CN110728824B - 一种基于多源数据的驾驶员疲劳状态检测及提醒方法 - Google Patents

一种基于多源数据的驾驶员疲劳状态检测及提醒方法 Download PDF

Info

Publication number
CN110728824B
CN110728824B CN201910909446.9A CN201910909446A CN110728824B CN 110728824 B CN110728824 B CN 110728824B CN 201910909446 A CN201910909446 A CN 201910909446A CN 110728824 B CN110728824 B CN 110728824B
Authority
CN
China
Prior art keywords
fatigue
driver
data
index
time
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.)
Active
Application number
CN201910909446.9A
Other languages
English (en)
Other versions
CN110728824A (zh
Inventor
叶智锐
阎含章
黄卫
许跃如
王超
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910909446.9A priority Critical patent/CN110728824B/zh
Publication of CN110728824A publication Critical patent/CN110728824A/zh
Application granted granted Critical
Publication of CN110728824B publication Critical patent/CN110728824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms

Landscapes

  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于多源数据的驾驶员疲劳状态检测及提醒方法。通过可穿戴设备和手机APP采集驾驶员出行前一定时间的睡眠情况，结合车内影像采集装置收集到的驾驶员眼动数据、方向盘和档位上的感应装置采集到的手动数据以及车速变化与车道偏移情况，综合判断驾驶员是否处于疲劳驾驶状态。以驾驶员前n次出行的生理数据和驾驶数据为基准建立个人数据库，确定疲劳判定的阈值，以此减少因驾驶员个体和习惯差别造成的误判。根据判定的驾驶员疲劳程度，分别给予听觉、触觉等刺激提醒，必要时限制车速以避免因疲劳驾驶而出现的危险后果。

Description

一种基于多源数据的驾驶员疲劳状态检测及提醒方法
技术领域
本发明属于交通工程主动安全技术领域，尤其涉及一种基于多源数据的驾驶员疲劳状态检测及提醒方法。
背景技术
随着社会经济水平与人民对美好生活需求的不断提高，交通行业的发展日新月异，在给予人们诸多便利的同时，交通安全问题也日渐突出，世界范围内每年死于交通事故者数以十万计。若驾驶员在行程中处于疲劳状态，其反应速度和操作精度都会明显下降。对驾驶疲劳进行检测和适当的处置能有效减少因疲劳驾驶而导致的交通事故。
现有的疲劳驾驶检测技术主要通过眼动仪统计驾驶员眼睛开阖时间，或通过接触皮肤的感应器和医学传感器监测驾驶员心电信号或脑电信号，以预设的阈值直接判定疲劳与否，对每名驾驶员的个体差异疏于考虑，且穿戴式设备易引起驾驶员的生理不适，往往影响到监测结果；有的技术将驾驶员前一晚的睡眠时长作为判断疲劳与否的参考依据，但需要驾驶员手动输入，精度和可信度都有待提高。
发明内容
发明目的：针对以上问题，本发明提出一种基于多源数据的驾驶员疲劳状态检测及提醒方法。本方法结合睡眠情况、眼动、手动、加速度数据综合判断驾驶员是否处于疲劳状态；通过智能手环和智能手机APP采集驾驶员睡眠数据，在高精度的同时避免驾驶员虚报；充分考虑了个体差异，建立驾驶员的专属数据库，将实时监测数据与通过数据库计算得到的疲劳阈值进行对比。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于多源数据的驾驶员疲劳状态检测及提醒方法，包括以下步骤：
S1、采集前n次行程中的驾驶员数据，根据采集的数据建立驾驶员个人数据库，并根据数据的统计学特征确定相应的疲劳阈值；
所采集的数据包括出行开始前m小时内驾驶员的睡眠数据，行程中驾驶员的眼动数据、手动数据、纵向及横向加速度数据；将睡眠时长、闭眼时长、手部脱离操作位时间比例、纵向及横向加速度作为行程指标；
S2、行程开始，采集驾驶员数据并与步骤S1中确定的疲劳阈值进行对比，判断驾驶员是否处于疲劳状态；
S3、将驾驶员疲劳状态分为不同的疲劳等级，对于处在不同等级疲劳驾驶状态中的驾驶员进行不同等级的预警处理；
S4、将行程中采集的数据添加至驾驶员个人数据库；行程结束后，利用采集的数据对数据库中的各项指标进行修正，即重新计算各项指标的疲劳阈值，在下一次行程开始时使用更新后的疲劳阈值进行判断，从而提高判断的准确性。
进一步，所述步骤S1，采集前n次行程中的驾驶员数据，根据采集的数据建立驾驶员个人数据库，并根据数据的统计学特征确定相应的疲劳阈值；具体如下：
1-1，通过智能手环和与之绑定的智能手机APP获取在行程开始前m小时驾驶员的睡眠时长Ts，录入驾驶员个人数据库；
1-2，通过安装在车内的红外摄像机或眼动仪采集行程中驾驶员的眼动数据；计算每分钟内的闭眼时长Tc，直至行程结束；闭眼时长Tc取值范围为0～59秒；
设完成行程所用总时长为t分钟，则得到t个闭眼时长Tc，将t个闭眼时长Tc录入驾驶员个人数据库；
1-3，通过车辆方向盘和档位上的电极片采集行程中驾驶员手部离开方向盘和档位的时长，停车时间不计；每分钟计算一次该时长占当前行驶总时长的比例Rf，直至行程结束；
设完成行程所用总时长为t分钟，则得到t个占比值Rf，将t个占比值Rf录入驾驶员个人数据库；
1-4，通过行车记录仪以及车辆的GPS系统采集行驶过程中车辆的位置数据；每秒钟计算一次纵向加速度ax、横向加速度ay，直至行程结束；将所有ax、ay录入驾驶员个人数据库；
1-5，根据步骤1-1～1-4，通过驾驶员的n次出行，得到n组睡眠数据、眼动数据、手动数据、纵向及横向加速度数据，建立驾驶员个人数据库；
1-6，根据步骤1-5所得n组数据，确定各指标疲劳阈值；具体如下：
将睡眠时长Ts平均值的a％和b％分别定义为睡眠时长的疲劳阈值的最小值Tsmi和最大值Tsmax；
将闭眼时长Tc平均值的c％和d％分别定义为闭眼时长的疲劳阈值的最小值Tcmin和最大值Tcmax；
将占比值Rf平均值的e％和f％分别定义为手部脱离操作位时间比例的疲劳阈值的最小值Rfmin和最大值Rfmax；
分别取纵向加速度ax、横向加速度ay的g％为纵向、横向最高加速度，将纵向、横向最高加速度作为纵、横向加速度的疲劳阈值axg、ayg；
其中，a、b、c、d、e、f、g为正数。
进一步，所述步骤S2判断驾驶员是否处于疲劳状态，具体如下：
2-1，初始化各项指标的疲劳指数DTi＝0,i＝1,2,3,4,5；
其中，DT1表示睡眠时长疲劳指数，DT2表示闭眼时长疲劳指数，DT3表示手部脱离操作位时间比例疲劳指数，DT4表示纵向加速度疲劳指数，DT5表示横向加速度疲劳指数；
2-2，行程开始后，通过智能手环和与之绑定的智能手机APP获取驾驶员在行程开始前m小时的睡眠时长Ts，与Tsmax和Tsmin进行比较；
若Ts<Tsmax，表示驾驶员在睡眠时长指标下处于疲劳状态，两者差值越大，疲劳程度越高；
睡眠时长疲劳指数DT1计算方法如下：
Figure BDA0002214280710000031
2-3，行程开始后，通过安装在车内的红外摄像机或眼动仪采集驾驶员行程中眼动数据，计算每分钟内的闭眼时长Tc，与Tcmin和Tcmax进行比较；
若Tc>Tcmin，表示驾驶员在闭眼时长指标下处于疲劳状态，两者差值越大，疲劳程度越高；
闭眼时长疲劳指数DT2计算方法如下：
Figure BDA0002214280710000032
2-4，行程开始后，通过车辆方向盘和档位上的电极片采集驾驶员行程中手部离开方向盘和档位的时长，每分钟计算一次该时长占当前行驶总时长的比例Rf，与Rfmi和Rfmax进行比较；
若Rf>Rfmin，表示驾驶员在手部脱离操作位时间比例指标下处于疲劳状态，两者差值越大，疲劳程度越高；
手部脱离操作位时间比例疲劳指数DT3计算方法如下：
Figure BDA0002214280710000033
2-5，行程开始后，通过行车记录仪以及车辆的GPS系统采集行驶过程中车辆的位置数据，每秒钟计算一次纵向加速度ax、横向加速度ay；
设一分钟内ax≥axg的次数为x，ay≥ayg的次数为y，0≤x≤60，0≤y≤60；
当x或y大于一定次数k时，表示驾驶员在纵向加速度或横向加速度指标下处于疲劳状态，x或y与该次数值k差距越大，疲劳程度越高；
纵向、横向加速度疲劳指数DT4、DT5计算方法如下：
Figure BDA0002214280710000041
Figure BDA0002214280710000042
2-6，每分钟计算一次总疲劳指数DT，公式如下：
Figure BDA0002214280710000043
进一步，所述步骤S3，将驾驶员疲劳状态分为不同的疲劳等级，对于处在不同等级疲劳驾驶状态中的驾驶员进行不同等级的预警处理；具体如下：
将驾驶员疲劳状态分为三个疲劳等级，分别为第一、第二、第三疲劳等级；
设定第一、第二、第三疲劳等级的指数阈值分别为DTfirst、DTsecond、DTthird；其中0<DTfirst<DTsecond<DTthird；
将总疲劳指数DT与各疲劳等级的指数阈值进行比较，进行不同等级的预警处理；
若DTfirst≤DT<DTsecond，启动一级预警；
若DTsecond≤DT<DTthird，启动二级预警；
若DT≥DTthird，启动三级预警。
进一步，预警处理包括但不限于：适当程度地刺激或提醒驾驶员，比如启动车内音响，语音提醒驾驶员注意行车安全，开启驾驶员座椅上的按摩装置；提醒驾驶员的同时限制行车速度；开启行车和车内摄像头记录仪记录车辆行驶状态和驾驶员车内动作。
进一步，所述步骤S4，将行程中采集的数据添加至驾驶员个人数据库；行程结束后，利用采集的数据对数据库中的各项指标进行修正，即重新计算各项指标的疲劳阈值，具体如下：
4-1，将本次行程采集的睡眠时长Ts添加到驾驶员的个人数据库；
4-2，对于DT<DTfirst的驾驶过程，表示驾驶员在此段时间内不处于疲劳状态，将此段时间内获得的Tc、Rf、ax、ay添加到驾驶员的个人数据库；
4-3，行程结束后，重新计算Tsmin、Tsmax、Tcmin、Tcmax、Rfmin、Rfmax、axg、ayg。
进一步，当步骤S1中的某项数据因条件限制无法采集时，可将该项指标的疲劳指数DTi视为0；根据步骤S2计算其他指标的疲劳指数DTi，进而求得总疲劳指数DT；
调整各疲劳等级的指数阈值，将总疲劳指数DT与调整后的各疲劳等级的指数阈值进行比较，进行不同等级的预警处理。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
本发明结合了睡眠情况、眼动、手动、纵向、横向加速度五类数据，考虑的方面更加全面；通过智能手环和智能手机APP采集驾驶员的睡眠数据，省去了手动输入的过程，提高了数据精度，同时避免驾驶员因某些原因可能做出的虚报；充分考虑了个体差异，建立驾驶员的专属数据库，计算出驾驶员特有的疲劳阈值，并且随时间变化逐步刷新和完善。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于多源数据的驾驶员疲劳状态检测及提醒方法，结合睡眠情况、眼动、手动、加速度数据综合判断驾驶员是否处于疲劳状态；通过智能手环和智能手机APP采集驾驶员睡眠数据，在高精度的同时避免驾驶员虚报；充分考虑了个体差异，建立驾驶员的专属数据库，将实时监测数据与通过数据库计算得到的疲劳阈值进行对比。
本实施例的一种基于多源数据的驾驶员疲劳状态检测及提醒方法，包括如下步骤：
S1、采集前30次行程中的驾驶员数据，根据采集的数据建立驾驶员个人数据库，并根据数据的统计学特征确定相应的疲劳阈值；
所采集的数据包括出行开始前24小时内驾驶员的睡眠数据，行程中驾驶员的眼动数据、手动数据、纵向及横向加速度数据；将睡眠时长、闭眼时长、手部脱离操作位时间比例、纵向及横向加速度作为行程指标；
S2、行程开始，采集驾驶员数据并与步骤S1中确定的疲劳阈值进行对比，判断驾驶员是否处于疲劳状态；
S3、将驾驶员疲劳状态分为不同的疲劳等级，对于处在不同等级疲劳驾驶状态中的驾驶员进行不同等级的预警处理；
S4、将行程中采集的数据添加至驾驶员个人数据库；行程结束后，利用采集的数据对数据库中的各项指标进行修正，即重新计算各项指标的疲劳阈值，在下一次行程开始时使用更新后的疲劳阈值进行判断，从而提高判断的准确性。
所述步骤S1，采集前30次行程中的驾驶员数据，根据采集的数据建立驾驶员个人数据库，并根据数据的统计学特征确定相应的疲劳阈值；具体如下：
1-1，通过智能手环和与之绑定的智能手机APP获取在行程开始前24小时驾驶员的睡眠时长Ts，录入驾驶员个人数据库；
1-2，通过安装在车内的红外摄像机或眼动仪采集行程中驾驶员的眼动数据；计算每分钟内的闭眼时长Tc，直至行程结束；闭眼时长Tc取值范围为0～59秒；
设完成行程所用总时长为t分钟，则得到t个闭眼时长Tc，将t个闭眼时长Tc录入驾驶员个人数据库；
1-3，通过车辆方向盘和档位上的电极片采集行程中驾驶员手部离开方向盘和档位的时长，停车时间不计；每分钟计算一次该时长占当前行驶总时长的比例Rf，直至行程结束；
设完成行程所用总时长为t分钟，则得到t个占比值Rf，将t个占比值Rf录入驾驶员个人数据库；
1-4，通过行车记录仪以及车辆的GPS系统采集行驶过程中车辆的位置数据；每秒钟计算一次纵向加速度ax、横向加速度ay，直至行程结束；将所有ax、ay录入驾驶员个人数据库；
1-5，根据步骤1-1～1-4，通过驾驶员的30次出行，得到30组睡眠数据、眼动数据、手动数据、纵向及横向加速度数据，建立驾驶员个人数据库；
1-6，根据步骤1-5所得30组数据，确定各指标疲劳阈值；具体如下：
将睡眠时长Ts平均值的80％和110％分别定义为睡眠时长的疲劳阈值的最小值Tsmin和最大值Tsmax；
将闭眼时长Tc平均值的95％和120％分别定义为闭眼时长的疲劳阈值的最小值Tcmin和最大值Tcmax；
将占比值Rf平均值的95％和120％分别定义为手部脱离操作位时间比例的疲劳阈值的最小值Rfmin和最大值Rfmax；
分别取纵向加速度ax、横向加速度ay的85％为纵向、横向最高加速度，将纵向、横向最高加速度作为纵、横向加速度的疲劳阈值ax8、ay8。
所述步骤S2判断驾驶员是否处于疲劳状态，具体如下：
2-1，初始化各项指标的疲劳指数DTi＝0,i＝1,2,3,4,5；
其中，DT1表示睡眠时长疲劳指数，DT2表示闭眼时长疲劳指数，DT3表示手部脱离操作位时间比例疲劳指数，DT4表示纵向加速度疲劳指数，DT5表示横向加速度疲劳指数；
2-2，行程开始后，通过智能手环和与之绑定的智能手机APP获取驾驶员在行程开始前24小时的睡眠时长Ts，与Tsmax和Tsmin进行比较；
若Ts<Tsmax，表示驾驶员在睡眠时长指标下处于疲劳状态，两者差值越大，疲劳程度越高；
睡眠时长疲劳指数DT1计算方法如下：
Figure BDA0002214280710000071
2-3，行程开始后，通过安装在车内的红外摄像机或眼动仪采集驾驶员行程中眼动数据，计算每分钟内的闭眼时长Tc，与Tcmin和Tcmax进行比较；
若Tc>Tcmin，表示驾驶员在闭眼时长指标下处于疲劳状态，两者差值越大，疲劳程度越高；
闭眼时长疲劳指数DT2计算方法如下：
Figure BDA0002214280710000072
2-4，行程开始后，通过车辆方向盘和档位上的电极片采集驾驶员行程中手部离开方向盘和档位的时长，每分钟计算一次该时长占当前行驶总时长的比例Rf，与Rfmin和Rfmax进行比较；
若Rf>Rfmin，表示驾驶员在手部脱离操作位时间比例指标下处于疲劳状态，两者差值越大，疲劳程度越高；
手部脱离操作位时间比例疲劳指数DT3计算方法如下：
Figure BDA0002214280710000073
2-5，行程开始后，通过行车记录仪以及车辆的GPS系统采集行驶过程中车辆的位置数据，每秒钟计算一次纵向加速度ax、横向加速度ay；
设一分钟内ax≥ax8的次数为x，ay≥ay85的次数为y，0≤x≤60，0≤y≤60；
当x或y大于10次时，表示驾驶员在纵向加速度或横向加速度指标下处于疲劳状态，x或y与10差距越大，疲劳程度越高；
纵向、横向加速度疲劳指数DT4、DT5计算方法如下：
Figure BDA0002214280710000081
Figure BDA0002214280710000082
2-6，每分钟计算一次总疲劳指数DT，公式如下：
Figure BDA0002214280710000083
所述步骤S3，将驾驶员疲劳状态分为不同的疲劳等级，对于处在不同等级疲劳驾驶状态中的驾驶员进行不同等级的预警处理；具体如下：
将驾驶员疲劳状态分为三个疲劳等级，分别为第一、第二、第三疲劳等级；
设定第一、第二、第三疲劳等级的指数阈值为DTfirst＝2、DTsecond＝3、DTthird＝4；
将总疲劳指数DT与各疲劳等级的指数阈值进行比较，进行不同等级的预警处理；
若DTfirst≤DT<DTsecond，启动一级预警，即启动车内音响，语音提醒驾驶员注意行车安全；
若DTsecond≤DT<DTthird，启动二级预警，即开启驾驶员座椅上的按摩装置1分钟，并启动车内音响，语音提醒驾驶员注意行车安全；
若DT≥DTthird，启动三级预警，警告驾驶员的同时限制行车速度，强制开启行车记录仪和车内摄像头，为可能发生的交通事故预留证据。
所述步骤S4，将行程中采集的数据添加至驾驶员个人数据库；行程结束后，利用采集的数据对数据库中的各项指标进行修正，即重新计算各项指标的疲劳阈值，具体如下：
4-1，将本次行程采集的睡眠时长Ts添加到驾驶员的个人数据库；
4-2，对于DT<DTfirst的驾驶过程，表示驾驶员在此段时间内不处于疲劳状态，将此段时间内获得的Tc、Rf、ax、ay添加到驾驶员的个人数据库；
4-3，行程结束后，重新计算Tsmin、Tsmax、Tcmin、Tcmax、Rfmin、Rfmax、ax85、ay85。
当步骤S1中某项数据因条件限制无法采集时，可将该项指标的疲劳指数DTi视为0；
根据步骤S2计算其他指标的疲劳指数DTi，进而求得总疲劳指数DT；
调整各疲劳等级的指数阈值，将总疲劳指数DT与调整后的各疲劳等级的指数阈值进行比较，进行不同等级的预警处理。

Claims (3)

1.一种基于多源数据的驾驶员疲劳状态检测及提醒方法，其特征在于：该方法包括以下步骤：
S1、采集前n次行程中的驾驶员数据，根据采集的数据建立驾驶员个人数据库，并根据数据的统计学特征确定相应的疲劳阈值；
所采集的数据包括出行开始前m小时内驾驶员的睡眠数据，行程中驾驶员的眼动数据、手动数据、纵向及横向加速度数据；将睡眠时长、闭眼时长、手部脱离操作位时间比例、纵向及横向加速度作为行程指标；
1-1，通过智能手环和与之绑定的智能手机APP获取在行程开始前m小时驾驶员的睡眠时长Ts，录入驾驶员个人数据库；
1-2，通过安装在车内的红外摄像机或眼动仪采集行程中驾驶员的眼动数据；计算每分钟内的闭眼时长Tc，直至行程结束；闭眼时长Tc取值范围为0～59秒；
设完成行程所用总时长为t分钟，则得到t个闭眼时长Tc，将t个闭眼时长Tc录入驾驶员个人数据库；
1-3，通过车辆方向盘和档位上的电极片采集行程中驾驶员手部离开方向盘和档位的时长，停车时间不计；每分钟计算一次该时长占当前行驶总时长的比例Rf，直至行程结束；
设完成行程所用总时长为t分钟，则得到t个占比值Rf，将t个占比值Rf录入驾驶员个人数据库；
1-4，通过行车记录仪以及车辆的GPS系统采集行驶过程中车辆的位置数据；每秒钟计算一次纵向加速度ax、横向加速度ay，直至行程结束；将所有ax、ay录入驾驶员个人数据库；
1-5，根据步骤1-1～1-4，通过驾驶员的n次出行，得到n组睡眠数据、眼动数据、手动数据、纵向及横向加速度数据，建立驾驶员个人数据库；
1-6，根据步骤1-5所得n组数据，确定各指标疲劳阈值，具体如下：
将睡眠时长Ts平均值的a％和b％分别定义为睡眠时长的疲劳阈值的最小值Tsmin和最大值Tsmax；
将闭眼时长Tc平均值的c％和d％分别定义为闭眼时长的疲劳阈值的最小值Tcmin和最大值Tcmax；
将占比值Rf平均值的e％和f％分别定义为手部脱离操作位时间比例的疲劳阈值的最小值Rfmin和最大值Rfmax；
分别取纵向加速度ax、横向加速度ay的g％为纵向、横向最高加速度，将纵向、横向最高加速度作为纵、横向加速度的疲劳阈值axg、ayg；
S2、行程开始，采集驾驶员数据并与步骤S1中确定的疲劳阈值进行对比，判断驾驶员是否处于疲劳状态；
2-1，初始化各项指标的疲劳指数DTi＝0，i＝1，2，3，4，5；
其中，DT1表示睡眠时长疲劳指数，DT2表示闭眼时长疲劳指数，DT3表示手部脱离操作位时间比例疲劳指数，DT4表示纵向加速度疲劳指数，DT5表示横向加速度疲劳指数；
2-2，行程开始后，通过智能手环和与之绑定的智能手机APP获取驾驶员在行程开始前m小时的睡眠时长Ts，与Tsmax和Tsmin进行比较；
若Ts＜Tsmax，表示驾驶员在睡眠时长指标下处于疲劳状态，两者差值越大，疲劳程度越高；
2-3，行程开始后，通过安装在车内的红外摄像机或眼动仪采集驾驶员行程中眼动数据，计算每分钟内的闭眼时长Tc，与Tcmin和Tcmax进行比较；
若Tc＞Tcmin，表示驾驶员在闭眼时长指标下处于疲劳状态，两者差值越大，疲劳程度越高；
闭眼时长疲劳指数DT2计算方法如下：
Figure FDA0003314467570000021
2-4，行程开始后，通过车辆方向盘和档位上的电极片采集驾驶员行程中手部离开方向盘和档位的时长，每分钟计算一次该时长占当前行驶总时长的比例Rf，与Rfmin和Rfmax进行比较；
若Rf＞Rfmin，表示驾驶员在手部脱离操作位时间比例指标下处于疲劳状态，两者差值越大，疲劳程度越高；
手部脱离操作位时间比例疲劳指数DT3计算方法如下：
Figure FDA0003314467570000022
2-5，行程开始后，通过行车记录仪以及车辆的GPS系统采集行驶过程中车辆的位置数据，每秒钟计算一次纵向加速度ax、横向加速度ay；
设一分钟内ax≥axg的次数为x，ay≥ayg的次数为y，0≤x≤60，0≤y≤60；
当x或y大于一定次数k时，表示驾驶员在纵向加速度或横向加速度指标下处于疲劳状态，x或y与该次数值k差距越大，疲劳程度越高；
纵向、横向加速度疲劳指数DT4、DT5计算方法如下：
Figure FDA0003314467570000031
Figure FDA0003314467570000032
2-6，每分钟计算一次总疲劳指数DT，公式如下：
Figure FDA0003314467570000033
当步骤S1中的某项数据因条件限制无法采集时，将该项指标的疲劳指数DTi视为0；根据步骤S2计算其他指标的疲劳指数DTi，进而求得总疲劳指数DT；
S3、将驾驶员疲劳状态分为不同的疲劳等级，调整各疲劳等级的指数阈值，将总疲劳指数DT与调整后的各疲劳等级的指数阈值进行比较，对于处在不同等级疲劳驾驶状态中的驾驶员进行不同等级的预警处理；
S4、将行程中采集的数据添加至驾驶员个人数据库；行程结束后，利用采集的数据对数据库中的各项指标进行修正，即重新计算各项指标的疲劳阈值，在下一次行程开始时使用更新后的疲劳阈值进行判断；具体为：
将本次行程采集的睡眠时长Ts添加到驾驶员的个人数据库；对于DT＜DTfirst的驾驶过程，表示驾驶员在此段时间内不处于疲劳状态，DTfirst为第一疲劳等级，将此段时间内获得的Tc、Rf、ax、ay添加到驾驶员的个人数据库；
行程结束后，重新计算Tsmin、Tsmax、Tcmin、Tcmax、Rfmin、Rfmax、axg、ayg。
2.根据权利要求1所述的一种基于多源数据的驾驶员疲劳状态检测及提醒方法，其特征在于：所述步骤S3，将驾驶员疲劳状态分为不同的疲劳等级，对于处在不同等级疲劳驾驶状态中的驾驶员进行不同等级的预警处理；具体如下：
将驾驶员疲劳状态分为三个疲劳等级，分别为第一、第二、第三疲劳等级；
设定第一、第二、第三疲劳等级的指数阈值分别为DTfirst、DTsecond、DTthird；其中0＜DTfirst＜DTsecond＜DTthird；
将总疲劳指数DT与各疲劳等级的指数阈值进行比较，进行不同等级的预警处理；
若DTfirst≤DT＜DTsecond，启动一级预警；
若DTsecond≤DT＜DTthird，启动二级预警；
若DT≥DTthird，启动三级预警。
3.根据权利要求1或2所述的一种基于多源数据的驾驶员疲劳状态检测及提醒方法，其特征在于：所述预警处理包括：启动车内音响，语音提醒驾驶员注意行车安全；开启驾驶员座椅上的按摩装置；提醒驾驶员的同时限制行车速度；开启行车记录仪和车内摄像头记录车辆行驶状态和驾驶员车内动作。
CN201910909446.9A 2019-09-25 2019-09-25 一种基于多源数据的驾驶员疲劳状态检测及提醒方法 Active CN110728824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910909446.9A CN110728824B (zh) 2019-09-25 2019-09-25 一种基于多源数据的驾驶员疲劳状态检测及提醒方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910909446.9A CN110728824B (zh) 2019-09-25 2019-09-25 一种基于多源数据的驾驶员疲劳状态检测及提醒方法

Publications (2)

Publication Number Publication Date
CN110728824A CN110728824A (zh) 2020-01-24
CN110728824B true CN110728824B (zh) 2021-11-30

Family

ID=69219333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910909446.9A Active CN110728824B (zh) 2019-09-25 2019-09-25 一种基于多源数据的驾驶员疲劳状态检测及提醒方法

Country Status (1)

Country Link
CN (1) CN110728824B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101103B (zh) * 2020-08-07 2022-08-09 东南大学 一种基于深度集成网络的视频驾驶员疲劳检测方法
KR20220055209A (ko) * 2020-10-26 2022-05-03 현대자동차주식회사 차량 및 그 제어방법
CN112598879A (zh) * 2020-12-16 2021-04-02 西安航空学院 一种特长隧道驾驶员疲劳驾驶判定以及提醒方法
CN112641445B (zh) * 2021-01-19 2021-11-09 深圳市阿尔法车联网技术有限公司 一种基于车联网数据信息化的汽车用户健康、行为监测系统及方法
CN114913509A (zh) * 2022-04-15 2022-08-16 吉林云帆智能工程有限公司 一种轨道车辆司机行为规则库模型
CN116394952A (zh) * 2023-03-06 2023-07-07 机汇网(深圳)科技有限公司 驾驶员异常驾驶行为检测方法、计算机设备和存储介质
CN118236067B (zh) * 2024-05-27 2024-08-09 浙江强脑科技有限公司 疲倦状态检测方法、装置和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574817A (zh) * 2014-12-25 2015-04-29 清华大学苏州汽车研究院（吴江） 一种适用于智能手机的基于机器视觉疲劳驾驶预警系统
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
CN105261151A (zh) * 2015-09-29 2016-01-20 中国第一汽车股份有限公司 基于操作行为特征的高等级公路驾驶人疲劳状态检测方法
CN105741494A (zh) * 2016-03-29 2016-07-06 浙江吉利控股集团有限公司 一种基于线下数据匹配的驾驶员疲劳监测方法
WO2016142074A1 (de) * 2015-03-10 2016-09-15 Robert Bosch Gmbh Verfahren und vorrichtung zum erkennen eines müdigkeits- und/oder schlafzustandes eines fahrers eines fahrzeugs
CN106355837A (zh) * 2016-09-09 2017-01-25 常州大学 一种基于手机的疲劳驾驶监测方法
CN108230619A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 基于多特征融合的疲劳驾驶检测方法
CN108583430A (zh) * 2018-05-22 2018-09-28 长安大学 一种用于检测和提醒驾驶员分心的驾驶系统及判断方法
CN108665680A (zh) * 2018-05-10 2018-10-16 武汉理工大学 一种基于智能手环的高速公路驾驶人疲劳监测预警系统
CN108806191A (zh) * 2018-07-20 2018-11-13 上海擎感智能科技有限公司 基于睡眠数据的疲劳驾驶监测方法、系统、车载终端
CN109846459A (zh) * 2019-01-18 2019-06-07 长安大学 一种疲劳驾驶状态监测方法
CN109984762A (zh) * 2019-04-01 2019-07-09 广东乐芯智能科技有限公司 一种基于可穿戴设备的疲劳驾驶判断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574817A (zh) * 2014-12-25 2015-04-29 清华大学苏州汽车研究院（吴江） 一种适用于智能手机的基于机器视觉疲劳驾驶预警系统
WO2016142074A1 (de) * 2015-03-10 2016-09-15 Robert Bosch Gmbh Verfahren und vorrichtung zum erkennen eines müdigkeits- und/oder schlafzustandes eines fahrers eines fahrzeugs
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
CN105261151A (zh) * 2015-09-29 2016-01-20 中国第一汽车股份有限公司 基于操作行为特征的高等级公路驾驶人疲劳状态检测方法
CN105741494A (zh) * 2016-03-29 2016-07-06 浙江吉利控股集团有限公司 一种基于线下数据匹配的驾驶员疲劳监测方法
CN106355837A (zh) * 2016-09-09 2017-01-25 常州大学 一种基于手机的疲劳驾驶监测方法
CN108230619A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 基于多特征融合的疲劳驾驶检测方法
CN108665680A (zh) * 2018-05-10 2018-10-16 武汉理工大学 一种基于智能手环的高速公路驾驶人疲劳监测预警系统
CN108583430A (zh) * 2018-05-22 2018-09-28 长安大学 一种用于检测和提醒驾驶员分心的驾驶系统及判断方法
CN108806191A (zh) * 2018-07-20 2018-11-13 上海擎感智能科技有限公司 基于睡眠数据的疲劳驾驶监测方法、系统、车载终端
CN109846459A (zh) * 2019-01-18 2019-06-07 长安大学 一种疲劳驾驶状态监测方法
CN109984762A (zh) * 2019-04-01 2019-07-09 广东乐芯智能科技有限公司 一种基于可穿戴设备的疲劳驾驶判断方法

Also Published As

Publication number Publication date
CN110728824A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN110728824B (zh) 一种基于多源数据的驾驶员疲劳状态检测及提醒方法
CN112041910B (zh) 信息处理装置、移动设备、方法和程序
Sandberg et al. Detecting driver sleepiness using optimized nonlinear combinations of sleepiness indicators
JP6134112B2 (ja) 車両運行状態情報基盤の運転集中度判断方法及びそのシステム
CN108297874B (zh) 一种用于共享汽车的驾驶员身份授权系统
CN102316805B (zh) 生理状态推测装置和车辆控制装置
CN105741494B (zh) 一种基于线下数据匹配的驾驶员疲劳监测方法
Vhaduri et al. Estimating drivers' stress from GPS traces
Rebolledo-Mendez et al. Developing a body sensor network to detect emotions during driving
CN104207791B (zh) 一种疲劳驾驶检测方法
JP4915735B2 (ja) 疲労判定システム及び疲労判定方法
CN109147279B (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
CN106530621A (zh) 一种基于智能可穿戴设备的安全驾驶的方法和装置
Feng et al. An on-board system for detecting driver drowsiness based on multi-sensor data fusion using Dempster-Shafer theory
CN110533880B (zh) 一种基于心电信号的异常驾驶状态检测及预警控制方法
CN106913333B (zh) 一种持续性注意水平的敏感性特征指标的选取方法
CN110901385B (zh) 一种基于驾驶员疲劳状态的主动限速方法
CN115179960A (zh) 一种多源数据采集人车状态综合监测系统及方法
JP3596158B2 (ja) 運転者モニター装置とこれを用いた安全装置
CN112606842A (zh) 一种安全驾驶辅助方法、装置及系统
CN118230504A (zh) 一种辅助驾驶用疲劳驾驶预警系统
JPH10146321A (ja) 運転者監視装置
CN117842085A (zh) 驾驶状态检测与预警方法、系统、电子设备及存储介质
Lee et al. Development of three driver state detection models from driving information using vehicle simulator; normal, drowsy and drunk driving
JP7104945B2 (ja) 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム

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