一种基于可穿戴设备的疲劳驾驶判断方法
技术领域
本发明涉及一种可穿戴设备的控制方法,具体而言,涉及一种疲劳驾驶的判断方法。
背景技术
在开车时,特别是长途开车时,司机由于开车前休息不足、疲劳驾驶很容易出现事故,据统计,疲劳驾驶占交通事故的比例高达21%。
CN207264555U提供了一种基于智能穿戴设备的疲劳驾驶室监控系统,该系统利用心率和人脸识别来进行驾驶员是否属于疲劳驾驶。
CN106274675B通过发动机的状态来判断司机是否疲劳驾驶。
CN106611481B通过用户的眼部动作来判断是否疲劳驾驶。
上述的文献,从各种不同的情况来判断用户的疲劳程度,文献侧重通过汽车的状态、人的现状来进行判断。
发明内容
人的状态不仅仅通过人目前的状态来体现,还有必要对人在当前时间之前的一段时间的行为追溯来综合判断用户的生理状态(或者叫生理情绪)。人因为个体的差异,很多人都能在眼睛能够处于半闭合状态的情况下产生于睡眠一致的状态,并且,在晚上,由于光线的问题,拍摄设备很难准确捕获到驾驶员眼睛的状态,因此,申请人认为,仅仅是通过眼部的闭合、眼部的肌肉来判断驾驶员的疲劳情况往往已经处于滞后状态了。
本申请提供一种基于可穿戴设备的疲劳驾驶判断方法,通过该方法,设备可以追溯用户至少在驾驶之前的睡眠状态的情况,结合驾驶员目前的身体情绪,能够非常准确地判断用户是否属于疲劳驾驶。
本发明的具体技术方案如下:
一种基于可穿戴设备的疲劳驾驶判断方法,所述方法包括:
得到第一可穿戴设备的驾驶员睡眠状态与热量消耗;
判断驾驶员当前身体活性状态;
第二可穿戴设备学习驾驶员驾驶行为数据;
得到第二可穿戴设备的当前驾驶行为数据;
比对所述当前驾驶行为数据与驾驶员驾驶行为数据,结合所述当前身体活性状态对所述驾驶员的疲劳度进行判断;
根据判断结果对驾驶员进行提示。
进一步地,所述睡眠状态的取值范围为1-100分,所述睡眠状态的得分S计算方法如下:睡眠状态得分与深睡时长st、浅睡时长qt、清醒时间qxt、醒来次数xln之间满足线性一次函数关系S=f(sst, qst, qxt, xln)。
进一步地,得到所述第一可穿戴设备在所述睡眠状态结束之后的热量消耗Q(卡路里消耗),并且得到所述第一可穿戴设备在所述睡眠状态结束时到当前时间的时长t;
若S/log(Q*t)大于第一身体活性状态阈值M1,则判断驾驶员当前身体活性状态良好;
若S/log(Q*t)小于第一身体活性状态阈值M1,但是大于第二身体活性状态阈值M2,则判断驾驶员当前身体活性状态合格;
若S/log(Q*t)小于第二身体活性状态阈值M2,则判断驾驶员当前身体活性状态不合格,所述第二可穿戴设备判断出现疲劳驾驶,对驾驶员进行提示,禁止所述驾驶员继续驾驶。
进一步地,所述第二可穿戴设备对驾驶员的驾驶行为进行学习,得到驾驶员驾驶行为数据,所述驾驶行为数据包括标准时间间隔J和“钓鱼”动作参数;
所述学习方法如下:
所述第二可穿戴设备存储采样频率F、第一时间阈值T1/F(其中F为采样频率,T1<F,且T1为整数)和幅度阈值一,统计三轴加速度传感器中每一轴的加速度数据一持续上升或下降的时间和幅度:若三轴的加速度数据中的X轴和Z轴(X轴和Z轴决定的平面为与地面平行的平面)的加速度数据一持续上升或下降的时间都达到所述第一时间阈值T1/F,且三轴的加速度数据一中X轴和Y轴的加速度数据一持续上升或下降的幅度都达到所述幅度阈值一,则所述第二可穿戴设备判断出现了看后视镜的动作;
所述可穿戴设备存储出现两次看后视镜之间的时间间隔J0,在一个周期内(一个周期可以是一个月,使得第二可穿戴设备学习的数据尽量准确),计算所述可穿戴设备存储出现两次看后视镜之间的时间间隔的标准差,得到标准时间间隔J;
所述第二可穿戴设备存储第二时间阈值T2/F(其中T2<F,且T2为整数)和幅度阈值二,统计三轴加速度传感器中每一轴的加速度数据一持续上升或下降的时间和幅度:若三轴的加速度数据中的Y轴(Y轴为垂直于地面的轴)的加速度数据二持续上升或下降的时间都达到所述处理器存储的第二时间阈值T1/F,且加速度数据二持续上升或下降的幅度都达到所述幅度阈值二,则所述第二可穿戴设备判断出现了“钓鱼”动作。
进一步地,当判断驾驶员当前身体活性状态良好或合格时,且所述第二可穿戴设备判断出现了“钓鱼”动作,则所述第二可穿戴设备判断出现疲劳驾驶,对驾驶员进行疲劳驾驶提示。
进一步地,当判断驾驶员当前身体活性状态良好或合格时,且所述第二可穿戴设备测量得到的当前连续3次看后视镜之间的时间间隔JZ均大于J*(1+u),则判断出现疲劳驾驶;其中u为误差系数,优选为20%。
进一步地,所述第一可穿戴设备为智能手环/智能手表,所述第二可穿戴设备为智能头盔/智能帽子。
进一步的,所述智能帽子上设置有陀螺仪和加速度传感器。
进一步地,所述智能帽子上设置有振动单元,当所述连续3次看后视镜之间的时间间隔JZ均大于J*(1+u)时,所述振动单元具有第一振动强度;当所述第二可穿戴设备判断出现了“钓鱼”动作,所述振动单元具有大于第一振动强度的第二振动强度。
进一步地,所述智能帽子在耳朵附近还具有蜂鸣器,当所述连续3次看后视镜之间的时间间隔JZ均大于J*(1+u)时,所述蜂鸣器具有第一声音强度;当所述第二可穿戴设备判断出现了“钓鱼”动作,所述蜂鸣器具有大于第一声音强度的第二声音强度。
进一步地,所述智能帽子通过蓝牙连接车载系统,当判断出现疲劳驾驶时,所述车载系统开启音响对驾驶员进行提示。
通过上述的技术方案,通过驾驶员的目前的身体情绪参数,以及通过学习驾驶员的驾驶习惯(因为每个驾驶员由于驾驶习惯的不一样,大数据很难做出具有标准化的数据,因此,本发明创造性地先对驾驶员的驾驶行为进行学习,从而针对个性的驾驶员得出非常准确的对比参数),对驾驶员的驾驶行为做出约束。并且,本发明通过振动单元、蜂鸣器以及车载系统多方位地对驾驶员进行提醒,可以达到最优的效果。
附图说明
图1是本发明第二可穿戴设备的示意图。
图中1-智能帽子;2-陀螺仪和加速度传感器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
实施例一
驾驶员疲劳驾驶大部分是属于长时间的驾驶,对于时间一长就进行提示的方式,现有的各种地图都能够很好地实现。
但是,很多情况,为了完成工作,驾驶员会选择性地忽略地图的提示。因此,需要一些不同地提示方法。
本申请提供一种多方位的疲劳驾驶判断与提示的方法。
申请人坚持认为,疲劳驾驶并非是一种即时的情况,他可以进行追溯,当驾驶员睡眠状态不好的时候,会反馈在气候的驾驶行为上。
现有技术中没有任何对驾驶员驾驶之前的身体情绪与疲劳驾驶结合起来的任何文献。本发明首次提出将驾驶员驾驶之前的睡眠状态与疲劳驾驶进行结合判断。
首先,手环(第一可穿戴设备)监测驾驶员的睡眠状态与热量消耗,当然,这里的睡眠状态指驾驶员实施当前驾驶之前的一次睡眠,热量消耗为该睡眠之后所消耗的热量。
睡眠状态判断目前已经有很多种方式,每种方式都具有良好的操作性。本申请为了和驾驶结合起来,针对驾驶数据的计算,将睡眠状态进行量化。
睡眠状态的取值范围为1-100分,所述睡眠状态的得分S计算方法如下:睡眠状态得分与深睡时长sst、浅睡时长qst、清醒时间qxt、醒来次数xln之间满足线性一次函数关系S=f(sst, qst, qxt, xln)。如,初步线性计算,得到如下表一:
表1:睡眠状态得分计算表:
在睡眠之后,运动量会增加体能的消耗,间接地消耗身体的活性,因此,热量消耗作为判断驾驶员当前身体活性状态的参数。
与此同时,时间的流逝也会导致身体活性状态的削弱,特别是睡眠之后3个小时之后。
综合考虑,申请人结合实际情况,根据公式S/log(Q*t)的值来判断身体活性状态。
如睡眠状态得分为90分,热量消耗Q为1000卡路里,距离上次睡眠的时间为10000秒,则S/log(Q*t)=12.8。这个数值可以作为用户身体合格的一个阈值,我们记为第一身体活性状态阈值M1。
如睡眠状态得分为90分,热量消耗Q为1500卡路里,距离上次睡眠的时间为15000秒,则S/log(Q*t)=7.35。这个数值可以作为用户身体合格的另一个阈值,我们记为第二身体活性状态阈值M2。
当驾驶员目前的状态处于大于12.8的状态时,我们说用户的身体活性良好,当驾驶员目前的状态处于小于7.35的状态时,我们说用户的身体活性交叉,处于不合格的状态,此时,禁止驾驶员进行驾驶。
实施例二
身体活性状态并非唯一的判断标准,事实上,即时当人体的情绪(或者用户活性状态)处于合格或者良好的状态时,用户由于个性的原因,仍然可能是疲劳驾驶。
但是此时判断起来非常困难,因为驾驶员是个性的驾驶员,通过大数据得到的驾驶行为应用到个体,很有可能得到相反的数据,因此,本申请创造性地提出对驾驶员的驾驶行为进行学习,使得得到的驾驶行为数据能完美地符合当前的驾驶员。
一般的判断标准我们选择驾驶员看后视镜的频率和“钓鱼”动作(“钓鱼”动作即打瞌睡的动作)。对于看后视镜的动作,申请人的算法如下:
所述第二可穿戴设备存储采样频率F、第一时间阈值T1/F(其中F为采样频率,T1<F,且T1为整数)和幅度阈值一,统计三轴加速度传感器中每一轴的加速度数据一持续上升或下降的时间和幅度:若三轴的加速度数据中的X轴和Z轴(X轴和Z轴决定的平面为与地面平行的平面)的加速度数据一持续上升或下降的时间都达到所述第一时间阈值T1/F,且三轴的加速度数据一中X轴和Y轴的加速度数据一持续上升或下降的幅度都达到所述幅度阈值一,则所述第二可穿戴设备判断出现了看后视镜的动作;
所述可穿戴设备存储出现两次看后视镜之间的时间间隔J0,在一个周期内(一个周期可以是一个月,使得第二可穿戴设备学习的数据尽量准确),计算所述可穿戴设备存储出现两次看后视镜之间的时间间隔的标准差,得到标准时间间隔J;
利用标准差的算法可以得到符合统计学规律的数据。
另外,打瞌睡的动作不同于点头的动作,打瞌睡时,头部基本处于无意识的自由落体的状态,需要对加速度传感器的数据提出针对性的算法。
当判断驾驶员当前身体活性状态良好或合格时,且所述第二可穿戴设备测量得到的当前连续3次看后视镜之间的时间间隔JZ均大于J*(1+u),则判断出现疲劳驾驶;其中u为误差系数,优选为20%。
即时计算得到标准差的数据,但是,由于看后视镜有时候根据路况会有差别,因此,我们仍然给以了一定的误差系数,如上述的20%。
申请人对打瞌睡的算法实现如下:
所述第二可穿戴设备存储第二时间阈值T2/F(其中T2<F,且T2为整数)和幅度阈值二,统计三轴加速度传感器中每一轴的加速度数据一持续上升或下降的时间和幅度:若三轴的加速度数据中的Y轴(Y轴为垂直于地面的轴)的加速度数据二持续上升或下降的时间都达到所述处理器存储的第二时间阈值T1/F,且加速度数据二持续上升或下降的幅度都达到所述幅度阈值二,则所述第二可穿戴设备判断出现了“钓鱼”动作。
当出现钓鱼动作时,判断出现疲劳驾驶,并且一票否决。
实施例三
对于第一可穿戴设备和第二可穿戴设备,第一可穿戴设备可以为智能手环/智能手表,第二可穿戴设备可以为智能头盔/智能帽子1。所述智能帽子上设置有至少包括加速度传感器2。
在当出现疲劳驾驶的情况,我们采用多种方式进行提醒:
一、振动:智能帽子上设置有振动单元,当所述连续3次看后视镜之间的时间间隔JZ均大于J*(1+u)时,所述振动单元具有第一振动强度;当所述第二可穿戴设备判断出现了“钓鱼”动作,所述振动单元具有大于第一振动强度的第二振动强度。
二、声音:所述智能帽子在耳朵附近还具有蜂鸣器,当所述连续3次看后视镜之间的时间间隔JZ均大于J*(1+u)时,所述蜂鸣器具有第一声音强度;当所述第二可穿戴设备判断出现了“钓鱼”动作,所述蜂鸣器具有大于第一声音强度的第二声音强度。
三、车载提醒:所述智能帽子通过蓝牙连接车载系统,当判断出现疲劳驾驶时,所述车载系统开启音响对驾驶员进行提示。
通过上述的技术方案,通过驾驶员的目前的身体情绪参数,以及通过学习驾驶员的驾驶习惯(因为每个驾驶员由于驾驶习惯的不一样,大数据很难做出具有标准化的数据,因此,本发明创造性地先对驾驶员的驾驶行为进行学习,从而针对个性的驾驶员得出非常准确的对比参数),对驾驶员的驾驶行为做出约束。并且,本发明通过振动单元、蜂鸣器以及车载系统多方位地对驾驶员进行提醒,可以达到最优的效果。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。