CN111284497A

CN111284497A - 驾驶状态识别装置

Info

Publication number: CN111284497A
Application number: CN202010066012.XA
Authority: CN
Inventors: 赵起超; 杨苒; 李召
Original assignee: Kingfar International Inc
Current assignee: Kingfar International Inc
Priority date: 2020-01-20
Filing date: 2020-01-20
Publication date: 2020-06-16
Anticipated expiration: 2040-01-20
Also published as: CN111284497B

Abstract

本发明提供了一种驾驶状态识别装置，所述装置包括：加速度传感器，用于检测被试在不同驾驶状态下加速度，以获得加速度数据；矩阵式压力应变片，用于检测被试在各种驾驶状态下腰背部对座椅的压力数据，以获得压力数据；数据处理模块，用于接收所述加速度传感器检测的加速度数据和所述矩阵式应变片检测的压力数据，通过将接收一个时刻下的压力数据与加速度数据输入预建立并经训练的内嵌BP神经网络模型，得到实测输出值，将所述实测输出值与训练阶段得到的不同输出值区间集合比较，根据所述实测输出值所属输出值区间集合确定该时刻被试驾驶状态。该装置解决了在交通领域中尚未存在通过加速度数据和腰背部压力数据对被试驾驶行为分析和判断的空白。

Description

驾驶状态识别装置

技术领域

本发明涉及驾驶行为分析领域，尤其涉及一种驾驶状态识别装置。

背景技术

随着我国经济的高速发展和人民生活水平的不断提高，人均拥有车辆的数量的速度不断增长。由于车辆驾驶已经成为日常生活中的一个重要行为，而驾驶行为与车辆设计等密切相关，因此，驾驶状态的识别也凸显出其重要性。

现有技术中通过针对交通领域驾驶行为分析有测试腰部的压力测试系统，但是只局限于测量，并没有事后的分析或者对驾驶者行为的判断，无法通过压力及加速度作为手段分析判断驾驶者行为状态。

因此，通过事后分析对驾驶者的驾驶状态进行判断是一个待解决的问题。

发明内容

本发明提供了一种驾驶状态的识别装置，以提供一种基于加速度和腰背部压力采集利用神经网络算法的识别装置，使得可以通过事后分析对驾驶者的驾驶状态进行判断。

根据本发明实施例的一个方面，提供了一种驾驶状态的识别装置，该装置包括：

加速度传感器，置于被试的胸部或背部，用于检测被试在不同驾驶状态下的加速度，以获得不同驾驶状态下的加速度数据；

矩阵式压力应变片，置于被试的腰背部或车辆驾驶座位的靠背上，用于检测被试在各种驾驶状态下腰背部不同位置对座椅的压力数据，以获得压力数据；

数据处理模块，用于接收所述加速度传感器检测的加速度数据和所述矩阵式应变片检测的压力数据，通过将接收的一个时刻下的压力数据与加速度数据输入预建立并经训练的内嵌BP神经网络模型，得到实测输出值，将所述实测输出值与训练阶段得到的不同驾驶状态对应的输出值区间集合进行比较，根据所述实测输出值所属的输出值区间集合确定该时刻被试的驾驶状态。

在一些实施例中，所述数据处理模块还用于在所述训练阶段训练所述内嵌BP神经网络模型，所述训练阶段包括以下步骤：

确定被试的多种驾驶状态，在每种驾驶状态下得到多组数据，每组数据包括加速度数据和压力数据；以及

将每种状态下的多组数据分批次输入预建立的内嵌BP神经网络模型，得到多个训练输出值，该多个训练输出值组成当前状态对应的所述输出值区间集合。

在一些实施例中，所述装置还包括：数据采集终端主控端，其连接所述加速度传感器和所述矩阵式压力应变片，用于将来自所述矩阵式压力应变片的电压信号转换成数字信号并存储加速度数据和转换后的压力数据。

在一些实施例中，所述加速度传感器固定于人体前胸部的位置；所述矩阵式压力应变片固定于汽车驾驶座位的靠背上。

在一些实施例中，所述加速度传感器为三轴加速度传感器；所述矩阵式压力应变片为在多个点位置有多个压力传感器的矩阵式压力应变片。

在一些实施例中，所述内嵌BP神经网络模型包括输入层、隐含层和输出层，并且隐含层设有5个神经元节点。

在一些实施例中，所述数据处理模块用于：

将被试加速度的XYZ三轴数据之和作为输入层第一神经元，将被试的压力数据作为输入层第二神经元；

利用第一神经元与相应的输入加权和计算输入层到隐含层的第一输出值；

利用第二神经元与相应的输入加权和计算输入层到隐含层的第二输出值；

将输入层到隐含层得到的多个输出值作为隐含层到输出层的输入值，与对应的输入加权和得到隐含层到输出层的总输出值。

在一些实施例中，所述数据处理模块还用于：

分别对输入层到输出层得到的多个输出值计算得到多个相应的误差值，基于所述多个相应的误差值分别获得每层之间的总误差值；

利用所述多个相应的误差值对其相对应的所述输入层到输出层得到的多个输出值求偏导，得到所述输入层到输出层得到的多个输出值与其相应的理想值之差的变化率；

利用所述多个相应的误差值对其相对应的输入权重值求偏导，得到反向迭代更新权重值的变化率；

利用所述总误差值对每个输入权重值求偏导，得到多个总的权重值的反向迭代更新变化率；

基于对所述输入层到输出层得到的多个输出值与其相应的理想值之差的变化率、所述反向迭代更新权重值的变化率的多项乘积得到层级误差；

基于各层输入权重值、层级误差与总的权重值变化率，得到更新后的输入权重值；

计算更新后的各层输入权重值与各输入值乘积之和得到更新后的输出值。

在一些实施例中，所述多种驾驶状态包括以下状态中的至少两种：

被试双脚不踩踏板，靠在座椅靠背的状态；

被试离开座椅靠背的状态；

被试右脚猜油门的状态；

被试左脚踩刹车的状态。本发明实施例的驾驶状态的分析装置及方法，通过加速度传感器以及矩阵式压力应变片采集的数据对驾驶员行车时的驾驶状态生成更精确的分析，并且根据产生的数据可以对各种驾驶状态下的驾驶员进行推测。并且解决了在交通领域中尚未存在通过加速度数据和腰背部压力数据对被试者驾驶行为的分析和判断的空白。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。并且，附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1是本发明一实施例的驾驶状态识别装置结构示意图；

图2是本发明一实施例的驾驶状态数据识别方法的流程图；

图3—图6是本发明实施例中腰背部在不同受力状态下的压力数据采集热点示意图；

图7是本发明一实施例中数据采集端的结构示意图。

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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，本说明书内容中所出现的“上部”、“下部”等方位名词是相对于附图所示的位置方向；如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。直接连接为两个零部件之间不借助中间部件进行连接，间接连接为两个零部件之间借助其他零部件进行连接。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件。

图1是本发明一实施例中驾驶状态识别装置的结构示意图。如图1所示，该识别装置包括：加速度传感器30、数据采集终端主控端20、矩阵式压力应变片10和数据处理模块40。其中，加速度传感器30、数据采集终端主控端20、矩阵式压力应变片10属于数据采集端的器件。如图7所示的数据采集端器件中，矩阵式压力应变片10和数据采集终端主控端20之间通过数据连接线50连接，加速度传感器30与数据采集终端主控端20之间通过数据连接线60连接，如图7所示。

加速度传感器30置于被试的胸部或背部，用于检测被试在不同驾驶状态下的加速度，以获得不同驾驶状态下的加速度数据。

矩阵式压力应变片10置于被试的腰背部或车辆驾驶座位的靠背上，用于检测被试在各种驾驶状态下腰背部不同位置对座椅的压力数据，以获得压力数据。

数据处理模块40用于接收加速度传感器30检测的加速度数据和矩阵式应变片10检测的压力数据，通过将接收的一个时刻下的压力数据与加速度数据输入预建立并经训练的内嵌BP神经网络模型，得到实测输出值，将实测输出值与训练阶段得到的不同驾驶状态对应的输出值区间集合进行比较，根据实测输出值所属的输出值区间集合确定该时刻被试的驾驶状态。

在一实施例中，加速度传感器30固定于人体前胸部的位置。加速度传感器可以采用三轴加速度传感器，由于三轴加速度传感器是基于加速度的基本原理去实现工作的。若要对一个物体的运动状态进行准确地预测，需要对三轴加速度传感器三个坐标轴上的分量进行采集，并且在对物体的运动方向未预知的情况下，只有通过三轴加速度传感器才能检测物体的加速度信号。而且，使用三轴加速度传感器可以实现双轴正负90°或双轴0°～360°的倾角，并且通过校正后，在大于测量角度为60°的情况下，三轴加速度传感器测量的精度高于双轴加速度传感器。加速度传感器30选用三轴加速度传感器，用于获得相互垂直的三个方向上的分量。

因此，采用三轴加速度传感器从相互垂直的X、Y、Z轴方向上测量被试的加速度数据，利用X、Y、Z轴方向上测量的被试加速度数据计算被试在驾驶状态下身体所呈现的角度值，并通过所得角度值为判断被试驾驶过程中被试的驾驶状态提供确切地理论依据。

在一实施例中，矩阵式压力应变片10固定于车辆驾驶座位的靠背上。矩阵式压力应变片10为在多个点位置有多个压力传感器的矩阵式压力应变片；其中，点位置可以根据驾驶座椅的尺寸设置更多或更少的压力采集点，例如，点位置可以设置为32*64，64*128，128*256等。通过设置大量的点位置，保证了对压力测试点的充足，并且保证对各个测试位置均进行了监测，增加了数据的可靠性。另外，压力传感器是能感受压力信号，并能按照一定的规律将压力信号转换成可用的输出的电信号的器件或装置。压力传感器由压力敏感元件和信号处理单元组成。

数据采集终端主控端20连接加速度传感器30和矩阵式压力应变片10，用于将来自矩阵式压力应变片10的电压信号转换成数字信号并存储加速度数据和转换后的压力数据。在数据采集终端主控端20接收到矩阵式压力应变片10的电压信号后，经过跟随器进行第一级放大；进行0.1Hz的高通滤波，之后信号通过50Hz的陷波器将工频干扰滤除，再进行第二级放大，将处理后的信号输入到贝塞尔滤波器对小信号进行滤波处理，最终处理后的信号进入模数转换器ADC中进行数据的量化，转换后的数据可上传到上位机中。此处模数转换器ADC采用24bit高分辨率的模数转换器ADC。数据采集终端主控端20将处理后的压力数据发送至上位机，根据被试腰背部不同位置对座椅的压力数据生成腰背部压力热点图。在矩阵式压力应变片10未与数据采集终端主控端20连接的情况下，上位机无法接收到压力数据，因此，上位机的显示界面显示的被试腰背部对矩阵式压力应变片10对应的压力检测区域均呈现黑色。在矩阵式压力应变片10与数据采集终端主控端20连接的情况下，上位机接收到信号，其显示界面显示的被试腰背部对矩阵式压力应变片10的受力情况如图3所示，或者如图4、图5或图6所示，图中左边显示为连接状态，右边为基于所采集的数据生成的热点图；图中显示的颜色越深，表明检测区域受力越大。其中，图3所示为基本未受到压力时的状态。在与上位机连接后，由于被试腰背部对座椅施加的压力不同，而采集到不同情况下的压力传感器数据以及基于来自压力传感器的原始数据生成的热点图，参见图4、图5和图6。通过各个压力测试点检测到的压力数据生成热点图，基于热点图可以直观地看出被试在哪个位置对座椅施加的压力最大，对被试在驾驶时的姿势进行初步判断。

与此同时，数据采集终端主控端20也实时监控加速度传感器30测量的数据，将加速度数据采集进来之后，存入缓存中等待使用。加速度原始数据的数据包括X、Y、Z三轴的数据。根据原始数据可以算出加速度矢量与各个轴之间的夹角，计算出被试当前的角度，如下公式：

加速度传感器Z轴与自然系坐标Z轴夹角，

加速度传感器X轴与自然系坐标X轴夹角，

加速度传感器Y轴与自然系坐标Y轴夹角，

其中，A_x、A_y、A_z是加速度传感器采集的数据；代表加速度传感器的X、Y、Z轴测量得到的加速度数据。

根据对加速度传感器30采集的数据进行计算得到的角度，以及通过矩阵式压力应变片10采集的数据生成的热点图，可以判断被试在驾驶过程中呈现的角度情况，从而对被试的驾驶状态生成初步判断。通过针对多种驾驶状态下的每一驾驶状态进行多次测量，可得到针对同一驾驶状态的多组数据，每组数据包括加速度数据和压力数据。

数据处理模块40用于接收加速度传感器检测的加速度数据和矩阵式应变片检测的压力数据，通过将接收的一个时刻下的压力数据与加速度数据输入预建立并经训练的内嵌BP神经网络模型，得到实测输出值，将实测输出值与训练阶段得到的不同驾驶状态对应的输出值区间集合进行比较，根据实测输出值所属的输出值区间集合确定该时刻被试的驾驶状态。

并且，数据处理模块40还用于在训练阶段训练内嵌BP神经网络模型，图2是本发明一实施例的的驾驶状态数据识别装置所采用的识别方法，如图2所示，训练阶段包括以下步骤：

步骤S110：确定被试的多种驾驶状态，在每种驾驶状态下得到多组数据，每组数据包括加速度数据和压力数据。

该多种驾驶状态例如可包括但不限于以下四种状态：(1)被试双脚不踩踏板，靠在靠背的状态；(2)被试离开靠背的状态；(3)被试右脚猜油门的状态；以及(4)被试左脚踩刹车的状态。

其中，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。通过将每种状态下多次采集得到的多组数据分批次输入预建立的内嵌BP神经网络模型，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，实际输出与期望输出不相符，转入误差的反向传播过程，将输出误差通过隐含层向输入层逐层反传，并将误差分给各层所有单元，利用从各层获得的误差信号作为调整各单元权值的依据。通过调整输入层节点与隐含层节点的联接强度和隐含层节点与输出层节点的联接强度以及阈值，使误差不断地下降，经过反复学习训练，确定与最小误差相对应权值和阈值，得到此状态下的一个输出值区间集合。

在本发明实施例中，预先建立的内嵌BP神经网络模型例如可包括三层神经网络：一层输入层、一层隐含层和一层输出层，在隐含层设有5个神经元节点。输入层神经元有两个，加速度原始数据的XYZ三轴数据之和作为输入层加速度神经元A1，压力原始数据作为输入层压力神经元A2。

步骤S120：可将每种状态下多次采集得到的多组数据分批次输入预建立的内嵌BP神经网络模型，即对采集的被试加速度的XYZ三轴数据之和作为输入层第一神经元，对采集的被试压力数据作为输入层第二神经元。具体过程如下：

(一)通过利用第一神经元与相应的输入加权和计算输入层到隐含层的第一输出值；

首先计算第一神经元的输入加权和：

NETA1＝Q11×A11+Q12×A12+Q13×A13+Q14×A14+Q15×A15；

其中，NETA1是第一神经元的输入加权和；Q11、Q12、Q13、Q14、Q15是输入层神经元到隐含层的数据权重，隐含层有5个神经元节点，A11、A12、A13、A14、A15是输入层到隐含层的所测得的加速度的值，即测取5次加速度得到的5个加速度的XYZ三轴数据之和。

通过对神经元从输入层到输出层采用sigmoid函数

进行变换，得到输出值。

利用如下公式得到第一神经元A1的输出OA1为：

(二)同样，利用第二神经元与相应的输入加权和计算输入层到隐含层的第二输出值；

利用如下公式计算第二神经元的输入加权和：

NETA2＝Q21×A21+Q22×A22+Q23×A23+Q24×A24+Q25×A25；

得到第二神经元A1的输出OA2为：

其中，NETA2是第二神经元的输入加权和；Q21、Q22、Q23、Q24、Q25是输入层压力神经元到隐含层的数据权重，A21、A22、A23、A24、A25是输入层到隐含层的所测得的压力值，OA2为第二神经元A2的输出。

(三)分别对输入层到输出层得到的多个输出值计算得到多个相应的误差值，基于多个相应的误差值分别获得每层之间的总误差值，

基于计算输入层到隐含层的第一误差值、第二误差值……第N误差值得到该层总误差；利用如下公式计算输入层到隐含层的总误差：

ETOTAL_A＝(ETOTAL_01+ETOTAL_02)；

其中，ETOTAL_01是第一神经元输出值与理想值的误差；ETOTAL_02是第二神经元输出值与理想值的误差；ETOTAL_A为输入层到隐含层之间的总误差；Target₁和Target₂是输入层到隐含层计算所得输出值的理想值。

(四)基于多个相应的误差值对其相对应的输入层到输出层得到的多个输出值求偏导，得到输入层到输出层得到的多个输出值与其相应的理想值之差的变化率；

首先利用如下公式对输入层到隐含层运用偏导数计算出第一神经元、第二神经元的反向迭代更新的变化率：

由于是对误差中的输出值求偏导，因此利用

以及

等公式进行偏导计算。

(五)通过利用多个相应的误差值对其相对应的输入权重值求偏导，得到反向迭代更新权重值的变化率，

以Q11为例，利用如下公式计算从输入层到隐含层的反向迭代更新权重值的变化率：

利用总误差值对每个输入权重值求偏导，得到多个总的权重值的反向迭代更新变化率，

利用如下公式计算输入层到输出层的总的权重值变化率：

基于对输入层到输出层得到的多个输出值与其相应的理想值之差的变化率、反向迭代更新权重值的变化率的多项乘积得到层级误差，

利用如下公式计算层级误差δ₁₁：

通过计算获得层级误差为δ₁₁，以则可以进一步更新输入权重，以达到对输入权重值更准确的预估；基于各层输入权重值、层级误差与总的权重值变化率，得到更新后的输入权重值，利用如下公式计算更新后的输入权重值：

其中，δ₁₁为该层层级误差，Q11是输入权重值，Q11new是输入权重更新值；η是学习效率。

同样，通过上述方法对输入权重值Q12、Q13、Q14、Q15，Q21、Q22、Q23、Q24、Q25进行更新，得到更新后的输入权重值Q12new、Q13new、Q14new、Q15new，以及Q21new、Q22new、Q23new、Q24new、Q25new。

基于上述更新的输入权重值进一步计算出误差更小的系统输出值，即输出层的输出值。

(六)将输入层到隐含层得到的多个输出值作为隐含层到输出层的输入值，与对应的输入加权和得到隐含层到输出层的总输出值，

利用如下公式得到隐含层到输出层的总输出值：NETTOTAL＝Q31×OA31+Q32×OA32+Q33×OA33+Q34×OA34+Q35×OA35；

其中，NETTOTAL是隐含层到输出层的输入加权和；OA31、OA32、OA33、OA34、OA35，是从输入层到隐含层计算得到的数据输出值作为隐含层到输出层的输入值，Q31、Q32、Q33、Q34、Q35是隐含层神经元到输出层神经元的权重值；OA3是隐含层到输出层的总输出值。

(七)计算隐含层到输出层的总误差；

基于计算隐含层到输出层的第一误差值、第二误差值……第N误差值得到该层总误差；利用如下公式计算隐含层到输出层的总误差：

基于上述计算得到的该层所有误差，进一步获得该层的总误差；利用如下公式获得总误差：

ETOTAL_3＝(ETOTAL_31+ETOTAL_32+ETOTAL_33+ETOTAL_34+ETOTAL_35)；

其中，ETOTAL_0131、ETOTAL_32、ETOTAL_33、ETOTAL_34、ETOTAL_35是输入层到隐含层所得输出值作为隐含层到输出层的输入值与其相应的理想值的误差；ETOTAL_3是隐含层到输出层的总误差；Target_31、Target_32、Target_33、Target_34、Target_35是输入层到隐含层所得输出值作为隐含层到输出层的输入值的理想值。Target值可根据实际情况进行自行定义。

(八)利用隐含层到输出层之间的误差值对其相对应的输出值求偏导，得到多个输出值与真实值之差的变化率；

利用如下公式对隐含层运用偏导数计算出OA₃₁、OA₃₂、OA₃₃、OA₃₄、OA₃₅的反向迭代更新的变化率：

进而，基于隐含层到输出层的总误差对隐含层运用偏导数计算出OA₃的反向迭代更新的总的变化率；利用如下公式获得OA₃的反向迭代更新的总的变化率：

(九)进一步，分别计算从隐含层到输出层的反向迭代更新权重值的变化率，以及更新的权重值，

利用如下公式计算从输入层到隐含层的反向迭代更新权重值的变化率：

假设Q31的从隐含层到输出层级误差为δ31，利用如下公式计算层级误差：

基于各层输入权重值、层级误差与总的权重值变化率，得到更新后的输入权重值，

(十)基于上述更新后的输入权重值及更新后的输入值计算得到新的输出值；

利用隐含层到输出层的更新输入权重值Q31new、Q32new、Q33new、Q34new、Q35new，利用如下公式进行计算，得到更新后的输出值OA3：

NETTOTAL＝Q31new×OA31+Q32new×OA32+Q33new×OA33+Q34new×OA34+Q35new×OA35；

根据上述步骤，每运行一次，得到的输出值OA3的更新值就会更加准确。

(十一)通过多次运行上述步骤得到每个状态下的多个输出值，根据每个状态下的多个输出值构成一个区间值集合，如：

被试驾驶员双脚不踩踏板且靠在靠背的状态X1的区间值集合为：

X1＝{OA3_MIN1,OA3_MAX1}；

计算出被试驾驶员离开靠背的状态X2的区间值集合为：

X2＝{OA3_MIN2,OA3_MAX2}；

计算出被试驾驶员右脚猜油门的状态X3的区间值集合为：

X3＝{OA3_MIN3,OA3_MAX3}；

计算出被试驾驶员左脚踩刹车的状态X4的区间值集合为：

X4＝{OA3_MIN4,OA3_MAX4}；其中，OA3_MIN1、OA3_MIN2、OA3_MIN3、OA3_MIN4是各状态下的输出值集合的最小输出值；OA3_MAX1、OA3_MAX2、OA3_MAX3、OA3_MAX4是各状态下的输出值集合的最大输出值。

具体地，当被试正常做实验的时候，通过采用与上述步骤相同的计算过程，求出本次实验被试在BP网络下的输出值OA3为X，判断X属于X1、X2、X3、X4哪个区间值集合，如果属于哪个集合则认为该被试正处于某种驾驶行为下。例如，本次实验输出值X属于区间值集合X4，则认为本次实验时，被试处于左脚踩刹车到底的状态。

通过上述步骤在数据处理模块40完成对内嵌BP神经网络模型的训练后，利用如下步骤对该训练好的模型进行测试：

步骤S130：采集驾驶过程中的一个时刻下被试加速度数据及被试背部对座椅的压力数据，输入内嵌BP神经网络模型，得到实测输出值，将实测输出值与训练阶段得到的各驾驶状态对应的输出值区间集合进行比较，根据实测输出值所属的输出值区间集合确定该时刻被试的驾驶状态。

通过在任意时刻下，对驾驶过程中的被试进行加速度数据以及压力数据的采集，将数据输入内嵌BP神经网络模型中进行计算，求出被试在BP网络下的最终输出值为X，判断X所属区间值集合，若确定被试该时刻状态所属集合则认为该被试正处于该状态驾驶行为下。例如，本次实验输出值X属于区间值集合X3，则认为本次实验时，被试处于右脚踩油门的状态下。

综上所述，本发明通过上述装置对加速度传感器的数据和压力传感器的数据进行采集，并基于采集的数据来更精确地分析在驾驶过程中驾驶员的驾驶状态。

此外，本发明还具有其他的明显或不明显的优点，在此不一一赘述。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、装置和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

需要说明的是，上述实施例仅为说明本发明而非限制本发明的专利范围，任何基于本发明的等同变换技术，均应在本发明的专利保护范围内。

Claims

1.一种驾驶状态识别装置，其特征在于，所述装置包括：

2.如权利要求1所述的装置，其特征在于，所述数据处理模块还用于在所述训练阶段训练所述内嵌BP神经网络模型，所述训练阶段包括以下步骤：

3.如权利要求1所述的装置，其特征在于，所述装置还包括：

数据采集终端主控端，其连接所述加速度传感器和所述矩阵式压力应变片，用于将来自所述矩阵式压力应变片的电压信号转换成数字信号并存储加速度数据和转换后的压力数据。

4.如权利要求1所述的装置，其特征在于，

所述加速度传感器固定于人体前胸部的位置；

所述矩阵式压力应变片固定于汽车驾驶座位的靠背上。

5.如权利要求1所述的装置，其特征在于，

所述加速度传感器为三轴加速度传感器；

所述矩阵式压力应变片为在多个点位置有多个压力传感器的矩阵式压力应变片。

6.如权利要求1所述的装置，其特征在于，所述内嵌BP神经网络模型包括输入层、隐含层和输出层，并且隐含层设有5个神经元节点。

7.如权利要求6所述的装置，其特征在于，所述数据处理模块用于：

8.如权利要求1所述的装置，其特征在于，所述数据处理模块还用于：

9.如权利要求2所述的装置，其特征在于，所述多种驾驶状态包括以下状态中的至少两种：

被试双脚不踩踏板，靠在座椅靠背的状态；

被试离开座椅靠背的状态；

被试右脚猜油门的状态；

被试左脚踩刹车的状态。