CN110338821A - 一种驾驶员驾驶状态识别方法 - Google Patents
一种驾驶员驾驶状态识别方法 Download PDFInfo
- Publication number
- CN110338821A CN110338821A CN201910738043.2A CN201910738043A CN110338821A CN 110338821 A CN110338821 A CN 110338821A CN 201910738043 A CN201910738043 A CN 201910738043A CN 110338821 A CN110338821 A CN 110338821A
- Authority
- CN
- China
- Prior art keywords
- data
- heartbeat
- driver
- model
- wave
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
-
- 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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/72—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明公开了一种驾驶员驾驶状态识别方法。它包括:S1、分别采集多个志愿样本在不同状态下的心跳数据和呼吸数据,将每个志愿样本在每种状态下的心跳数据和呼吸数据作为一个模型特征标签;S2、依模糊聚类算法对收集到的多个模型特征标签作统一分类处理,以得到模型分类数据库;S3、获取驾驶人员在驾驶过程中的心跳数据和呼吸数据并作为一个独立的实际特征标签;S4、计算实际特征标签与模型分类数据库中的聚类中心之间的距离值,获得实际特征标签在模型分类数据库中所属的状态类别。本发明利用心跳和呼吸数据能够真实、准确、客观地反映人体生理状态的特点并结合模糊聚类算法对相关数据进行分类处理后可真实准确地判断驾驶人员当前的驾驶状态,为安全驾驶提供保障。
Description
技术领域
本发明涉及驾驶行为识别技术领域,尤其是一种驾驶员驾驶状态识别方法。
背景技术
近年来,随着机动车保有量以及驾驶人员数量的迅速增加,道路交通安全事故已经成为了严峻的社会问题;道路交通安全事故的发生除机动车辆本身的因素外,更多的是由驾驶行为人的行为状态所决定的,尤其是当驾驶人员处于疲劳、醉酒、愤怒、过度兴奋等状态下,很容易产生生理机能或心理机能的失调,从而影响到驾驶人员的注意力、感知觉、思维判断、意志决定等,并最终导致道路交通安全事故的发生。因此,针对驾驶人员状态的检测方案逐渐受到人们的关注。
目前,业内提出了一些利用图像识别技术对驾驶人员的面部或身体图像信息进行采集以获取驾驶人员驾驶状态的方案,如申请号为201810106263.9的中国发明专利申请所公开的《驾驶员驾驶状态识别系统及其应用方法》;然而,由于此类技术方案主要是依据驾驶人员的面部表情作为驾驶人员驾驶状态识别的基准,而面部表情无法准确且客观地反映出驾驶人员真实的状态,从而导致此类方案在对驾驶状态进行识别检测时存在很大的误差。
因此,如何对驾驶人员的驾驶状态进行准确客观的识别、分析和判断,将成为安全驾驶的重要保障之一。
发明内容
针对上述现有技术存在的不足,本发明的目的在于提供一种驾驶员驾驶状态识别方法。
为了实现上述目的,本发明采用如下技术方案:
一种驾驶员驾驶状态识别方法,它包括以下步骤:
S1、模型数据采集,分别采集多个志愿样本在正常、酒后、疲劳、愤怒和过度兴奋等状态下预定时间段内的心跳数据和呼吸数据,将每个志愿样本在每种状态下的心跳数据和呼吸数据均作为一个独立的模型特征标签;
S2、模型数据分类,依模糊聚类算法对收集到的多个模型特征标签作统一分类处理,以得到包含有正常、酒后、疲劳、愤怒和过度兴奋等状态类别的模型分类数据库;
S3、驾驶数据获取,获取驾驶人员在驾驶过程中预定时间段内的心跳数据和呼吸数据,将每一预定时间段内的心跳数据和呼吸数据分别作为一个独立的实际特征标签;
S4、数据比较识别,计算实际特征标签与模型分类数据库中的聚类中心之间的距离值,根据距离值来判定实际特征标签与模型特征标签的对应关系,从而获得实际特征标签在模型分类数据库中所属的状态类别;
S5、预警提醒警报,当实际特征标签属于酒后、疲劳、愤怒和过度兴奋状态时,对驾驶人员发出警告。
优选地,每个所述模型特征标签均包括预定时间段内的心跳平均频率、心跳波上升沿平均斜率、心跳波平均波宽、呼吸平均频率、呼吸波上升沿平均斜率和呼吸波平均波宽等数据。
优选地,每个所述模型特征标签均包括30s内的心跳平均频率、30s内的心跳波上升沿平均斜率、30s内的心跳波平均波宽、30s内的呼吸平均频率、30s内的呼吸波上升沿平均斜率和30s内的呼吸波平均波宽等数据。
优选地,在所述步骤S1和S3中,利用毫米波传感器对志愿样本和驾驶人员的心跳数据和呼吸数据进行采集。
优选地,在所述步骤S4中,依欧式距离法计算实际特征标签与模型分类数据库中的所有聚类中心之间的距离值,将实际特征标签分类到与其距离值最小的聚类中心所属的状态类别内。
由于采用了上述方案,本发明通过召集大量的志愿者并对志愿者在各种状态下的心跳和呼吸数据进行采集,利用心跳和呼吸数据能够真实、准确、客观地反映人体生理状态的特点,结合模糊聚类算法对相关数据进行分类处理后即可形成一能够准确反映人体在各种状态的模型数据库,而后通过获得驾驶人员当前驾驶行为中的心跳和呼吸数据并在模型数据库中进行比较、分类,来真实准确地判断驾驶人员当前的驾驶状态,一旦驾驶人员的驾驶状态出现异常时,即可迅速地对驾驶员进行警告,从而为安全驾驶提供保障。
具体实施方式
以下对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本实施例提供的一种驾驶员驾驶状态识别方法,它包括以下步骤:
S1、模型数据采集,分别采集多个志愿样本在正常、酒后、疲劳、愤怒和过度兴奋等状态下预定时间段内的心跳数据和呼吸数据,将每个志愿样本在每种状态下的心跳数据和呼吸数据均作为一个独立的模型特征标签。具体可参考如下方式进行模型数据采集,即:首先,征集无呼吸疾病和心脏疾病的志愿者(即:志愿样本)100名-150名之间,其中,男性和女性占比均为50%,年龄区间控制在20岁至60岁之间,且征集的志愿者的年龄以10岁为间隔单位(如20-30岁、30-40岁)均匀分布。然后,在预定时间段内,对每名志愿者分别在各个模拟欲分类的驾驶状态(正常、酒后、疲劳、愤怒和过度兴奋等)下的心跳数据和呼吸数据进行收集以形成每种状态下的一个模型特征标签,为保证模型数据采集的准确性,最好在每种状态下采集多个模型特征标签(如20个,如此,相当于每名志愿者均具有20*6=120个模型特征标签)。
S2、模型数据分类,依模糊聚类算法对收集到的多个模型特征标签作统一分类处理,以得到包含有正常、酒后、疲劳、愤怒和过度兴奋等状态类别的模型分类数据库;在采用模糊聚类算法对模型特征标签进行分类处理时可参考如下思路进行,即:
1、确定聚类数c和最大迭代次数,其中,聚类数c即为欲分类的驾驶状态数(如:正常、酒后、疲劳、愤怒和过度兴奋等五种状态),最大迭代次数则可根据经验和实际效果作灵活设置。
2、随机初始化一个隶属度矩阵U并使隶属度矩阵U满足约束条件(即公式1:),隶属度矩阵U的大小为c*n(c为聚类数,n为志愿样本数量),uij是第i个志愿样本属于第j个聚类的隶属度(如前述的欲分类数位5个并具有150名志愿样本,每个志愿样本在每种状态下收集20个模型特征标签,则共有15000
(5*150*20)个标签数据,最终对应的隶属度矩阵U的大小为15000*5)。
3、依据聚类中心矩阵迭代公式(即公式2:),根据隶属度矩阵u计算聚类中心矩阵C,聚类中心矩阵C的大小为c*s(c为聚类数,s为标签数据的元素个数),如本实施例的呼吸数据和心跳数据共计6个,则聚类中心矩阵C的大小为5*6。
4、依目标函数公式(即公式3:)计算目标函数值J(其中,x为假定的数据集)。
5、依隶属度矩阵迭代公式(即公式4:),根据聚类中心矩阵C计算隶属度矩阵U;然后执行聚类中心矩阵迭代公式,以此循环往复,直至达到最大迭代次数或目标函数值J小于一定的值,即可确定模型分类数据库。
S3、驾驶数据获取,获取驾驶人员在驾驶过程中预定时间段内的心跳数据和呼吸数据,将每一预定时间段内的心跳数据和呼吸数据分别作为一个独立的实际特征标签;
S4、数据比较识别,计算实际特征标签与模型分类数据库中的聚类中心之间的距离值,根据距离值来判定实际特征标签与模型特征标签的对应关系,从而获得实际特征标签在模型分类数据库中所属的状态类别;在此过程中,可依据模糊聚类算法和获取的实际特征标签对模型分类数据库进行重新分类计算处理,以生成与驾驶人员的生理特征更为接近的数据库,从而实现整个方法的自我学习更新。
S5、预警提醒警报,当实际特征标签属于酒后、疲劳、愤怒和过度兴奋状态时,对驾驶人员发出警告。
由此,通过召集大量的志愿者并对志愿者在各种状态下的心跳和呼吸数据进行采集,利用心跳和呼吸数据能够真实、准确、客观地反映人体生理状态的特点,结合模糊聚类算法对相关数据进行分类处理后即可形成一能够准确反映人体在各种状态的模型数据库,而后通过获得驾驶人员当前驾驶行为中的心跳和呼吸数据并在模型数据库中进行比较、分类,来真实准确地判断驾驶人员当前的驾驶状态,一旦驾驶人员的驾驶状态出现异常时,即可迅速地对驾驶员进行警告,从而为安全驾驶提供保障。
为保证丰富数据来源,降低个体差异对驾驶状态分类及采集的准确性造成影响,本实施例的每个模型特征标签均30s内的心跳平均频率、30s内的心跳波上升沿平均斜率、30s内的心跳波平均波宽、30s内的呼吸平均频率、30s内的呼吸波上升沿平均斜率和30s内的呼吸波平均波宽等数据。
为最大限度地提高对呼吸和心跳数据采集的准确性,在步骤S1和S3中,利用毫米波传感器对志愿样本和驾驶人员的心跳数据和呼吸数据进行采集。由于毫米波传感器可以通过检测胸腔微小的起伏震动,很容易准确地得到人体当前的呼吸频率和心跳频率,故而能够为准确地判断人体生理和心理状态创造前提条件。
作为优选方案,在步骤S4中,依欧式距离法(即:欧几得度量法)来计算实际特征标签与模型分类数据库中的所有聚类中心之间的距离值,将实际特征标签分类到与其距离值最小的聚类中心所属的状态类别内;以此,可有效简化实际特征标签的比较识别过程。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种驾驶员驾驶状态识别方法,其特征在于:它包括以下步骤:
S1、模型数据采集,分别采集多个志愿样本在正常、酒后、疲劳、愤怒和过度兴奋等状态下预定时间段内的心跳数据和呼吸数据,将每个志愿样本在每种状态下的心跳数据和呼吸数据均作为一个独立的模型特征标签;
S2、模型数据分类,依模糊聚类算法对收集到的多个模型特征标签作统一分类处理,以得到包含有正常、酒后、疲劳、愤怒和过度兴奋等状态类别的模型分类数据库;
S3、驾驶数据获取,获取驾驶人员在驾驶过程中预定时间段内的心跳数据和呼吸数据,将每一预定时间段内的心跳数据和呼吸数据分别作为一个独立的实际特征标签;
S4、数据比较识别,计算实际特征标签与模型分类数据库中的聚类中心之间的距离值,根据距离值来判定实际特征标签与模型特征标签的对应关系,从而获得实际特征标签在模型分类数据库中所属的状态类别;
S5、预警提醒警报,当实际特征标签属于酒后、疲劳、愤怒和过度兴奋状态类别时,对驾驶人员发出警告。
2.如权利要求1所述的一种驾驶员驾驶状态识别方法,其特征在于:每个所述模型特征标签均包括预定时间段内的心跳平均频率、心跳波上升沿平均斜率、心跳波平均波宽、呼吸平均频率、呼吸波上升沿平均斜率和呼吸波平均波宽等数据。
3.如权利要求2所述的一种驾驶员驾驶状态识别方法,其特征在于:每个所述模型特征标签均包括30s内的心跳平均频率、30s内的心跳波上升沿平均斜率、30s内的心跳波平均波宽、30s内的呼吸平均频率、30s内的呼吸波上升沿平均斜率和30s内的呼吸波平均波宽等数据。
4.如权利要求1所述的一种驾驶员驾驶状态识别方法,其特征在于:在所述步骤S1和S3中,利用毫米波传感器对志愿样本和驾驶人员的心跳数据和呼吸数据进行采集。
5.如权利要求2所述的一种驾驶员驾驶状态识别方法,其特征在于:在所述步骤S4中,依欧式距离法计算实际特征标签与模型分类数据库中的所有聚类中心之间的距离值,将实际特征标签分类到与其距离值最小的聚类中心所属的状态类别内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910738043.2A CN110338821A (zh) | 2019-08-12 | 2019-08-12 | 一种驾驶员驾驶状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910738043.2A CN110338821A (zh) | 2019-08-12 | 2019-08-12 | 一种驾驶员驾驶状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110338821A true CN110338821A (zh) | 2019-10-18 |
Family
ID=68184549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910738043.2A Pending CN110338821A (zh) | 2019-08-12 | 2019-08-12 | 一种驾驶员驾驶状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110338821A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102406507A (zh) * | 2010-09-20 | 2012-04-11 | 天津职业技术师范大学 | 基于人体生理信号的汽车驾驶员疲劳监测方法 |
CN104112335A (zh) * | 2014-07-25 | 2014-10-22 | 北京机械设备研究所 | 一种基于多信息融合的疲劳驾驶检测方法 |
CN205568935U (zh) * | 2016-03-11 | 2016-09-14 | 江苏大学 | 基于驾驶员呼吸频率和心跳频率实时监测的安全行车系统 |
CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及系统 |
CN109324250A (zh) * | 2018-11-29 | 2019-02-12 | 广东电网有限责任公司 | 一种电能质量扰动信号识别方法 |
-
2019
- 2019-08-12 CN CN201910738043.2A patent/CN110338821A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102406507A (zh) * | 2010-09-20 | 2012-04-11 | 天津职业技术师范大学 | 基于人体生理信号的汽车驾驶员疲劳监测方法 |
CN104112335A (zh) * | 2014-07-25 | 2014-10-22 | 北京机械设备研究所 | 一种基于多信息融合的疲劳驾驶检测方法 |
CN205568935U (zh) * | 2016-03-11 | 2016-09-14 | 江苏大学 | 基于驾驶员呼吸频率和心跳频率实时监测的安全行车系统 |
CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及系统 |
CN109324250A (zh) * | 2018-11-29 | 2019-02-12 | 广东电网有限责任公司 | 一种电能质量扰动信号识别方法 |
Non-Patent Citations (1)
Title |
---|
施雪筠: "《生理学实验指导》", 30 September 2017, 中国中医药出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053615B (zh) | 基于微表情的驾驶员疲劳驾驶状态检测方法 | |
Ji et al. | Fatigue state detection based on multi-index fusion and state recognition network | |
CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
CN110811649A (zh) | 一种基于生物电及行为特征融合的疲劳驾驶检测方法 | |
CN110010219A (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
CN110532887A (zh) | 一种基于面部特征融合的疲劳驾驶检测方法及系统 | |
CN109460703B (zh) | 一种基于心率和面部特征的非侵入式疲劳驾驶识别方法 | |
CN106250801A (zh) | 基于人脸检测和人眼状态识别的疲劳检测方法 | |
CN110338777A (zh) | 融合心率变异特征和面部表情特征的疼痛评估方法 | |
CN101923652A (zh) | 一种基于肤色和特征部位联合检测的色情图片识别方法 | |
CN110070078A (zh) | 一种基于传感器与机器视觉的酒驾检测方法及系统 | |
CN102737379A (zh) | 一种基于自适应学习的ct图像分割方法 | |
Li et al. | Medical data stream distribution pattern association rule mining algorithm based on density estimation | |
CN108492877A (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
CN108257124A (zh) | 一种基于图像的白细胞计数方法和系统 | |
CN105844221A (zh) | 一种基于Vadaboost筛选特征块的人脸表情识别方法 | |
CN112017743B (zh) | 一种疾病风险评测报告自动生成平台及应用 | |
Sivasankar et al. | Retracted: FCM based iris image analysis for tissue imbalance stage identification | |
Baccour et al. | Camera-based driver drowsiness state classification using logistic regression models | |
CN113749619A (zh) | 一种基于k-trca的脑力疲劳评估方法 | |
Tarafder et al. | Drowsiness detection using ocular indices from EEG signal | |
CN110338821A (zh) | 一种驾驶员驾驶状态识别方法 | |
CN108597615A (zh) | 一种轻度认知障碍患者痴呆转化的筛选参考方法 | |
CN109376583A (zh) | 一种智能车辆辅助驾驶的驾驶员疲劳检测方法 | |
Sistla et al. | Stacked ensemble classification based real-time driver drowsiness detection |
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 |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |