CN108464839A - 一种基于机器学习的车载疲劳驾驶监测预警系统 - Google Patents

一种基于机器学习的车载疲劳驾驶监测预警系统 Download PDF

Info

Publication number
CN108464839A
CN108464839A CN201810240172.4A CN201810240172A CN108464839A CN 108464839 A CN108464839 A CN 108464839A CN 201810240172 A CN201810240172 A CN 201810240172A CN 108464839 A CN108464839 A CN 108464839A
Authority
CN
China
Prior art keywords
driver
fatigue
monitoring
machine learning
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.)
Pending
Application number
CN201810240172.4A
Other languages
English (en)
Inventor
刘强
叶建芳
董琳
李雪莹
张洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201810240172.4A priority Critical patent/CN108464839A/zh
Publication of CN108464839A publication Critical patent/CN108464839A/zh
Pending legal-status Critical Current

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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0022—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the tactile sense, e.g. vibrations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Hematology (AREA)
  • Anesthesiology (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)

Abstract

本发明涉及一种基于机器学习的车载疲劳驾驶监测预警系统，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。本发明能够通过驾驶员某些生理指标的变化预测驾驶员的机体疲劳状态。

Description

一种基于机器学习的车载疲劳驾驶监测预警系统
技术领域
本发明涉及疲劳驾驶检测技术，特别是涉及一种基于机器学习的车载疲劳驾驶监测预警系统。
背景技术
酒后驾驶、超速驾驶、疲劳驾驶是当今诱发交通事故三大主要因素。针对酒后驾驶和超速驾驶国家已经从法律上进行了规定和治理。但是对于疲劳驾驶至今却没有一个有效的预防和整治措施。疲劳驾驶危害极为严重，根据调查当今有超过57％的驾驶人员有过疲劳驾驶的经历，20％的驾驶员在驾驶中有过瞌睡或者打盹的经历。据统计，因疲劳驾车造成的交通事故占总数的20％到30％，占特大交通事故总数的40％以上。所以针对疲劳驾驶的预防工作成为近年来国内外各学者的研究重点。
早期的疲劳驾驶研究工作主要是借助医疗设备从医学角度研究的，直到20世纪80年代，逐渐成熟形成两大研究方向：一为研究疲劳瞌睡产生的机理和诱发因素,寻找能够降低这种危险的方法；二为开发车辆智能报警系统,防止驾驶员在疲劳状态下驾驶。前者继续从医学角度出发，而疲劳驾驶检测系统，则随着计算机技术及微型机技术的成熟，为其实现提供了技术保障，监测驾驶员驾驶过程中的机体状态，疲劳状态下做出预警，从根源杜绝疲劳驾驶行为的发生。
由于国外计算机及相关技术发展较早，目前，较成熟的疲劳驾驶检测预警系统和方法大多属于国外某些知名公司，例如美国AssistWare Technology公司的Safe TRAC系统利用前置视频头对车道线进行识别，当车辆开始偏离车道时进行报警，该产品也可通过车道保持状态结合驾驶人的方向盘操作特性判断驾驶人的疲劳状态；英国的ASTiD(AdvisorySystem for Tired Drivers)DriverAlert装置则综合考虑驾驶员的睡眠信息、已完成的驾驶时长和类型，以及驾驶员的方向盘操作等各种因素判断驾驶人疲劳状态，装置运行前需要驾驶员输入自己过去24小时的睡眠信息，当视觉保持到一定程度时，触发声音报警，建议驾驶员停车并休息；欧盟的AWAKE项目是对人眼生理反应信息、方向盘操作转角信息、方向盘转向力信息以及车道线信息进行了检测和记录，通过研究这些信息与疲劳之间的关系，利用信息融合技术实现驾驶人疲劳分级评价，采用声音、光照闪烁以及安全带振动等方式对驾驶员疲劳行为实现预警。
国内的疲劳驾驶预防检测探索起步相对较晚，目前比较成型的疲劳驾驶预警系统是由清华大学和东南大学的几位博士组建的中国单片机公共实验室南京研发中心联合南京远驱科技有限公司研究出来的gogo850系统，其原理是主要检测驾驶员的眼睛开合情况，尤其增加了对瞳孔的识别，基于红外图像的处理使得产品在日间和夜间都有良好表现，系统还能对戴眼镜(除墨镜)的驾驶员进行识别。但是由于价格高昂，成品体积庞大安装不便，在实际商业推广中受到限制。
总体来看，尽管疲劳驾驶方向的探究已经很多，但是真正应用实际中有效的成果却少之又少，一方面由于研究的不透彻，有待进一步的探究改进，一方面由于实际实现的困难，目前市面上的都比较昂贵，普通驾驶员很难投入使用,且在研究中普遍存识别度低，实时性差，和检测方式固定不适用于实现等方面的问题。而国内在疲劳驾驶检测预防领域的研究主要集中在基于视频信号的驾驶人面部生理特征的研究方面，目前各种算法在识别精度、可靠性、实时性等基础性能方面尚存在问题，与国外相关研究相比存在较大差距。
在疲劳驾驶检测的前沿技术方向，由于近年来机器学习的兴起，将机器学习与以往的疲劳驾驶方法进行结合，对以往的研究方法进行结合和改进，进一步探索研究，期望探寻精确度更高，适应于多种环境下，检测效果稳定，成本节约，方便简易的方法。更有学者提出针对特定驾驶员进行可定制的训练学习算法，以求达到更加准确的检测效果。
针对于疲劳驾驶的检测提出多模态深度学习方法，主要针对驾驶员的脑电波检测和头部行为分析，通过传感器进行低频采集脑电波信号，和摄像机采集头部运动的信息，经过降噪，预处理，变换后得到可操作的矩阵向量集，通过限制型玻尔兹曼机器(RBM)来进行处理得到RBM矩阵，采用多模态特征深度自学方法对其进行处理后得到精确的判断结果。
在基于图像处理技术的方向，人脸识别在检测驾驶员疲劳驾驶方面有着一定研究，例如将肤色分割，边缘检测技术，应用于传统的图像中处理中，通过高斯模型和椭圆聚类模型，得到更加高效行为特征提取的研究方法。更有提出基于侧面图像的疲劳驾驶检测技术，以改进正面检测中人脸识别度低，实时性差的缺点。
而且在决策树方向，即阈值的选择方面，有学者提出多阈值决策标准，和自适应阈值判断思路；同时在消除噪音方面，也由传统的单一滤波到结合频域滤波器，多步骤分阶段降噪的方式；在模型分析方向有颜色空间划分模型，模糊学习模型，自适应模型等。而且在实时性方向更是要求算法的时间消耗较少，以求更加实时的得到判断。
发明内容
本发明所要解决的技术问题是提供一种基于机器学习的车载疲劳驾驶监测预警系统，能够通过驾驶员某些生理指标的变化预测驾驶员的机体疲劳状态。
本发明解决其技术问题所采用的技术方案是：提供一种基于机器学习的车载疲劳驾驶监测预警系统，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。
所述驾驶员生理指标采样及特征向量提取模块首先通过抽样将传感器采集的驾驶员生理指标信息转换为数字信号，然后采用变异数分析ANVOA方法对特征向量进行提取，最后进行F分布校验检测特征向量的显著性，要求被提取的特征向量是原始数据的线性组合并且两两相互正交，能够充分不重叠解释原始数据的特征。
所述驾驶员疲劳驾驶监测模型模块构建生理指标和机体疲劳模型，并使用随机森林算法进行训练，以生理指标信息作为自变量，以驾驶员机体疲劳与否作为因变量，依据自变量来生成因变量从而达到对疲劳驾驶的检测。
所述驾驶员疲劳驾驶监测模型模块还将生理指标还作为一种预测手段，通过连续的生理指标变化，依据此刻输入信号对下一时刻的驾驶员机体状态进行预测。
所述随机森林算法包括以下步骤：(1)初始化粒子个体和种群位置，并对参数L、x、N、m、θl赋于初值；(2)采用CART方式构建L棵决策树；并且运用bootstarp算法采样，随机生成L个训练集，每个训练集中选取数量为x的预测样本用于校验训练；(3)随机向量θl决定决策树生长，并在生长过程中，随机从决策属性M中随机抽取m个属性进行分类；(4)计算每棵决策树的OOB误差，并且用平均误差作为阈值误差δi，如果大于阈值误差则修剪该树；(5)将分类结果作为适应值，若未达到最优参数，采用PSO算法进行迭代，更新粒子群的最优位置直到达到最优参数停止；最后使用最优参数建立模型，训练完成后，输入驾驶员生理信息测试样本进行分类检测，对驾驶员下一时刻的疲劳状态进行预测。
所述反馈预警及模型评价模块通过声音、灯光、和/或震动对驾驶员的疲劳进行缓解。
所述反馈预警及模型评价模块通过对疲劳驾驶监测预警系统的性能进行评价，将评价结果作为评判标准反馈给系统，并且据此来改进参数和优化模型的性能。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明更加便利，仅仅使用普遍的智能手环和手机作为检测系统搭载介质，方便携带，操作简单，不需要对车辆进行改装，极大方便了驾驶员的使用。同时，由于采用驾驶员生理指标作为检测标准，检测效率高，速度快、效率高、可实时性好，并且带有缓解疲劳功能可以对驾驶员进行疲劳缓解。此外降低了疲劳驾驶检测系统平台引入及开发的成本，更加易于实际中的推广及应用。
附图说明
图1是本发明系统的结构图；
图2是软件硬件技术平台框图；
图3是疲劳驾驶监测预测设计思路框图；
图4是机器学习识别流程图；
图5是特征向量提取结果图；
图6是实验结果图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于机器学习的车载疲劳驾驶监测预警系统，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。
本发明可以基于智能手环和手机客户端的疲劳驾驶监测系统，如图1所示，包括软件与硬件的平台支持，驾驶员生理指标采集、数据处理存储、监测预测、反馈预警、模型评价的五大模块。其中：
硬件平台以智能手环和手机作为硬件支持，智能手环用来采集驾驶员的生理信息并且将其做简单预处理后传递给手机终端中，手机终端用以接收智能手环的传递的信息，进行处理和监测，建立生理信息和机体疲劳之间的关系，并且依据此关系预测判断驾驶员的机体状态，倘若机体处于或者即将处于疲劳状态，给予手环反馈，手环震动并发出语音灯光提示驾驶员。
软件控制系统主要为手机端的客户端APP，客户端APP需要连接硬件平台的手机和智能手环，并且实现对手机和智能手环的控制，包括对模块之间的协调控制以及机器学习监测算法的实现，软件主要使用Android语言进行编程，使用ADB工具进行调试。
信息采集模块：信息采集模块需要实时采集驾驶员的生理指标信息，提取采集驾驶员的心率、体温、血压和肌电图数据，智能手环中的传感器模块采集数据并通过内置蓝牙将数据传递给手机终端。
数据处理模块：数据处理模块对采集的数据进行初步处理，将心率、体温、血压和肌电图的生理指标进行特征向量提取，将模拟信号转化为数字信号，并且进行存储。
监测判别模块：构建生理信息和机体疲劳模型，使用随机森林算法进行训练，以生理指标信息作为自变量，以驾驶员机体疲劳与否作为因变量，依据自变量来生成因变量从而达到对疲劳驾驶的检测。此外生理指标又作为一种预测手段，通过连续的生理指标变化，可依据此刻输入信号对下一时刻的驾驶员机体状态进行预测。
反馈预警模块：反馈预警模块带有对驾驶员提醒功能和缓解疲劳功能，通过声音、灯光和震动对驾驶员的疲劳进行缓解，保障驾驶员正常驾驶时。研究表明6-8分钟的特定声音和灯光缓解刺激，可以有效缓解驾驶员的机体疲劳。
模型评价模块：模型评价主要对疲劳驾驶监测预警系统的性能进行评价，主要指标有精准性、灵敏度、实时性和抗干扰能力，将其作为评判标准反馈系统，并且据此来改进参数和优化模型的性能。
图3为本发明实施案例提供的一种基于机器学习的疲劳驾驶监测预警系统的检测流程示意图。本实施例中，该方法以图2所示的软件与硬件平台作为支撑。该方法的实际检测过程如下：
101、生理指标数据采集阶段：生理指标数据采集由传感器采集，其传感器包括了用于人体体温采集的体温采集传感器，用于心率采集的心率采集传感器，用于血压采集的血压传采集感器，用于手臂表皮肌肉电信号采集的肌电图采集传感器，这些传感器集成在智能手环中。实例中采用时间间隔为2min的实时采集数据，总计300组时长10th；其中疲劳数据120组时长4th(标签为1)，非疲劳数据180组时长6th(标签为-1)；混合后选取250组作为训练样本，50组作为测试验证样本。这些采集到的实时信息通过蓝牙实时传输给手机客户端。
102、数据处理阶段：将由蓝牙接收的智能手环采集的信息进行数据处理，将模拟信号数据进行抽样离散化转换为数字信号进程存储，并且采用ANVOA方法对心率、血压、体温、和手臂肌电图四种生理指标提取特征向量和显著性检验。在特征向量显著性检验中，当F分布检验结果P＜0.05时表明特征向量具有显著性，即特征向量在不同类别中有显著变化可参与构成特征样本集合，案例中得到包含12个显著特征向量的特征向量集合，如表1所示。
表1驾驶员生理指标特征提取集合表
103、采用机器学习方法进行疲劳驾驶检测阶段，如图4所示为检测算法流程图。发明中采用改进型随机森林RF算法作为机器学习的核心算法，算法的具体实现步骤如下：
Step1初始化粒子个体和种群位置，参数L、x、N、m、θl赋初值。
Step2采用CART方式构建L棵决策树；并且运用bootstarp算法采样，随机生成L个训练集，每个训练集中选取数量为x的预测样本用于校验训练。
其中，Ginisplit(T)为每个训练集中向量集T的Gini指数检验公式，其中，t∈T，n数据样本为特征集合、ni为根据划分的第i个特征集合，j为t的概率占比；通常Gini指数越大则所选特征向量影响因素越大。
Step3随机向量θl决定决策树生长，并在生长过程中，随机从决策属性M中随机抽取m(m∈M)个属性进行分类。
Step4计算每棵决策树的OOB误差，并且用平均误差作为阈值误差δi，如果大于阈值误差则修剪该树。
其中，Xcorrect为单棵决策树检测正确的样本，mg()为随机森林的Margin定义，Margin为正则表示决策树做出正确判断，并且其值越大表示置信度越高。Px,y()表示满足y在x条件下的括号内表达式的概率。
Step5将分类结果作为适应值，若未达到最优参数，采用PSO算法进行迭代,更新粒子群的最优位置(更新参数值)直到达到最优参数停止。最后使用最优参数建立RF模型，训练完成后，输入驾驶员生理信息测试样本进行分类检测，对驾驶员下一时刻的疲劳状态进行预测。
经过机器学习检测后的，检测模块会将对驾驶员的疲劳驾驶检测结果进行反馈，给出结果进行反馈，实现控制。
104-105、反馈预警以及模型评价过程，反馈预警模块用以反馈驾驶员检测结果信号，预警模块主要包括灯光预警、声音预警和震动报警器预警，这些模块集成在智能手环中，在收到手机客户端给出的报警信号后，预警模块通过I/O口进行控制。使用6-8分钟的特定声音和灯光缓解刺激对驾驶员进行疲劳缓解。最后模型评价模块用于对模型进行评价，主要从准确率、灵敏度、实时性、抗干扰能力角度出发，然后反馈给模型，用以模型的改善。
本发案例中，通此以上步骤得到疲劳驾驶检测模型的案例实验结果包括的了模型Gini指数检测结果用以检测样本特征向量的显著性，检测结果如图5所示；机器学习算法模型的误差，随机森林模型以泛化误差作为模型误差，如图6所示。
案例实验结果表明，本发明中改进后的随机森林模型的泛化误差为0.02，相比原模型的0.1使得检测精确度更加提高；而相对平均训练时间由0.5减少至0.25，即训练开销由采样周期中的1/2周期下降至1/4周期，减少1/4周期的运行成本，使得检测效率提升50％。
本案例中对实验结果与几种典型疲劳驾驶检测结果进行了对比，结果如表2所示。
表2不同驾驶疲劳检测模型检测结果
在表2中的实验结果，其中EYE_BP眼部检测为Friedrichs等人应用神经网络对驾驶员眼部提取18个特征向量并进行检测，准确率为82.5％；多元回归MRM为Berglund等人采用多元回归方式检测车辆行为的17个特征向量的检测方法，但模型复杂，6种组合模型中最优效果仅为87％；HRV_BP为Patel等人使用神经网络检测驾驶员心率变异性HRV，准确度可达90％，但效率不佳可实时性差；RF和PSO_RF模型为文中检测方法，RF模型建立1500棵决策树，PSO-RF模型最优决策树为673棵，实验结果表明优化后检测精度可高达98％，效率提升50％。

Claims (7)

1.一种基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。
2.根据权利要求1所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述驾驶员生理指标采样及特征向量提取模块首先通过抽样将传感器采集的驾驶员生理指标信息转换为数字信号，然后采用变异数分析ANVOA方法对特征向量进行提取，最后进行F分布校验检测特征向量的显著性，要求被提取的特征向量是原始数据的线性组合并且两两相互正交，能够充分不重叠解释原始数据的特征。
3.根据权利要求1所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述驾驶员疲劳驾驶监测模型模块构建生理指标和机体疲劳模型，并使用随机森林算法进行训练，以生理指标信息作为自变量，以驾驶员机体疲劳与否作为因变量，依据自变量来生成因变量从而达到对疲劳驾驶的检测。
4.根据权利要求3所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述驾驶员疲劳驾驶监测模型模块还将生理指标还作为一种预测手段，通过连续的生理指标变化，依据此刻输入信号对下一时刻的驾驶员机体状态进行预测。
5.根据权利要求4所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述随机森林算法包括以下步骤：(1)初始化粒子个体和种群位置，并对参数L、x、N、m、θl赋于初值；(2)采用CART方式构建L棵决策树；并且运用bootstarp算法采样，随机生成L个训练集，每个训练集中选取数量为x的预测样本用于校验训练；(3)随机向量θl决定决策树生长，并在生长过程中，随机从决策属性M中随机抽取m个属性进行分类；(4)计算每棵决策树的OOB误差，并且用平均误差作为阈值误差δi，如果大于阈值误差则修剪该树；(5)将分类结果作为适应值，若未达到最优参数，采用PSO算法进行迭代，更新粒子群的最优位置直到达到最优参数停止；最后使用最优参数建立模型，训练完成后，输入驾驶员生理信息测试样本进行分类检测，对驾驶员下一时刻的疲劳状态进行预测。
6.根据权利要求1所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述反馈预警及模型评价模块通过声音、灯光、和/或震动对驾驶员的疲劳进行缓解。
7.根据权利要求1所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述反馈预警及模型评价模块通过对疲劳驾驶监测预警系统的性能进行评价，将评价结果作为评判标准反馈给系统，并且据此来改进参数和优化模型的性能。
CN201810240172.4A 2018-03-22 2018-03-22 一种基于机器学习的车载疲劳驾驶监测预警系统 Pending CN108464839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810240172.4A CN108464839A (zh) 2018-03-22 2018-03-22 一种基于机器学习的车载疲劳驾驶监测预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810240172.4A CN108464839A (zh) 2018-03-22 2018-03-22 一种基于机器学习的车载疲劳驾驶监测预警系统

Publications (1)

Publication Number Publication Date
CN108464839A true CN108464839A (zh) 2018-08-31

Family

ID=63265731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810240172.4A Pending CN108464839A (zh) 2018-03-22 2018-03-22 一种基于机器学习的车载疲劳驾驶监测预警系统

Country Status (1)

Country Link
CN (1) CN108464839A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109106351A (zh) * 2018-09-25 2019-01-01 齐鲁工业大学 一种基于物联网感知的人体疲劳检测与缓释系统及方法
CN109591825A (zh) * 2018-11-29 2019-04-09 北京新能源汽车股份有限公司 一种驾驶疲劳检测方法、装置及车辆
CN109919293A (zh) * 2019-02-22 2019-06-21 深兰科技（上海）有限公司 一种危险驾驶判定方法及装置
CN110458191A (zh) * 2019-07-05 2019-11-15 中国平安财产保险股份有限公司 疲劳状态判断方法、装置、计算机设备及存储介质
CN110464371A (zh) * 2019-08-29 2019-11-19 苏州中科先进技术研究院有限公司 基于机器学习的疲劳驾驶检测方法及系统
CN111199794A (zh) * 2018-11-19 2020-05-26 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN111325285A (zh) * 2020-03-10 2020-06-23 五邑大学 基于自动机器学习的疲劳驾驶预测方法、装置及存储介质
CN111444657A (zh) * 2020-03-10 2020-07-24 五邑大学 一种疲劳驾驶预测模型的构建方法、装置及存储介质
CN111450381A (zh) * 2020-04-16 2020-07-28 佛山市木记信息技术有限公司 一种缓解疲劳系统及其方法
CN111932829A (zh) * 2020-08-14 2020-11-13 北京智华通科技有限公司 一种预防疲劳驾驶设施效用测试方法及系统
WO2020237997A1 (zh) * 2019-05-30 2020-12-03 南京航空航天大学 一种融合疲劳检测的汽车线控智能转向系统及其控制方法
CN112043252A (zh) * 2020-10-10 2020-12-08 山东大学 基于脉搏信号中呼吸成分的情绪识别系统及方法
CN112641445A (zh) * 2021-01-19 2021-04-13 深圳市阿尔法车联网技术有限公司 一种基于车联网数据信息化的汽车用户健康、行为监测系统及方法
CN112927012A (zh) * 2021-02-23 2021-06-08 第四范式（北京）技术有限公司 营销数据的处理方法及装置、营销模型的训练方法及装置
CN113168772A (zh) * 2018-11-13 2021-07-23 索尼集团公司 信息处理装置，信息处理方法和程序
CN113362567A (zh) * 2021-07-15 2021-09-07 青岛海尔空调器有限总公司 一种基于驻车空调的抗疲劳检测方法
CN113624514A (zh) * 2021-08-17 2021-11-09 中国汽车技术研究中心有限公司 驾驶员状态监控产品的测试方法、系统、电子设备及介质
WO2023122913A1 (zh) * 2021-12-27 2023-07-06 华为技术有限公司 一种智能驾驶方法、系统和装置
CN116844080A (zh) * 2023-06-05 2023-10-03 中国民航科学技术研究院 疲劳程度多模态融合检测方法、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120036097A1 (en) * 2010-08-05 2012-02-09 Toyota Motor Engineering & Manufacturing North America, Inc. Systems And Methods For Recognizing Events
EP2752348A1 (en) * 2013-01-04 2014-07-09 Continental Automotive Systems, Inc. Adaptive emergency brake and steer assist system based on driver focus
US20150098609A1 (en) * 2013-10-09 2015-04-09 Honda Motor Co., Ltd. Real-Time Multiclass Driver Action Recognition Using Random Forests
CN106934368A (zh) * 2017-03-13 2017-07-07 长安大学 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120036097A1 (en) * 2010-08-05 2012-02-09 Toyota Motor Engineering & Manufacturing North America, Inc. Systems And Methods For Recognizing Events
US8463721B2 (en) * 2010-08-05 2013-06-11 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for recognizing events
EP2752348A1 (en) * 2013-01-04 2014-07-09 Continental Automotive Systems, Inc. Adaptive emergency brake and steer assist system based on driver focus
US20150098609A1 (en) * 2013-10-09 2015-04-09 Honda Motor Co., Ltd. Real-Time Multiclass Driver Action Recognition Using Random Forests
CN106934368A (zh) * 2017-03-13 2017-07-07 长安大学 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CＲOUX C，JOOSSENS K，LEMMENS A: "Trimmed bagging", 《COMPUTATIONAL STATISTICS ＆ DATA ANALYSIS》 *
张秀彬，陆冬良: "《发明解析论》", 30 June 2014 *
王杰， 程学新， 彭金柱: "一种基于粒子群算法优化的加权随机森林模型", 《郑州大学学报( 理学版)》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109106351A (zh) * 2018-09-25 2019-01-01 齐鲁工业大学 一种基于物联网感知的人体疲劳检测与缓释系统及方法
CN113168772A (zh) * 2018-11-13 2021-07-23 索尼集团公司 信息处理装置，信息处理方法和程序
CN111199794B (zh) * 2018-11-19 2024-03-01 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN111199794A (zh) * 2018-11-19 2020-05-26 复旦大学附属眼耳鼻喉科医院 一种适用于高度近视白内障的手术智能决策系统及其建立方法
CN109591825A (zh) * 2018-11-29 2019-04-09 北京新能源汽车股份有限公司 一种驾驶疲劳检测方法、装置及车辆
CN109919293A (zh) * 2019-02-22 2019-06-21 深兰科技（上海）有限公司 一种危险驾驶判定方法及装置
WO2020237997A1 (zh) * 2019-05-30 2020-12-03 南京航空航天大学 一种融合疲劳检测的汽车线控智能转向系统及其控制方法
CN110458191A (zh) * 2019-07-05 2019-11-15 中国平安财产保险股份有限公司 疲劳状态判断方法、装置、计算机设备及存储介质
CN110458191B (zh) * 2019-07-05 2024-04-12 中国平安财产保险股份有限公司 疲劳状态判断方法、装置、计算机设备及存储介质
CN110464371A (zh) * 2019-08-29 2019-11-19 苏州中科先进技术研究院有限公司 基于机器学习的疲劳驾驶检测方法及系统
CN111444657A (zh) * 2020-03-10 2020-07-24 五邑大学 一种疲劳驾驶预测模型的构建方法、装置及存储介质
CN111325285A (zh) * 2020-03-10 2020-06-23 五邑大学 基于自动机器学习的疲劳驾驶预测方法、装置及存储介质
CN111325285B (zh) * 2020-03-10 2023-06-16 五邑大学 基于自动机器学习的疲劳驾驶预测方法、装置及存储介质
CN111444657B (zh) * 2020-03-10 2023-05-02 五邑大学 一种疲劳驾驶预测模型的构建方法、装置及存储介质
CN111450381B (zh) * 2020-04-16 2022-06-24 佛山市木记信息技术有限公司 一种缓解疲劳系统及其方法
CN111450381A (zh) * 2020-04-16 2020-07-28 佛山市木记信息技术有限公司 一种缓解疲劳系统及其方法
CN111932829A (zh) * 2020-08-14 2020-11-13 北京智华通科技有限公司 一种预防疲劳驾驶设施效用测试方法及系统
CN112043252A (zh) * 2020-10-10 2020-12-08 山东大学 基于脉搏信号中呼吸成分的情绪识别系统及方法
CN112641445B (zh) * 2021-01-19 2021-11-09 深圳市阿尔法车联网技术有限公司 一种基于车联网数据信息化的汽车用户健康、行为监测系统及方法
CN112641445A (zh) * 2021-01-19 2021-04-13 深圳市阿尔法车联网技术有限公司 一种基于车联网数据信息化的汽车用户健康、行为监测系统及方法
CN112927012A (zh) * 2021-02-23 2021-06-08 第四范式（北京）技术有限公司 营销数据的处理方法及装置、营销模型的训练方法及装置
CN113362567A (zh) * 2021-07-15 2021-09-07 青岛海尔空调器有限总公司 一种基于驻车空调的抗疲劳检测方法
CN113624514A (zh) * 2021-08-17 2021-11-09 中国汽车技术研究中心有限公司 驾驶员状态监控产品的测试方法、系统、电子设备及介质
WO2023122913A1 (zh) * 2021-12-27 2023-07-06 华为技术有限公司 一种智能驾驶方法、系统和装置
CN116844080A (zh) * 2023-06-05 2023-10-03 中国民航科学技术研究院 疲劳程度多模态融合检测方法、电子设备及存储介质
CN116844080B (zh) * 2023-06-05 2024-06-18 中国民航科学技术研究院 疲劳程度多模态融合检测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108464839A (zh) 一种基于机器学习的车载疲劳驾驶监测预警系统
CN108765876A (zh) 基于多模信号的驾驶疲劳深度分析预警系统及方法
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
Xiao et al. Fatigue driving recognition network: fatigue driving recognition via convolutional neural network and long short‐term memory units
US20200367800A1 (en) Method for identifying driving fatigue based on cnn-lstm deep learning model
CN110772268A (zh) 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法
CN113743471B (zh) 一种驾驶评估方法及其系统
CN109726771A (zh) 异常驾驶检测模型建立方法、装置及存储介质
CN110329271A (zh) 一种基于机器学习的多传感器车辆行驶检测系统及方法
CN110796207A (zh) 一种疲劳驾驶检测方法及系统
CN112434611B (zh) 基于眼部运动细微特征的早期疲劳检测方法及系统
CN110334592A (zh) 一种司机异常行为监测和安全保障系统及其方法
CN113729710A (zh) 一种融合多生理模态的实时注意力评估方法及系统
CN111753674A (zh) 一种基于深度学习的疲劳驾驶的检测识别方法
Liu et al. A review of driver fatigue detection and its advances on the use of RGB-D camera and deep learning
CN109770925A (zh) 一种基于深度时空网络的疲劳检测方法
CN112699793A (zh) 一种基于随机森林的疲劳驾驶检测优化识别方法
CN109664894A (zh) 基于多源异构数据感知的疲劳驾驶安全预警系统
CN109953763A (zh) 一种基于深度学习的车载驾驶行为检测预警系统及方法
Tang et al. Real-time image-based driver fatigue detection and monitoring system for monitoring driver vigilance
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
CN110390272A (zh) 一种基于加权主成分分析的eeg信号特征降维方法
CN109875583A (zh) 一种基于ar技术的疲劳驾驶检测系统及方法
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
Chougule et al. Enabling safe its: Eeg-based microsleep detection in vanets

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180831