CN104224205B - 一种基于简易心电采集和匹配的疲劳检测方法 - Google Patents

Abstract

本发明涉及汽车领域，尤其涉及一种基于简易心电采集和匹配的疲劳检测方法。提供一种基于简易心电采集和匹配的疲劳检测方法，包括以下步骤：1、在方向盘上附加心电电子芯片，再把心电电子芯片采集到的人手的心电信号传递给心电处理与识别器；2、心电处理与识别器使用稀疏编码方法对心电信号的性质进行分类判别；3、根据判别方法，把判别结果传递给报警及应急处理装置。本发明的有益效果是使用基于简易心电采集和匹配的疲劳检测方法可以在不影响驾驶员的正常行为习惯的情况下，实行对驾驶员疲劳检测，并且针对不同的疲劳程度提供对应的提醒或帮助功能，从而减少甚至避免因为疲劳驾驶导致的交通事故，以保障人的生命安全和财产损失。

Description

一种基于简易心电采集和匹配的疲劳检测方法

技术领域

本发明涉及汽车领域，尤其涉及一种基于简易心电采集和匹配的疲劳检测方法。

背景技术

疲劳检测技术是目前车载系统当中主要研究的技术之一，在很多汽车生产商和科研单位受到很大的关注。这种技术主要用于帮助驾驶员避免因为疲劳而造成车祸。

目前主要的疲劳检测技术主要有：

通过对人脸和眼睛的检测，从而提取出每一分钟人眨眼睛的次数来判断驾驶员是否处于疲劳状态。

让驾驶员带上一个头盔，从而检测驾驶员的脑电波来判断驾驶员是否处于疲劳状态。

不过这两种方法都有它们不足的地方：

基于人脸和眼睛的检测方法需要对视频进行大量的处理，所以这种方法的计算量比较大，除此之外人如果带眼睛(墨镜等)对检测结果会有很大影响。

基于脑电的检测方法需要戴上一个头盔，会给驾驶员带来很多的不便，而且对注重自己外表的驾驶员影响更大。

发明内容

针对现有技术中存在的缺陷或不足，本发明所要解决的技术问题是：提供一种基于简易心电采集和匹配的疲劳检测方法，此方法可以在不影响驾驶员的正常行为习惯的情况下，实行对驾驶员疲劳检测，并且针对不同的疲劳程度提供对应的提醒或帮助功能。

本发明采取的技术方案为提供一种基于简易心电采集和匹配的疲劳检测方法，包括以下步骤

步骤1：在方向盘上附加心电电子芯片，再把心电电子芯片采集到的人手的心电信号传递给心电处理与识别器；

步骤2：心电处理与识别器使用稀疏编码方法对心电信号的性质进行分类判别，该稀疏编码方法表示如下：

步骤21：对所有类的模型进行L2范数最小化问题

步骤22：计算每个类的叠加稀疏参数superimposed sparse parameter-SSP；

1)第一次迭代，既确定任一测试样本X的欧式距离L2范数的最小化问题，(1)第一次迭代，即确定任一测试样本X的欧式距离L2范数的最小化问题，让每一个训练图片有有a×b像素，用表示,其中c＝1,2,…,M；i＝1,2,…,N_c，每一个图片被转换为列向量如其中q＝ab；

其中是一个包含所有类的系数参数的向量，其中指第c^th类的系数参数；因为系数参数可能是负数，为了不影响叠加精度，我们把系数参数标准化为正数：

其中和指中最大的和最小的元素，

我们使用代表第c^th类的SSP分数，

$r_0^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}{\mathrm{\γ}}_{0,i}^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}\left|{\mathrm{\γ}}_{0,i}^c\right|,c=1,2,...,M---\left(3\right)$

假如拥有最低的SSP分数,那么第类将被认为是最不相似的类，并且被丢弃掉，然后获得第一次迭代后的全局模型

2)第二次迭代

让是更新的全局模型的参数向量,它可以被计算为：

使用公式(2)把转化为正数γ₁,第二次迭代后，我们使用r₁ ^c代表第c^th个类的SSP分数：

$r_1^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}{\mathrm{\γ}}_{1,i}^c---\left(5\right)$

(3)第K次迭代

让我们计算第c^th类的SSP分数，它可以被计算为：

其中指中包含的M-1类的类标签；

当迭代k次后，我们已经移除k个类，从而获得新的全局模型与其对应的参数可以计算由：

使用公式(2)把转化为正数γ_k，第k次迭代后，我们使用代表第c^th类的SSP分数，它可以被计算为：

$r_{k-1}^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}{\mathrm{\γ}}_{k-1,i}^c---\left(8\right)$

我们计算第c^th类的SSP分数，它可以被计算为：

其中指中包含的M-k类的类标签.；

4)重复计算式(4)、式(5)、式(6)，直到全局模型中只有一个类的时候， 迭代将结束，然后测试样本将会分到拥有最大SSP分数的类中，表示为：

$\underset{c*}{max}{s}_{M-1}^c,c=1,2,...,M---\left(10\right)$

步骤23：叠加稀疏参数分类器将把测试样品分到拥有最高分的类中；

步骤3：根据判别方法，把判别结果传递给报警及应急处理装置。

作为本发明的进一步改进，所述判别方法为最大的值代表最相似的类，最小的值代表最不相似的类。

本发明的有益效果是：使用基于简易心电采集和匹配的疲劳检测方法可以在不影响驾驶员的正常行为习惯的情况下，实行对驾驶员疲劳检测，并且针对不同的疲劳程度提供对应的提醒或帮助功能，从而减少甚至避免因为疲劳驾驶导致的交通事故，以保障人的生命安全和财产损失。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

分类器在模式识别系统中占有很重要的位置。最近邻分类器(NN)和最近中心分类器(NM)是比较著名的两个分类器。因为属于一个特定的目标类的样品可以被这个类的线性子空间表示，基于上面的思想，线性回归分类器(LRC)被提出。线性回归分类器可以看作是最近中心分类器的延伸。当线性回归分类器被提出后，一些改进方法被提出，包括基于kernel-LRC，LDA-LRC，PCA-LRC等等。

不同于线性回归分类器，基于稀疏表示的分类器(SRC)采用了所有类的模型对测试样本进行分类。在SRC分类器提出后，一些其他的改进方法被提出，如两阶段测试样品稀疏表示(TPTSSR)，基于协作表示的分类器(CRC)，正规化鲁棒编码分类器(RRC)和放松协作表示分类器(RCR)。

事实上，线性回归分类器可以被视为在类空间上的L2系数表示。系数表示分类器是通过对所有类的模型进行解L1-norm最小化问题，然后根据测试样本和每个类子空间的预测向量之间的距离来对测试样本进行分类。但是测试样本和预测向量之间的距离可能不是一个很好的衡量的方法。所以基于系数表示分类器和线性回归分类器，我们提出叠加稀疏参数(SSP) 分类器。在叠加稀疏参数分类器中，我们先的分类首先对所有类的模型进行解L2范数最小化问题，然后计算每个的叠加分数，最后叠加稀疏参数分类器将把测试样品分到拥有最高分的类中。需要指出的是解L2范数最小化问题所需的时间要比解L1-norm最小化问题所需的时间少很多。

本发明嵌入方向盘的芯片比较小，基本不会影响方向盘原来的设计，保留传统方向盘的美观。本发明使用了最近比较流行的稀疏编码方法对心电信号的性质进行判别分类。疲劳会使得心率变缓，然后喝酒会是心率加强，所以这个系统也可以辅助进行醉酒驾驶检测。

驾驶员使用已嵌入心电采集芯片的方向盘进行日常驾驶任务，这事心电采集芯片会吧驾驶员手上的心电信号传递给心电处理与识别器。

当心电处理与识别器收到采集芯片传来的心电信号后，它会对心电信号进行一些预处理，然后是用我们提出的新的稀疏编码方法分类进行对心电信号进行分类判别，然后把判别结果传递给报警及应急处理装置。新的稀疏编码方法如下：

稀疏编码主要是想得到一个理想的系数向量这也就是说每个人的多个心电信号向量的系数和可以用来判断心电的性质。基于上面的思想，我们使用叠加的系数编码系数。

系数表示分类器的目的是要获得一个理想的参数向量 也就是说，当我们解决L2范数最小化问题后，每个类的参数和可以用来分类：最大的值代表最相似的类，最小的值代表最不相似的类。基于上面的情况，叠加的系数表示参数分类器被提出。

让每一个训练图片有a×b像素，用表示,其中c＝1,2,…,M；i＝1,2,…,N_c.每一个图片被转换为列向量如其中q＝ab.与SRC分类器相似,在第一迭代中，SSP分类器使用全局的模型(包含所有类的)给一个测试样本x,解L2范数最小化问题变为

其中是一个包含所有类的系数参数的向量，其中指第c^th类的系数参数.因为系数参数可能是负数，为了不影响叠加精度，我们把系数参数标准化为正数

其中和指中最大的和最小的元素。

第一次迭代后，我们使用代表第c^th类的SSP分数

$r_0^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}{\mathrm{\γ}}_{0,i}^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}\left|{\mathrm{\γ}}_{0,i}^c\right|,c=1,2,...,M---\left(3\right)$

假如拥有最低的SSP分数,那么第类将被认为是最不相似的类，并且被丢弃掉，然后获得第一次迭代后的全局模型

让是更新的全局模型的参数向量,它可以被计算由

使用公式(2)把转化为正数γ₁.第二次迭代后，我们使用r₁ ^c代表第c^th个类的SSP分数

$r_1^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}{\mathrm{\γ}}_{1,i}^c---\left(5\right)$

让我们计算第c^th类的SSP分数，它可以被计算由

其中指中包含的M-1类的类标签.

当迭代k次后，我们已经移除k个类，从而获得新的全局模型与其对应的参数可以计算为

使用公式(2)把转化为正数γ_k.第k次迭代后，我们使用代表第c^th个类的SSP分数，它可以被计算为

$r_{k-1}^c=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}{\mathrm{\γ}}_{k-1,i}^c---\left(8\right)$

我们计算第c^th类的SSP分数，它可以被计算为

其中指中包含的M-k类的类标签.

当全局模型中只有一个类的时候，迭代将会结束，然后测试样本将会分到拥有最大SSP分数的类中

$\underset{c*}{max}{s}_{M-1}^c,c=1,2,...,M---\left(10\right)$

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (2)

1.一种基于简易心电采集和匹配的疲劳检测方法，其特征在于：包括以下步骤

步骤1：在方向盘上附加心电电子芯片，再把心电电子芯片采集到的人手的心电信号传递给心电处理与识别器；

步骤2：心电处理与识别器使用稀疏编码方法对心电信号的性质进行分类判别，该稀疏编码方法表示如下：

步骤21：对所有类的模型进行L2范数最小化问题；

步骤22：计算每个类的叠加稀疏参数superimposed sparse parameter-SSP分数：

1)第一次迭代，即确定任一测试样本X的欧式距离L2范数的最小化问题，

让每一个训练图片有a×b像素，用表示,其中c＝1,2,…,M；i＝1,2,…,N_c，每一个图片被转换为列向量其中q＝ab；

其中是一个包含所有类的系数参数的向量，其中指第c^th类的系数参数；因为系数参数可能是负数，为了不影响叠加精度，我们把系数参数标准化为正数：

其中和指中最大的和最小的元素，

我们使用代表第c^th类的SSP分数，

$r_0^c=\underset{i=1}{\overset{N_c}{\Σ}}{\mathrm{\γ}}_{0,i}^c=\underset{i=1}{\overset{N_c}{\Σ}}\left|{\mathrm{\γ}}_{0,i}^c\right|,c=1,2,...,M---\left(3\right)$

假如拥有最低的SSP分数,那么第个类将被认为是最不相似的类，并且被丢弃掉，然后获得第一次迭代后的全局模型

2)第二次迭代：

让是更新的全局模型的参数向量,它可以被计算为：

使用公式(2)把转化为正数γ₁,第二次迭代后，我们使用代表第c^th个类的SSP分数：

$r_1^c=\underset{i=1}{\overset{N_c}{\Σ}}{\mathrm{\γ}}_{1,i}^c---\left(5\right);$

3)第K次迭代：

让我们计算第c^th类的SSP分数，它可以被计算为：

其中指中包含的M-1类的类标签；

当迭代k次后，我们已经移除k个类，从而获得新的全局模型与其对应的参数可以计算由：

使用公式(2)把转化为正数γ_k，第k次迭代后，我们使用代表第c^th个类的SSP分数，它可以被计算为：

$r_{k-1}^c=\underset{i=1}{\overset{N_c}{\Σ}}{\mathrm{\γ}}_{k-1,i}^c---\left(8\right)$

我们计算第c^th类的SSP分数，它可以被计算为：

其中指中包含的M-k类的类标签；

4)重复计算式(4)、式(5)、式(6)，直到全局模型中只有一个类的时候，迭代将结束，然后测试样本将会分到拥有最大SSP分数的类中，表示为：

$\underset{c*}{max}{s}_{M-1}^c,c=1,2,...,M---\left(10\right)$

步骤23：叠加稀疏参数分类器将把测试样品分到拥有最高分的类中；

步骤3：根据判别方法，把判别结果传递给报警及应急处理装置。

2.根据权利要求1所述的基于简易心电采集和匹配的疲劳检测方法，其特征在于：所述判别方法为最大的值代表最相似的类，最小的值代表最不相似的类。