CN104598993A - 基于眨眼次数的驾驶员疲劳驾驶预测方法 - Google Patents
基于眨眼次数的驾驶员疲劳驾驶预测方法 Download PDFInfo
- Publication number
- CN104598993A CN104598993A CN201510019089.0A CN201510019089A CN104598993A CN 104598993 A CN104598993 A CN 104598993A CN 201510019089 A CN201510019089 A CN 201510019089A CN 104598993 A CN104598993 A CN 104598993A
- Authority
- CN
- China
- Prior art keywords
- winks
- moment
- predicted
- blink
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
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。
Description
技术领域
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
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。
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:
本发明基于眨眼次数的驾驶员疲劳驾驶预测方法。
本发明的具体技术方案如下:
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。
本发明具有如下优点:
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。
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:
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:
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:
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-1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,
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
将集合V(t)=[yt,yt-1,…,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,yt-1表示t-1时刻的眨眼次数,yt-4表示t-4时刻的眨眼次数,
1)建立线性预测模型:其中,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,为状态向量,
2)利用卡尔曼滤波理论,计算状态向量
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,为t时刻的状态向量,为t-1时刻的状态向量,P(t|t-1)为t时刻的交通流量V(t)在t时刻预测估计误差的自相关矩阵,其初始值P(1|0)=0,
第二,建立径向基函数(RBF)神经网络模型进行预测
任意选取7个时刻记录下驾驶员的预测眨眼次数(观测得到)以及该时刻前5个时刻的历史眨眼次数,这样获得预测眨眼次数集合Z={z(a),a=1,2…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={X(a),a=1,2…7},其中X(a)={x1(a),x2(a),x3(a),x4(a),x5(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心,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心ce(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心ce的聚类集合θe(e=1,2,3),这种分配原则满足以下条件:de=min||X(a)-ce||,(a=1,2,3,4,5,6,7,e=1,2,3),de表示输入数据与聚类中心的最小距离,接着计算每个聚类集合θe中数据的平均值作为新的聚类中心,其中c″e表示新的聚类中心,Me表示聚类集合θe中输入数据X(a)的个数,最后根据c″e的值是否变化来判断聚类中心位置是否变化,如果聚类中心位置变化则继续按照最近邻原则分配输入数据,计算新的聚类中心直至聚类中心位置不再发生变化,得到最终的聚类中心C=(c1,c2,c3)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=(f1,f2,f3)T,其中f1=min{||c1-c2||,||c1-c3||},表示第1类聚类中心与其最近邻聚类中心的距离,f2=min{||c2-c1||,||c2-c3||},表示第2类聚类中心与其最近邻聚类中心的距离,f3=min{||c3-c1||,||c3-c2||},表示第3类聚类中心与其最近邻聚类中心的距离,
3)计算RBF神经网络隐含层的径向基向量H=(h1,h2,h3)T,其中,e=1,2,3,||·||表示欧式范数,X(a)表示输入数据,ce表示径向基函数的中心,fe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=(HTH)-1HTz(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(观测得到),其前10个时刻的历史眨眼次数集合为{yt-1,yt-2,…,yt-10},根据灰熵分析理论,构建参考序列Yt和比较序列{Yt-1,…,Yt-i,…,Yt-10},参考序列为预测眨眼次数Yt=[yt(1),yt(2),yt(3),yt(4),yt(5),yt(6),yt(7)],定义为t时刻之前7个时刻的眨眼次数,比较序列为t时刻前10个历史眨眼次数,{Yt-1,…,Yt-i,…,Yt-10},i=1,2,3,4,5,6,7,8,9,10,其中,Yt-1=[yt-1(1),yt-1(2),…,yt-1(7)],表示t-1时刻之前7个时刻的眨眼次数,Yt-i=[yt-i(1),yt-i(2),…,yt-i(7)],表示t-i时刻之前7个时刻的眨眼次数,Yt-10=[yt-10(1),yt-10(2),…,yt-10(7)],表示t-10时刻之前7个时刻的眨眼次数,
第一,计算预测眨眼次数集合Yt与相关历史眨眼次数集合Yt-i的灰关联系数γ(yt(j),yt-i(j)),
其中分辨系数ζ=0.5,i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7;
第二,对灰关联系数进行映射处理,将灰关联系数γ(yt(j),yt-i(j))转换为灰关联密度p(i,j),其中i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7;
第三,根据灰熵的概念灰关联密度,计算由p(i,j)为属性信息的灰关联熵E(t-i),其中i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7;
第四,计算灰关联度等级B(t-i),其中i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7,将灰关联度等级B(t-i)降序排列,选择与预测眨眼次数yt灰关联度等级最大的5个时刻的历史眨眼次数其中{w1,w2,…,w5}∈i,i=1,2,3,4,5,6,7,8,9,10,
步骤3:分别计算卡尔曼滤波预测模型以及径向基(RBF)预测模型下的预测眨眼次数
第一,根据建立的卡尔曼滤波预测模型以及5组最相关的历史眨眼次数计算t时刻卡尔曼滤波预测模型下的预测眨眼次数 其中,表示卡尔曼滤波预测模型下t时刻的预测眨眼次数,
第二,根据建立的RBF神经网络模型以及5组最相关的历史眨眼次数计算RBF神经网络模型下的预测眨眼次数 其中,H=(h1,h2,h3)T,W为RBF神经网络的权值向量,表示RBF神经网络模型下t时刻的预测眨眼次数,
第三,根据建立的卡尔曼滤波预测模型以及t-wm(m=1,2,3,4,5)时刻前5组历史眨眼次数计算卡尔曼滤波预测模型下t-wm时刻预测眨眼次数 其中,表示卡尔曼滤波预测模型下t-wm时刻的预测眨眼次数,计算得到与t时刻预测眨眼次数灰关联度等级最大的5个时刻的眨眼次数在卡尔曼滤波预测模型下的预测值
第四,根据建立的RBF神经网络模型以及t-wm(m=1,2,3,4,5)时刻前5组历史眨眼次数计算RBF神经网络模型下t-wm时刻预测眨眼次数 其中,H=(h1,h2,h3)T, 表示RBF神经网络模型下t-wm时刻的预测眨眼次数,计算得到与t时刻预测眨眼次数灰关联度等级最大的5个时刻的眨眼次数在RBF神经网络模型下的预测值
步骤4:贝叶斯融合预测
根据传统的贝叶斯理论可知,计算某一预测模型在某时刻的权重,需要该时刻之前的所有的历史眨眼次数作为已知条件,我们在传统贝叶斯理论的基础上,考虑预测眨眼次数与历史眨眼次数之间的关联度,根据步骤2中灰关联度等级的计算,得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数将这5组历史眨眼次数作为已知条件,计算卡尔曼滤波预测模型在t时刻预测时的权重 其中, 服从均值为0,标准差为σn的高斯白噪声分布,表示t-wm时刻的观测到的实际眨眼次数,表示t-wm时刻的在卡尔曼滤波预测模型下计算的预测眨眼次数,其次,根据步骤2中灰关联度等级的计算,得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数将这5组历史眨眼次数作为已知条件,结合贝叶斯理论,计算RBF神经网络模型在t时刻预测时的权重 其中, 服从均值为0,标准差为σn的高斯白噪声分布,表示t-wm时刻观测的眨眼次数,表示t-wm时刻的在RBF神经网络模型下计算的预测眨眼次数,最后计算出t时刻的预测眨眼次数 其中表示卡尔曼滤波预测模型在t时刻预测时的权重,表示RBF神经网络模型在t时刻预测时的权重,表示卡尔曼滤波预测模型下t时刻的预测眨眼次数,表示RBF神经网络模型下t时刻的预测眨眼次数。
步骤5基于眨眼次数的驾驶员疲劳驾驶预测
将贝叶斯融合预测的眨眼次数同实现设定的眨眼次数阈值Tth=75进行比较,当时,驾驶员可能存在疲劳;当在一定时间Tb(根据实际情况设定)内连续测得的次数超过Nb=3时,可判定驾驶员存在疲劳驾驶现象,实现对驾驶员疲劳驾驶的提前预测。
Claims (4)
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)=[yt,yt-1,…,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,yt-1表示t-1时刻的眨眼次数,yt-4表示t-4时刻的眨眼次数,
1)建立线性预测模型:其中,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,为状态向量,
2)利用卡尔曼滤波理论,计算状态向量
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,为t时刻的状态向量, 为t-1时刻的状态向量,P(t|t-1)为V(t)在t时刻预测估计误差的自相关矩阵,其初始值P(1|0)=0,
第二,建立径向基函数(RBF)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)以及该时刻前5个时刻的历史眨眼次数,这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={X(a),a=1,2,3,4,5,6,7},其中X(a)={x1(a),x2(a),x3(a),x4(a),x5(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心,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心ce(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心ce的聚类集合θe(e=1,2,3),这种分配原则满足以下条件:de=min||X(a)-ce||,(a=1,2,3,4,5,6,7,e=1,2,3),de表示输入数据与聚类中心的最小距离,接着计算每个聚类集合θe中数据的平均值作为新的聚类中心,其中c″e表示新的聚类中心,Me表示聚类集合θe中输入数据X(a)的个数,最后根据c″e的值是否变化来判断聚类中心位置是否变化,如果聚类中心位置变化则继续按照最近邻原则分配输入数据,计算新的聚类中心直至聚类中心位置不再发生变化,得到最终的聚类中心C=(c1,c2,c3)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=(f1,f2,f3)T,其中f1=min{||c1-c2||,||c1-c3||},表示第1类聚类中心与其最近邻聚类中心的距离,f2=min{||c2-c1||,||c2-c3||},表示第2类聚类中心与其最近邻聚类中心的距离,f3=min{||c3-c1||,||c3-c2||},表示第3类聚类中心与其最近邻聚类中心的距离,
3)计算RBF神经网络隐含层的径向基向量H=(h1,h2,h3)T,其中,e=1,2,3,||·||表示欧式范数,X(a)表示输入数据,ce表示径向基函数的中心,fe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=(HTH)-1HTz(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{yt-1,yt-2,…,yt-10},根据灰熵分析理论,构建参考序列Yt和比较序列{Yt-1,…,Yt-i,…,Yt-10},参考序列为预测眨眼次数,Yt=[yt(1),yt(2),yt(3),yt(4),yt(5),yt(6),yt(7)],定义为t时刻之前7个时刻的眨眼次数,比较序列为t时刻前10个历史眨眼次数,{Yt-1,…,Yt-i,…,Yt-10},i=1,2,3,4,5,6,7,8,9,10,其中,Yt-1=[yt-1(1),yt-1(2),…,yt-1(7)],表示t-1时刻之前7个时刻的眨眼次数,Yt-i=[yt-i(1),yt-i(2),…,yt-i(7)],表示t-i时刻之前7个时刻的眨眼次数,Yt-10=[yt-10(1),yt-10(2),…,yt-10(7)],表示t-10时刻之前7个时刻的眨眼次数,
第一,计算预测眨眼次数集合Yt与相关历史眨眼次数集合Yt-i的灰关联系数γ(yt(j),yt-i(j)),
其中分辨系数ζ=0.5,i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7;
第二,对灰关联系数进行映射处理,将灰关联系数γ(yt(j),yt-i(j))转换为灰关联密度p(i,j),其中i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7;
第三,根据灰熵的概念灰关联密度,计算由p(i,j)为属性信息的灰关联熵E(t-i), 其中i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7;
第四,计算灰关联度等级B(t-i),其中i=1,2,3,4,5,6,7,8,9,10,j=1,2,3,4,5,6,7,将灰关联度等级B(t-i)降序排列,选择与预测眨眼次数yt灰关联度等级最大的5个时刻的历史眨眼次数其中{w1,w2,…,w5}∈i,i=1,2,3,4,5,6,7,8,9,10,
步骤3:分别计算卡尔曼滤波预测模型以及径向基(RBF)预测模型下的预测眨眼次数
第一,根据建立的卡尔曼滤波预测模型以及5组灰关联度等级最大的历史眨眼次数 计算t时刻卡尔曼滤波预测模型下的预测眨眼次数 其中,表示卡尔曼滤波预测模型下t时刻的预测眨眼次数,
第二,根据建立的RBF神经网络模型以及5组灰关联度等级最大的历史眨眼次数 计算RBF神经网络模型下的预测眨眼次数 其中,H=(h1,h2,h3)T,W为RBF神经网络的权值向量,表示RBF神经网络模型下t时刻的预测眨眼次数,
第三,根据建立的卡尔曼滤波预测模型以及t-wm(m=1,2,3,4,5)时刻前5组历史眨眼次数计算卡尔曼滤波预测模型下t-wm时刻预测眨眼次数 其中,表示卡尔曼滤波预测模型下t-wm时刻的预测眨眼次数,计算得到与t时刻预测眨眼次数灰关联度等级最大的5个时刻的眨眼次数在卡尔曼滤波预测模型下的预测值
第四,根据建立的RBF神经网络模型以及t-wm(m=1,2,3,4,5)时刻前5组历史眨眼次数计算RBF神经网络模型下t-wm时刻预测眨眼次数 其中,H=(h1,h2,h3)T, 表示RBF神经网络模型下t-wm时刻的预测眨眼次数,计算得到与t时刻预测眨眼次数灰关联度等级最大的5个时刻的眨眼次数在RBF神经网络模型下的预测值
步骤4:贝叶斯融合预测
根据传统的贝叶斯理论可知,计算某一预测模型在某时刻的权重,需要该时刻之前 的所有的历史眨眼次数作为已知条件,我们在传统贝叶斯理论的基础上,考虑预测眨眼次数与历史眨眼次数之间的关联度,根据步骤2中灰关联度等级的计算,得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数将这5组历史眨眼次数作为已知条件,计算卡尔曼滤波预测模型在t时刻预测时的权重 其中, 服从均值为0,标准差为σn的高斯白噪声分布,表示t-wm时刻的观测到的实际眨眼次数, 表示t-wm时刻的在卡尔曼滤波预测模型下计算的预测眨眼次数,其次,根据步骤2中灰关联度等级的计算,得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数 将这5组历史眨眼次数作为已知条件,结合贝叶斯理论,计算RBF神经网络模型在t时刻预测时的权重 其中, 服从均值为0,标准差为σn的高斯白噪声分布,表示t-wm时刻观测的眨眼次数,表示t-wm时刻的在RBF神经网络模型下计算的预测眨眼次数,最后计算出t时刻的预测眨眼次数 其中表示卡尔曼滤波预测模型在t时刻预测时的权重, 表示RBF神经网络模型在t时刻预测时的权重,表示卡尔曼滤波预测模型下t时刻的预测眨眼次数,表示RBF神经网络模型下t时刻的预测眨眼次数。
步骤5基于眨眼次数的驾驶员疲劳驾驶预测
将贝叶斯融合预测的眨眼次数同实现设定的眨眼次数阈值Tth=75进行比较,当 时,驾驶员可能存在疲劳;当在时间Tb内连续测得的次数超过Nb=3时,可判定驾驶员存在疲劳驾驶现象,实现对驾驶员疲劳驾驶的提前预测。
2.根据权利要求1所述预测方法,其特征是:所述卡尔曼滤波预测模型建立方法如下:以预测时刻前5个时刻的历史眨眼次数为输入数据,以预测时刻的实际观测值为输出数据,建立卡尔曼滤波预测模型,根据卡尔曼滤波理论,计算状态向量,确定预测模型;所述径向基函数(RBF)神经网络模型建立方法如下:将预测眨眼时刻前5个时刻的历史眨眼次数作为RBF神经网络的输入层,实际观测得到的预测眨眼次数作为神经网络的输出层,根据K-均值聚类算法求取径向基函数的中心,根据平均距离法计算径向基函数的宽度,进而计算隐含层的径向基向量并求取RBF神经网络的权值向量,建立径向基函数(RBF)神经网络模型。
3.根据权利要求1所述预测方法,其特征是:步骤2中所述预测眨眼次数与历史眨眼次数的灰关联度计算方法如下:选取某时刻的眨眼次数为预测眨眼次数,其前10个时刻的眨眼次数为历史眨眼次数,根据灰熵分析理论计算预测眨眼次数集合与历史眨眼次数集合的灰关联系数,对灰关联系数进行映射处理,将其转换为灰关联密度,并计算由灰关联密度为属性的灰关联熵,最终计算历史眨眼次数与预测眨眼次数的灰关联度等级,选择灰关联度等级最大的5个时刻的历史眨眼次数作为卡尔曼滤波预测模型与径向基函数(RBF)神经网络模型的输入数据。
4.根据权利要求1所述预测方法,其特征是:步骤3中所述计算某时刻时卡尔曼滤波预测模型和径向基函数(RBF)神经网络模型下的预测眨眼次数,其输入数据是步骤2中计算所得与预测时刻关联度等级的最大的5个时刻的历史眨眼次数,同时也分别计算这5个时刻在卡尔曼滤波预测模型和径向基函数(RBF)神经网络模型下的预测眨眼次数,其输入数据为相应时刻前5个时刻的历史眨眼次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510019089.0A CN104598993B (zh) | 2015-01-14 | 2015-01-14 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510019089.0A CN104598993B (zh) | 2015-01-14 | 2015-01-14 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104598993A true CN104598993A (zh) | 2015-05-06 |
CN104598993B CN104598993B (zh) | 2017-11-03 |
Family
ID=53124761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510019089.0A Active CN104598993B (zh) | 2015-01-14 | 2015-01-14 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598993B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139070A (zh) * | 2015-08-27 | 2015-12-09 | 南京信息工程大学 | 基于人工神经网络和证据理论的疲劳驾驶评价方法 |
CN107007292A (zh) * | 2015-12-10 | 2017-08-04 | 罗伯特·博世有限公司 | 用于获知疲劳的方法 |
CN107848462A (zh) * | 2015-07-31 | 2018-03-27 | 大众汽车有限公司 | 用于计算至少一个视频或控制信号的计算机程序和方法、设备、车辆 |
CN107918996A (zh) * | 2017-11-21 | 2018-04-17 | 桂林爱家购股份有限公司 | 一种疲劳驾驶监督系统和方法 |
CN108245171A (zh) * | 2017-12-28 | 2018-07-06 | 东软集团股份有限公司 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
CN109493566A (zh) * | 2018-12-18 | 2019-03-19 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN109616201A (zh) * | 2018-11-09 | 2019-04-12 | 深圳职业技术学院 | 一种基于小数据动态预测模型的疲劳预警方法 |
CN111803065A (zh) * | 2020-06-23 | 2020-10-23 | 北方工业大学 | 一种基于脑电数据的危险交通场景辨识方法及系统 |
CN113367695A (zh) * | 2021-06-09 | 2021-09-10 | 广东电网有限责任公司 | 一种基于脑电信号的疲劳监测方法及装置 |
CN114081491A (zh) * | 2021-11-15 | 2022-02-25 | 西南交通大学 | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7306337B2 (en) * | 2003-03-06 | 2007-12-11 | Rensselaer Polytechnic Institute | Calibration-free gaze tracking under natural head movement |
US20110164789A1 (en) * | 2008-07-14 | 2011-07-07 | National Ict Australia Limited | Detection of vehicles in images of a night time scene |
CN102254151A (zh) * | 2011-06-16 | 2011-11-23 | 清华大学 | 一种基于面部视频分析的驾驶人疲劳检测方法 |
CN103400471A (zh) * | 2013-08-12 | 2013-11-20 | 电子科技大学 | 一种驾驶员疲劳驾驶检测系统及检测方法 |
CN104240446A (zh) * | 2014-09-26 | 2014-12-24 | 长春工业大学 | 基于人脸识别的疲劳驾驶预警系统 |
-
2015
- 2015-01-14 CN CN201510019089.0A patent/CN104598993B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7306337B2 (en) * | 2003-03-06 | 2007-12-11 | Rensselaer Polytechnic Institute | Calibration-free gaze tracking under natural head movement |
US20110164789A1 (en) * | 2008-07-14 | 2011-07-07 | National Ict Australia Limited | Detection of vehicles in images of a night time scene |
CN102254151A (zh) * | 2011-06-16 | 2011-11-23 | 清华大学 | 一种基于面部视频分析的驾驶人疲劳检测方法 |
CN103400471A (zh) * | 2013-08-12 | 2013-11-20 | 电子科技大学 | 一种驾驶员疲劳驾驶检测系统及检测方法 |
CN104240446A (zh) * | 2014-09-26 | 2014-12-24 | 长春工业大学 | 基于人脸识别的疲劳驾驶预警系统 |
Non-Patent Citations (2)
Title |
---|
BARR L,POPKIN S, HOWARTH H: "A review and evaluation of emerging driver fatigue detection measures and technologies", 《NATIONAL TRANSPORTATION SYSTEMS CENTER》 * |
黄姜江: "基于人眼识别的驾驶员疲劳测控系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107848462A (zh) * | 2015-07-31 | 2018-03-27 | 大众汽车有限公司 | 用于计算至少一个视频或控制信号的计算机程序和方法、设备、车辆 |
CN107848462B (zh) * | 2015-07-31 | 2021-06-15 | 大众汽车有限公司 | 用于计算至少一个视频或控制信号的计算机程序和方法、设备、车辆 |
CN105139070B (zh) * | 2015-08-27 | 2018-02-02 | 南京信息工程大学 | 基于人工神经网络和证据理论的疲劳驾驶评价方法 |
CN105139070A (zh) * | 2015-08-27 | 2015-12-09 | 南京信息工程大学 | 基于人工神经网络和证据理论的疲劳驾驶评价方法 |
CN107007292B (zh) * | 2015-12-10 | 2021-04-16 | 罗伯特·博世有限公司 | 用于获知疲劳的方法 |
CN107007292A (zh) * | 2015-12-10 | 2017-08-04 | 罗伯特·博世有限公司 | 用于获知疲劳的方法 |
CN107918996A (zh) * | 2017-11-21 | 2018-04-17 | 桂林爱家购股份有限公司 | 一种疲劳驾驶监督系统和方法 |
CN108245171A (zh) * | 2017-12-28 | 2018-07-06 | 东软集团股份有限公司 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
CN109616201A (zh) * | 2018-11-09 | 2019-04-12 | 深圳职业技术学院 | 一种基于小数据动态预测模型的疲劳预警方法 |
WO2020093644A1 (zh) * | 2018-11-09 | 2020-05-14 | 深圳职业技术学院 | 一种基于小数据动态预测模型的疲劳预警方法 |
CN109616201B (zh) * | 2018-11-09 | 2023-10-31 | 深圳职业技术大学 | 一种基于小数据动态预测模型的疲劳预警方法 |
CN109493566B (zh) * | 2018-12-18 | 2020-09-08 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN109493566A (zh) * | 2018-12-18 | 2019-03-19 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN111803065A (zh) * | 2020-06-23 | 2020-10-23 | 北方工业大学 | 一种基于脑电数据的危险交通场景辨识方法及系统 |
CN111803065B (zh) * | 2020-06-23 | 2023-12-26 | 北方工业大学 | 一种基于脑电数据的危险交通场景辨识方法及系统 |
CN113367695A (zh) * | 2021-06-09 | 2021-09-10 | 广东电网有限责任公司 | 一种基于脑电信号的疲劳监测方法及装置 |
CN113367695B (zh) * | 2021-06-09 | 2022-06-28 | 广东电网有限责任公司 | 一种基于脑电信号的疲劳监测方法及装置 |
CN114081491A (zh) * | 2021-11-15 | 2022-02-25 | 西南交通大学 | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 |
CN114081491B (zh) * | 2021-11-15 | 2023-04-25 | 西南交通大学 | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104598993B (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598993A (zh) | 基于眨眼次数的驾驶员疲劳驾驶预测方法 | |
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
CN108629073B (zh) | 一种多模式的退化过程建模及剩余寿命预测方法 | |
Chen et al. | Forecasting enrollments using automatic clustering techniques and fuzzy logical relationships | |
CN104239968B (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
CN104599500B (zh) | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 | |
CN109859469A (zh) | 一种基于集成lstm神经网络的车流量预测方法 | |
Chen et al. | A novel grey wave forecasting method for predicting metal prices | |
CN111242484A (zh) | 基于转移概率的车辆风险综合评价方法 | |
CN113886917A (zh) | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
CN110110425A (zh) | 一种基于信度规则推理的边坡滑动力预测方法 | |
CN115455079A (zh) | 一种基于事故数据和特征因素的事故多发点推荐方法 | |
Ai et al. | Shape-weighted bubble size distribution based reagent predictive control for the antimony flotation process | |
CN103106329A (zh) | 一种用于svr短期负荷预测的训练样本分组构造方法 | |
CN105243474A (zh) | 基于时空信息的尾矿库安全风险评估方法 | |
Septiarini et al. | Investigating the performance of ANFIS model to predict the hourly temperature in Pattani, Thailand | |
CN111476463A (zh) | 一种公路气象参数与路面湿滑智能化检测系统 | |
Hamedi et al. | Context-aware similarity measurement of lane-changing trajectories | |
Chen et al. | Road link traffic speed pattern mining in probe vehicle data via soft computing techniques | |
Akay et al. | NEFCLASS based extraction of fuzzy rules and classification of risks of low back disorders | |
CN114170588A (zh) | 基于眼部特征的铁路调度员不良状态识别方法 | |
Edara | Mode choice modeling using artificial neural networks | |
CN110784228A (zh) | 一种基于lstm模型的地铁结构振动信号的压缩方法 | |
Çodur et al. | Forecasting the accident frequency and risk factors: a case study of Erzurum, Turkey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190128 Address after: 200050 10th Floor, 369 Weining Road, Changning District, Shanghai Patentee after: Deep blue Technology (Shanghai) Co., Ltd. Address before: 210044 Ning six road, Pukou District, Nanjing, Jiangsu Province, No. 219 Patentee before: Nanjing University of Information Science and Technology |
|
TR01 | Transfer of patent right |