CN110742602A - 一种基于脑电与车辆行驶数据的激进驾驶状态识别方法 - Google Patents

Abstract

本发明提供了一种基于脑电与车辆行驶数据的激进驾驶状态识别方法。本发明通过脑电采集装置采集驾驶员的原始脑电数据，通过车辆OBD接口采集驾驶员的车辆行驶数据；分别对脑电数据和车辆行驶数据进行预处理；根据预处理后的脑电数据计算情绪激进指数；根据预处理后的车辆行驶数据计算行为激进指数；根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，将识别的结果输出到语音播放器，播放相应的语音预警信息。本发明优点在于，将脑电引入激进驾驶状态识别，结合车辆行驶数据，从情绪激进和行为激进两方面表征激进驾驶状态，提升了激进驾驶预警的准确性和有效性。

Description

一种基于脑电与车辆行驶数据的激进驾驶状态识别方法

技术领域

本发明涉及交通安全领域，特别是一种基于脑电与车辆行驶数据的激进驾驶状态识别方法。

背景技术

随着汽车保有量的快速增长，道路交通安全问题日益严峻。根据美国公路协会发布的研究数据显示，约有56％的重大交通事故与激进驾驶行为相关，78％的受访驾驶员表示存在激进驾驶行为。激进驾驶是一种普遍存在的危险驾驶行为，对驾驶员的激进驾驶状态进行识别与预警有助于车辆智能辅助驾驶系统的开发，提高道路交通安全水平。

目前，对激进驾驶识别的研究大多基于车辆行驶数据。例如，授权公告号为CN106127126A的发明专利采用“三急数据”，即急加速，急减速，急转弯数据来建立激进指数模型识别激进驾驶行为；授权公告号为CN103150677B的发明专利将驾驶行为分解为多个模式，通过驾驶信息计算对应驾驶模式下的激进指数用于识别驾驶员是否处于激进驾驶状态；授权公告号为CN105438183B的发明专利则从采集的车辆行驶数据中提取车道偏移量、速度和前后车车速变量，并进一步计算驾驶员横向和纵向的激进程度来综合判断驾驶员的激进驾驶状态。

尽管这些方法能对激进驾驶进行相应的判别，但考虑脑电等心理生理信号的研究较少。且现有研究对激进驾驶的划分往往比较笼统和单一，缺乏更细致明确的划分。综合考虑激进驾驶的驾驶员生理心理反应和激进驾驶操作的行为表现，激进驾驶可进一步细分为情绪激进和行为激进。脑电是一种有效的非侵入性的生理信号，可以通过读取脑电信号获得生理心理数据用于反映驾驶员的情绪变化情况，且具有较高的时间分辨率。因此，如何在日常驾驶环境中有效的采集脑电数据和车辆行驶数据，并对其进行预处理，借助相关信号分析方法和特征提取方法提取脑电特征量和行为特征量，进一步建立情绪激进指数和行为激进指数模型，从而实现对驾驶员的激进驾驶状态的识别与预警是本发明解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于脑电与车辆行驶数据的激进驾驶状态识别方法。

本发明的系统包括：脑电采集装置、车辆OBD接口、微处理器和语音播放器；

所述微处理器分别与所述逇脑电采集装置、车辆OBD接口和语音播放器依次连接；所述脑电采集装置安放在驾驶员头部，所述车辆OBD接口位于车辆仪表盘下方，所述微处理器和语音播放器一同安放于车辆控制台。

本发明解决其技术问题采用的技术方案：

步骤1：微处理器通过脑电采集装置采集驾驶员的原始脑电数据，通过车辆OBD接口采集驾驶员的车辆行驶数据；

步骤2：分别对脑电数据和车辆行驶数据进行预处理：

步骤3：根据预处理后的脑电数据计算情绪激进指数；

步骤4：根据预处理后的车辆行驶数据计算行为激进指数；

步骤5：根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，将识别的结果输出到语音播放器，播放相应的语音预警信息；

作为优选，将原始脑电数据集记为：X＝{x_n,l,n∈[1,N]；l∈[1,L]}；

将车辆行驶数据集记为：Y＝{y_n,m,n∈[1,N]；m∈[1,M]}；

上式中，n表示第n个数据点，n∈[1,N]，N为数据长度；l表示第l个脑电电极，l∈[1,L]，L为总电极数；m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数。

作为优选，步骤2中所述对脑电数据进行预处理为：

带通滤波，带通滤波的下限截止频率为F_L，带通滤波的上限截止频率为F_H；剔除无效电极，脑电数据分段，伪迹剔除，无效电极插值处理，重选参考电极，参考电极选择全脑电极的均值，基线校准，得出步骤2中所述预处理后的脑电数据为：

其中，表示电极l在第n个数据点经过预处理后的数据，pre表示预处理后的数据，n表示第n个数据点，n∈[1,N]，N为数据长度；l表示第l个脑电电极，l∈[1,L]，L为总电极数。

步骤2中所述对车辆行驶数据预处理具体为用插值法处理数据异常值：

若|y_n,m|≤|mean(y_m)|+3|std(y_m)|，则y_n,m＝y_n,m；

若|y_n,m|＞|mean(y_m)|+3|std(y_m)|，则

得出步骤2中所述预处理后的车辆行驶数据为：

其中，y_n,m表示第m种车辆行驶数据在第n个数据点上的数值，y_m表示第m种车辆行驶数据列向量，mean()表示计算数据的平均值，std()表示计算数据的标准差，pre表示预处理后的数据，n表示第n个数据点，n∈[1,N]，N为数据长度；m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数。

步骤3中所述根据预处理后的脑电数据计算情绪激进指数具体过程为：

采用独立成分分析法提取脑电独立成分分量集：

U＝WX^pre＝{u_n,i,n∈[1,N]；i∈[1,I]}

其中，W为独立成分分析法计算得出的分离矩阵，X^pre为预处理后的脑电数据集，u_n,i表示第n个数据点的第i个独立成分分量，n表示第n个数据点，n∈[1,N]，N为数据长度；i表示第i个独立成分分量，i∈[1,I]，I为独立成分分量的总数目。

进一步采用脑区溯源分析法对U进行划分：

U＝B^F∪B^P∪B^O∪B^T

其中B^F为大脑额区的独立成分分量集，B^P为大脑顶区的独立成分分量集，B^O为大脑枕区的独立成分分量集，B^T为大脑颞区的独立成分分量集；

选用顶区独立成分分量集B^P进一步提取脑电特征量；

对B^P进行小波包变换，提取δ波、θ波、α波、β波的能量E_j，δ波、θ波、α波、β波的相对能量p_j和δ波、θ波、α波、β波的能量熵SE_j作为顶区脑电特征量，所述顶区脑电特征量计算方法如下：

C_j(k)＝f_WPT(B^P

其中，C_j(k)为顶区独立成分分量集B^P经过小波包变换后得到的第j种波(j∈[1,J],J＝4,分别对应δ波、θ波、α波、β波)在第k个层级上的的小波系数，K表示第j种波所有小波系数的总数，f_WPT(*)表示小波包变换函数。

根据提取的顶区脑电特征量E_j、p_j和SE_j计算情绪激进指数EA，计算方法如下：

其中，w_j为E_j对应第j种脑电波的权重系数，η_j为p_j对应第j种脑电波的权重系数，γ_j为SE_j对应第j种脑电波的权重系数，且

为E_j在驾驶员处于极端情绪激进时的取值，

为p_j在驾驶员处于极端情绪激进时的取值，

为SE_j在驾驶员处于极端情绪激进时的取值。j表示第j种波，j∈[1,J],J表示脑电波总类别数，J＝4，分别对应δ波、θ波、α波、β波。

作为优选，步骤4中所述根据预处理后的车辆行驶数据计算行为激进指数具体过程为：

提取行为特征量，计算车辆行驶数据的均值作为行为特征量:

其中，

表示车辆行驶数据的均值，

表示第m种预处理后的车辆行驶数据的均值，

表示第m种车辆行驶数据在第n个数据点经过预处理后的数据；pre表示预处理后的数据；n表示第n个数据点，n∈[1,N]，N为数据长度；m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数。

根据提取的行为特征量计算行为激进指数BA，计算方法如下：

其中,λ_m表示第m种行为特征量的权重系数，且

m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数；

表示第m种预处理后的车辆行驶数据的均值；

为各行为特征量在驾驶员进行极端激进驾驶操作时的取值。

作为优选，步骤5中所述根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，具体过程为：

步骤5中所述设定情绪激进的预设阈值为EA₀，行为激进的预设阈值为BA₀；

根据步骤3得到情绪激进指数为EA，根据步骤4得到行为激进指数为BA；

当EA≤EA₀且BA≤BA₀，则驾驶员为非激进状态，此时无需进行预警；

当EA＞EA₀且BA≤BA₀，则驾驶员为情绪激进状态，属于轻度激进，语音播放器播报针对情绪激进的语音提醒；

当EA≤EA₀且BA＞BA₀，则驾驶员为行为激进状态，属于轻度激进，语音播放器播报针对行为激进的语音提醒；

当EA＞EA₀且BA＞BA₀，则驾驶员为综合激进状态，属于重度激进，语音播放器播报同时针对情绪激进和行为激进的语音提醒。

本发明产生的有益效果是：将驾驶员脑电信号引入激进驾驶状态识别，解决了现有激进驾驶状态识别研究多采用车辆行驶数据，较少考虑脑电等驾驶员心理生理数据的问题，并且创新性的从情绪激进和行为激进两方面细致精准的识别驾驶员的激进类型和激进程度，进行有针对性的预警，进而提升激进驾驶预警的准确性和有效性，帮助驾驶员及时调整驾驶状态，提高驾驶安全性。

附图说明

图1：是本发明具体实施方式系统结构图；

图2：是本发明方法流程图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

图1为本发明具体实施方式系统结构图。本发明具体实施方式的系统包括：脑电采集装置、车辆OBD接口、微处理器和语音播放器；

所述微处理器分别与所述脑电采集装置、车辆OBD接口和语音播放器依次连接；所述脑电采集装置安放在驾驶员头部，所述车辆OBD接口位于车辆仪表盘下方，所述微处理器和语音播放器一同安放于车辆控制台。

所述脑电采集装置选型为eego^TMmylab全移动脑电记录分析系统；

所述车辆OBD接口选型为16pin标准OBDII；

所述微处理器选型为RH850/F1X系列微处理器；

所述语音播放器选型为DZ93189585121德龙X3000语音提示器；

下面结合图1至图2介绍本发明的具体实施方式为一种基于脑电与车辆行驶数据的激进驾驶状态识别方法，具体包括如下步骤：

步骤1：微处理器通过脑电采集装置采集驾驶员的原始脑电数据，通过车辆OBD接口采集驾驶员的车辆行驶数据；

将原始脑电数据集记为：X＝{x_n,l,n∈[1,N]；l∈[1,L]}；

将车辆行驶数据集记为：Y＝{y_n,m,n∈[1,N]；m∈[1,M]}；

上式中，n表示第n个数据点，n∈[1,N]，N为数据长度；l表示第l个脑电电极，l∈[1,L]，L为总电极数；m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数。

本例数据长度N为60；

本例电极总数L为64，对应电极名称分别为FP1,FP2,FPZ,FCZ,FZ,AF3,AF4,F1–F8,FC1–FC4,C1–C4,CZ,CP1–CP4,CPZ,CB1,CB2 P1–P4,PZ,PO3–PO8,POZ,O1,O2,OZ,FT7,FT8,FC5,FC6,T7,T8,C5,C6,TP7,TP8,CP5,CP6,P5–P8；

本例车辆行驶数据类别数M为6，6种数据依次为速度、加速度、车头间距、油门踏板角度、车道偏移量和方向盘转角。

步骤2：分别对脑电数据和车辆行驶数据进行预处理：

步骤2中所述对脑电数据进行预处理为：

带通滤波，带通滤波的下限截止频率为F_L＝0.5Hz，带通滤波的上限截止频率为F_H＝30Hz；剔除无效电极，脑电数据分段，伪迹剔除，无效电极插值处理，重选参考电极，参考电极选择全脑电极的均值，基线校准，得出步骤2中所述预处理后的脑电数据为：

其中，表示电极l在第n个数据点经过预处理后的数据，pre表示预处理后的数据，n表示第n个数据点，n∈[1,N]，N为数据长度,本例N＝60；l表示第l个脑电电极，l∈[1,L]，L为总电极数，本例L＝64。

步骤2中所述对车辆行驶数据预处理具体为用插值法处理数据异常值：

若|y_n,m|≤|mean(y_m)|+3|std(y_m)|，则y_n,m＝y_n,m；

若|y_n,m|＞|mean(y_m)|+3|std(y_m)|，则

得出步骤2中所述预处理后的车辆行驶数据为：

其中，y_n,m表示第m种车辆行驶数据在第n个数据点上的数值，y_m表示第m种车辆行驶数据列向量，mean()表示计算数据的平均值，std()表示计算数据的标准差，pre表示预处理后的数据，n表示第n个数据点，n∈[1,N]，N为数据长度，本例N＝60；m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数，本例M＝6。

步骤3：根据预处理后的脑电数据计算情绪激进指数；

步骤3中所述根据预处理后的脑电数据计算情绪激进指数，具体过程为：

采用独立成分分析法提取脑电独立成分分量集：

U＝WX^pre＝{u_n,i,n∈[1,N]；i∈[1,I]}

其中，W为独立成分分析法计算得出的分离矩阵，X^pre为预处理后的脑电数据集，u_n,i表示第n个数据点的第i个独立成分分量。其中，n表示第n个数据点，n∈[1,N]，N为数据长度，本例N＝60；i表示第i个独立成分分量，i∈[1,I]，I为独立成分分量的总数目，本例I＝64。

进一步采用脑区溯源分析法对U进行划分：

U＝B^F∪B^P∪B^O∪B^T

其中B^F为大脑额区的独立成分分量集，B^P为大脑顶区的独立成分分量集，B^O为大脑枕区的独立成分分量集，B^T为大脑颞区的独立成分分量集；

选用顶区独立成分分量集B^P进一步提取脑电特征量；

对B^P进行小波包变换，提取δ波、θ波、α波、β波的能量E_j，δ波、θ波、α波、β波的相对能量p_j和δ波、θ波、α波、β波的能量熵SE_j作为顶区脑电特征量，所述顶区脑电特征量计算方法如下：

C_j(k)＝f_WPT(B^P

其中，C_j(k)为顶区独立成分分量集B^P经过小波包变换后得到的第j种波(j∈[1,J],J＝4,分别对应δ波、θ波、α波、β波)在第k个层级上的的小波系数，K表示第j种波所有小波系数的总数，f_WPT(*)表示小波包变换函数。

根据提取的顶区脑电特征量E_j、p_j和SE_j计算情绪激进指数EA，计算方法如下：

其中，w_j为E_j对应第j种脑电波的权重系数，η_j为p_j对应第j种脑电波的权重系数，γ_j为SE_j对应第j种脑电波的权重系数，且

为E_j在驾驶员处于极端情绪激进时的取值，

为p_j在驾驶员处于极端情绪激进时的取值，

为SE_j在驾驶员处于极端情绪激进时的取值。j表示第j种波，j∈[1,J],J表示脑电波总类别数，J＝4，分别对应δ波、θ波、α波、β波。

步骤4：根据预处理后的车辆行驶数据计算行为激进指数：

步骤4中所述根据预处理后的车辆行驶数据计算行为激进指数具体过程为：

提取行为特征量，计算车辆行驶数据的均值作为行为特征量:

其中，

表示车辆行驶数据的均值，

表示第m种预处理后的车辆行驶数据的均值，

表示第m种车辆行驶数据在第n个数据点经过预处理后的数据；pre表示预处理后的数据；n表示第n个数据点，n∈[1,N]，N为数据长度,本例N＝60；m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数，本例M＝6。

根据提取的行为特征量

计算行为激进指数BA，计算方法如下：

其中,λ_m表示第m种行为特征量的权重系数，且

m表示第m种车辆行驶数据，m∈[1,M]，M为车辆行驶数据的总类别数；

表示第m种预处理后的车辆行驶数据的均值；为各行为特征量在驾驶员进行极端激进驾驶操作时的取值。

步骤5：根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，将识别的结果输出到语音播放器，播放相应的语音预警信息；

作为优选，步骤5中所述根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，具体过程为：

步骤5中所述设定情绪激进的预设阈值为EA₀，行为激进的预设阈值为BA₀；

根据步骤3得到情绪激进指数为EA，根据步骤4得到行为激进指数为BA；

当EA≤EA₀且BA≤BA₀，则驾驶员为非激进状态，此时无需进行预警；

当EA＞EA₀且BA≤BA₀，则驾驶员为情绪激进状态，属于轻度激进，语音播放器播报针对情绪激进的语音提醒,播报内容为“您已进入情绪激进状态，请调节情绪，安全驾驶”；

当EA≤EA₀且BA＞BA₀，则驾驶员为行为激进状态，属于轻度激进，语音播放器播报针对行为激进的语音提醒，播报内容为“您已进入行为激进状态，请调节车辆控制方式，安全驾驶”；

当EA＞EA₀且BA＞BA₀，则驾驶员为综合激进状态，属于重度激进，语音播放器播报同时针对情绪激进和行为激进的语音提醒，播报内容为“您已进入重度激进状态，请调节情绪和车辆控制方式，安全驾驶”。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种基于脑电与车辆行驶数据的激进驾驶状态识别方法，其特征在于，包括以下步骤：

步骤1：微处理器通过脑电采集装置采集驾驶员的原始脑电数据，通过车辆OBD接口采集驾驶员的车辆行驶数据；

步骤2：分别对脑电数据和车辆行驶数据进行预处理：

步骤3：根据预处理后的脑电数据计算情绪激进指数；

步骤4：根据预处理后的车辆行驶数据计算行为激进指数；

步骤5：根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，将识别的结果输出到语音播放器，播放相应的语音预警信息。

2.根据权利要求1所述的基于脑电与车辆行驶数据的激进驾驶状态识别方法，其特征在于，将原始脑电数据集记为：X＝{x_n，l，n∈[1，N]；l∈[1，L]}；

将车辆行驶数据集记为：Y＝{y_n，m，n∈[1，N]；m∈[1，M]}；

上式中，n表示第n个数据点，n∈[1，N]，N为数据长度；l表示第l个脑电电极，l∈[1，L]，L为总电极数；m表示第m种车辆行驶数据，m∈[1，M]，M为车辆行驶数据的总类别数。

3.根据权利要求1所述的基于脑电与车辆行驶数据的激进驾驶状态识别方法，其特征在于，步骤2中所述对脑电数据进行预处理为：

带通滤波，带通滤波的下限截止频率为F_L，带通滤波的上限截止频率为F_H；剔除无效电极，脑电数据分段，伪迹剔除，无效电极插值处理，重选参考电极，参考电极选择全脑电极的均值，基线校准，得出步骤2中所述预处理后的脑电数据为：

其中，

表示电极l在第n个数据点经过预处理后的数据，pre表示预处理后的数据，n表示第n个数据点，n∈[1，N]，N为数据长度；l表示第l个脑电电极，l∈[1，L]，L为总电极数；

步骤2中所述对车辆行驶数据预处理具体为用插值法处理数据异常值：

若|y_n，m|≤|mean(y_m)|+3|std(y_m)|，则y_n，m＝y_n，m；

若|y_n，m|＞|mean(y_m)|+3|std(y_m)|，则

得出步骤2中所述预处理后的车辆行驶数据为：

其中，y_n，m表示第m种车辆行驶数据在第n个数据点上的数值，y_m表示第m种车辆行驶数据列向量，mean()表示计算数据的平均值，std()表示计算数据的标准差，pre表示预处理后的数据，n表示第n个数据点，n∈[1，N]，N为数据长度；m表示第m种车辆行驶数据，m∈[1，M]，M为车辆行驶数据的总类别数。

4.根据权利要求1所述的基于脑电与车辆行驶数据的激进驾驶状态识别方法，其特征在于，步骤3中所述根据预处理后的脑电数据计算情绪激进指数具体过程为：

采用独立成分分析法提取脑电独立成分分量集：

U＝WX^pre＝{u_n，i，n∈[1，N]；i∈[1，I]}

其中，W为独立成分分析法计算得出的分离矩阵，X^pre为预处理后的脑电数据集，u_n，i表示第n个数据点的第i个独立成分分量，n表示第n个数据点，n∈[1，N]，N为数据长度；i表示第i个独立成分分量，i∈[1，I]，I为独立成分分量的总数目；

进一步采用脑区溯源分析法对U进行划分：

U＝B^F∪B^P∪B^O∪B^T

其中B^F为大脑额区的独立成分分量集，B^P为大脑顶区的独立成分分量集，B^O为大脑枕区的独立成分分量集，B^T为大脑颞区的独立成分分量集；

选用顶区独立成分分量集B^P进一步提取脑电特征量；

对B^P进行小波包变换，提取δ波、θ波、α波、β波的能量E_j，δ波、θ波、α波、β波的相对能量p_j和δ波、θ波、α波、β波的能量熵SE_j作为顶区脑电特征量，所述顶区脑电特征量计算方法如下：

C_j(k)＝f_WPT(B^P)

其中，C_j(k)为顶区独立成分分量集B^P经过小波包变换后得到的第j种波(j∈[1，J]，Ｊ＝4，分别对应δ波、θ波、α波、β波)在第k个层级上的的小波系数，K表示第j种波所有小波系数的总数，f_WPT(*)表示小波包变换函数；

根据提取的顶区脑电特征量E_j、p_j和SE_j计算情绪激进指数EA，计算方法如下：

其中，w_j为E_j对应第j种脑电波的权重系数，η_j为p_j对应第j种脑电波的权重系数，γ_j为SE_j对应第j种脑电波的权重系数，且

为E_j在驾驶员处于极端情绪激进时的取值，

为p_j在驾驶员处于极端情绪激进时的取值，为SE_j在驾驶员处于极端情绪激进时的取值；j表示第j种波，j∈[1，J]，J表示脑电波总类别数，J＝4，分别对应δ波、θ波、α波、β波。

5.根据权利要求1所述的基于脑电与车辆行驶数据的激进驾驶状态识别方法，其特征在于，步骤4中所述根据预处理后的车辆行驶数据计算行为激进指数具体过程为：

提取行为特征量，计算车辆行驶数据的均值作为行为特征量：

其中，

表示车辆行驶数据的均值，

表示第m种预处理后的车辆行驶数据的均值，

表示第m种车辆行驶数据在第n个数据点经过预处理后的数据；pre表示预处理后的数据；n表示第n个数据点，n∈[1，N]，N为数据长度；m表示第m种车辆行驶数据，m∈[1，M]，M为车辆行驶数据的总类别数；

根据提取的行为特征量

计算行为激进指数BA，计算方法如下：

其中，λ_m表示第m种行为特征量的权重系数，且

m表示第m种车辆行驶数据，m∈[1，M]，M为车辆行驶数据的总类别数；

表示第m种预处理后的车辆行驶数据的均值；为各行为特征量在驾驶员进行极端激进驾驶操作时的取值。

6.根据权利要求1所述的基于脑电与车辆行驶数据的激进驾驶状态识别方法，其特征在于，步骤5中所述根据情绪激进指数和行为激进指数，与情绪激进的预设阈值和行为激进的预设阈值进行比较识别激进驾驶的类型和程度，具体过程为：

步骤5中所述设定情绪激进的预设阈值为EA₀，行为激进的预设阈值为BA₀；

根据步骤3得到情绪激进指数为EA，根据步骤4得到行为激进指数为BA；

当EA≤EA₀且BA≤BA₀，则驾驶员为非激进状态，此时无需进行预警；

当EA＞EA₀且BA≤BA₀，则驾驶员为情绪激进状态，属于轻度激进，语音播放器播报针对情绪激进的语音提醒；

当EA≤EA₀且BA＞BA₀，则驾驶员为行为激进状态，属于轻度激进，语音播放器播报针对行为激进的语音提醒；

当EA＞EA₀且BA＞BA₀，则驾驶员为综合激进状态，属于重度激进，语音播放器播报同时针对情绪激进和行为激进的语音提醒。

Images