本发明涉及一种基于驾驶行为与眼动特征的疲劳驾驶辨识方法。
背景技术：
：随着交通事业的快速发展，机动车保有量的不断攀升，道路交通事故数量越来越多，道路交通安全问题已经成为一个严重的社会问题。疲劳驾驶是导致交通事故的重要原因之一，近几年，关于疲劳驾驶的相关研究课题越来越多，疲劳驾驶检测技术也得到了飞速发展，已有研究对疲劳检测已经取得不错的效果，但仍存在不足之处：1)驾驶员从清醒到疲劳是一个渐变过程，现在的研究往往忽略这个过程，对驾驶员何时进疲劳状态无法判断，也就不能针对驾驶员的实际情况给予合理的提示信息，因此，合理地对驾驶员的疲劳状态进行划分和准确辨识将是研究的一个重点；2)现有基于单一指标的检测方法，无法克服空间、光照、天气等环境对检测精度的影响，因此，采用基于信息融合的检测方法将是提高检测准确性和可靠性的重要途径。技术实现要素：本发明要解决的技术问题是提供一种基于驾驶行为与眼动特征的疲劳驾驶辨识方法。基于驾驶行为与眼动特征的疲劳驾驶辨识方法，包括以下步骤：1)设计疲劳驾驶模拟实验，通过实验采集驾驶人在不同疲劳状态下的驾驶行为数据，包括方向盘转角、转角速度、车速、车辆加速度和驾驶人的眼动数据，包括眨眼、注视、扫视数据；2)对实验数据进行切分筛选，建立疲劳驾驶样本数据库；3)采用单因素方差分析的方法对不同疲劳状态下驾驶人的驾驶行为参数和眼动特征参数差异的显著性进行统计分析，并找出了各种特征参数的最优时间窗；初步筛选出驾驶行为特征参数包括方向盘绝对均值SAM、转角标准差SASTD、方向盘角速度绝对均值SWM、角速度标准差SWSTD、速度标准差Vstd、加速度均值Am和标准差Astd；眼动特征参数包括眨眼频率BF、注视持续时间均值FIXT_mean和标准差FIXT_std、扫视平均速度标准差SACV_std和瞳孔直径变异系数CVPLD；4)对初步筛选出的特征参数进行双变量Spearman相关分析，具体步骤如下：4-1)对来源与同一指标的特征参数进行分析，相关性显著的特征，只能选择一项；4-2)对筛选出的特征参数，按驾驶行为参数和眼动参数分类进行相关性分析，同样，对相关性显著的指标只能选择一项；4-3)对经过以上两部筛选后余下的指标进行相关性分析，对相关性显著的指标采取步骤4-1)、4-2)同样的处理方式；5)筛选出最优特征参数包括：方向盘转角标准差SASTD、车辆加速度标准差Astd、扫视平均速度标准差SACV_std和瞳孔直径变异系数CVPLD；6)建立疲劳驾驶BP神经网络辨识模型，首先确定该网络结构的输入神经元数、输出神经元数、隐含层数、隐含层神经元数；其次个网络层的传递函数、设置各层初始值的权值，最后确定最佳学习效率，选取适当的期望误差，具体如下：6-1)输入神经元，选步骤5)中最优特征参数及作为模型的输入，并将输入数据进行归一化处理；6-2)输出神经元，设定输出为1-清醒、2-疲劳、3-非常疲劳，并由一个神经元表示，在网络的预测结果中，以1.5和2.5为界，如果预测值1≤k≤1.5，则为清醒；如果预测值1.5≤k≤2.5，则为疲劳如果预测值2.5≤k≤3，则为非常疲劳；6-3)隐含层数，单个隐含层，隐含层节点数为9；6-4)传递函数，BP的神经网络内部采用tansig作为传递函数，输出层采用purelin作为传递函数；6-5)初始权重，初始权值定为(-1，1)之间的非零随机值；6-6)学习效率和期望误差，采用LM学习算法，学习效率根据期望误差自动调节，无需设定；期望误差设定为0.001；7)利用Matlab软件编写模型程序，随机选取训练样本和测试样本集对模型进行训练和疲劳状态辨识。进一步的，所述疲劳驾驶模拟实验具体如下：1)实验设备：A、驾驶模拟系统，由仿真车辆、控制台区、视景系统、计算机系统、网络系统以及相应的软件系统组成；主要操作设备都是真实车辆设备，通过传感器捕获用户的输入动作，将用户的输入以及其他相关进行模拟仿真计算，同时将仿真结果通过视景系统显示、声音仿真系统以及信号输出系统将对应信息反馈给用户；系统还包括仿真车辆运行过程中本车相关数据的导出接口，可根据研究需求，设置不同的采样频率，导出数据进行二次分析；B、EyeLinkⅡ型眼动仪，采用瞳孔模式进行追踪；2)实验场景：使用单调环形公路作为实验场景，所述单调环形公路为一条环形双向6车道的郊区单调高等级公路，车道宽度3.75m，道路全长20km，路面平整，天气设置为晴天；3)实验人员：身体健康，睡眠规律，测试前24h内不允许饮酒，测试前12h内不允许饮用咖啡、茶；4)实验方案：保持100km/s的车速在中间车道行驶，工作人员每5min记录一次被试人员的主观疲劳等级(由睡眠尺度表Karolinskasleepinessscale，KSS标定)，直到行驶60min，实验结束。本发明的有益效果是：本发明在已有的研究成果上，提取新的疲劳驾驶检测指标，并通过方差分析验证了指标的有效性，基于信息融合技术建立疲劳驾驶辨识模型，克服了基于单一信息源的疲劳辨识方法的局限性。具体实施方式以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。1、设计疲劳驾驶模拟实验，通过实验采集驾驶人在不同疲劳状态下的驾驶行为数据，具体如下：1)实验设备：A、驾驶模拟系统，由仿真车辆、控制台区、视景系统、计算机系统、网络系统以及相应的软件系统组成；主要操作设备都是真实车辆设备，通过传感器捕获用户的输入动作，将用户的输入以及其他相关进行模拟仿真计算，同时将仿真结果通过视景系统显示、声音仿真系统以及信号输出系统将对应信息反馈给用户；系统还包括仿真车辆运行过程中本车相关数据的导出接口，可根据研究需求，设置不同的采样频率，导出数据进行二次分析；B、EyeLinkⅡ型眼动仪，采用瞳孔模式进行追踪；2)实验场景：使用单调环形公路作为实验场景，所述单调环形公路为一条环形双向6车道的郊区单调高等级公路，车道宽度3.75m，道路全长20km，路面平整，天气设置为晴天；3)实验人员：9名被试人员(男：7名，女：2名)，年龄23-27岁，驾龄2-5年，身体健康，睡眠规律，测试前24h内不允许饮酒，测试前12h内不允许饮用咖啡、茶；4)实验方案：保持100km/s的车速在中间车道行驶，工作人员每5min记录一次被试人员的主观疲劳等级(由睡眠尺度表Karolinskasleepinessscale，KSS标定)，直到行驶60min，实验结束。2、对实验数据进行切分筛选，建立疲劳驾驶样本数据库；按5min为一个间隔进行切分，即5min数据作为一个样本，总共9名被试者参加实验，共108个样本；对驾驶行为数据，剔除含有弯道和换线操作的样本数据，对于眼动数据，受EyeLinkⅡ型眼动仪本身限制，智能对眼球相对头部在水平垂直方向[-30°，30°]范围内的眼动数据进行记录，因此[-30°，30°]范围以外的数据要剔除。经过筛选之后，余下有效数据样本102个，根据驾驶疲劳的评价方法，将102个样本进行疲劳状态划分，建立疲劳驾驶样本数据库，如下表1所示。表1疲劳驾驶样本数据信息3、采用单因素方差分析的方法对不同疲劳状态下驾驶人的驾驶行为参数和眼动特征参数差异的显著性进行统计分析，并找出了各种特征参数的最优时间窗；初步筛选出驾驶行为特征参数包括方向盘绝对均值SAM、转角标准差SASTD、方向盘角速度绝对均值SWM、角速度标准差SWSTD、速度标准差Vstd、加速度均值Am和标准差Astd；眼动特征参数包括眨眼频率BF、注视持续时间均值FIXT_mean和标准差FIXT_std、扫视平均速度标准差SACV_std和瞳孔直径变异系数CVPLD；1)对方向盘转角的直观分析，可得出驾驶员的疲劳特征通常持续5-15s，在5s、10s、15s三个时间窗内分别设计方向盘转角相关各疲劳特征参数。利用单因素方差分析法定量研究驾驶员在不同疲劳程度下的方向盘转角绝对值和标准差的差异性，在显著性水平α＝0.05的情况下，方差分析结果如表2所示。表2方向盘转角绝对值和标准差的差异性的方差分析结果方向盘转角绝对值SAM，当时间窗为10s时，F＝3.893最大，方向盘转角绝对值SAM的最优时间窗为10s；方向盘转角标准差SASTD，当时间窗为10s时，F＝4.801最大，方向盘转角标准差SASTD的最优时间窗为10s。2)随机选取清醒状态、疲劳状态和非常疲劳状态下各10个样本数据，分别按5s、10s、15s三个时间窗计算方向盘角速度绝对均值SWM、转角速度标准差SWSTD，利用单因素方差分析法定量研究驾驶员在不同疲劳程度下的差异性，在显著性水平α＝0.05的情况下，方差分析结果如表3所示。表3方向盘角速度绝对均值和标准差的方差分析结果方向盘角速度绝对均值SWM，当时间窗为5s时，F＝4.923最大，方向盘角速度绝对均值SWM的最优时间窗为5s；转角速度标准差SWSTD，当时间窗为5s时，F＝4.907最大，转角速度标准差SWSTD的最优时间窗为5s。3)在40s、80s、120s三个时间窗计算车速均值Vm和车速度标准差Vstd，利用单因素方差分析法定量研究驾驶员在不同疲劳程度下的差异性，在显著性水平α＝0.05的情况下，方差分析结果如表4所示。表4车速均值和标准差的方差分析结果车速均值Vm不同疲劳水平之间不存在显著差异性，因此速度均值不适于疲劳驾驶状态检测；车速度标准差Vstd，当时间窗为80s时，F＝46.424值最大，车速度标准差Vstd的最优时间窗为80s。4)在25s、50s、75s三个时间窗计算加速度绝对值和标准差，利用单因素方差分析法定量研究驾驶员在不同疲劳程度下的差异性，在显著性水平α＝0.05的情况下，方差分析结果如表5所示。表5加速度绝对值和标准差的方差分析结果对于加速度绝对值Am和加速度标准差Astd，当时间窗为25s时，二者在不同疲劳状态之间的差异最显著，因此，加速度绝对值Am和加速度标准差Astd最优时间窗为25s。5)从样本数据库中随机选取3中疲劳状态个10个样本数据进行单因素方差分析，时间窗为30s和60s，眨眼频率在(α＝0.05)情况下，方差分析结果如下表6所示。表6眨眼频率的方差分析结果不管时间窗为30s还是60s，眨眼频率BF均存在显著差异，选取时间窗为30s。6)时间窗为30s和60s，对不同疲劳状态下驾驶员注视持续时间的均值和标准差进行单因素方差分析，结果如下表7所示。表7注视持续时间均值和标准差的方差分析结果注视持续时间均值和标准差均存在显著差异，当提取时间窗为30s时，F值最大，因此，最优时间窗为30s。7)时间窗为30s和60s，对不同疲劳状态下驾驶员扫描幅度均值和标准差进行单因素方差分析，结果如下表8所示。表8扫描幅度均值和标准差的方差分析结果不管时间窗为30s还是60s，扫描幅度均值和标准差在给定的显著水平α＝0.05情况下，不存在显著差异，因此扫描幅度不能作为疲劳驾驶判别的特征参数。8)时间窗为30s和60s，对不同疲劳状态下驾驶员扫视平均速度的均值和标准差进行单因素方差分析，结果如下表9所示。表9扫视平均速度均值和标准差的方差分析结果不管时间窗为30s还是60s，扫视平均速度均值在给定的显著水平α＝0.05情况下，不存在显著差异，因此扫视平均速度均值不能作为疲劳驾驶判别的特征参数；扫视平均速度标准差在30s时，F最大，因此，最优时间窗为30s。9)时间窗为30s和60s，对不同疲劳状态下驾驶员瞳孔直径变异系数进行单因素方差分析，结果如下表10所示。表10瞳孔直径变异系数的方差分析结果在时间窗为30s时，F最大，因此，瞳孔直径变异系数最优时间窗为30s。10)选用Bonferroni检验作为多重比较方法，得出疲劳驾驶特征参数的多重比较结果如表11所示。表11驾驶疲劳特征参数的多重比较结果(α＝0.05)从上表可看出，在给定显著水平α＝0.05的情况下，在不同疲劳水平之间均存在统计意义上的显著差异的特征参数有方向盘转角标准差SASTD、方向盘角速度绝对均值SWM、加速度标准差Astd、扫视平均速度标准差SACV_std、瞳孔直径变异系数CVPLD；方向盘绝对均值SAM在清醒和非常疲劳之间以及疲劳和非常疲劳之间存在显著性差异，七对疲劳驾驶的辨识仍有一定的贡献，因此，可以作为疲劳驾驶辨识的特征参数。4、对初步筛选出的特征参数进行双变量Spearman相关分析，具体步骤如下：4-1)对来源与同一指标的特征参数进行分析，相关性显著的特征，只能选择一项；4-2)对筛选出的特征参数，按驾驶行为参数和眼动参数分类进行相关性分析，同样，对相关性显著的指标只能选择一项；4-3)对经过以上两部筛选后余下的指标进行相关性分析，对相关性显著的指标采取步骤4-1)、4-2)同样的处理方式；5、筛选出最优特征参数包括：方向盘转角标准差SASTD、车辆加速度标准差Astd、扫视平均速度标准差SACV_std和瞳孔直径变异系数CVPLD；最优特征参数集如下表12所示。表12最优特征参数集特征参数含义最优时间窗CVPLD瞳孔直径变异系数30sSACV_std扫视平均速度标准差30sAstd车辆加速度标准差25sSASTD方向盘转角标准差10s6、建立疲劳驾驶BP神经网络辨识模型，首先确定该网络结构的输入神经元数、输出神经元数、隐含层数、隐含层神经元数；其次个网络层的传递函数、设置各层初始值的权值，最后确定最佳学习效率，选取适当的期望误差，具体如下：6-1)输入神经元，选步骤5)中最优特征参数及作为模型的输入，并将输入数据进行归一化处理；6-2)输出神经元，设定输出为1-清醒、2-疲劳、3-非常疲劳，并由一个神经元表示，在网络的预测结果中，以1.5和2.5为界，如果预测值1≤k≤1.5，则为清醒；如果预测值1.5≤k≤2.5，则为疲劳如果预测值2.5≤k≤3，则为非常疲劳；6-3)隐含层数，单个隐含层，隐含层节点数为9；6-4)传递函数，BP的神经网络内部采用tansig作为传递函数，输出层采用purelin作为传递函数；6-5)初始权重，初始权值定为(-1，1)之间的非零随机值；6-6)学习效率和期望误差，采用LM学习算法，学习效率根据期望误差自动调节，无需设定；期望误差设定为0.001；7、利用Matlab软件编写模型程序，随机选取训练样本和测试样本集对模型进行训练和疲劳状态辨识。从搭建的疲劳驾驶样本数据库中随机选取150组样本数据，其中清醒、疲劳、非常疲劳样本各50组作为训练样本，将训练样本数据导入模型进行训练。对于模型效度的验证，模型的正确识别率可作为测评指标，其计算公式为：Pn=qnQn,n=1,2,3]]>其中，n表示疲劳状态，1-清醒，2-疲劳，3-非常疲劳；Pn表示模型对第n级疲劳的正确识别率；qn表示第n级疲劳测试样本中，被正确识别的样本数；Qn表示第n级疲劳测试总样本数。作为模型效度的另外一个评判指标，其计算公式如下：n＝1，2，3；k＝1，2，3；n≠k其中，n，k表示疲劳状态，1-清醒，2-疲劳，3-非常疲劳；Pnk表示模型对第n级疲劳识别为k级疲劳的正确识别率；rnk表示第n级疲劳测试样本中，被误判为k级疲劳状态的的样本个数。招募8名驾驶员，进行上述相同实验，记录他们的驾驶行为数据和眼动数据，每人提取清醒、疲劳、非常疲劳各30组样本数据用于对训练好的辨识模型进行测试，测试结果的准确率和误判率如表13所示。表13疲劳驾驶辨识模型对不同驾驶员的检测结果结果表明该模型对驾驶员的清醒、疲劳、非常疲劳三种状态分别到达了83.3％，69.6％和79.6％的平均识别精度，可以用于驾驶员的疲劳状态检测。本发明选择的驾驶员具有一定的局限性，没有完全消除疲劳机架式检测中的个体差异，如果扩大疲劳驾驶样本数据库的样本容量，识别精度回有更大的提高，也会使模型具有广泛的适应性。当前第1页1 2 3