CN109334669B - 驾驶员驾驶状态下的体征安全监测方法及数据处理系统 - Google Patents

Abstract

本发明公开了一种驾驶员驾驶状态下的体征安全监测方法及数据处理系统，采集驾驶员N次正常驾驶过程的正常体征数据；利用上述正常体征数据构建体征模型，计算该体征模型中每个数据点的概率密度；将概率密度小于门限值的数据点判定为异常点，其余数据点判定为正常点，所有的异常点构成的空间为驾驶员特征状态异常空间，所有的正常点构成的空间为驾驶员体征状态正常空间；判断新采集的驾驶员体征数据是否在上述驾驶员特征状态异常空间内，若是，则判定驾驶员体征状态异常；否则，驾驶员体征状态正常。本发明可以在线实时监控驾驶员的驾驶状态，当驾驶员状态异常时可以发出报警信息，防止危险驾驶，提高了驾驶安全性。

Description

驾驶员驾驶状态下的体征安全监测方法及数据处理系统

技术领域

本发明涉及体征数据分析领域，特别是一种驾驶员驾驶状态下的体征安全监测方法及体征数据处理系统。

背景技术

驾驶疲劳，是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。驾驶人处于重度疲劳时，往往会下意识操作或出现短时间睡眠现象，严重时会失去对车辆的控制能力。醉酒驾驶(醉驾)是指因饮酒而完全丧失或部分丧失个人意志，在这种状态下驾驶机动车的交通违章行为。现有技术无法在驾驶员驾驶状态下监测驾驶员的体征，无法在线分析出驾驶员是否处于正常驾驶状态。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种驾驶员驾驶状态下的体征安全监测方法及数据处理系统，实时在线监测驾驶员驾驶状态下的体征，防止危险驾驶。

为解决上述技术问题，本发明所采用的技术方案是：一种驾驶员驾驶状态下的体征安全监测方法，包括以下步骤：

1)采集驾驶员N次正常驾驶过程的体征数据；

2)利用上述体征数据构建体征模型，计算该体征模型中每个数据点的概率密度；

3)将概率密度小于门限值的数据点判定为异常点，其余数据点判定为正常点，所有的异常点构成的空间为驾驶员特征状态异常空间，所有的正常点构成的空间为驾驶员体征状态正常空间；

4)判断新采集的驾驶员体征数据是否在上述驾驶员特征状态异常空间内，若是，则判定驾驶员体征状态异常；否则，驾驶员体征状态正常。

步骤1)中，所述体征数据包括心率、脉压差波动幅度(即脉压差的标准差)和代谢率。

步骤2)中，所述体征模型为非参数概率分布三维模型。

步骤2)中，利用K近邻方法计算出所述体征模型中每个数据点的概率密度。

本发明的方法还包括：步骤5)，输出所述驾驶员体征状态正常空间中各体征指标的最高值和最低值。

当判定驾驶员体征状态异常时，根据如下方法识别出具体的异常驾驶行为：

意识模糊：当

时，判定为驾驶员意识模糊；其中，mr驾驶员为代谢率；MR_l为代谢率最低值；

瞌睡：当mr＜MR_l时，判定为驾驶员处于瞌睡状态；

酒后驾驶：当

时，判定为驾驶员酒后驾驶；其中，hr为驾驶员心率；pp为脉压差；HR_h为心率最高值；PP_h为脉压差最高值；σ_pp为脉压差波动幅度；

醉酒驾驶：当

时，判定为驾驶员醉酒驾驶；

疲累驾驶：当

时，判定为驾驶员疲累驾驶；其中，k_hr表示心率的变化率；k_pp表示脉压差数据的变化率；Δtime表示任意选取的一段时间，Δhr表示在Δtime范围内的心率变化值，Δpp表示在Δtime范围内的脉压差变化值。

相应地，本发明还提供了一种体征数据处理系统，其包括数据采集模块、数据处理模块和数据传输模块；所述数据采集模块用于采集驾驶员的体征数据；所述数据处理系统与所述数据传输模块通信；所述数据处理模块执行如下处理过程：

1)利用驾驶员N次正常驾驶过程的体征数据构建体征模型，计算该体征模型中每个数据点的概率密度；

2)将概率密度小于门限值的数据点判定为异常点，其余数据点判定为正常点，所有的异常点构成的空间为驾驶员特征状态异常空间，所有的正常点构成的空间为驾驶员体征状态正常空间；

3)判断新采集的驾驶员体征数据是否在上述驾驶员特征状态异常空间内，若是，则判定驾驶员体征状态异常；否则，驾驶员体征状态正常。

所述数据传输模块与智能设备、车载系统或管控平台通信。

所述数据处理模块与警示执行模块连接；当驾驶员体征状态异常时，发出告警信息(声音、振动等方式报警)并执行授权控制操作。

所述数据处理模块还执行如下操作：输出所述驾驶员体征状态正常空间中的最高值和最低值。

与现有技术相比，本发明所具有的有益效果为：本发明可以在线实时监控驾驶员的驾驶状态，当驾驶员状态异常时可以发出报警信息，防止危险驾驶，提高了驾驶安全性。

附图说明

图1为本发明体征数据处理系统结构框图。

具体实施方式

如图1所示，本发明数据处理系统主要完成数据采集、处理、报警、数据传输等功能，其佩戴形式多样，比如手环、脚环、臂带等。

数据传输模块与智能设备、车载系统和管控平台通信。

本发明的应用场景为驾驶员以坐姿进行驾驶作业期间，进行驾驶员的体征状态监控。为此，需要明确确定驾驶员处于驾驶状态才触发数据分析、告警动作。

有多种方式可用于确定驾驶员的驾驶状态。因为本发明的用户对象为驾驶员，其驾驶作业为受控行为。在驾驶作业前后，云平台系统可根据相关调度数据自动地(或由管理人员手动)将此驾驶员设置为驾驶或非驾驶状态，或可穿戴设备与车载系统连接绑定，驾驶员自身也可通过移动终端自行设置为驾驶状态或非驾驶状态。

本系统所需的数据通过驾驶员佩戴的可穿戴设备采集，设备内置多种传感器，可采集驾驶员的多项体征数据。

体征数据包括但不仅限于：心率、脉压差(脉压差pp＝收缩压-舒张压)、血压；血压包括收缩压和舒张压；

驾驶员在驾驶作业期间，都要求佩戴可穿戴设备，因此能获得大量数据用于其基准数据建立，为体征识别打下基础。

系统还对上述基础数据进一步加工，得到如下派生指标：代谢率mr＝心率+脉压差–111；脉压差波动幅度σ_pp＝σ(脉压差)，即脉压差数据的标准差(standard deviation)。

本发明的数据传输主要包括两个环节：可穿戴设备与智能设备之间的数据传输：通过低功耗蓝牙BLE实现；智能设备与云服务平台之间的数据传输：基于3G/4G/5G无线数据链路，采用MQTT协议或其他传输协议实现。

本发明检测不安全驾驶体征的流程如下：

1.建立驾驶员的正常体征模型，包括如下两个子步骤

1.a在受控情况下，对每个驾驶员采集大量(正常驾驶状态下)体征数据；

1.b根据体征数据建立每个驾驶员的正常体征模型；

在日常驾驶作业中，实时判断驾驶员体征是否正常：实时采集到的体征数据，通过模型判断其是否正常；若为异常，则进入下一步判断其具体的体征状态；

根据异常体征模式，分析出驾驶员当前所处的异常体征状态。

经大量数据分析、研究发现，驾驶员处于坐姿驾驶状态时，其体征指标会在一定范围波动，指标具体数值因人而异，但指标变化范围则处于一个相对稳定的区间。据此，可为每个驾驶员建立一个基准数据模型，用于检测其体征是否正常。

本发明采用的建模方法为：

步骤1.采集驾驶员N次正常驾驶过程全程的体征数据(心率、脉压差波幅和代谢率)。N次是指按应用特点需要的可设定可调整的有限次，比如公交司机，标准驾驶过程5到50次过程建模。

步骤2.基于步骤1中采集的体征数据，建立心率、脉压差波幅和代谢率的三维模型，每一个体征数据样本对应三维空间中一个点，称其为数据点。我们建立的三维模型是一个非参数概率分布模型，该模型依据无监督学习中的K近邻算法，计算出三维空间中每个数据点分布的概率密度。取门限值为0.05或0.01，判断出所有分布概率小于门限值的数据点。依据统计学小概率原理，分布概率小于门限值的数据点在一次试验中基本不可能发生。因此，我们有理由判定概率分布小于门限值的数据点为异常点。所有异常点组成的空间即为驾驶员体征状态异常空间，对应驾驶员体征异常情况。相应的，也得到驾驶员体征状态正常空间模型，输出并保存正常空间中各项体征指标的最高值和最低值(心率、脉压差和代谢率的最高值和最低值分别记为HR_h/HR_l,PP_h/PP_l,MR_h/MR_l)，为后续进一步分析驾驶员异常状态的特征做准备。

步骤3.应用步骤2中得到的驾驶员体征状态异常空间判断某驾驶员的体征状态。把驾驶员在在线监测状态下的新体征数据放入步骤2建立的三维空间模型中，判断该驾驶员体征数据点是否在步骤2中的异常体征空间内，若在，则判断该驾驶员体征状态异常；否则判断正常。

经大量数据进行趋势和逻辑分析、研究发现，驾驶行为中，常见的异常体征有如下生理模式：

●意识模糊：驾驶过程中，心率/脉压差波幅持续下降，且代谢率mr接近最低值MR_l:

●瞌睡：出现意识模糊状态后，代谢率mr降低到最低值MR_l以下；

mr＜MR_l

●酒后驾驰：驾驶初期，心率hr和脉压差pp即接近最高值HR_h/PP_h，脉压差波动幅度σ_pp正常；

●醉酒驾驰：驾驶初期，心率hr和脉压差pp即接近或大于最高值HR_h/PP_h，脉压差波动σ_pp很小；

●疲累驾驶：驾驶过程中，心率hr、脉压差pp及代谢率逐渐上升到等于或大于最高值HR_h/PP_h。

在对每个驾驶员建立了正常体征模型之后，配合异常体征模式，即可用于驾驶员实时状态识别，其方法如下：

1.在驾驶员处于驾驶作业时，实时采集驾驶员体征指标；

2.体征指标送入驾驶员体征模型，判断出驾驶员当前体征是否正常；

3.若体征正常，则回到步骤1，继续下一个循环；

4.若体征异常，则进一步根据异常体征模式，识别出具体的异常驾驶行为。

在监测到驾驶员处于异常状态(睡驾、意识模糊、醉驾……)时，移动终端可进行语音或振动提示，同时通过BLE发出指令，使可穿戴设备振动或发声，提醒驾乘人员及时干预，中止危险驾驶行为。

异常状态数据同时也会上传至云服务平台，供相关管理人员查看，在授权许可情况下，可控制车载系统，并提供历史记录查询。

Claims (8)

1.一种驾驶员驾驶状态下的体征安全监测方法，其特征在于，包括以下步骤：

1)采集驾驶员N次正常驾驶过程的体征数据；所述体征数据包括心率、脉压差波动幅度和代谢率；

2)利用上述体征数据构建体征模型，计算该体征模型中每个数据点的概率密度；

3)将概率密度小于门限值的数据点判定为异常点，其余数据点判定为正常点，所有的异常点构成的空间为驾驶员特征状态异常空间，所有的正常点构成的空间为驾驶员体征状态正常空间；

4)判断新采集的驾驶员体征数据是否在上述驾驶员特征状态异常空间内，若是，则判定驾驶员体征状态异常；否则，驾驶员体征状态正常；

根据如下方法识别出具体的异常驾驶行为：

当心率/脉压差波动幅度持续负斜率，达到

时，判定为驾驶员意识模糊；其中，mr为驾驶员代谢率；MR_l为代谢率最低值；

当判定驾驶员意识模糊，代谢率继续下降，达到mr＜MR_l时，判定为驾驶员处于瞌睡状态；

驾驶初期，当

时，判定为驾驶员酒后驾驶；其中，hr为驾驶员心率；pp为脉压差；HR_h为心率最高值；PP_h为脉压差最高值；σ_pp为脉压差波动幅度；PP_σ为驾驶员体征状态正常空间内的脉压差波动幅度；

驾驶初期，当

时，判定为驾驶员醉酒驾驶；

当

且

时，判定为驾驶员疲累驾驶；其中，k_hr表示心率的变化率；k_pp表示脉压差数据的变化率；Δtime表示任意选取的一段时间，Δhr表示在Δtime范围内的心率变化值，Δpp表示在Δtime范围内的脉压差变化值。

2.根据权利要求1所述的驾驶员驾驶状态下的体征安全监测方法，其特征在于，步骤2)中，所述体征模型为非参数概率分布三维模型。

3.根据权利要求2所述的驾驶员驾驶状态下的体征安全监测方法，其特征在于，步骤2)中，利用K近邻方法计算出所述体征模型中每个数据点的概率密度。

4.根据权利要求1所述的驾驶员驾驶状态下的体征安全监测方法，其特征在于，还包括：步骤5)，输出所述驾驶员体征状态正常空间中体征指标的最高值和最低值。

5.一种体征数据处理系统，其特征在于，包括数据采集模块、数据处理模块和数据传输模块；所述数据采集模块用于采集驾驶员的体征数据；所述数据处理模块执行如下处理过程：

1)利用驾驶员N次正常驾驶过程的体征数据构建体征模型，计算该体征模型中每个数据点的概率密度；所述体征数据包括心率、脉压差波动幅度和代谢率；

2)将概率密度小于门限值的数据点判定为异常点，其余数据点判定为正常点，所有的异常点构成的空间为驾驶员特征状态异常空间，所有的正常点构成的空间为驾驶员体征状态正常空间；

3)判断新采集的驾驶员体征数据是否在上述驾驶员特征状态异常空间内，若是，则判定驾驶员体征状态异常；否则，驾驶员体征状态正常；

所述数据处理模块与所述数据传输模块通信；

根据如下方法识别出具体的异常驾驶行为：

当心率/脉压差波动幅度持续负斜率，达到

时，判定为驾驶员意识模糊；其中，mr为驾驶员代谢率；MR_l为代谢率最低值；

当判定驾驶员意识模糊，代谢率继续下降，达到mr＜MR_l时，判定为驾驶员处于瞌睡状态；

驾驶初期，当

时，判定为驾驶员酒后驾驶；其中，hr为驾驶员心率；pp为脉压差；HR_h为心率最高值；PP_h为脉压差最高值；σ_pp为脉压差波动幅度；PP_σ为驾驶员体征状态正常空间内的脉压差波动幅度；

驾驶初期，当

时，判定为驾驶员醉酒驾驶；

当

且

时，判定为驾驶员疲累驾驶；其中，k_hr表示心率的变化率；k_pp表示脉压差数据的变化率；Δtime表示任意选取的一段时间，Δhr表示在Δtime范围内的心率变化值，Δpp表示在Δtime范围内的脉压差变化值。

6.根据权利要求5所述的体征数据处理系统，其特征在于，所述数据传输模块与智能设备、车载系统或管控平台通信。

7.根据权利要求5所述的体征数据处理系统，其特征在于，所述数据处理模块与警示执行模块连接；当驾驶员体征状态异常时，发出告警信息和执行授权控制操作。

8.根据权利要求5所述的体征数据处理系统，其特征在于，所述数据处理模块还执行如下操作：输出所述驾驶员体征状态正常空间中各种体征指标的最高值和最低值。

Images