基于降噪扩散概率模型的驾驶行为分类方法、装置及产品

本发明实施例涉及数据处理，尤其涉及一种基于降噪扩散概率模型的驾驶行为分类方法、装置及产品。

背景技术：

1、由于交通流量的增长，交通安全一直是社会关注的一个关键问题。在交通安全方面，驾驶员的状态和行为是主要的影响因素，因为94%以上的交通事故与人为因素有关。在人为因素中，异常情况（如分心、疲劳等）和异常行为（强制换车道、闯红灯）是交通事故的主要原因。因此，分析和预测驾驶员的行为，特别是建立驾驶员的行为模型，对提高车辆安全和避免交通事故具有重要作用。

2、传统的驾驶员行为模型主要依赖于车辆数据，如速度、加速度、踏板、方向盘角度等数据。其他模型通过从摄像头中收集面部表情或身体姿势和运动来分析驾驶行为。然而，使用车辆数据来研究驾驶行为存在主要的局限性：即，在危险行为已经发生后，车辆数据可以有可观察到的反应。以一个试图改变车道的司机为例，他不知道哪条车道上有行人，在方向盘的转动的时候，检测到了危险的驾驶行为，然而此时发出警告来阻止司机变更车道已经太晚了，车辆很可能因未及时刹车而与右侧车辆直接相撞。为了解决使用车辆数据等观察到的延迟反应的问题，可以使用脑电信号(electroencephalogram，eeg)等生理指标来构建驾驶行为模型，其与车辆数据相比，在检测驾驶行为方面具有独特的优势：可以通过脑电信号利用驾驶员的反应，这些反应可以在动作发生之前很好地被检测到，且反应可以提前130毫秒到500毫秒。

3、然而，目前相关技术中大多只使用脑电信号（eeg数据）来识别特定单一的驾驶行为，且利用脑电信号进行驾驶行为分析存在数据量不足的重要困难，脑电信号的分布和特征限制影响了驾驶员行为模型的准确性。

技术实现思路

1、基于上述技术问题，本发明实施例提供一种基于降噪扩散概率模型的驾驶行为分类方法、装置及产品，旨在通过降噪扩散概率模型增强eeg特征，通过生成新样本和学习重构误差来解决样本容量不足的问题，从而提升了驾驶行为分类的准确性。

2、本发明实施例第一方面提供了一种基于降噪扩散概率模型的驾驶行为分类方法，所述方法包括：

3、获得样本脑电信号，所述样本脑电信号携带驾驶行为标签，所述驾驶行为标签包括：加速标签、减速标签、转弯标签、变道标签以及平稳驾驶标签；

4、将所述样本脑电信号输入待训练的驾驶行为分类模型中的编码器进行编码，得到样本编码结果；

5、对所述样本脑电信号进行扩散处理，得到带噪样本脑电信号；

6、将所述带噪样本脑电信号输入所述待训练的驾驶行为分类模型中的降噪扩散概率模型，得到去噪样本脑电信号；所述降噪扩散概率模型通过对所述带噪样本脑电信号的去噪和重构处理，来学习所述样本脑电信号的分布，以用于对所述样本脑电信号进行表示提取和特征增强；

7、将所述去噪样本脑电信号和所述样本编码结果输入所述待训练的驾驶行为分类模型中的解码器，得到样本解码结果；所述解码器利用所述降噪扩散概率模型的重构误差来捕获所述样本脑电信号的表示；

8、将所述样本解码结果输入所述待训练的驾驶行为分类模型中的分类器，得到所述样本脑电信号的驾驶行为分类结果；

9、根据所述样本脑电信号的驾驶行为分类结果和所述样本脑电信号携带的驾驶行为标签，对所述待训练的驾驶行为分类模型的模型参数进行更新，得到训练完毕的驾驶行为分类模型；

10、将待分类脑电信号输入所述训练完毕的驾驶行为分类模型，得到所述待分类脑电信号的驾驶行为分类结果。

11、本发明实施例第二方面提供了一种基于降噪扩散概率模型的驾驶行为分类装置，所述装置包括：

12、样本获取模块，用于获得样本脑电信号，所述样本脑电信号携带驾驶行为标签，所述驾驶行为标签包括：加速标签、减速标签、转弯标签、变道标签以及平稳驾驶标签；

13、样本编码模块，用于将所述样本脑电信号输入待训练的驾驶行为分类模型中的编码器进行编码，得到样本编码结果；

14、样本扩散处理模块，用于对所述样本脑电信号进行扩散处理，得到带噪样本脑电信号；

15、样本降噪扩散模块，用于将所述带噪样本脑电信号输入所述待训练的驾驶行为分类模型中的降噪扩散概率模型，得到去噪样本脑电信号；所述降噪扩散概率模型通过对所述带噪样本脑电信号的去噪和重构处理，来学习所述样本脑电信号的分布，以用于对所述样本脑电信号进行表示提取和特征增强；

16、样本解码模块，用于将所述去噪样本脑电信号和所述样本编码结果输入所述待训练的驾驶行为分类模型中的解码器，得到样本解码结果；所述解码器利用所述降噪扩散概率模型的重构误差来捕获所述样本脑电信号的表示；

17、样本分类模块，用于将所述样本解码结果输入所述待训练的驾驶行为分类模型中的分类器，得到所述样本脑电信号的驾驶行为分类结果；

18、模型训练模块，用于根据所述样本脑电信号的驾驶行为分类结果和所述样本脑电信号携带的驾驶行为标签，对所述待训练的驾驶行为分类模型的模型参数进行更新，得到训练完毕的驾驶行为分类模型；

19、行为分类模块，用于将待分类脑电信号输入所述训练完毕的驾驶行为分类模型，得到所述待分类脑电信号的驾驶行为分类结果。

20、本发明实施例第三方面提供了一种电子设备，所述电子设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被该处理器执行时实现如本发明实施例第一方面的基于降噪扩散概率模型的驾驶行为分类方法。

21、本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面的基于降噪扩散概率模型的驾驶行为分类方法。

22、在本发明实施例提供的基于降噪扩散概率模型的驾驶行为分类方法中，获得携带驾驶行为标签的样本脑电信号；将样本脑电信号输入待训练的驾驶行为分类模型（包括编码器、降噪扩散概率模型、解码器和分类器）中，首先，通过编码器进行编码，得到样本编码结果；其次，对样本脑电信号进行扩散处理，得到带噪样本脑电信号；接着，将带噪样本脑电信号输入降噪扩散概率模型，得到去噪样本脑电信号；然后，将去噪样本脑电信号和样本编码结果输入解码器，得到样本解码结果；将样本解码结果输入分类器，得到样本脑电信号的驾驶行为分类结果；根据样本脑电信号的驾驶行为分类结果和样本脑电信号携带的驾驶行为标签，对待训练的驾驶行为分类模型的模型参数进行更新，得到训练完毕的驾驶行为分类模型；最后，通过训练完毕的驾驶行为分类模型对待分类脑电信号进行驾驶行为的识别分类。

23、本实施例采用五种不同驾驶行为标签对应的样本脑电信号进行模型训练，可以训练出针对多种驾驶行为进行综合预测的驾驶行为分类模型，提高了模型的分类性能。以及，在本实施例的驾驶行为分类模型中，通过降噪扩散概率模型，可以对带噪样本脑电信号进行去噪和重构处理，来学习样本脑电信号的分布，从而对样本脑电信号进行表示提取和特征增强；通过解码器利用降噪扩散概率模型的重构误差可以捕获样本脑电信号的表示。也就是说，本实施例中包含降噪扩散概率模型的驾驶行为分类模型（编码器-解码器结构模型）用于生成和学习脑电信号数据的高效表示，通过生成新样本和学习重构误差来解决样本容量不足的问题，并通过增强eeg特征，提高了驾驶行为模型的识别准确性。