块、下采样模块连接组成；

18、所述基于注意力的分组卷积模块，包括：注意力通道划分模块、第一注意力支路模块、第二注意力支路模块、注意力模块、注意力通道重排模块构成；

19、所述注意力通道划分模块分别与所述的第一注意力支路模块、第二注意力支路模块连接；所述第一注意力支路模块与所述注意力模块连接，所述第二注意力支路模块与所述注意力模块连接；所述注意力模块与所述注意力通道重排模块连接；

20、所述第一注意力支路模块由第一注意力卷积层、注意力dw卷积层和第二注意力卷积层依次级联构成；

21、所述第二注意力支路模块由第三注意力卷积层、第四注意力卷积层级联构成；

22、所述注意力通道划分模块的输入为第i特征卷积模块输入，定义为第i时间序列，

23、

24、其中，表示第i特征卷积模块中第t个时刻第c个通道的数据值，c为通道的总数量，t为总时刻的数量，k为特征卷积模块的总数量；

25、注意力通道划分模块将输入的时间序列分为：

26、第t时刻第i特征卷积模块的子偶序列子偶序列

27、第t时刻第i特征卷积模块的子偶序列子奇序列

28、codd＝2,4,...,c；ceven＝1,3,...,c-1；t＝1,2,...,t；i∈[1,k]；

29、其中，codd为子偶序列的通道下标，为原序列的2，4，...,c号通道，ceven为子奇序列的通道下标，为原序列的1，3，...,c-1号通道；

30、所述第一注意力支路模块的输入为子偶序列，所述子偶序列依次通过第一注意力卷积层、注意力dw卷积层和第二注意力卷积层依次卷积处理，得到第t时刻第i特征卷积模块的第一注意力支路模块的通道c的值为

31、其中，为输出序列的通道数，为第i特征卷积模块输入通道数的一半，t为输出序列的总时刻数量，与第i特征卷积模块输入的总时刻数量相同，k为卷积模块数量的个数，i表示为第i特征卷积模块第一注意力支路模块的输出；

32、所述第二注意力支路模块的输入为子奇序列；

33、子奇序列依次通过第三注意力卷积层和第四注意力卷积层用于进行卷积操作，得到第i特征卷积模块中第二支路的时刻t的通道c的数值为

34、其中，为输出序列的通道数，为第i特征卷积模块输入通道数的一半；t为输出序列的总时刻数量，与第i特征卷积模块输入的总时刻数量相同，k为卷积通道数量的个数，i表示为第i特征卷积模块第一注意力支路模块的输出；

35、所述注意力模块的输入为第一注意力支路模块的输出和第二注意力支路模块的输出两条支路的输出将首先进行拼接，得到第i特征卷积模块时刻t的通道c的支路输出的数值为

36、其中，

37、

38、其中，c为输出序列的通道数，与第i特征卷积模块输入通道数相同；t为输出序列的总时刻数量，与第i特征卷积模块输入的总时刻数量相同，k为卷积模块数量的个数，i表示为第i特征卷积模块。

39、第i特征卷积模块的支路输出与初始时间序列的通道数和长度保持一致；

40、第i特征卷积模块的支路输出通过通道注意力模块，得到第i特征卷积模块时刻t的通道c的通道注意力模块的输出数值为：

41、

42、其中c为第i特征卷积模块带有注意力的输出的通道数，与第i特征卷积模块输入通道数相同；t为第i特征卷积模块带有注意力的输出的总时刻数量，与第i特征卷积模块输入的总时刻数量相同，k为卷积模块数量的个数，i表示为第i特征卷积模块中注意力模块的输出；

43、所述注意力通道重排模块的输入为输入将通过一个注意力通道重排模块cs，将通道[1,2,3,4...,c]重排为[1,3,5,...,c-1,2,4,...,c]，得到第i特征卷积模块时刻t的通道c的输出数值为：

44、

45、其中，c为第i特征卷积模块输出的通道数，与第i特征卷积模块输入通道数相同；t为第i特征卷积模块输出的总时刻数量，与第i特征卷积模块输入的总时刻数量相同，k为卷积模块数量的个数，i表示为第i特征卷积模块的输出；

46、所述下采样模块，包括：第一下采样支路模块、第二下采样支路模块、下采样通道重排模块构成；

47、所述第一下采样支路模块与所述下采样通道重排模块连接；所述第二下采样支路模块与所述下采样通道重排模块连接；

48、其中，所述第一下采样支路模块由第一下采样卷积层、dw下采样卷积层和第二下采样卷积层级联构成；

49、第二下采样支路模块由下采样最大池化层和第三下采样卷积层级联构成。

50、所述的第m下采样模块的第一下采样支路模块的第n通道时刻t的数值为：

51、

52、其中，n表示通道数量，l表示时间戳数量，m表示为m个下采样模块中的第m下采样模块；

53、在第一下采样支路模块中，依次通过第一下采样卷积层，dw下采样卷积层和第二下采样卷积层进行卷积，得到第m下采样模块的第一下采样支路模块的第n通道时刻t的输出数值为：

54、

55、其中，n表示第一下采样支路输出通道数量，与输入的通道数相同，表示第一下采样支路时刻数，为输入的时刻数的一半，m表示为m个下采样模块中的第m下采样模块；

56、所述的第二下采样支路模块的输入也为时间序列

57、依次通过下采样最大池化层、第三下采样卷积层，分别通过池化操作和卷积操作，得到第m下采样模块的第二下采样支路的第n通道时刻l的输出数值为：

58、

59、其中，n表示第二下采样支路输出通道数量，与输入的通道数相同，表示第二下采样支路时刻数，为输入的时刻数的一半，m表示为m个下采样模块中的第m下采样模块；

60、所述下采样通道混合模块，其输入分别为：第一下采样支路模块的输出和第二下采样支路模块的输出

61、和通过所述下采样通道混合模块进行拼接、重排，将通道[1,2,3,4...,2n]重排为[1,3,5,...,2n-1,2,4,...2n]，得到第m下采样模块中第n通道中第l时刻的输出数值为：

62、

63、其中，2n表示第m下采样输出通道数量，为输入的通道数的两倍，表示第m下采样时刻数，为输入的时刻数的一半，m表示为m个下采样模块中的第m下采样模块；

64、所述线性分类模块，由全局池化层、第一线性层，第二线性层，第三线性层依次级联构成；

65、其中，第n通道的第t时刻的线性分类模块的输入数值为：

66、

67、其中，nk为第k下采样模块输出的通道总数，lk为第k下采样模块输出的时间戳总数；

68、将作为全局池化层的输入，对时刻进行全局池化，特征降维得到全局池化层的在维度n的数值为其中nk为输出的维数，与第k下采样模块输出的通道总数相同。

69、所述全局池化层的输出依次通过所述的第一线性层、第二线性层、第三线性层进行线性映射，得到输出为分类向量[z1,z2,...,zo]；

70、其中，o为类别的数量，zo表示分类向量中第o个类别的值；

71、步骤2所述损失函数模型，具体如下：

72、所述分类向量[z1,z2,...,zo]通过与真实的标签向量[q1,q2,...,qo]计算损失函数，从而实现网络的优化；

73、qo表示标签向量中第o个类别的值，当分类样本属于类别o时，qo为1，否则，qo为0；

74、其中，类别j的标签向量的值为：

75、qj＝1,qi＝0,i≠j,i＝1,2,...,o

76、所述深度学习网络模型损失函数为交叉熵损失函数，定义如下：

77、loss＝-∑qilog pi

78、

79、其中，qo为输入心电信号在类别o上的值，po为当前样本属于类别o的softmax分数，其计算方式如上，zo为当前样本在分类向量中第o个位置的值；

80、本发明的有益效果是：本发明采用轻量化的深度学习模型，训练时间短，响应快，可以快速处理驾驶员的心电信号，从而实现生理状态的实时监控。