CN110638473A - 疲劳驾驶判定的方法、装置、电子设备和存储介质 - Google Patents
疲劳驾驶判定的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110638473A CN110638473A CN201910853970.9A CN201910853970A CN110638473A CN 110638473 A CN110638473 A CN 110638473A CN 201910853970 A CN201910853970 A CN 201910853970A CN 110638473 A CN110638473 A CN 110638473A
- Authority
- CN
- China
- Prior art keywords
- user
- machine learning
- learning model
- fatigue driving
- sound signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 98
- 230000005236 sound signal Effects 0.000 claims abstract description 86
- 230000004044 response Effects 0.000 claims abstract description 11
- 206010039203 Road traffic accident Diseases 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 206010016256 fatigue Diseases 0.000 description 147
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004397 blinking Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 241001282135 Poromitra oscitans Species 0.000 description 1
- 206010048232 Yawning Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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
- A61B5/68—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
- 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
-
- 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
Abstract
本发明的实施例公开了一种疲劳驾驶判定的方法、装置、电子设备和存储介质，涉及数据分析领域，该方法包括：响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值；在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号和用户第二生理指标值；将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，本发明技术的实施例的技术方案根据用户生理生理指标值及司机座位处的声音信息的变化情况，确定用户是在疲劳驾驶，提高了疲劳驾驶判定的准确率。
Description
技术领域
本发明涉及数据分析领域，特别是涉及一种疲劳驾驶判定的方法、装置、电子设备和存储介质。
背景技术
据世界卫生组织2018年统计，全球每年发生交通事故死亡的人数已超250万人，交通伤亡已超世界地区局势动荡及地区战争，其中疲劳驾驶在交通事故死亡事件中所占比重大，另根据美国汽车交通安全基金会的一项调查表明：疲劳驾驶在美国的交通事故死亡事件中占据21％的比例，可见疲劳驾驶占交通事故的比例是非常之高。如何准确判定用户处于疲劳驾驶是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种疲劳驾驶判定的方法、装置、计算机可读介质及电子设备，进而可以至少在一定程度上克服现有技术中疲劳驾驶判定准确率低的问题。
根据本发明的第一方面，提供了一种疲劳驾驶判定的方法，包括：响应于车辆开始行驶，获取司机座位处的声音信号、和用户第一生理指标值；在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号、和用户第二生理指标值；将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
在一实施例中，在响应于车辆开始行驶，获取司机座位处的声音信号、和用户第一生理指标值之后还包括：获取当前环境信息；将所述当前环境信息投入第二机器学习模型，由第二机器学习模型输出所述等待时间。
在一实施例中，所述第二机器学习模型通过以下方式进行训练：预先设置环境条件样本集合，针对环境条件样本集合中每个环境条件样本，预先贴上相应的等待时间标签，将每个环境条件样本输入第二机器学习模型，由第二机器学习模型输出等待时间的判断结果，将所述第二机器学习模型输出的等待时间的判断结果与所述标签相比对，如不一致，则调整第二机器学习模型，使第二机器学习模型输出的等待时间的判断结果与标签一致。
在一实施例中，所述第一机器学习模型通过以下方式进行训练：预先设置样本用户集合，针对样本用户集合中的每个样本用户，在车辆开始行驶时获取司机座位处的声音信号、和用户第一生理指标值，在车辆开始行驶后已知该样本用户未疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、未疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了疲劳驾驶的结果，则调整第一机器学习模型，使之给出未疲劳驾驶的结果；在车辆开始行驶后已知该样本用户疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了未疲劳驾驶的结果，则调整第一机器学习模型，使之给出疲劳驾驶的结果。
在一实施例中，在所述将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果之后还包括：若所述用户在疲劳驾驶可显示注意休息的提醒。
在一实施例中，在所述若所述用户在疲劳驾驶可显示注意休息的提醒之后还包括：确定所述用户是否在连续疲劳驾驶；若所述用户在连续疲劳驾驶，则记录所述用户连续疲劳驾驶的时间；获取所述用户对应的连续疲劳驾驶警戒时间；若所述用户连续疲劳驾驶的时间大于所述用户对应的连续疲劳驾驶警戒时间，则启动车辆报警功能。
在一实施例中，所述获取所述用户对应的连续疲劳驾驶警戒时间包括：获取所述用户的历史驾驶记录和所述用户对应的身体素质指数，其中所述身体素质指数大于零小于1；确定所述用户的历史驾驶记录中所述用户因疲劳驾驶而导致交通事故的次数及疲劳驾驶总时长；基于如下公式确定所述用户对应的连续疲劳驾驶警戒时间：
其中s为所述用户对应的连续疲劳驾驶警戒时间，a为所述用户的历史驾驶记录中导致交通事故的连续疲劳驾驶总时长，b为所述用户的历史驾驶记录中导致交通事故的疲劳驾驶总时长，c为所述用户对应的身体素质指数。
根据本发明的第二方面提供了一种疲劳驾驶判定装置，包括：第一获取模块：用于响应于车辆开始行驶，获取司机座位处的声音信号、和用户第一生理指标值；第二获取模块：用于在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号、和用户第二生理指标值；确定模块：用于将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
根据本发明的第三方面提供了一种疲劳驾驶判定的电子设备，包括：存储器，配置为存储可执行指令；处理器，配置为执行存储器中存储的可执行指令，以执行以上所述的方法。
根据本发明的第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行以上所述的方法。
在本发明的一些实施例中，通过将获取车辆开始行驶时司机座位处的声音信号和用户第一生理指标值，与车辆开始行驶后一段等待时候后获取的司机座位处的声音信号与第二生理指标值输入预先训练好的第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，该方案由于采用预先训练好的机器学习模型来判断用户是否处于疲劳驾驶的方式，因而其可以更快速的判断用户是否处于疲劳驾驶，另外由于该方案是将车辆行驶时与车辆行驶后一段时候后的司机座位处的声音信号与生理指标值输入预先训练好的第一机器学习模型，因而其对用户是否处于疲劳驾驶的判断结果也更准确。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
图1示出根据本发明一示例实施方式的疲劳驾驶判定方法的使用环境的系统架构图。
图2示出根据本发明一示例实施方式的疲劳驾驶判定方法的流程图。
图3示出根据本发明一示例实施方式的在响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值之前的流程图。
图4示出根据本发明一示例实施方式的在将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果之后的流程图。
图5示出根据本发明一示例实施方式的在若所述用户在疲劳驾驶可显示注意休息的提醒之后的流程图。
图6示出根据本发明一示例实施方式的获取所述用户对应的连续疲劳驾驶警戒时间的详细流程图。
图7示出根据本发明一示例实施方式的疲劳驾驶判定装置的结构框图
图8示出根据本发明一示例实施方式的疲劳驾驶判定的电子设备图。
图9示出根据本发明一示例实施方式的疲劳驾驶判定的计算机可读存储介质图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出根据本发明一示例实施方式的疲劳驾驶判定方法的使用环境的构架图：该使用环境包括车辆端110、服务器120。
应该理解，图1中的车辆端、服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆端和服务器。比如服务器120可以是多个服务器组成的服务器集群等。
在本发明一实施例中服务器120响应于车辆开始行驶获取车辆端110发送的司机座位处的声音信号和用户第一生理指标值，在车辆行驶一段时间后，服务器120获取车辆端110发送的司机座位处的第二声音信号和用户第二生理指标值，服务器120根据获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号和用户第二生理指标值确定用户是否在疲劳驾驶，服务器根据120根据用户生理指标值的变化及声音信号的变化来确定用户是否在疲劳驾驶，可提高疲劳驾驶判定结果的准确性。
需要说明的是，本发明实施例所提供的疲劳驾驶判定方法一般由服务器120执行，相应地，疲劳驾驶判定装置一般设置于服务器120中。但是，在本发明的其它实施例中，终端也可以与服务器具有相似的功能，从而执行本发明实施例所提供的疲劳驾驶判定方案。
图2示出根据本发明一示例实施方式的疲劳驾驶判定方法的流程图，可以包括如下步骤：
步骤S200：响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值；
步骤S210：在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号和用户第二生理指标值；
步骤S220：将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
下面，将结合附图对本示例实施方式中上述疲劳驾驶判定的各步骤进行详细的解释以及说明。
在步骤S200中，响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值。
在本发明的一实施例中，声音信号是指用户说话声音的分贝值与说话频率，说话频率是用户在预设时间段内说话的次数，生理指标值是指用户的心率、呼吸频率、血流速度等。其中声音信号可通过安装于司机座位处的麦克风获取，生理指标值可通过司机佩戴的智能手环等具有测量用户生理指标值的智能穿戴设备获取。如当车辆开始行驶时，通过预先安装在司机座位处的麦克风获取用户开始行驶后一分钟内用户说话声音的分贝值与说话的频率，通过用户手上佩戴的智能手环获取用户的心率、呼吸频率、血流速度等生理指标值。
在本发明的一实施例中，声音信号还可以是指预设时间段内用户说话声音的平均分贝值与说话时长。如当车辆开始行驶时，在该时间点后一分钟内，若检测到用户语音输入则记录检测到用户语音输入的时间与用户语音信息，若检测到用户停止语音输入则记录用户语音结束时并停止记录用户语音信息，基于记录的检测到用户语音输入时间与用户停止语音输入的时间间的差值的绝对值确定预设时间段内用户说话时长，检测预设时间段内该记录的该用户的语音信息，获取预设时间段内该用户对应的分贝值集合，确定该分贝值集合中分值值样本的个数与该分贝值集合中所有分贝值的总和，将所述分贝值总和与所述分贝值个数间的商值确定为该用户预设时间段内的平均分贝值。
继续参照图2所示，在步骤S210中，在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号和用户第二生理指标值。
在一实施例中，如图3所示，在步骤S200之后、步骤S210之前还可以包括：
步骤S208：获取当前环境信息；
步骤S209：将所述当前环境信息投入第二机器学习模型，由第二机器学习模型输出所述等待时间。
在本发明的一实施例中，人们在温度较高与含氧量较低的环境下，很容易进入疲劳状态，进而出现精神无法集中，闭眼对应的时长增加等情形，这表明用户已经处于疲劳驾驶，故环境信息至少应包括驾驶室内温度及含氧量，其中驾驶室内温度及含氧量可通过驾驶室内内设置的温度计与测氧仪获得。
在本发明的一实施例中，所述等待时间可以是一时间段也可以是多个时间段。
在本发明的一实施例中，除了将当前环境信息投入第二机器学习模型外还可将当前时间信息投入第二机器学习模型，根据人体生物钟的规律，在即将黎明的一定时间段内，人极易出现疲乏的情形，另外在夜间驾车出现疲劳驾驶的情形也高于白天，通过更多的相关因素训练好的第二机器学习模型，可根据该相关因素得到更准确的结果。
在本发明的一实施例中，环境信息还可以包括当前车辆驾驶路段的车况信息，如果车辆驾驶的路段的车况较为宽松，且基本没有其他车辆存在，此时司机会放松警惕，眼睛也会因长时间观看到几乎无差别的场景而快速的疲乏，该情形下司机也较易出现疲劳驾驶的情形。
在本发明的一实施例中，通过第二机器学习模型来基于所述环境信息获取所述等待时间，在这种情况下需要事先对第二机器学习模型进行训练，具体训练过程如下：
预先设置环境条件样本集合，针对环境条件样本集合中每个环境条件样本，预先贴上相应的等待时间标签，将每个环境条件样本输入第二机器学习模型，由第二机器学习模型输出等待时间的判断结果，将所述第二机器学习模型输出的等待时间的判断结果与所述标签相比对，如不一致，则调整第二机器学习模型，使第二机器学习模型输出的等待时间的判断结果与标签一致。
继续参照图2所示，在步骤S220中，将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
疲劳驾驶，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。当人们出现疲劳时，其生理指标出现变化一段时候后，人们才会有相应的疲劳表现，如眨眼睛次数增多、打哈欠次数较多、呼吸频率降低等。
另外当人出现疲劳时人未表现出疲劳的相应外在特征，但实际上其生理指标值已经处于疲劳时的状态，故相对于现有技术中通过实时获取用户的眼部状态，根据用户的眨眼次数或获取用户的脸部图像来判断用户是否处于疲劳驾驶而言，通过生理指标值确定用户是否处于疲劳驾驶更加准确，也更能在用户出现疲劳驾驶的外在表现特征前提醒用户。
在本发明的一实施例中，通过第一机器学习模型来基于车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值确定用户是否处于疲劳驾驶，在这种情况下需要事先对第一机器学习模型进行训练，具体训练过程如下：
预先设置样本用户集合，针对样本用户集合中的每个样本用户，在车辆开始行驶时获取司机座位处的声音信号、和用户第一生理指标值，在车辆开始行驶后已知该样本用户未疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、未疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了疲劳驾驶的结果，则调整第一机器学习模型，使之给出未疲劳驾驶的结果；在车辆开始行驶后已知该样本用户疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了未疲劳驾驶的结果，则调整第一机器学习模型，使之给出疲劳驾驶的结果。
在本发明的一实施例中，如图4所示，在步骤S230之后还可以包括：
步骤S230：若所述用户在疲劳驾驶可显示注意休息的提醒。
在本发明的一实施例中，显示注意休息的提醒可以通过图片的方式，也可以通过文字的方式，还可以通过声音的方式，如当用户处于疲劳驾驶时则播放预设的疲劳驾驶对应的声音，该声音可以是预先用户自身录制的也可以是他人录制的。
在一本发明的一实施例中，如图5所示，在所述若所述用户在疲劳驾驶可显示注意休息的提醒之后还可以包括：
步骤S240：确定所述用户是否连续疲劳驾驶；
步骤S250：若所述用户在连续疲劳驾驶，则记录所述用户连续疲劳驾驶的时间；
步骤S260：获取所述用户对应的连续疲劳驾驶警戒时间；
步骤S270：若所述用户连续疲劳驾驶的时间大于所述用户对应的连续疲劳驾驶警戒时间，则启动车辆报警功能。
连续疲劳驾驶是指用户连续疲劳驾驶中途未休息或休息时间不在预设的时间阈值范围。如用户从5月3日上午3点至本日上午4点一直处于疲劳驾驶，途中虽然休息了5分钟，但休息的5分钟不在预设的休息时间应大于等于10分钟的范围内，所以用户在上述时间段内处于连续疲劳驾驶。
连续疲劳驾驶警戒时间是指如用户连续疲劳驾驶时间达到一定时间后，出现交通事故的概率将明显增大以致极易出现交通事故，则将该连续疲劳驾驶时间达到的一定时间确定为连续疲劳驾驶警戒时间。如用户5月3日上午3点至本日上午4点一直处于连续疲劳驾驶，但在本日上午4点该用户的疲劳程度已经达到用户眼睛难以睁开，精力已经无法集中的高度疲劳状态，则确定用户的连续疲劳驾驶警戒时间为1个小时。
为避免用户因疲劳驾驶而引起交通事故，故在用户连续疲劳驾驶时间达到该用户对应的连续疲劳驾驶警戒时间时应采取相对于“显示注意休息提醒”更为有效的措施来提醒用户注意休息，如在用户连续疲劳驾驶时间达到该用户的连续疲劳驾驶警戒时间时采用启动车辆报警功能的方式，通过车辆报警功能产生的分贝较高的声音来提醒用户注意休息安全驾驶。
在本发明的一实施例中，仅仅通过不具有强制处罚力的措施很难使用户在出现疲劳驾驶时停车休息，因此，当在用户连续疲劳驾驶达到该用户对应的连续疲劳驾驶警戒时间时，启动车辆报警功能后，如用户在预设的时间段后仍处于疲劳驾驶则获取该车辆的位置信息与车辆信息，将该车辆的位置信息与车辆信息发送至交警部门端，通过将疲劳驾驶的车辆信息与位置信息发送给交警部门，使交警部门人员介入，可对经常疲劳驾驶的人员起到警戒的作用，进而降低疲劳驾驶交通事故数，维护交通安全。
在本发明的一实施例中，如图6所示，步骤S260可以包括：
步骤S2601：获取所述用户的历史驾驶记录和所述用户对应的身体素质指数，其中所述身体素质指数大于零小于1；
步骤S2602：确定所述用户的历史驾驶记录中所述用户因疲劳驾驶而导致交通事故的次数及疲劳驾驶总时长；
步骤S2603：基于如下公式确定所述用户对应的连续疲劳驾驶警戒时间：
其中s为所述用户对应的连续疲劳驾驶警戒时间，a为所述用户的历史驾驶记录中因疲劳驾驶而导致交通事故的总次数，b为所述用户的历史驾驶记录中导致交通事故的疲劳驾驶的总时长，c为所述用户对应的身体素质指数。
身体素质指数是指表明用户身体素质是指人在活动中所表现出来的力量、速度、耐力、灵敏、柔韧等机能，一个人的身体素质指数越高则代表这个人的身体素质越好，其抗疲劳程度也就相应的越高。
在本发明的一实施例中，用户的身体素质可以根据车辆开始行驶时，获取的第一生理指标值确定，如通过将获取的第一生理指标值输入预先训练好的第三机器学习模型，由第三机器学习模型来确定该用户的身体素质指数；也可以通过查询生理指标值对应分数表的方式来确定该用户身体素质对应的分数，再查询身体素质分数对应身体素质指数表的方式来确定用户的身体素质指数。
在本发明的一实施例中，用户历史上因疲劳驾驶而出现交通事故的次数越多，说明该用户出现疲劳驾驶的危险性也就越大，对于该类用户，其对应的疲劳驾驶警戒时间应当相对于其他人更短。如用户A历史上因疲劳驾驶而导致交通事故的次数为5次，该5次交通事故对应的疲劳驾驶总时长为10小时，用户A的身体素质指数为0.7，而用户历史上因疲劳驾驶而导致交通事故为3次，该3次交通事故对应的疲劳驾驶总时长为6小时，用户B的身体素质指数也为0.7，则基于上述公式1，可得出用户A对应的连续疲劳驾驶警戒时间约为1.23小时，用户B的连续疲劳驾驶警戒时间约为为1.44小时。
本发明还提供了一种疲劳驾驶判定的装置。参考图6所示，所述疲劳驾驶判定的装置400包括：第一获取模块410，第二获取模块420，确定模块430，其中：
第一获取模块410，用于响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值；
第二获取模块420，用于在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号和用户第二生理指标值；
确定模块430，用于将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
在一实施例中，所述第二获取模块420还用于：获取当前环境信息，将所述当前环境信息投入第二机器学习模型，由第二机器学习模型输出所述等待时间。
在一实施例中，所述疲劳驾驶判定装置还包括第一机器学习模型训练模块用于：预先设置样本用户集合，针对样本用户集合中的每个样本用户，在车辆开始行驶时获取司机座位处的声音信号、和用户第一生理指标值，在车辆开始行驶后已知该样本用户未疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、未疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了疲劳驾驶的结果，则调整第一机器学习模型，使之给出未疲劳驾驶的结果；在车辆开始行驶后已知该样本用户疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了未疲劳驾驶的结果，则调整第一机器学习模型，使之给出疲劳驾驶的结果。
在一实施例中，所述疲劳驾驶判定装置还包括第二机器学习模型训练模块用于：预先设置环境条件样本集合，针对环境条件样本集合中每个环境条件样本，预先贴上相应的等待时间标签，将每个环境条件样本输入第二机器学习模型，由第二机器学习模型输出等待时间的判断结果，将所述第二机器学习模型输出的等待时间的判断结果与所述标签相比对，如不一致，则调整第二机器学习模型，使第二机器学习模型输出的等待时间的判断结果与标签一致。
在一实施例中，所述疲劳驾驶判定装置还包括提醒模块用于：若所述用户在疲劳驾驶可显示注意休息的提醒。
在一实施例中所述疲劳驾驶装置还包括报警模块用于：确定所述用户是否连续疲劳驾驶，若所述用户在连续疲劳驾驶，则记录所述用户连续疲劳驾驶的时间，获取所述用户对应的连续疲劳驾驶警戒时间，若所述用户连续疲劳驾驶的时间大于所述用户对应的连续疲劳驾驶警戒时间，则启动车辆报警功能。在一实施例中所述疲劳驾驶装置还包括第三确定模块用于，获取所述用户的历史驾驶记录和所述用户对应的身体素质指数，其中所述身体素质指数大于零小于1，确定所述用户的历史驾驶记录中所述用户因疲劳驾驶而导致交通事故的次数及疲劳驾驶总时长，基于如下公式确定所述用户对应的连续疲劳驾驶警戒时间：其中s为所述用户对应的连续疲劳驾驶警戒时间，a为所述用户的历史驾驶记录中导致交通事故的连续疲劳驾驶总时长，b为所述用户的历史驾驶记录中导致交通事故的疲劳驾驶总时长，c为所述用户对应的身体素质指数。
上述疲劳驾驶判定的装置中各模块的具体细节已经在对应的方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照所述特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，所述软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备500。图8显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示步骤S200：响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值；步骤S210：在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号和用户第二生理指标值；步骤S220：将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
Claims (10)
1.一种疲劳驾驶判定方法，其特征在于，所述方法包括：
响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值；
在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号和用户第二生理指标值；
将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
2.根据权利要求1所述的方法，其特征在于，在响应于车辆开始行驶，获取司机座位处的声音信号和用户第一生理指标值之后还包括：
获取当前环境信息；
将所述当前环境信息投入第二机器学习模型，由第二机器学习模型输出所述等待时间。
3.根据权利要求2所述的方法，其特征在于，所述第二机器学习模型通过以下方式进行训练：
预先设置环境条件样本集合，针对环境条件样本集合中每个环境条件样本，预先贴上相应的等待时间标签，将每个环境条件样本输入第二机器学习模型，由第二机器学习模型输出等待时间的判断结果，将所述第二机器学习模型输出的等待时间的判断结果与所述标签相比对，如不一致，则调整第二机器学习模型，使第二机器学习模型输出的等待时间的判断结果与标签一致。
4.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型通过以下方式进行训练：
预先设置样本用户集合，针对样本用户集合中的每个样本用户，在车辆开始行驶时获取司机座位处的声音信号、和用户第一生理指标值，在车辆开始行驶后已知该样本用户未疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、未疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了疲劳驾驶的结果，则调整第一机器学习模型，使之给出未疲劳驾驶的结果；在车辆开始行驶后已知该样本用户疲劳时，获取司机座位处的声音信号、和用户第二生理指标值，将获取的车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、疲劳时获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果，如果给出了未疲劳驾驶的结果，则调整第一机器学习模型，使之给出疲劳驾驶的结果。
5.根据权利要求1所述的方法，其特征在于，在所述将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果之后还包括：
若所述用户在疲劳驾驶可显示注意休息的提醒。
6.根据权利要求5所述的方法，其特征在于，在所述若所述用户在疲劳驾驶可显示注意休息的提醒之后还包括：
确定所述用户是否在连续疲劳驾驶；
若所述用户在连续疲劳驾驶，则记录所述用户连续疲劳驾驶的时间；
获取所述用户对应的连续疲劳驾驶警戒时间；
若所述用户连续疲劳驾驶的时间大于所述用户对应的连续疲劳驾驶警戒时间，则启动车辆报警功能。
7.根据权利要求6所述的方法，其特征在于，所述获取所述用户对应的连续疲劳驾驶警戒时间包括：
获取所述用户的历史驾驶记录和所述用户对应的身体素质指数，其中所述身体素质指数大于零小于1；
确定所述用户的历史驾驶记录中所述用户因疲劳驾驶而导致交通事故的次数及疲劳驾驶总时长；
基于如下公式确定所述用户对应的连续疲劳驾驶警戒时间：
其中s为所述用户对应的连续疲劳驾驶警戒时间，a为所述用户的历史驾驶记录中导致交通事故的连续疲劳驾驶总时长，b为所述用户的历史驾驶记录中导致交通事故的疲劳驾驶总时长，c为所述用户对应的身体素质指数。
8.一种疲劳驾驶判定装置，其特征在于，包括：
第一获取模块：用于响应于车辆开始行驶，获取司机座位处的声音信号、和用户第一生理指标值；
第二获取模块：用于在车辆开始行驶后一段等待时间后，获取司机座位处的声音信号、和用户第二生理指标值；
确定模块：用于将车辆开始行驶时司机座位处的声音信号、用户第一生理指标值、在等待时间后获取司机座位处的声音信号、和用户第二生理指标值输入第一机器学习模型，由第一机器学习模型输出用户是否在疲劳驾驶的结果。
9.一种疲劳驾驶判定的电子设备，其特征在于，包括：
存储器，配置为存储可执行指令；
处理器，配置为执行存储器中存储的可执行指令，以实现根据权利要求1-7中任一个所述的方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行根据权利要求1-7中任一个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910853970.9A CN110638473A (zh) | 2019-09-10 | 2019-09-10 | 疲劳驾驶判定的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910853970.9A CN110638473A (zh) | 2019-09-10 | 2019-09-10 | 疲劳驾驶判定的方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110638473A true CN110638473A (zh) | 2020-01-03 |
Family
ID=69010235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910853970.9A Pending CN110638473A (zh) | 2019-09-10 | 2019-09-10 | 疲劳驾驶判定的方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110638473A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112006701A (zh) * | 2020-09-04 | 2020-12-01 | 北京中科心研科技有限公司 | 一种驾驶疲劳的检测方法及系统 |
| 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 |
| CN113763594A (zh) * | 2021-08-25 | 2021-12-07 | 深圳市全景达科技有限公司 | 一种基于5g网络的行车记录方法、系统、装置及存储介质 |
| CN113954848A (zh) * | 2021-11-29 | 2022-01-21 | 阿维塔科技(重庆)有限公司 | 辅助驾驶方法及系统、车辆及计算机存储介质 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101565036A (zh) * | 2008-04-21 | 2009-10-28 | 上海汽车集团股份有限公司 | 一种防疲劳驾驶装置及方法 |
| CN102254403A (zh) * | 2011-04-07 | 2011-11-23 | 江苏科技大学 | 汽车疲劳驾驶预警方法 |
| CN202183154U (zh) * | 2011-07-26 | 2012-04-04 | 山东大学 | 防疲劳驾驶预警系统 |
| JP2012113477A (ja) * | 2010-11-24 | 2012-06-14 | Denso Corp | 運転疲労度判定装置 |
| CN103948394A (zh) * | 2014-04-04 | 2014-07-30 | 驻马店市金格尔电气设备有限公司 | 一种疲劳驾驶检测系统及消除疲劳装置 |
| CN104680719A (zh) * | 2015-03-26 | 2015-06-03 | 交通运输部公路科学研究所 | 疲劳驾驶时间指标监测系统及方法 |
| CN105373219A (zh) * | 2014-08-11 | 2016-03-02 | Lg电子株式会社 | 可穿戴装置及其操作方法 |
| CN105788028A (zh) * | 2016-03-21 | 2016-07-20 | 上海仰笑信息科技有限公司 | 具有疲劳驾驶预警功能的行车记录仪 |
| JP2016143050A (ja) * | 2015-02-05 | 2016-08-08 | 株式会社デンソー | 音声認識装置および音声認識方法 |
| CN106057212A (zh) * | 2016-05-19 | 2016-10-26 | 华东交通大学 | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 |
| CN205680247U (zh) * | 2016-04-19 | 2016-11-09 | 陈进民 | 细胞/卷积神经网络智能视觉驾驶疲劳监测加速器 |
| CN106339692A (zh) * | 2016-03-08 | 2017-01-18 | 天津工业大学 | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及系统 |
| CN106504477A (zh) * | 2016-12-27 | 2017-03-15 | 北京奇虎科技有限公司 | 一种基于gps的疲劳驾驶判断方法、装置和智能设备 |
| US20170355377A1 (en) * | 2016-06-08 | 2017-12-14 | GM Global Technology Operations LLC | Apparatus for assessing, predicting, and responding to driver fatigue and drowsiness levels |
| CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
| CN108694813A (zh) * | 2018-07-11 | 2018-10-23 | 中国医学科学院生物医学工程研究所 | 基于驾驶行为判定疲劳驾驶的方法及装置 |
| CN108765876A (zh) * | 2018-05-31 | 2018-11-06 | 东北大学 | 基于多模信号的驾驶疲劳深度分析预警系统及方法 |
| US20180365998A1 (en) * | 2015-07-28 | 2018-12-20 | Mitsubishi Electric Corporation | Driving assistance apparatus |
| CN109044379A (zh) * | 2018-06-26 | 2018-12-21 | 深圳市元征科技股份有限公司 | 一种疲劳驾驶判断方法、系统、设备及计算机存储介质 |
| CN109717853A (zh) * | 2019-03-14 | 2019-05-07 | 扬州大学 | 基于树莓派的车载驾驶员疲劳检测系统 |
| CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
| US20190213429A1 (en) * | 2016-11-21 | 2019-07-11 | Roberto Sicconi | Method to analyze attention margin and to prevent inattentive and unsafe driving |
| CN110001652A (zh) * | 2019-03-26 | 2019-07-12 | 深圳市科思创动科技有限公司 | 驾驶员状态的监测方法、装置及终端设备 |
-
2019
- 2019-09-10 CN CN201910853970.9A patent/CN110638473A/zh active Pending
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101565036A (zh) * | 2008-04-21 | 2009-10-28 | 上海汽车集团股份有限公司 | 一种防疲劳驾驶装置及方法 |
| JP2012113477A (ja) * | 2010-11-24 | 2012-06-14 | Denso Corp | 運転疲労度判定装置 |
| CN102254403A (zh) * | 2011-04-07 | 2011-11-23 | 江苏科技大学 | 汽车疲劳驾驶预警方法 |
| CN202183154U (zh) * | 2011-07-26 | 2012-04-04 | 山东大学 | 防疲劳驾驶预警系统 |
| CN103948394A (zh) * | 2014-04-04 | 2014-07-30 | 驻马店市金格尔电气设备有限公司 | 一种疲劳驾驶检测系统及消除疲劳装置 |
| CN105373219A (zh) * | 2014-08-11 | 2016-03-02 | Lg电子株式会社 | 可穿戴装置及其操作方法 |
| JP2016143050A (ja) * | 2015-02-05 | 2016-08-08 | 株式会社デンソー | 音声認識装置および音声認識方法 |
| CN104680719A (zh) * | 2015-03-26 | 2015-06-03 | 交通运输部公路科学研究所 | 疲劳驾驶时间指标监测系统及方法 |
| US20180365998A1 (en) * | 2015-07-28 | 2018-12-20 | Mitsubishi Electric Corporation | Driving assistance apparatus |
| CN106339692A (zh) * | 2016-03-08 | 2017-01-18 | 天津工业大学 | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及系统 |
| CN105788028A (zh) * | 2016-03-21 | 2016-07-20 | 上海仰笑信息科技有限公司 | 具有疲劳驾驶预警功能的行车记录仪 |
| CN205680247U (zh) * | 2016-04-19 | 2016-11-09 | 陈进民 | 细胞/卷积神经网络智能视觉驾驶疲劳监测加速器 |
| CN106057212A (zh) * | 2016-05-19 | 2016-10-26 | 华东交通大学 | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 |
| US20170355377A1 (en) * | 2016-06-08 | 2017-12-14 | GM Global Technology Operations LLC | Apparatus for assessing, predicting, and responding to driver fatigue and drowsiness levels |
| US20190213429A1 (en) * | 2016-11-21 | 2019-07-11 | Roberto Sicconi | Method to analyze attention margin and to prevent inattentive and unsafe driving |
| CN106504477A (zh) * | 2016-12-27 | 2017-03-15 | 北京奇虎科技有限公司 | 一种基于gps的疲劳驾驶判断方法、装置和智能设备 |
| CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
| CN108765876A (zh) * | 2018-05-31 | 2018-11-06 | 东北大学 | 基于多模信号的驾驶疲劳深度分析预警系统及方法 |
| CN109044379A (zh) * | 2018-06-26 | 2018-12-21 | 深圳市元征科技股份有限公司 | 一种疲劳驾驶判断方法、系统、设备及计算机存储介质 |
| CN108694813A (zh) * | 2018-07-11 | 2018-10-23 | 中国医学科学院生物医学工程研究所 | 基于驾驶行为判定疲劳驾驶的方法及装置 |
| CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
| CN109717853A (zh) * | 2019-03-14 | 2019-05-07 | 扬州大学 | 基于树莓派的车载驾驶员疲劳检测系统 |
| CN110001652A (zh) * | 2019-03-26 | 2019-07-12 | 深圳市科思创动科技有限公司 | 驾驶员状态的监测方法、装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 于晓东: "基于驾驶人生理指标的驾驶疲劳量化方法研究", 中国优秀硕士学位论文全文数据库, 15 September 2015 (2015-09-15), pages 13 - 16 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112006701A (zh) * | 2020-09-04 | 2020-12-01 | 北京中科心研科技有限公司 | 一种驾驶疲劳的检测方法及系统 |
| 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 |
| CN113763594A (zh) * | 2021-08-25 | 2021-12-07 | 深圳市全景达科技有限公司 | 一种基于5g网络的行车记录方法、系统、装置及存储介质 |
| CN113954848A (zh) * | 2021-11-29 | 2022-01-21 | 阿维塔科技(重庆)有限公司 | 辅助驾驶方法及系统、车辆及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110638473A (zh) | 疲劳驾驶判定的方法、装置、电子设备和存储介质 | |
| CN108694813B (zh) | 基于驾驶行为判定疲劳驾驶的方法及装置 | |
| CN110001652B (zh) | 驾驶员状态的监测方法、装置及终端设备 | |
| US10046601B2 (en) | Smartwatch blackbox | |
| US20220095975A1 (en) | Detection of cognitive state of a driver | |
| CN108909718B (zh) | 疲劳驾驶预警方法、装置、设备及存储介质 | |
| Haouij et al. | AffectiveROAD system and database to assess driver's attention | |
| EP2434466A1 (en) | Driving assistance method and device | |
| Riener et al. | Heart on the road: HRV analysis for monitoring a driver's affective state | |
| CN202142160U (zh) | 一种疲劳驾驶预警系统 | |
| CN102098955A (zh) | 检测微入睡事件的方法和设备 | |
| JP3151489B2 (ja) | 音声による疲労・居眠り検知装置及び記録媒体 | |
| JP2012113609A (ja) | データ記録装置、及び、データ記録方法 | |
| CN113815628A (zh) | 基于用户精神状态修改媒体内容播放 | |
| Wang et al. | Can variations in visual behavior measures be good predictors of driver sleepiness? A real driving test study | |
| US20210323559A1 (en) | Data processing device, human-machine interface system including the device, vehicle including the system, method for evaluating user discomfort, and computer-readable medium for carrying out the method | |
| Baltodano et al. | Eliciting driver stress using naturalistic driving scenarios on real roads | |
| US11324426B1 (en) | System, method, and computer program product for real-time evaluation of psychological and physiological states using embedded sensors of a mobile device | |
| CN114435373B (zh) | 疲劳驾驶检测方法、装置、计算机设备和存储介质 | |
| US20220274608A1 (en) | Comfort driving data collection system, driving control device, method, and program | |
| DE202018100012U1 (de) | Müdigkeitsüberwachungsvorrichtung für Fahrer | |
| TWI617289B (zh) | Method and evaluation system for estimating current concentration based on user's sleep history | |
| TWI772078B (zh) | 車輛駕駛人適任性評估方法及系統 | |
| CN113243917B (zh) | 一种民航管制员的疲劳检测方法、装置、电子设备及介质 | |
| Peruda et al. | Eye Blink Detection Alert System with Smart DRA Locator using Haar Cascade Algorithm |
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 |