CN109147279A - 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统 - Google Patents

一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统 Download PDF

Info

Publication number
CN109147279A
CN109147279A CN201811219104.6A CN201811219104A CN109147279A CN 109147279 A CN109147279 A CN 109147279A CN 201811219104 A CN201811219104 A CN 201811219104A CN 109147279 A CN109147279 A CN 109147279A
Authority
CN
China
Prior art keywords
steering wheel
signal
feature
driver
function
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
Application number
CN201811219104.6A
Other languages
English (en)
Other versions
CN109147279B (zh
Inventor
杜义浩
刘兆军
谢平
齐孟松
付子豪
郝慎才
张艺滢
任娜
程生翠
田伟
崔瑞雪
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN201811219104.6A priority Critical patent/CN109147279B/zh
Publication of CN109147279A publication Critical patent/CN109147279A/zh
Application granted granted Critical
Publication of CN109147279B publication Critical patent/CN109147279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • 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]
    • 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
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6893—Cars
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/01516—Passenger detection systems using force or pressure sensing means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/0153—Passenger detection systems using field detection presence sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统。所述监测预警方法包括：同步采集驾驶参数；对驾驶参数进行预处理，并分别对驾驶参数进行特征提取，确定特征全集；对特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对特征全集内的特征进行筛选，确定最优特征子集；以最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型；根据疲劳检测模型确定驾驶员的当前驾驶状态；利用车联网技术将当前驾驶状态实时传输至客户端，由客户端的使用人员或企业进行监控。根据本发明所提供的方法及系统能够降低监测系统的误识率，解决由于佩戴检测设备影响驾驶舒适度的问题。

Description

一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统
技术领域
本发明涉及智能辅助驾驶领域，特别是涉及一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统。
背景技术
近年来，随着我国汽车保有量的持续增加，随之而来的交通事故也给无数的家庭带来了极大地痛苦和沉重的经济负担。据调查统计显示，交通事故成为全国各项事故中伤亡人数最多的一项，其中由于驾驶疲劳、突发心脏病及路怒症等驾驶状况异常引发的交通安全事故占比60％以上，严重影响威胁着广大社会群体的生命财产安全。因此，对影响驾驶行为的舒适度、疲劳度等生理状态进行监测和调节，减少危险驾驶行为保障交通安全意义重大。
近年来，国内外针对当今驾驶现状研发了多款驾驶状态监测系统，主要有以下几种监测形式：基于车辆的行驶状态，如车道保持、车速、方向控制稳定性等；基于单一生理信号，如脑电、肌电、心电等；基于摄像头捕捉驾驶员的面部动作信息，等。但这些系统都不同度的存在着一些弊端，如利用单一信号来进行监测存在识别率低的问题；信号的采集需要驾驶员进行装置佩戴，影响驾驶舒适性；基于摄像头的方式存在灵敏度误识率高并存的弊端。由此可知，现有的驾驶状态监测系统的误识率极高且驾驶舒适度低。
发明内容
本发明的目的是提供一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统，以解决现有的驾驶状态监测系统误识率高且驾驶舒适度低的问题。
为实现上述目的，本发明提供了如下方案：
一种基于车联网的驾驶员疲劳驾驶监测预警方法，包括：
同步采集驾驶参数；所述驾驶参数包括驾驶员的心电信号、握力信号、座椅压力信号以及方向盘转角信号；
对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集；
对所述特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对特征全集内的特征进行筛选，确定最优特征子集；
以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型；
根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态；
利用车联网技术将所述当前驾驶状态实时传输至客户端，由客户端的使用人员或企业进行监控。
可选的，所述同步采集驾驶参数，具体包括：
利用心电传感器采集心电信号；其中，所述心电传感器安装在方向盘边缘底侧，用于采集驾驶员指尖的心电信号；
利用压力传感器采集握力信号；其中，所述压力传感器安装在所述方向盘的边缘外侧，用于采集驾驶员掌心对方向盘的握力信号；
利用压力坐垫传感器采集座椅压力信号；其中，所述压力坐垫传感器安装在座椅中央，用于采集驾驶员对座椅压力的分布信息；
利用方向盘转角传感器采集转角信号；其中，所述方向盘转角传感器安装在转向管柱与方向盘的连接处，用于采集方向盘的转角信号。
可选的，所述对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集，具体包括：
对所述驾驶参数进行预处理，确定预处理后的驾驶参数；
根据所述预处理后的驾驶参数构建心电信号函数x(t)、握力信号函数y(t)、座椅压力信号函数z(t)和方向盘转角信号函数h(t)；
根据所述心电信号函数x(t)、所述握力信号函数y(t)、所述座椅压力信号函数z(t)和所述方向盘转角信号函数h(t)确定特征全集；所述特征全集包括心电信号时域特征心率、RR间期的标准差、相邻RR间期差值的均方根、握力信号时频域特征、所述座椅压力信号的正常偏移中心压力点的持续时间t、方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值以及方向盘转角上四分位值均值；
其中，根据所述心电信号函数x(t)提取心电信号时域特征心率、RR间期的标准差以及相邻RR间期差值的均方根；根据所述握力信号函数y(t)提取所述握力信号的时域以及握力信号时频域特征；其中，在所述握力信号的时域提取握力信号的均值方差Var(x)、最大值max(x)、最小值min(x)，利用时频域小波变换方法提取第i层小波系数的平方和pi、小波系数中正系数所占的比例pri、小波系数中所有正系数的和与所有负系数的绝对值的和的比率的对数值lpnri；根据所述座椅压力信号函数z(t)提取所述座椅压力信号的正常偏移中心压力点的持续时间t；根据所述方向盘转角信号函数h(t)提取方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值和方向盘转角上四分位值均值。
可选的，所述以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型之后，还包括：
将径向基核函数作为所述特征全集内的特征从原始空间向高维线性空间映射的核函数；
利用网格寻优法确定所述径向基核函数的惩罚系数以及核变量的最优变量组合；所述最优变量组合用于保证所述疲劳检测模型的识别准确率以及泛化能力。
可选的，所述根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态之后，还包括：
将所述当前驾驶状态通过GPRS通讯协议传输至车联网服务器，并将所述当前驾驶状态与所述当前驾驶车辆低于距离阈值的联网车辆进行实时共享；
根据所述当前驾驶状态对突发情况进行监测；所述突发情况包括当前驾驶车辆与联网车辆的距离小于安全距离、交通事故或驾驶员突发急性病。
一种基于车联网的驾驶员疲劳驾驶监测预警系统，包括：
驾驶参数采集模块，用于同步采集驾驶参数；所述驾驶参数包括驾驶员的心电信号、握力信号、座椅压力信号以及方向盘转角信号；
特征全集确定模块，用于对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集；
最优特征子集确定模块，用于对所述特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对特征全集内的特征进行筛选，确定最优特征子集；
疲劳检测模型搭建模块，用于以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型；
当前驾驶状态确定模块，用于根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态；
传输模块，用于利用车联网技术将所述当前驾驶状态实时传输至客户端，由客户端的使用人员或企业进行监控。
可选的，所述驾驶参数采集模块具体包括：
心电信号采集单元，用于利用心电传感器采集心电信号；其中，所述心电传感器安装在方向盘边缘底侧，用于采集驾驶员指尖的心电信号；
握力信号采集单元，用于利用压力传感器采集握力信号；其中，所述压力传感器安装在所述方向盘的边缘外侧，用于采集驾驶员掌心对方向盘的握力信号；
座椅压力信号采集单元，用于利用压力坐垫传感器采集座椅压力信号；其中，所述压力坐垫传感器安装在座椅中央，用于采集驾驶员对座椅压力的分布信息；
转角信号采集单元，用于利用方向盘转角传感器采集转角信号；其中，所述方向盘转角传感器安装在转向管柱与方向盘的连接处，用于采集方向盘的转角信号。
可选的，所述特征全集确定模块具体包括：
预处理后的驾驶参数确定单元，用于对所述驾驶参数进行预处理，确定预处理后的驾驶参数；
函数构建单元，用于根据所述预处理后的驾驶参数构建心电信号函数x(t)、握力信号函数y(t)、座椅压力信号函数z(t)和方向盘转角信号函数h(t)；
特征全集确定单元，用于根据所述心电信号函数x(t)、所述握力信号函数y(t)、所述座椅压力信号函数z(t)和所述方向盘转角信号函数h(t)确定特征全集；所述特征全集包括心电信号时域特征心率、RR间期的标准差、相邻RR间期差值的均方根、握力信号时频域特征、所述座椅压力信号的正常偏移中心压力点的持续时间t、方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值以及方向盘转角上四分位值均值；
其中，根据所述心电信号函数x(t)提取心电信号时域特征心率、RR间期的标准差以及相邻RR间期差值的均方根；根据所述握力信号函数y(t)提取所述握力信号的时域以及握力信号时频域特征；其中，在所述握力信号的时域提取握力信号的均值方差Var(x)、最大值max(x)、最小值min(x)，利用时频域小波变换方法提取第i层小波系数的平方和pi、小波系数中正系数所占的比例pri、小波系数中所有正系数的和与所有负系数的绝对值的和的比率的对数值lpnri；根据所述座椅压力信号函数z(t)提取所述座椅压力信号的正常偏移中心压力点的持续时间t；根据所述方向盘转角信号函数h(t)提取方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值和方向盘转角上四分位值均值。
可选的，还包括：
径向基核函数确定模块，用于将径向基核函数作为所述特征全集内的特征从原始空间向高维线性空间映射的核函数；
最优变量组合确定模块，用于利用网格寻优法确定所述径向基核函数的惩罚系数以及核变量的最优变量组合；所述最优变量组合用于保证所述疲劳检测模型的识别准确率以及泛化能力。
可选的，还包括：
共享模块，用于将所述当前驾驶状态通过GPRS通讯协议传输至车联网服务器，并将所述当前驾驶状态与所述当前驾驶车辆低于距离阈值的联网车辆进行实时共享；
监测模块，用于根据所述当前驾驶状态对突发情况进行监测；所述突发情况包括当前驾驶车辆与联网车辆的距离小于安全距离、交通事故或驾驶员突发急性病。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统，通过采集驾驶员的心电、握力、座椅压力、方向盘转角四种信号，基于序列浮动向前选择算法(Sequential Forward FloatingSelection，SFFS)与支持向量机(Support Vector Machine，SVM)对驾驶员驾驶状态进行综合评定，基于车联网技术将评定结果进行实时共享，让驾驶员获取到周围其他车辆的当前驾驶状态，使驾驶员对可能出现的突发状况提前进行准备，并与危险车辆保持安全的距离，确保自身的驾驶安全，以免交通事故的发生；同时，由于将驾驶状态传送至车辆网上，驾驶员如果在驾驶过程中突发急性病或者交通事故，通过车联网可以在第一时间向医院和家人发出求助信息，进行及时的救助，在保证识别准确率的同时有效降低了监测系统的误识率，并解决了由于佩戴检测设备而影响驾驶舒适度的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于车联网的驾驶员疲劳驾驶监测预警方法流程图；
图2为本发明所提供的监测预警方法及系统的整体结构框图；
图3为本发明所提供的各个传感器的安装位置及信号的传输过程示意图；
图4为本发明所提供的信号的处理、融合以及模式识别流程图；
图5为本发明所提供的基于滑移时间窗信息融合的基本原理图；
图6为本发明所提供的信息共享部分流程图；
图7为本发明所提供的基于车联网的驾驶员疲劳驾驶监测预警系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于车联网的驾驶员疲劳驾驶监测预警方法及系，能够在保证识别准确率的同时有效降低监测系统的误识率，并解决了由于佩戴检测设备影响驾驶舒适度的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的基于车联网的驾驶员疲劳驾驶监测预警方法流程图，图2为本发明所提供的监测预警方法及系统的整体结构框图，如图1-2所示，一种基于车联网的驾驶员疲劳驾驶监测预警方法，包括：
步骤101：同步采集驾驶参数；所述驾驶参数包括驾驶员的心电信号、握力信号、座椅压力信号以及方向盘转角信号。
如图3所示，使用EKG-BTA心电传感器采集心电信号，其中该传感器嵌入在方向盘边缘底侧，用来采集驾驶员指尖的心电信号；使用FSR408压力传感器采集握力信号，其中该传感器安装在方向盘的边缘外侧，用来采集驾驶员掌心对方向盘的握力信号；使用5315压力坐垫传感器采集座椅压力信号，其中该传感器安装在座椅中央，用来采集驾驶员对座椅压力的分布信息；使用LWS3方向盘转角传感器采集转角信号，之中该传感器安装在转向管柱与方向盘的连接处，用来采集方向盘的转角信号。在驾驶员的驾驶过程中四种传感器同步工作，实现四种驾驶信息的同步采集，并将采集到的信息传输至车载工控机对信号进行预处理、特征提取及模式识别。
步骤102：对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集。
如图4-图5所示，对驾驶参数进行预处理，得到预处理后的驾驶参数；预处理后的驾驶参数建心电信号x(t)、握力信号y(t)、座椅压力信号z(t)和方向盘转角信号h(t)；分别对四种信号进行特征提取，其中，关于心电信号提取其时域特征心率(HR)、RR间期的标准差(SDNN)和相邻RR间期差值的均方根(rMSSD)；关于握力信号提取其时域和时频域特征，在时域提取信号的均值方差Var(x)、最大值max(x)、最小值min(x)，在时频域小波变换的方法提取第i层小波系数的平方和pi、小波系数中正系数所占的比例pri、小波系数中正系数的和与负系数的绝对值的和的比率的对数值lpnri；关于座椅压力信号提取其非正常偏移中心压力点的持续时间t；关于方向盘转角信号提取其方向盘转角绝对均值(SAMEAN)、方向盘转角标准差(SASTD)、方向盘转角下四分位值均值(SAQ1MEAN)和方向盘转角上四分位值均值(SAQ3MEAN)，总计15个特征。
步骤103：对所述特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对特征全集内的特征进行筛选，确定最优特征子集。
各个特征全集内的特征，(即：驾驶员的疲劳特征参数)的不同时间窗长度会影响到疲劳判别效果；太短的时间窗将无法反映疲劳操作特征，而太长的时间窗会由于统计平均作用而削弱疲劳特征参数的显著性，通过合理选取时间窗长度可以大幅提高疲劳特征参数的分类能力；由于每一个疲劳特征参数的最优时间窗不同，通过滑移时间窗的方法完成对疲劳特征的融合。
由于不同疲劳特征参数量纲不同，在数量级上差别较大。在求解疲劳驾驶检测模型的最优分类面时，数量级大的特征参数会对小的特征参数产生支配作用，导致小值特征参数被淹没，从而弱化其对分类的贡献，因此，需要对特征参数的数量级进行统一，消除量纲差异性，即归一化。采用如下公式对疲劳特征参数子集X的各分量进行归一化：
其中，xi是原始特征参数分量；xi'为归一化后特征参数分量，其范围在-1和+1之间；xmax和xmin是训练样本的原始特征参数中的最大值和最小值；N是训练样本集的总数。
步骤104：以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型。
基于SFFS的选入准则和剔除准则完成对特征全集中的特征筛选，剔除无用和冗余特征，得到最优特征子集；基于SFFS算法的疲劳特征子集选择的基本思想是：利用SFFS算法从疲劳特征参数全集Y中搜索出非空子集X，然后以X为输入，基于支持向量机搭建疲劳驾驶检测模型，利用测试样本求取准则函数J(X)的值，最后，选择J(X)最大值对应的子集X即为最优特征子集。SFFS算法的具体过程如下：
1、建立准则函数
其中，Y是疲劳特征参数全集，X是Y的非空子集，J(X)是准则函数，即疲劳检测模型的检测准确率，NX为测试样本数，nX为测试样本中疲劳驾驶检测模型正确识别的样本数。
2、特征选入准则
设疲劳特征全集为Y＝{yi|i＝1,2,…,D}，假设k个特征参数已经被选择出来并构成集合Xk。从集合Y-Xk中选入参数xk+1，使选入xk+1后的准则函数值J(Xk+1)最大，即满足
3、特征剔除准则
从已选参数集合Xk中剔除参数xi，使剔除xi后的准则函数J(Xk-1)值最大，即满足
SFFS算法的搜索策略是从空集开始，每轮在未选择的参数中选择子集Z，使加入子集Z后准则函数达到更优；然后在已选择的指标中选择子集S，剔除子集S后准则函数达到更优；依次循环，直到选择的子集X使准则函数J(X)最大，从而得到最优特征子集。
由于不同疲劳参数的最优时间窗不同，在构建疲劳驾驶监测系统时采用基于滑移时间窗的特征参数组融合方法，如图5所示，当前时刻为t，特征参数xi的最优时间窗为Ti。特征参数xi的下一个提取时刻为t+Δt，时间窗向前滑移了Δt，提取数据的时间段为[t+Δt-Ti,t+Δt]，数据重复率为(Ti-Δt)/Ti。
疲劳驾驶检测模型搭建流程具体如下：
1、模型输入：将归一化处理后的融合的最优特征子集作为支持向量机SVM的输入；
2、模型训练：由于问题的非线性，引用径向基(RBF)核函数
将RBF核函数作为疲劳特征子集从原始空间向高维线性空间映射的核函数。在模型搭建过程中存在两个待定变量：惩罚系数C和核变量γ。其中惩罚系数C控制驾驶人疲劳检测模型的识别准确率和泛化能力，核变量γ决定了原始空间的非线性问题变换到高维空间后的线性可分性。变量优化的目的就是确定合适的C和γ，以保证疲劳驾驶检测模型的识别准确率和泛化能力。本文以模型在测试集上的识别准确率作为两个待定变量优化的目标函数，利用网格寻优法搜寻最优的变量组合(C,γ)，如下式所示：
s.t.,C＝2-8,2-7,…,28
γ＝2-8,2-7,…,28
3、模型测试：利用交叉验证法求取模型变量优化和指标评价准则的目标函数值。交叉验证法(Cross-Validation)将样本全集随机均分为k份，每次利用其中的k-1份作为训练集，剩下的一份作为测试集，依次循环k次，然后取k次循环中测试集正确分类的样本数量之和与样本总数的比值作为模型的分类精度。对于样本数量有限的驾驶人疲劳检测建模，该方法可以在保证尽量多的疲劳样本数据参与模型训练的同时，保证测试结果体现模型的实际分类性能。
步骤105：根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态。
步骤106：利用车联网技术将所述当前驾驶状态实时传输至客户端，由客户端的使用人员或企业进行监控。
如图6所示，信息共享部分的具体工作流程为：在驾驶员的驾驶过程中，四种信息采集传感器持续工作将采集到的信息实时传入车载工控机并对驾驶员的驾驶状态做出评价；将评价的结果通过GPRS通讯协议传输至服务器终端进行统一的处理；服务器终端评价的结果进行分类，根据不同的状态选择不同的对象进行联网通讯：
1、系统判定结果为疲劳或者路怒状态，服务器终端将危险车辆的车辆信息传输给其他联网车辆，使得其他车辆进行有效的避让，尽可能减少交通事故的发生；
2、系统判定结果为车祸或者突发急性病，服务器终端将在第一时间联系医院，尽快出诊减小损失；同时联系家人，对突发的情况进行妥善处理；
3、服务器终端将驾驶员的当前驾驶状态实时传输至家人手机APP上，实现出行状态透明化。
在车辆1行驶的过程中系统将会对驾驶员的驾驶状态进行实时的监测，并将评价结果通过通用分组无线服务技术GPRS传输至车联网服务器，服务器终端根据不同的驾驶状态选择对应的对象进行联网通讯。
同理，对于车辆2、车辆3等均通过该方式完成对驾驶员驾驶状态的评价以及信息选择性共享。服务器终端将不同车辆的当前驾驶状态选择性的实时传输至其他联网车辆、医院及家人，实现驾驶状态的透明化，保证驾驶安全。
共享对象的选择标准是：当驾驶员的驾驶状态处于正常状态时，系统将对驾驶员的驾驶状态进行实时评价，将驾驶员的状态信息、位置信息等实时的通过车联网传输到手机上，家人可通过手机实时关注驾驶员的当前驾驶状态；当汽车的驾驶员的驾驶状态被判定为疲劳状态，则该信息将会通过车联网共享给其他联网车辆，提示其周边驾驶员进行有效避让，减小交通事故发生概率。并对处于疲劳状态的驾驶员进行预警，提醒疲劳驾驶员的集中注意力或寻找安全区域停车休息；当联网车辆发生交通事故或突发疾病时，系统将在第一时间向医院发送求助信号，进行及时救助。
图7为本发明所提供的基于车联网的驾驶员疲劳驾驶监测预警系统结构图，如图7所示，一种基于车联网的驾驶员疲劳驾驶监测预警系统，包括：
驾驶参数采集模块701，用于同步采集驾驶参数；所述驾驶参数包括驾驶员的心电信号、握力信号、座椅压力信号以及方向盘转角信号。
所述驾驶参数采集模块701具体包括：心电信号采集单元，用于利用心电传感器采集心电信号；其中，所述心电传感器安装在方向盘边缘底侧，用于采集驾驶员指尖的心电信号；握力信号采集单元，用于利用压力传感器采集握力信号；其中，所述压力传感器安装在所述方向盘的边缘外侧，用于采集驾驶员掌心对方向盘的握力信号；座椅压力信号采集单元，用于利用压力坐垫传感器采集座椅压力信号；其中，所述压力坐垫传感器安装在座椅中央，用于采集驾驶员对座椅压力的分布信息；转角信号采集单元，用于利用方向盘转角传感器采集转角信号；其中，所述方向盘转角传感器安装在转向管柱与方向盘的连接处，用于采集方向盘的转角信号。
特征全集确定模块702，用于对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集。
所述特征全集确定模块702具体包括：预处理后的驾驶参数确定单元，用于对所述驾驶参数进行预处理，确定预处理后的驾驶参数；函数构建单元，用于根据所述预处理后的驾驶参数构建心电信号函数x(t)、握力信号函数y(t)、座椅压力信号函数z(t)和方向盘转角信号函数h(t)；特征全集确定单元，用于根据所述心电信号函数x(t)、所述握力信号函数y(t)、所述座椅压力信号函数z(t)和所述方向盘转角信号函数h(t)确定特征全集；所述特征全集包括心电信号时域特征心率、RR间期的标准差、相邻RR间期差值的均方根、握力信号时频域特征、所述座椅压力信号的正常偏移中心压力点的持续时间t、方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值以及方向盘转角上四分位值均值；其中，根据所述心电信号函数x(t)提取心电信号时域特征心率、RR间期(RR间期为两个QRS波中R波之间的时间)的标准差以及相邻RR间期差值的均方根；根据所述握力信号函数y(t)提取所述握力信号的时域以及握力信号时频域特征；其中，在所述握力信号的时域提取握力信号的均值方差Var(x)、最大值max(x)、最小值min(x)，利用时频域小波变换方法提取第i层小波系数的平方和pi、小波系数中正系数所占的比例pri、小波系数中所有正系数的和与所有负系数的绝对值的和的比率的对数值lpnri；根据所述座椅压力信号函数z(t)提取所述座椅压力信号的正常偏移中心压力点的持续时间t；根据所述方向盘转角信号函数h(t)提取方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值和方向盘转角上四分位值均值。
最优特征子集确定模块703，用于对所述特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对特征全集内的特征进行筛选，确定最优特征子集。
疲劳检测模型搭建模块704，用于以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型。
当前驾驶状态确定模块705，用于根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态。
传输模块706，用于利用车联网技术将所述当前驾驶状态实时传输至客户端，由客户端的使用人员或企业进行监控。
本发明所提供的监测预警系统还包括：
径向基核函数确定模块，用于将径向基核函数作为所述特征全集内的特征从原始空间向高维线性空间映射的核函数；最优变量组合确定模块，用于利用网格寻优法确定所述径向基核函数的惩罚系数以及核变量的最优变量组合；所述最优变量组合用于保证所述疲劳检测模型的识别准确率以及泛化能力。
共享模块，用于将所述当前驾驶状态通过GPRS通讯协议传输至车联网服务器，并将所述当前驾驶状态与所述当前驾驶车辆低于距离阈值的联网车辆进行实时共享；监测模块，用于根据所述当前驾驶状态对突发情况进行监测；所述突发情况包括当前驾驶车辆与联网车辆的距离小于安全距离、交通事故或驾驶员突发急性病。
由此可知，与现有技术相比，采用本发明所提供的监测预警方法及系统能够达到以下有益效果：
1)便捷式信息采集，无需驾驶员佩戴信号采集装置，不影响驾驶员的正常驾驶，在保证驾驶舒适性的前提下提升驾驶乐趣及安全性。
2)基于多模态信息的驾驶状态评价方式，分类识别结果比单体特征准确率高，在保证准确率高的前提下有效的降低了系统的误识率。
3)基于车联网技术实现驾驶信息的共享，实现驾驶状态透明化，能有效减少交通事故的发生。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于车联网的驾驶员疲劳驾驶监测预警方法，其特征在于，包括：
同步采集驾驶参数；所述驾驶参数包括驾驶员的心电信号、握力信号、座椅压力信号以及方向盘转角信号；
对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集；
对所述特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对所述特征全集内的特征进行筛选，确定最优特征子集；
以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型；
根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态；
利用车联网技术将所述当前驾驶状态实时传输至客户端，由所述客户端的使用人员或企业进行监控。
2.根据权利要求1所述的监测预警方法，其特征在于，所述同步采集驾驶参数，具体包括：
利用心电传感器采集心电信号；其中，所述心电传感器安装在方向盘边缘底侧，用于采集驾驶员指尖的心电信号；
利用压力传感器采集握力信号；其中，所述压力传感器安装在所述方向盘的边缘外侧，用于采集驾驶员掌心对方向盘的握力信号；
利用压力坐垫传感器采集座椅压力信号；其中，所述压力坐垫传感器安装在座椅中央，用于采集驾驶员对座椅压力的分布信息；
利用方向盘转角传感器采集转角信号；其中，所述方向盘转角传感器安装在转向管柱与方向盘的连接处，用于采集方向盘的转角信号。
3.根据权利要求1所述的监测预警方法，其特征在于，所述对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集，具体包括：
对所述驾驶参数进行预处理，确定预处理后的驾驶参数；
根据所述预处理后的驾驶参数构建心电信号函数x(t)、握力信号函数y(t)、座椅压力信号函数z(t)和方向盘转角信号函数h(t)；
根据所述心电信号函数x(t)、所述握力信号函数y(t)、所述座椅压力信号函数z(t)和所述方向盘转角信号函数h(t)确定特征全集；所述特征全集包括心电信号时域特征心率、RR间期的标准差、相邻RR间期差值的均方根、握力信号时频域特征、所述座椅压力信号的正常偏移中心压力点的持续时间t、方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值以及方向盘转角上四分位值均值；
其中，根据所述心电信号函数x(t)提取心电信号时域特征心率、RR间期的标准差以及相邻RR间期差值的均方根；根据所述握力信号函数y(t)提取所述握力信号的时域以及握力信号时频域特征；其中，在所述握力信号的时域提取握力信号的均值方差Var(x)、最大值max(x)、最小值min(x)，利用时频域小波变换方法提取第i层小波系数的平方和pi、小波系数中正系数所占的比例pri、小波系数中所有正系数的和与所有负系数的绝对值的和的比率的对数值lpnri；根据所述座椅压力信号函数z(t)提取所述座椅压力信号的正常偏移中心压力点的持续时间t；根据所述方向盘转角信号函数h(t)提取方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值和方向盘转角上四分位值均值。
4.根据权利要求1所述的监测预警方法，其特征在于，所述以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型之后，还包括：
将径向基核函数作为所述特征全集内的特征从原始空间向高维线性空间映射的核函数；
利用网格寻优法确定所述径向基核函数的惩罚系数以及核变量的最优变量组合；所述最优变量组合用于保证所述疲劳检测模型的识别准确率以及泛化能力。
5.根据权利要求1所述的监测预警方法，其特征在于，所述根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态之后，还包括：
将所述当前驾驶状态通过GPRS通讯协议传输至车联网服务器，并将所述当前驾驶状态与所述当前驾驶车辆低于距离阈值的联网车辆进行实时共享；
根据所述当前驾驶状态对突发情况进行监测；所述突发情况包括当前驾驶车辆与联网车辆的距离小于安全距离、交通事故或驾驶员突发急性病。
6.一种基于车联网的驾驶员疲劳驾驶监测预警系统，其特征在于，包括：
驾驶参数采集模块，用于同步采集驾驶参数；所述驾驶参数包括驾驶员的心电信号、握力信号、座椅压力信号以及方向盘转角信号；
特征全集确定模块，用于对所述驾驶参数进行预处理，并分别对所述驾驶参数进行特征提取，确定特征全集；
最优特征子集确定模块，用于对所述特征全集内的特征进行归一化处理，并通过序列浮动向前选择算法对所述特征全集内的特征进行筛选，确定最优特征子集；
疲劳检测模型搭建模块，用于以所述最优特征子集作为支持向量机的输入，以驾驶员的驾驶状态作为支持向量机的输出，搭建疲劳检测模型；
当前驾驶状态确定模块，用于根据所述疲劳检测模型确定所述驾驶员的当前驾驶状态；
传输模块，用于利用车联网技术将所述当前驾驶状态实时传输至客户端，由所述客户端的使用人员或企业进行监控。
7.根据权利要求6所述的监测预警系统，其特征在于，所述驾驶参数采集模块具体包括：
心电信号采集单元，用于利用心电传感器采集心电信号；其中，所述心电传感器安装在方向盘边缘底侧，用于采集驾驶员指尖的心电信号；
握力信号采集单元，用于利用压力传感器采集握力信号；其中，所述压力传感器安装在所述方向盘的边缘外侧，用于采集驾驶员掌心对方向盘的握力信号；
座椅压力信号采集单元，用于利用压力坐垫传感器采集座椅压力信号；其中，所述压力坐垫传感器安装在座椅中央，用于采集驾驶员对座椅压力的分布信息；
转角信号采集单元，用于利用方向盘转角传感器采集转角信号；其中，所述方向盘转角传感器安装在转向管柱与方向盘的连接处，用于采集方向盘的转角信号。
8.根据权利要求6所述的监测预警系统，其特征在于，所述特征全集确定模块具体包括：
预处理后的驾驶参数确定单元，用于对所述驾驶参数进行预处理，确定预处理后的驾驶参数；
函数构建单元，用于根据所述预处理后的驾驶参数构建心电信号函数x(t)、握力信号函数y(t)、座椅压力信号函数z(t)和方向盘转角信号函数h(t)；
特征全集确定单元，用于根据所述心电信号函数x(t)、所述握力信号函数y(t)、所述座椅压力信号函数z(t)和所述方向盘转角信号函数h(t)确定特征全集；所述特征全集包括心电信号时域特征心率、RR间期的标准差、相邻RR间期差值的均方根、握力信号时频域特征、所述座椅压力信号的正常偏移中心压力点的持续时间t、方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值以及方向盘转角上四分位值均值；
其中，根据所述心电信号函数x(t)提取心电信号时域特征心率、RR间期的标准差以及相邻RR间期差值的均方根；根据所述握力信号函数y(t)提取所述握力信号的时域以及握力信号时频域特征；其中，在所述握力信号的时域提取握力信号的均值方差Var(x)、最大值max(x)、最小值min(x)，利用时频域小波变换方法提取第i层小波系数的平方和pi、小波系数中正系数所占的比例pri、小波系数中所有正系数的和与所有负系数的绝对值的和的比率的对数值lpnri；根据所述座椅压力信号函数z(t)提取所述座椅压力信号的正常偏移中心压力点的持续时间t；根据所述方向盘转角信号函数h(t)提取方向盘转角绝对均值、方向盘转角标准差、方向盘转角下四分位值均值和方向盘转角上四分位值均值。
9.根据权利要求6所述的监测预警系统，其特征在于，还包括：
径向基核函数确定模块，用于将径向基核函数作为所述特征全集内的特征从原始空间向高维线性空间映射的核函数；
最优变量组合确定模块，用于利用网格寻优法确定所述径向基核函数的惩罚系数以及核变量的最优变量组合；所述最优变量组合用于保证所述疲劳检测模型的识别准确率以及泛化能力。
10.根据权利要求6所述的监测预警系统，其特征在于，还包括：
共享模块，用于将所述当前驾驶状态通过GPRS通讯协议传输至车联网服务器，并将所述当前驾驶状态与所述当前驾驶车辆低于距离阈值的联网车辆进行实时共享；
监测模块，用于根据所述当前驾驶状态对突发情况进行监测；所述突发情况包括当前驾驶车辆与联网车辆的距离小于安全距离、交通事故或驾驶员突发急性病。
CN201811219104.6A 2018-10-19 2018-10-19 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统 Active CN109147279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811219104.6A CN109147279B (zh) 2018-10-19 2018-10-19 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811219104.6A CN109147279B (zh) 2018-10-19 2018-10-19 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统

Publications (2)

Publication Number Publication Date
CN109147279A true CN109147279A (zh) 2019-01-04
CN109147279B CN109147279B (zh) 2021-06-04

Family

ID=64808735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811219104.6A Active CN109147279B (zh) 2018-10-19 2018-10-19 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统

Country Status (1)

Country Link
CN (1) CN109147279B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816934A (zh) * 2019-02-21 2019-05-28 吉林大学 一种防驾驶疲劳的预警装置及预警方法
CN110096967A (zh) * 2019-04-10 2019-08-06 同济大学 一种基于随机森林算法的路怒驾驶人危险行为特征变量筛选方法
CN110667686A (zh) * 2019-09-25 2020-01-10 厦门大学 基于心电与握力信号的疲劳驾驶监测/预警的方向盘
CN111259947A (zh) * 2020-01-13 2020-06-09 国网浙江省电力有限公司信息通信分公司 一种基于多模态学习的电力系统故障预警方法和系统
CN112347984A (zh) * 2020-11-27 2021-02-09 安徽大学 基于嗅觉刺激的eeg采集和情感识别方法及其系统
CN112477794A (zh) * 2020-12-09 2021-03-12 吉林大学 一种适用于液灌车辆的电子控制系统
CN112550089A (zh) * 2020-12-17 2021-03-26 武汉格罗夫氢能汽车有限公司 一种车联网智能座椅系统、控制方法及氢能汽车
CN112826487A (zh) * 2020-12-31 2021-05-25 江苏鸿鹄电子科技有限公司 一种用于驾驶员健康监测的系统及其监控方法
CN114179811A (zh) * 2022-02-17 2022-03-15 北京心驰智途科技有限公司 一种获取驾驶状态的数据处理方法、设备、介质及产品
CN117636591A (zh) * 2023-11-29 2024-03-01 武汉市公共交通集团有限责任公司信息中心 一种公交驾驶安全预警方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237824A (ja) * 2009-03-30 2010-10-21 Secom Co Ltd 移動体の監視装置および監視システム
CN104978492A (zh) * 2015-07-09 2015-10-14 彩虹无线（北京）新技术有限公司 一种基于车联网数据流的安全驾驶评价方法
CN105139584A (zh) * 2015-09-30 2015-12-09 宇龙计算机通信科技(深圳)有限公司 一种疲劳驾驶处理方法及装置
CN105825625A (zh) * 2016-04-29 2016-08-03 大连楼兰科技股份有限公司 用于车辆疲劳驾驶提醒的车联网平台
CN107609830A (zh) * 2017-10-31 2018-01-19 上海汽车集团股份有限公司 商用车车况物流监控系统及方法
CN207045104U (zh) * 2017-06-14 2018-02-27 微宏动力系统（湖州）有限公司 一种随情绪变色的车载玻璃变色系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237824A (ja) * 2009-03-30 2010-10-21 Secom Co Ltd 移動体の監視装置および監視システム
CN104978492A (zh) * 2015-07-09 2015-10-14 彩虹无线（北京）新技术有限公司 一种基于车联网数据流的安全驾驶评价方法
CN105139584A (zh) * 2015-09-30 2015-12-09 宇龙计算机通信科技(深圳)有限公司 一种疲劳驾驶处理方法及装置
CN105825625A (zh) * 2016-04-29 2016-08-03 大连楼兰科技股份有限公司 用于车辆疲劳驾驶提醒的车联网平台
CN207045104U (zh) * 2017-06-14 2018-02-27 微宏动力系统（湖州）有限公司 一种随情绪变色的车载玻璃变色系统
CN107609830A (zh) * 2017-10-31 2018-01-19 上海汽车集团股份有限公司 商用车车况物流监控系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李凡: "基于方向盘握力的司机警觉度检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
梁琼予: "基于多生理参数的驾驶人员心理压力状态评估", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
牛清宁: "基于信息融合的疲劳驾驶检测方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 *
郭昕刚等: "驾驶疲劳检测系统的研究与设计", 《长春大学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816934A (zh) * 2019-02-21 2019-05-28 吉林大学 一种防驾驶疲劳的预警装置及预警方法
CN109816934B (zh) * 2019-02-21 2023-09-08 吉林大学 一种防驾驶疲劳的预警装置及预警方法
CN110096967A (zh) * 2019-04-10 2019-08-06 同济大学 一种基于随机森林算法的路怒驾驶人危险行为特征变量筛选方法
CN110667686A (zh) * 2019-09-25 2020-01-10 厦门大学 基于心电与握力信号的疲劳驾驶监测/预警的方向盘
CN111259947A (zh) * 2020-01-13 2020-06-09 国网浙江省电力有限公司信息通信分公司 一种基于多模态学习的电力系统故障预警方法和系统
CN112347984A (zh) * 2020-11-27 2021-02-09 安徽大学 基于嗅觉刺激的eeg采集和情感识别方法及其系统
CN112477794B (zh) * 2020-12-09 2021-09-17 吉林大学 一种适用于液灌车辆的电子控制系统
CN112477794A (zh) * 2020-12-09 2021-03-12 吉林大学 一种适用于液灌车辆的电子控制系统
CN112550089A (zh) * 2020-12-17 2021-03-26 武汉格罗夫氢能汽车有限公司 一种车联网智能座椅系统、控制方法及氢能汽车
CN112826487A (zh) * 2020-12-31 2021-05-25 江苏鸿鹄电子科技有限公司 一种用于驾驶员健康监测的系统及其监控方法
CN114179811A (zh) * 2022-02-17 2022-03-15 北京心驰智途科技有限公司 一种获取驾驶状态的数据处理方法、设备、介质及产品
CN114179811B (zh) * 2022-02-17 2022-06-10 北京心驰智途科技有限公司 一种获取驾驶状态的数据处理方法、设备、介质及产品
CN117636591A (zh) * 2023-11-29 2024-03-01 武汉市公共交通集团有限责任公司信息中心 一种公交驾驶安全预警方法和系统

Also Published As

Publication number Publication date
CN109147279B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN109147279A (zh) 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统
Chai Drowsiness monitoring based on steering wheel status
CN103989471B (zh) 一种基于脑电图识别的疲劳驾驶检测方法
CN104751600B (zh) 基于虹膜识别的防疲劳驾驶安全设备及其使用方法
CN101224113B (zh) 机动车驾驶员状态监控方法及系统
CN103886715B (zh) 一种人体跌倒检测方法
CN101169873A (zh) 一种异常驾驶智能检测系统及其检测方法
CN108682119A (zh) 基于智能手机和智能手表的驾驶员疲劳状态检测方法
US20220175287A1 (en) Method and device for detecting driver distraction
CN108469806A (zh) 交替式人机共驾中驾驶权转移方法
CN110728241A (zh) 一种基于深度学习多特征融合的驾驶员疲劳检测方法
CN105139070A (zh) 基于人工神经网络和证据理论的疲劳驾驶评价方法
CN101950355A (zh) 基于数字视频的驾驶员疲劳状态检测方法
CN103824420A (zh) 基于心率变异性非接触式测量的疲劳驾驶识别系统
CN102167041A (zh) 一种基于加速度传感器的车辆行驶状态的判定方法
CN111846046B (zh) 一种单车安全检测的系统、方法及装置
CN105539450B (zh) 一种驾驶行程的自动识别方法和装置
CN107563346A (zh) 一种基于人眼图像处理实现驾驶员疲劳判别的方法
Sadhu et al. Deep multi-task learning for anomalous driving detection using CAN bus scalar sensor data
CN104915654B (zh) 一种基于受限玻尔兹曼机的路径点数据行为识别方法
CN110723152B (zh) 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质
CN103019221A (zh) 驾驶习惯智能综合分析系统
CN201927155U (zh) 车载信息智能处理系统
CN113156913A (zh) 一种abs故障诊断系统及方法
CN116304863B (zh) 一种多数据融合的车辆故障监测预警方法、设备及介质

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