CN107149480A - 一种基于驾驶人心电rr间期的驾驶疲劳判别方法 - Google Patents
一种基于驾驶人心电rr间期的驾驶疲劳判别方法 Download PDFInfo
- Publication number
- CN107149480A CN107149480A CN201710237862.XA CN201710237862A CN107149480A CN 107149480 A CN107149480 A CN 107149480A CN 201710237862 A CN201710237862 A CN 201710237862A CN 107149480 A CN107149480 A CN 107149480A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- driver
- fatigue
- cardiac
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于驾驶人心电RR间期的驾驶疲劳判别方法,该方法包括:驾驶人心电信号的采集及心电RR间期的提取;根据基于心电RR间期序列的平稳性模型计算对应序列结构残差;根据一阶自相关模型计算自回归残差序列对应于各个时刻的自回归残差;根据条件方差的GARCH(1,1)模型计算条件方差序列中对应于各个时刻的条件方差;根据对应于当前时刻的条件方差判别驾驶人的疲劳等级是否变化。本发明解决了现有技术中驾驶疲劳判别主观性过强,以及因个体差异导致的判别标准不同的问题,具有较强的客观性强及普遍适用性。
Description
技术领域
本发明属于交通安全领域,涉及一种基于驾驶人心电RR间期的驾驶疲劳判别方法。
背景技术
当驾驶员处于疲劳状态时极易出现观察、判断以及操纵上的失误,进而导致交通事故的发生。据美国国家交通安全协会统计,28%的交通事故由驾驶疲劳造成。因此,及时辨识驾驶员疲劳状态并进行预警对于预防交通事故具有重要意义。
为了能够及时判别驾驶疲劳,应利用一些驾驶人自身的生理指标及车辆运动等参数对驾驶疲劳进行检测并预警。但现有的驾驶疲劳判别存在几点不足:
1、驾驶疲劳判别指标阈值界定的主观性强。因为驾驶疲劳是根据驾驶人的主观感受来界定的,如果通过确定判别指标阈值来界定驾驶人是否达到疲劳,主观性太强,不具有普遍适用性。因此疲劳阈值的界定一直是驾驶疲劳判别的难点。
2、因驾驶人个体差异性导致的疲劳判别的标准不同。驾驶疲劳是根据驾驶人的主观感受来界定的,因驾驶人的年龄、性别以及驾龄等因素影响导致驾驶疲劳判别的评判标准难以确定。因此由驾驶人个体差异性导致的疲劳判别误差较大问题一直是驾驶疲劳判别的难点。
发明内容
本发明要解决的技术问题是提供一种基于驾驶人心电RR间期的驾驶疲劳判别方法,该方法能够避免驾驶疲劳判别主观性过强,以及因个体差异导致的判别标准不同的缺陷,具有较强的客观性及普遍适用性。
为了解决上述技术问题,本发明的基于驾驶人心电RR间期的驾驶疲劳判别方法包括下述步骤:
步骤一、利用生理记录仪实时采集驾驶人心电信号并进行预处理获得驾驶人心电RR间期的时间序列{x1,x2,......,xT},T为初始时刻到当前时刻采集的心率RR间期样本总数;
步骤二、根据基于心电RR间期序列的平稳性模型公式(1)计算对应序列结构残差ut;其中1≤t≤T;
xt=c+ut (1)
式中:xt—对应于时刻t的驾驶人心电RR间期;
c—初始时刻到当前时刻T驾驶人心电RR间期时间序列均值,即
步骤三、根据一阶自相关模型公式(2)计算自回归残差序列对应于时刻t的自回归残差et;
ut=ρut-1+et (2)
其中ut-1为对应于时刻t-1的序列结构残差;
步骤四、根据最小二乘法公式(3)估计模型参数ρ,ρ取值为[-1,1];若ut和ut-1正相关,则ρ为正,若ut和ut-1负相关则ρ为负;
步骤五、根据条件方差的GARCH(1,1)模型公式(4)计算条件方差序列中对应于时刻t的条件方差ht;
其中ht-1是对应于上一时刻t-1的条件方差,ht的初始值h1=0;et-1是对应于时刻t-1的自回归残差;c1、c2、c3是模型参数,c1≥0,c2≥0,c3≥0,并且c1、c2、c3的取值应当使得f(z1)×f(z2)×......f(zT)最大;zT为对应于当前时刻T的标准化残差,f(zt)为正态分布函数;
步骤六、根据对应于时刻t的条件方差ht判别驾驶人的疲劳等级是否变化:
设va表示条件方差ht的平均值,σ0代表平均值va的标准差,则
设置初始计数值level=1;当hT-va>3σ0时,将计数值level加1;若level=1,则表示驾驶人疲劳等级为清醒,level=2,则表示驾驶人疲劳等级为轻度疲劳,计数值level=3则表示驾驶人疲劳等级为重度疲劳;计数值level=4则表示驾驶人疲劳等级为困倦4个等级。
本发明的有益效果:
1、解决了通过界定指标阈值来判别驾驶疲劳的主观性过强的问题
因为驾驶疲劳是根据驾驶人的主观感受来界定的,如果通过确定判别指标阈值来界定驾驶人是否达到疲劳,主观性太强,不具有普遍适用性。本发明利用驾驶人心电RR间期序列的条件方差有效地拟合了序列的集群效应波动特征,基于波动特征判别驾驶疲劳,解决了通过界定指标阈值来判别驾驶疲劳的主观性过强的问题。
2、解决了因驾驶人个体差异性导致的疲劳判别的标准不同的问题
驾驶疲劳是根据驾驶人的主观感受来界定的,因驾驶人的年龄、性别以及驾龄等因素影响导致驾驶疲劳判别的评判标准难以确定。本发明通过建立基于心电RR间期的时间序列判别模型,利用RR间期序列的波动性表征驾驶人自身状态变化进而判别驾驶疲劳,避免了利用同一指标阈值判别不同驾驶人的疲劳。解决了因驾驶人个体差异性导致的疲劳判别标准不同的问题。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明的基于心电RR间期的驾驶人疲劳判别方法的流程图。
具体实施方式
如图1所示,本发明的基于心电RR间期的驾驶人疲劳判别方法具体包括下述步骤:
步骤一、数据获取及预处理:依次流程包括搭建实车道路试验平台,该平台包括美国Biopac生理记录仪及与其连接的计算机;采集驾驶人心电信号;利用Biopac生理记录仪的软件分析模块中选择hemodynamics-ECG interval Extraction,对驾驶人心电信号进行预处理获取驾驶人心电RR间期的时间序列{x1,x2,......,xT},T为初始时刻到当前时刻采集的心率RR间期样本总数;
步骤二、设置初始计数值level=1;根据基于心电RR间期序列的平稳性模型公式(1)计算对应于时刻t的序列结构残差ut,其中1≤t≤T;
xt=c+ut (1)
式中:xt—对应于时刻t的驾驶人心电RR间期;
c—初始时刻到当前时刻T驾驶人心电RR间期时间序列均值;心电RR间期时间序列围绕固定值c随机波动;
所述初始时刻到当前时刻驾驶人心电RR间期时间序列均值c可以通过计算均值得到;
xt是对应于任一时刻t的驾驶人心电RR间期,T-初始时刻到当前时刻心率RR间期样本总数;
步骤三、根据一阶自相关模型公式(2)计算自回归残差序列对应于当前时刻t的自回归残差et;
ut=ρut-1+et (2)
其中ut-1为对应于上一时刻t-1的序列结构残差;
步骤四、根据最小二乘法公式(3)估计模型参数ρ,ρ取值为[-1,1];若ut和ut-1正相关,则ρ为正,若ut和ut-1负相关则ρ为负;
步骤五、根据条件方差的GARCH(1,1)模型公式(4)计算条件方差序列中对应于当前时刻t的条件方差ht;
其中ht-1是对应于上一时刻t-1的条件方差,ht的初始值h1=0;et-1是对应于上一时刻t-1的自回归残差;c1、c2、c3是模型参数,c1≥0,c2≥0,c3≥0,并且c1、c2、c3的取值应当使得f(z1)×f(z2)×......f(zT)最大;zT为对应于当前时刻T的标准化残差,f(zt)为正态分布函数;
步骤六、实时或者每隔15min左右根据对应于当前时刻t的条件方差ht判别驾驶人的疲劳等级是否变化;
设va表示条件方差ht的平均值,σ0代表平均值va的标准差,则
若ht-va>3σ0,表明心率R-R间期序列的残差序列发生了巨大的变化,进而说明驾驶人的疲劳程度发生了显著变化,则将计数值level加1;若level=1,则表示驾驶人疲劳等级为清醒,level=2,则表示驾驶人疲劳等级为轻度疲劳,计数值level=3则表示驾驶人疲劳等级为重度疲劳;计数值level=4则表示驾驶人疲劳等级为困倦4个等级。
Claims (1)
1.一种基于驾驶人心电RR间期的驾驶疲劳判别方法,其特征在于包括下述步骤:
步骤一、利用生理记录仪实时采集驾驶人心电信号并进行预处理获得驾驶人心电RR间期的时间序列{x1,x2,......,xT},T为初始时刻到当前时刻采集的心率RR间期样本总数;
步骤二、根据基于心电RR间期序列的平稳性模型公式(1)计算对应序列结构残差ut;其中1≤t≤T;
xt=c+ut (1)
式中:xt—对应于时刻t的驾驶人心电RR间期;
c—初始时刻到当前时刻T驾驶人心电RR间期时间序列均值,即
步骤三、根据一阶自相关模型公式(2)计算自回归残差序列对应于时刻t的自回归残差et;
ut=ρut-1+et (2)
其中ut-1为对应于时刻t-1的序列结构残差;
步骤四、根据最小二乘法公式(3)估计模型参数ρ,ρ取值为[-1,1];若ut和ut-1正相关,则ρ为正,若ut和ut-1负相关则ρ为负;
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>u</mi>
<mi>t</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤五、根据条件方差的GARCH(1,1)模型公式(4)计算条件方差序列中对应于时刻t的条件方差ht;
<mrow>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msubsup>
<mi>e</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<msub>
<mi>h</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ht-1是对应于上一时刻t-1的条件方差,ht的初始值h1=0;et-1是对应于时刻t-1的自回归残差;c1、c2、c3是模型参数,c1≥0,c2≥0,c3≥0,并且c1、c2、c3的取值应当使得f(z1)×f(z2)×......f(zT)最大;zT为对应于当前时刻T的标准化残差,f(zt)为正态分布函数;
<mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<msqrt>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤六、根据对应于时刻t的条件方差ht判别驾驶人的疲劳等级是否变化:
设va表示条件方差ht的平均值,σ0代表平均值va的标准差,则
<mrow>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
</mrow>
<mi>T</mi>
</mfrac>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msqrt>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
设置初始计数值level=1;当hT-va>3σ0时,将计数值level加1;若level=1,则表示驾驶人疲劳等级为清醒,level=2,则表示驾驶人疲劳等级为轻度疲劳,计数值level=3则表示驾驶人疲劳等级为重度疲劳;计数值level=4则表示驾驶人疲劳等级为困倦4个等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237862.XA CN107149480B (zh) | 2017-04-13 | 2017-04-13 | 一种基于驾驶人心电rr间期的驾驶疲劳判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237862.XA CN107149480B (zh) | 2017-04-13 | 2017-04-13 | 一种基于驾驶人心电rr间期的驾驶疲劳判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107149480A true CN107149480A (zh) | 2017-09-12 |
CN107149480B CN107149480B (zh) | 2020-02-07 |
Family
ID=59792721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710237862.XA Expired - Fee Related CN107149480B (zh) | 2017-04-13 | 2017-04-13 | 一种基于驾驶人心电rr间期的驾驶疲劳判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107149480B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130103615A1 (en) * | 2009-02-11 | 2013-04-25 | Johnathan Mun | Project economics analysis tool |
CN104545887A (zh) * | 2014-12-24 | 2015-04-29 | 深圳先进技术研究院 | 伪差心电波形识别方法和装置 |
JP2015226696A (ja) * | 2014-06-02 | 2015-12-17 | エイケン工業株式会社 | 眠気検出方法及び眠気検出装置 |
CN105488351A (zh) * | 2015-12-04 | 2016-04-13 | 山东大学 | 一种生成移动心电信号的噪声模型的方法 |
CN106534844A (zh) * | 2016-11-15 | 2017-03-22 | 中国科学院软件研究所 | 基于心电和眼电信号的三维显示视疲劳评估系统和方法 |
-
2017
- 2017-04-13 CN CN201710237862.XA patent/CN107149480B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130103615A1 (en) * | 2009-02-11 | 2013-04-25 | Johnathan Mun | Project economics analysis tool |
JP2015226696A (ja) * | 2014-06-02 | 2015-12-17 | エイケン工業株式会社 | 眠気検出方法及び眠気検出装置 |
CN104545887A (zh) * | 2014-12-24 | 2015-04-29 | 深圳先进技术研究院 | 伪差心电波形识别方法和装置 |
CN105488351A (zh) * | 2015-12-04 | 2016-04-13 | 山东大学 | 一种生成移动心电信号的噪声模型的方法 |
CN106534844A (zh) * | 2016-11-15 | 2017-03-22 | 中国科学院软件研究所 | 基于心电和眼电信号的三维显示视疲劳评估系统和方法 |
Non-Patent Citations (1)
Title |
---|
柴晓珂: "心率变异性自回归模型分析中确定最佳阶数的方法研究", 《生物医学工程学杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107149480B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104720783B (zh) | 一种运动心率监控方法及设备 | |
CN105261152B (zh) | 基于聚类分析的空中交通管制员疲劳检测方法、装置和系统 | |
CN104207791A (zh) | 一种疲劳驾驶检测方法 | |
CN104665849A (zh) | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 | |
CN108230619A (zh) | 基于多特征融合的疲劳驾驶检测方法 | |
JP5045492B2 (ja) | 覚醒度推定装置 | |
CN103473890A (zh) | 基于多信息的驾驶员疲劳实时监测系统及监测方法 | |
CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
CN102406507A (zh) | 基于人体生理信号的汽车驾驶员疲劳监测方法 | |
CN101987017A (zh) | 用于驾车司机警觉度测定的脑电信号识别检测方法 | |
CN105046389A (zh) | 一种用于电力安全风险评估的智能风险评估方法及其系统 | |
CN111671408A (zh) | 一种用户饮酒安全监护方法、用户终端、服务器 | |
CN101963607A (zh) | 一种流域湿地水环境状态及公众满意度评价方法 | |
CN108113657A (zh) | 一种基于d-s证据理论的驾驶员疲劳检测方法 | |
CN109229108A (zh) | 一种基于驾驶指纹的驾驶行为安全评价方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN106446849A (zh) | 一种疲劳驾驶检测方法 | |
CN105539450A (zh) | 一种驾驶行程的自动识别方法和装置 | |
CN106384129B (zh) | 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法 | |
CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
CN110682865A (zh) | 一种司机驾驶行为监测方法 | |
CN104050731B (zh) | 一种车辆异常变道的判断方法及装置 | |
CN107149480A (zh) | 一种基于驾驶人心电rr间期的驾驶疲劳判别方法 | |
CN111881799B (zh) | 基于多源信息融合差别判定的驾驶人疲劳检测方法 | |
CN112270114B (zh) | 一种车辆个性化风险行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200207 Termination date: 20210413 |
|
CF01 | Termination of patent right due to non-payment of annual fee |