CN111310914B - 利用神经网络算法的驾驶状态分析方法及计算机设备 - Google Patents

Abstract

本发明提供利用神经网络算法的驾驶状态分析方法及计算机设备，方法包括：在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，得到多组数据，每组数据包括加速度数据和压力数据；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模型，得到多个训练输出值，组成当前状态对应的输出值区间集合；采集驾驶过程中的一个时刻下被试加速度数据及压力数据，输入模型，得到实测输出值，将所述实测输出值与训练阶段得到的输出值区间集合进行比较，基于实测输出值所属输出值区间集合确定被试驾驶状态。通过对被试进行驾驶行为的判断和事后分析，对驾驶者的驾驶行为有了定量数据的分析方法，提供了更科学的分析方法。

Description

利用神经网络算法的驾驶状态分析方法及计算机设备

技术领域

本发明涉及驾驶行为数据分析研究领域，尤其涉及一种利用神经网络算法的驾驶状态分析方法及计算机设备。

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，驾驶行为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

本发明提供了一种利用神经网络算法的驾驶状态分析方法及计算机设备，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分析方法，使得对驾驶者的驾驶行为有了定量数据的分析方法。

为了达到以上目的，本发明采用以下技术方案实现：

根据本发明实施例的一个方面，提供了一种利用神经网络算法的驾驶状态分析方法，该方法包括训练阶段和测试阶段；

确定被试的多种驾驶状态，在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，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，得到多个训练输出值，基于该多个训练输出值形成当前状态对应的输出值区间集合；

所述测试阶段包括以下步骤：

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，将所述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，所述多种驾驶状态包括：

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。

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，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，得到多个训练输出值的步骤包括：

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；

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，所述方法还包括：

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，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的步骤包括利用如下公式来计算输入层到隐含层的第一输出值：

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，A11、A12、A13、A14、A15是输入层到隐含层的所测得的加速度的值，OA1为第一神经元A1的输出；

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的步骤包括利用如下公式来计算输入层到隐含层的第二输出值：

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

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的值，OA2为第二神经元A2的输出；

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的步骤包括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。

在一些实施例中，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，包括：

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；

利用如下公式计算隐含层到输出层的总误差：

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

其中，ETOTAL_31、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；Target₃₁、Target₃₂、Target₃₃、Target₃₄、Target₃₅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。

在一些实施例中，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真实理想值之差的变化率，包括：

利用如下公式计算输入层到隐含层之间的误差值对其相对应的输出值的偏导，得到多个输出值与真实值之差的变化率:

利用如下公式计算输入层到隐含层之间的误差值对其相对应的输出值的偏导，得到多个输出值与真实值之差的变化率：

在一些实施例中，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，包括：

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，包括：

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，包括：

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，包括：

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是初始输入权重值，Q_11new是更新输入权重值；η是学习效率。

根据本发明实施例的一个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述方法的步骤。

本发明实施例的利用神经网络算法的驾驶状态分析方法及计算机设备，通过在训练阶段确定被试的多种驾驶状态，在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，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，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输出值区间集合；在测试阶段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，将所述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。而且，通过输出层的数据对被试进行驾驶行为的判断和事后的分析，使得对驾驶者的驾驶行为有了定量数据的分析方法，提供了一种更科学的分析方法。本发明解决了目前市面上在交通领域的没有利用加速度数据和腰背部压力的测量来进行对被试者驾驶行为的分析和判断的空白。

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利用神经网络算法的驾驶状态分析方法流程示意图；

图2是本发明一实施例中驾驶状态数据采集装置系统的示意图；

图3—图6是本发明一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。

符号说明：

101：矩阵式压力应变片；102：连接线；103：数据采集终端主控端；104：连接线；105：加速度传感器。

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。

图1是本发明一实施例的利用神经网络算法的驾驶状态分析方法流程示意图。如图1所示，一些实施例的利用神经网络算法的驾驶状态分析方法，可包括以下步骤S110至步骤S130。

步骤S110：确定被试的多种驾驶状态，在每种驾驶状态下利用采集装置对被试的加速度及被试腰背部对座椅压力的数据进行多次采集，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。

步骤S120：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，得到多个训练输出值，基于该多个训练输出值形成当前状态对应的输出值区间集合。

上述步骤S110和S120属于模型训练阶段。

图2是被试驾驶状态数据采集装置。步骤S110中对加速度数据和压力数据的采集可以通过图2所示的装置进行采集，参见图2，被试驾驶状态数据采集装置可包括加速度传感器、矩阵式压力应变片101和数据采集终端主控端103。加速度传感器用于采集被试在不同驾驶状态下的加速度数据。加速度传感器的数据采集端105可优选地放于人体的前胸部，以魔术贴等的方式固定，用于检测人体躯干部的加速度数据。为了得到比较准确的加速度的数据，加速度传感器的数据采集端105可固定于人体的前胸部的位置，如固定在胸部位于锁骨中间靠下的位置。加速度传感器可以是三轴加速度传感器，用于获得相互垂直的三个方向上的分量。

矩阵式压力应变片101用于采集被试在不同驾驶状态下腰背部不同位置对座椅的压力数据，矩阵式压力应变片优选采用阵列形式来采用多个(如64*128个)点位进行压力数据采集。矩阵式压力应变片101上产生压力信号之后，信号可通过连接线102和104，将数据传输到数据采集终端主控端103。数据采集终端主控端103接收到矩阵式压力应变片101发送的电压信号后，数据采集终端主控端103对信号进行处理，处理后的信号进入模数转换器ADC进行数据的量化。数据采集终端主控端103只是数据采集的终端，放于座位旁即可。

数据采集终端主控端103接收到矩阵式压力应变片101的电压信号后，进行预处理，首先经过跟随器进行第一级放大；然后进行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进行小信号处理，最终处理后的信号进入模数转换器ADC进行数据的量化。此处模数转换器ADC可采用24bit高分辨率的模数转换器ADC。转换后的数据可上传到上位机中。此处对数据采集终端主控端103接收到的数据进行预处理的过程仅为示例，还包括更多或更少的预处理步骤。

矩阵式压力应变片101为置有多个压力传感器的矩阵式压力应变片；其阵列例如采用64*128点位进行腰背压力数据采集，可以魔术贴等方式固定于汽车驾驶座位的靠背上。本发明实施例中，压力传感器的矩阵式压力应变片也可以具有更多或更少的点位数。

在矩阵式压力应变片未与上位机连接的情况下，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对应的压力检测区域均呈现黑色。在矩阵式压力应变片与上位机已经连接的情况下，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的受力情况如图3所示，或者如图4、图5或图6所示，图中显示的颜色越深的区域受力越大。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，进一步对被试在驾驶时的姿势进行初步判断。

矩阵式压力应变片101在产生压力信号之后，压力信号会通过连接线102/104，把数据通过电压的形式传送给数据采集终端主控端。

上位机与数据采集终端主控端相连，基于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。与此同时，主控端也实时监控加速度传感器的数据采集终端的数据，加速度传感器的数据采集终端将数据采集进来之后，存入上位机的缓存中等待使用。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。

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。

上位机作为数据处理装置，基于一个时刻的腰背部压力数据与加速度数据利用训练好的预测模型对驾驶过程中被试的驾驶状态进行分析，可实时判断驾驶员的驾驶状态。通过根据所采集的加速度数据进行角度的计算，可判断当前时刻被试的座椅状态；通过采集的腰部压力的数据，得到相对应的热点图，可以直观的看到腰背部受力的情况。利用采集的加速度数据和腰背部压力数据作为输入，利用人工智能神经网络的反向传播算法可得到输出层数据，通过输出层数据对被试进行驾驶行为的判断和事后的分析，可对驾驶者的驾驶行为有了定量数据的分析方法，提供了一种更科学的分析方法。本发明解决了目前市面上在交通领域的没有利用加速度数据和腰背部压力的测量来进行对被试者驾驶行为的分析和判断的空白。

下面将对利用人工智能神经网络的反向传播算法(BP算法)进行驾驶状态分析的过程进行详细描述。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。

在步骤S120中，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，基于所述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；

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，

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，

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，

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}。

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，将所述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。该步骤属于用于分析驾驶员驾驶状态的实际测试阶段。

具体地，当被试正常做实验的时候，采用和上述相同的算法，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。。

根据本发明实施例的一个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述方法的步骤。

综上所述，本发明实施例的利用神经网络算法的驾驶状态分析方法及计算机设备，通过对被试者进行加速度数据、腰背部压力数据的采集，根据所采集的加速度数据进行角度的计算，判断此时刻的被试的状态；通过采集的腰部压力的数据，并且利用上位机得到相对应的热点图，可以直观的看到腰背部受力的情况。然后利用人工智能神经网络的反向传播算法得到输出层数据，通过输出层数据对被试进行驾驶行为的判断和事后的分析，进而对驾驶者的驾驶行为有了定量数据的分析方法，提供了一种更科学的分析方法。本发明解决了目前市面上在交通领域的没有利用加速度数据和腰背部压力的测量来进行对被试者驾驶行为的分析和判断的空白。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种利用神经网络算法的驾驶状态的分析方法，其特征在于，该方法包括训练阶段和测试阶段；

所述训练阶段包括以下步骤：

确定被试的多种驾驶状态，在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，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，得到多个训练输出值，基于该多个训练输出值形成当前状态对应的输出值区间集合；

所述测试阶段包括以下步骤：

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，将所述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；

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；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，得到多个训练输出值的步骤包括：将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，将采集的被试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。

2.如权利要求1所述的分析方法，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；

被试右脚踩 油门的状态；

被试左脚踩刹车的状态。

3.如权利要求1所述的分析方法，其特征在于，所述方法还包括：

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。

4.如权利要求3所述的分析方法，其特征在于，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的步骤包括利用如下公式来计算输入层到隐含层的第一输出值：

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，A11、A12、A13、A14、A15是输入层到隐含层的所测得的加速度的值，OA1为第一神经元A1的输出；

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的步骤包括利用如下公式来计算输入层到隐含层的第二输出值：

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

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

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的步骤包括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，分别是从输入层到隐含层计算得到的输出值作为隐含层到输出层的输入值，Q31、Q32、Q33、Q34、Q35分别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。

5.如权利要求4所述的分析方法，其特征在于，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，包括：

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；

利用如下公式计算隐含层到输出层的总误差：

ETOTAL_3＝(ETOTAL_31+ETOTAL_32+ETOTAL_33+ETOTAL_34+

ETOTAL_35)；

其中，ETOTAL_31、ETOTAL_32、ETOTAL_33、ETOTAL_34、ETOTAL_35分别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；Target₃₁、Target₃₂、Target₃₃、Target₃₄、Target₃₅分别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。

6.如权利要求5所述的分析方法，其特征在于，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真实理想值之差的变化率，包括：

利用如下公式计算输入层到隐含层之间的误差值对其相对应的输出值的偏导，得到多个输出值与真实值之差的变化率:

利用如下公式计算输入层到隐含层之间的误差值对其相对应的输出值的偏导，得到多个输出值与真实值之差的变化率：

7.如权利要求6所述的分析方法，其特征在于，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，包括：

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，包括：

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，包括：

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，包括：

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是初始输入权重值，Q_11new是更新输入权重值；η是学习效率。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。

Images