CN111444657B - 一种疲劳驾驶预测模型的构建方法、装置及存储介质 - Google Patents
一种疲劳驾驶预测模型的构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111444657B CN111444657B CN202010160235.2A CN202010160235A CN111444657B CN 111444657 B CN111444657 B CN 111444657B CN 202010160235 A CN202010160235 A CN 202010160235A CN 111444657 B CN111444657 B CN 111444657B
- Authority
- CN
- China
- Prior art keywords
- feature
- fatigue
- prediction model
- data set
- driving prediction
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种疲劳驾驶预测模型的构建方法、装置及存储介质,其中所述构建方法包括:获取驾驶员的疲劳特征;建立基础疲劳驾驶预测模型;通过boruta特征选择算法和特征递归消除算法特征选择出最优特征子集;利用最优特征子集训练多个基分类器,并将多个基分类器的输出训练次级分类器得到分类结果;进行参数调优优化模型。优化训练流程,避免了训练集与测试集的重复计算和数据泄露问题;在训练好分类器后,聚合多个不同的分类器预测结果,使最终模型具有更好的泛化性和鲁棒性;使用贝叶斯优化算法进行模型超参数调优,通过更少的迭代来调整超参数,进一步提高模型性能。
Description
技术领域
本发明涉及汽车驾驶领域,特别是一种疲劳驾驶预测模型的构建方法、装置及存储介质。
背景技术
从对各类交通事故数据的统计调查中发现,由于疲劳驾驶而造成的交通事故逐年增加。随着神经网络技术的发展和图像处理技术的发展,结合这两种技术实时对驾驶员的疲劳状态进行预测和监控,能有效预防疲劳驾驶。现有疲劳驾驶预测模型中存在两个技术难点亟需克服:(1)驾驶疲劳的特征与判别标准。由于疲劳的形成是一个随驾驶环境和时间延长而逐渐生成的过程,且在此过程中并非所有的特征均可引发交通事故。当可用的训练样本有限而特征维度过大时容易发生过拟合现象;当数据维数过大,必须采取措施来简化模型。若所有特征均用在疲劳驾驶预测中,容易导致疲劳驾驶预测模型的虚警率过高,给驾驶员造成过大的驾驶心理压力;(2)疲劳驾驶预测模型构建。分类模型的有效性受许多因素影响。例如,特征变量之间高度相关性、样本中有缺失值、过拟和导致模型泛化性能较差等问题。针对疲劳驾驶的特征信息具有模糊性和不确定性等问题,容易导致模型的鲁棒性降低。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种疲劳驾驶预测模型的构建方法、装置及存储介质。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,一种疲劳驾驶预测模型的构建方法,包括以下步骤:
获取驾驶员的疲劳特征;
建立基础疲劳驾驶预测模型;
通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,根据分类性能从两者中选择其一作为最优特征子集,所述数据集由所述疲劳特征和疲劳标签组成;
利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。
根据本发明的第一方面,一种疲劳驾驶预测模型的构建方法,还包括以下步骤:利用十折交叉验证法对所述最终疲劳驾驶预测模型进行评估。
根据本发明的第一方面,所述疲劳特征包括生理特征和视觉特征;所述生理特征包括心率、血压和体温,所述视觉特征包括眼睑平均闭合频率、眨眼次数、哈欠次数、哈欠所占帧数比、点头次数和点头所占帧数比。
根据本发明的第一方面,所述通过boruta特征选择算法从数据集中提取第一特征子集包括以下步骤:
将m行n列的数据集随机打乱顺序,再对每一列独立进行随机行变换,得到m行n列的阴影特征数据集;
将所述数据集和所述阴影特征数据集合并得到m行2n列的合并数据集;
计算所述数据集和所述阴影特征数据集的所有疲劳特征的Z_score;
将所述阴影特征数据集中最大的Z_score记为Zmax;
将所述数据集中大于Z_score的疲劳特征标记为“重要”,小于Z_score的疲劳特征标记为“不重要”,并删除;
删除所述阴影特征数据集;
重复上述步骤直至所述数据集的所有疲劳特征均被标记,将标记为“重要”的疲劳特征作为第一特征子集。
根据本发明的第一方面,Z_score的计算方式如下:通过随机森林分类器对所述合并数据集计算每个疲劳特征相对离开所述合并数据集时的下降精度,根据下降精度评估每个疲劳特征的重要性。
根据本发明的第一方面,所述通过特征递归消除算法从数据集中提取第二特征子集包括以下步骤:
设数据集为当前特征集,第二特征子集为空,基模型为决策树;
循环以下步骤直至所述原始特征集为空,并输出此时的第二特征子集:
利用当前特征集训练所述基模型得到分类准确率,若当前特征集的分类准确率大于所述第二特征子集的分类准确率,则更新所述第二特征子集为当前特征集;
对当前特征集进行交叉对比训练;
根据交叉对比训练得到的最低标准化系数对所述数据集中的疲劳特征排序;
移除最低标准化系数最小的E%的疲劳特征,并将移除后的数据集作为当前特征集。
根据本发明的第一方面,多个所述基分类器包括决策树、朴素贝叶斯、逻辑回归算法、随机森林、SVM、K最近邻算法、梯度提升迭代决策树、XGBoost和LightGBM。
根据本发明的第一方面,所述验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值包括以下步骤:
计算采样点的函数值yt=f(xt);
更新样本集合Dt.1={D1:1-t,(xt,yt)},并更新函数f的后验分布。
本发明的第二方面,一种疲劳驾驶预测模型的构建装置,包括:
特征获取模块,用于获取驾驶员的疲劳特征;
模型建立模块,用于建立基础疲劳驾驶预测模型;
最优特征子集选择模块,用于通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,并根据分类性能从两者中选择其一作为最优特征子集,所述数据集由所述疲劳特征和疲劳标签组成;
分类器训练模块,用于利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
验证模块,用于验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。
本发明的第三方面,一种存储介质,存储有可执行指令,可执行指令能被计算机执行,使计算机运行如本发明第一方面所述的一种疲劳驾驶预测模型的构建方法。
上述技术方案至少具有以下的有益效果:优化训练流程,避免了训练集与测试集的重复计算和数据泄露问题;在训练好分类器后,聚合多个不同的分类器预测结果,使最终模型具有更好的泛化性和鲁棒性;使用贝叶斯优化算法进行模型超参数调优,通过更少的迭代来调整超参数,进一步提高模型性能。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种疲劳驾驶预测模型的构建方法的流程图;
图2是本发明实施例一种疲劳驾驶预测模型的构建装置的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
参照图1,本发明的实施例,提供了一种疲劳驾驶预测模型的构建方法,包括以下步骤:
步骤S100、获取驾驶员的疲劳特征;
步骤S200、建立基础疲劳驾驶预测模型;
步骤S300、通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,根据分类性能从两者中选择其一作为最优特征子集,数据集由疲劳特征和疲劳标签组成;
步骤S400、利用最优特征子集分别训练基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
步骤S500、验证优化采集函数的后验分布以确定基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。
在该实施例中,在步骤S100中,通过摄像头拍摄模拟驾驶中的驾驶员得到驾驶视频作为样本,对驾驶视频进行预处理,并以单位时间将驾驶视频分段,将分段后的驾驶视频分为训练集和测试集,训练集用于对基础疲劳驾驶预测模型训练,测试集用于对最终疲劳驾驶预测模型测试。从分段的驾驶视频获取驾驶员的疲劳特征。具体地,疲劳特征包括生理特征和视觉特征;生理特征包括心率、血压和体温,视觉特征包括眼睑平均闭合频率、眨眼次数、哈欠次数、哈欠所占帧数比、点头次数和点头所占帧数比。另外,视觉特征还包括PERCLOS,PERCLOS是单位时间内眼睛闭合一定比例所占的时间。
在步骤S200中,建立基础疲劳驾驶预测模型,其中基础疲劳驾驶预测模型以CNN模型为基础,并包含多个分类器。疲劳特征用于训练该基础疲劳驾驶预测模型。
进一步,在步骤S300中,通过boruta特征选择算法从数据集中提取第一特征子集包括以下步骤:
将m行n列的数据集随机打乱顺序,再对每一列独立进行随机行变换,得到m行n列的阴影特征数据集;
将数据集和阴影特征数据集合并得到m行2n列的合并数据集;
计算数据集和阴影特征数据集的所有疲劳特征的Z_score;
将阴影特征数据集中最大的Z_score记为Zmax;
将数据集中大于Z_score的疲劳特征标记为“重要”,小于Z_score的疲劳特征标记为“不重要”,并删除;
删除阴影特征数据集;
重复上述步骤直至数据集的所有疲劳特征均被标记,将标记为“重要”的疲劳特征作为第一特征子集。
具体地,Z_score的计算方式如下:通过随机森林分类器对合并数据集计算每个疲劳特征相对离开合并数据集时的下降精度,根据下降精度评估每个疲劳特征的重要性。
进一步,在步骤S300中,通过特征递归消除算法从数据集中提取第二特征子集包括以下步骤:
设数据集为当前特征集,第二特征子集为空,基模型为决策树;
循环以下步骤直至原始特征集为空,并输出此时的第二特征子集:
利用当前特征集训练基模型得到分类准确率,若当前特征集的分类准确率大于第二特征子集的分类准确率,则更新第二特征子集为当前特征集;
对当前特征集进行交叉对比训练;
根据交叉对比训练得到的最低标准化系数对数据集中的疲劳特征排序;具体地,训练逻辑回归分类器得到准确率α,根据准确率α计算疲劳特征的最低标准化系数,疲劳特征的最低标准化系数即疲劳特征的特征权重系数ω,根据特征权重系数ω对疲劳特征排序;
移除最低标准化系数最小的E%的疲劳特征,并将移除后的数据集作为当前特征集。
具体地,E是设定的删除比例,0<E<100。
另外,在步骤S300中,根据分类性能从两者中选择其一作为最优特征子集,采用AUC值和平均值标准误差作为评价指标。
需要说明的是,数据集由疲劳特征和疲劳标签组成。标签分为清醒、轻微疲劳、适度疲劳、相当疲劳和严重疲劳五个离散型状态。训练集会被人为地进行评分和打标签以解析特征在不同疲劳程度下的差异性,克服了驾驶员的个人差异所带来的模型适应性拓展问题。
具体地,“清醒”标签:0-10分,驾驶员状态表现为:头部保持直立,眼睛自然睁开,眨眼正常,眼球活跃,注意力集中,关注环境。“轻微疲劳”标签:11-30分,驾驶员状态表现为:眼睛转动频率降低,无意识的张嘴、点头、打哈欠、吞咽、叹气等小动作。“适度疲劳”标签:31-50分,驾驶员状态表现为:对外界关注减少,驾驶员做些不必要动作,如刮脸,摇头,吞咽,叹气,深呼吸,打哈欠,点头,眼睛感到紧张,调整坐姿。“相当疲劳”标签:51-70分,驾驶员状态表现为:眼皮有闭合的趋势,目光涣散,对外界变化缺乏反应。“严重疲劳”标签:71-100分,驾驶员状态表现为:眼皮闭合趋势严重、时常闭上,精神萎靡,目光呆滞,打盹,点头,头部倾斜。
进一步,在步骤S400中,利用管道方法优化数据集的训练流程,通过列选择器输入特征筛选后的最优特征子集分别训练基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器。多个基分类器包括决策树、朴素贝叶斯、逻辑回归算法、随机森林、SVM、K最近邻算法、梯度提升迭代决策树、XGBoost和LightGBM。
另外,采用XGBoost作为次级分类器,次级分类器的输出是作为最终的分类结果。
具体地,通过列选择器输入特征筛选后的最优特征子集分别训练不同的基分类器hk;
通过新数据集训练次级分类器,将次级分类器的输出作为最终的分类结果。
进一步,在步骤S500中,验证优化采集函数的后验分布以确定基础疲劳驾驶预测模型中的最优参数值包括以下步骤:
计算采样点的函数值yt=f(xt);
更新样本集合Dt.1={D1:1-t,(xt,yt)},并更新函数f的后验分布。
进一步,该疲劳驾驶预测模型的构建方法,还包括以下步骤:利用十折交叉验证法对最终疲劳驾驶预测模型进行评估。
具体地,不重复的将训练集划分为10个,其中9个用于基础疲劳驾驶预测模型的训练,剩下的一个用于基础疲劳驾驶预测模型的测试。重复10次,可以得到10个训练后的模型及对相应模型的性能评价。通过这些独立且不同的数据子集来获取评价结果,最后计算这些结果的平均性能。将疲劳驾驶视频样本及疲劳特征的可解释性输出给用户,便于用户理解疲劳驾驶预测模型的预测依据,从而有利于对模型的性能作进一步评估。
优化训练流程,建立管道将特征选择、算法选择和参数优化构成机器学习工作流,避免了测试集的重复计算和数据泄露问题,并降低疲劳驾驶预测模型的虚警率。在训练好分类器后,聚合多个不同的分类器预测结果,使最终模型具有更好的泛化性和鲁棒性;使用贝叶斯优化算法进行模型超参数调优,通过更少的迭代来调整超参数,进一步提高模型性能。
参照图2,本发明的另一个实施例,提供了一种疲劳驾驶预测模型的构建装置,用于执行上述的疲劳驾驶预测模型的构建方法,疲劳驾驶预测模型的构建装置具体包括:
特征获取模块10,用于获取驾驶员的疲劳特征;
模型建立模块20,用于建立基础疲劳驾驶预测模型;
最优特征子集选择模块30,用于通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,并根据分类性能从两者中选择其一作为最优特征子集,数据集由疲劳特征和疲劳标签组成;
分类器训练模块40,用于利用最优特征子集分别训练基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
验证模块50,用于验证优化采集函数的后验分布以确定基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型。
在该疲劳驾驶预测模型的构建装置中,各个模块与上述的疲劳驾驶预测模型的构建方法的步骤对应,并使该疲劳驾驶预测模型的构建装置具有与构建方法相同的有益效果,在此不再具体展开阐述。
本发明的另一个实施例,提供了一种存储介质,存储有可执行指令,可执行指令能被计算机执行,使计算机运行如本发明第一方面的一种疲劳驾驶预测模型的构建方法。
存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (8)
1.一种疲劳驾驶预测模型的构建方法,其特征在于,包括以下步骤:
获取驾驶员的疲劳特征;
建立基础疲劳驾驶预测模型;
通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,根据分类性能从两者中选择其一作为最优特征子集,所述数据集由疲劳特征和疲劳标签组成;
利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型;
其中,所述通过boruta特征选择算法从数据集中提取第一特征子集包括以下步骤:
将m行n列的数据集随机打乱顺序,再对每一列独立进行随机行变换,得到m行n列的阴影特征数据集;
将所述数据集和所述阴影特征数据集合并得到m行2n列的合并数据集;
计算所述数据集和所述阴影特征数据集的所有疲劳特征的Z_score;
将所述阴影特征数据集中最大的Z_score记为Zmax;
将所述数据集中大于Z_score的疲劳特征标记为“重要”,小于Z_score的疲劳特征标记为“不重要”,并删除;
删除所述阴影特征数据集;
重复上述步骤直至所述数据集的所有疲劳特征均被标记,将标记为“重要”的疲劳特征作为第一特征子集。
2.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,还包括以下步骤:利用十折交叉验证法对所述最终疲劳驾驶预测模型进行评估。
3.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,所述疲劳特征包括生理特征和视觉特征;所述生理特征包括心率、血压和体温,所述视觉特征包括眼睑平均闭合速度、眨眼频率、哈欠次数、哈欠所占帧数比、点头次数和点头所占帧数比。
4.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,Z_score的计算方式如下:通过随机森林分类器对所述合并数据集计算每个疲劳特征相对离开所述合并数据集时的下降精度,根据下降精度评估每个疲劳特征的重要性。
5.根据权利要求4所述的一种疲劳驾驶预测模型的构建方法,其特征在于,所述通过特征递归消除算法从数据集中提取第二特征子集包括以下步骤:
设数据集为当前特征集,第二特征子集为空,基模型为决策树;循环以下步骤直至原始特征集为空,并输出此时的第二特征子集:利用当前特征集训练所述基模型得到分类准确率,若当前特征集的分类准确率大于所述第二特征子集的分类准确率,则更新所述第二特征子集为当前特征集;
对当前特征集进行交叉对比训练;
根据交叉对比训练得到的最低标准化系数对所述数据集中的疲劳特征排序;
移除最低标准化系数最小的E%的疲劳特征,并将移除后的数据集作为当前特征集;
其中,E为设定的删除比例。
6.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法,其特征在于,多个所述基分类器包括决策树、朴素贝叶斯、逻辑回归算法、随机森林、SVM、K最近邻算法、梯度提升迭代决策树、XGBoost和LightGBM。
7.一种疲劳驾驶预测模型的构建装置,其特征在于,包括:
特征获取模块,用于获取驾驶员的疲劳特征;
模型建立模块,用于建立基础疲劳驾驶预测模型;
最优特征子集选择模块,用于通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集,并根据分类性能从两者中选择其一作为最优特征子集,所述数据集由所述疲劳特征和疲劳标签组成;
分类器训练模块,用于利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器,并将多个基分类器的输出用于训练次级分类器;
验证模块,用于验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型;
其中,所述通过boruta特征选择算法从数据集中提取第一特征子集,包括:
将m行n列的数据集随机打乱顺序,再对每一列独立进行随机行变换,得到m行n列的阴影特征数据集;
将所述数据集和所述阴影特征数据集合并得到m行2n列的合并数据集;
计算所述数据集和所述阴影特征数据集的所有疲劳特征的Z_score;
将所述阴影特征数据集中最大的Z_score记为Zmax;
将所述数据集中大于Z_score的疲劳特征标记为“重要”,小于Z_score的疲劳特征标记为“不重要”,并删除;
删除所述阴影特征数据集;
重复上述步骤直至所述数据集的所有疲劳特征均被标记,将标记为“重要”的疲劳特征作为第一特征子集。
8.一种存储介质,其特征在于,存储有可执行指令,可执行指令能被计算机执行,使计算机运行如权利要求1至6任一项所述的一种疲劳驾驶预测模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160235.2A CN111444657B (zh) | 2020-03-10 | 2020-03-10 | 一种疲劳驾驶预测模型的构建方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160235.2A CN111444657B (zh) | 2020-03-10 | 2020-03-10 | 一种疲劳驾驶预测模型的构建方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444657A CN111444657A (zh) | 2020-07-24 |
CN111444657B true CN111444657B (zh) | 2023-05-02 |
Family
ID=71653199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160235.2A Active CN111444657B (zh) | 2020-03-10 | 2020-03-10 | 一种疲劳驾驶预测模型的构建方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444657B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
CN113159062B (zh) * | 2021-03-23 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 分类模型的训练及图像分类方法、电子设备及存储介质 |
CN113096814A (zh) * | 2021-05-28 | 2021-07-09 | 哈尔滨理工大学 | 一种基于多分类器融合的阿尔兹海默症分类预测方法 |
CN115048986B (zh) * | 2022-05-19 | 2023-04-07 | 河海大学 | 一种基于多分类器动态剪枝选择的地表冻融状态分类方法 |
CN114898339B (zh) * | 2022-05-20 | 2024-06-07 | 一汽解放汽车有限公司 | 驾驶行为预测模型的训练方法、装置、设备、存储介质 |
CN115099275B (zh) * | 2022-06-29 | 2023-07-07 | 西南医科大学 | 一种基于人工神经网络的心律失常诊断模型的训练方法 |
CN116189332B (zh) * | 2022-10-20 | 2024-03-19 | 开源网安物联网技术(武汉)有限公司 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
CN116959078B (zh) * | 2023-09-14 | 2023-12-05 | 山东理工职业学院 | 疲劳检测模型的构建方法、疲劳检测方法及其装置 |
CN117894481A (zh) * | 2024-03-15 | 2024-04-16 | 长春大学 | 基于贝叶斯超参数优化梯度提升树心脏病预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934368A (zh) * | 2017-03-13 | 2017-07-07 | 长安大学 | 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
WO2020024395A1 (zh) * | 2018-08-02 | 2020-02-06 | 平安科技(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-03-10 CN CN202010160235.2A patent/CN111444657B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934368A (zh) * | 2017-03-13 | 2017-07-07 | 长安大学 | 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
WO2020024395A1 (zh) * | 2018-08-02 | 2020-02-06 | 平安科技(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111444657A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444657B (zh) | 一种疲劳驾驶预测模型的构建方法、装置及存储介质 | |
KR102166010B1 (ko) | 얼굴인식을 이용한 인지장애 판단 방법 및 시스템 | |
Data | Machine learning | |
CN111210846A (zh) | 基于集成流形降维的帕金森语音识别系统 | |
CN111667490A (zh) | 一种眼底图片视杯视盘分割方法 | |
WO2020190480A1 (en) | Classifying an input data set within a data category using multiple data recognition tools | |
JP2023527136A (ja) | 診断結果を提供するための方法及び装置(method and apparatus for providing diagnosis result) | |
CN113380413A (zh) | 一种构建无效再通fr预测模型的方法和装置 | |
CN113780385A (zh) | 一种基于注意力机制的驾驶风险监测方法 | |
US20220383502A1 (en) | Systems and methods for eyelid localization | |
KR20230150947A (ko) | 개선된 딥러닝 모델을 위한 방법 및 시스템 | |
CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
WO2023148471A1 (en) | Classification of brain activity signals | |
Vokey et al. | Opposition logic and neural network models in artificial grammar learning | |
Hackenberg et al. | Deep dynamic modeling with just two time points: Can we still allow for individual trajectories? | |
CN115689981A (zh) | 基于信息融合的肺部图像检测方法、装置及存储介质 | |
Indrawan et al. | Blood glucose prediction using convolutional long short-term memory algorithms | |
Rigolli et al. | Driver behavioural classification from trajectory data | |
CN116959078B (zh) | 疲劳检测模型的构建方法、疲劳检测方法及其装置 | |
Visani | Meaningful insights: explainability techniques for black-box models on tabular data | |
CN114898339B (zh) | 驾驶行为预测模型的训练方法、装置、设备、存储介质 | |
Rahman et al. | Machine Learning Based Parkinson’s Disease Diagnosis using Hand Writing Related Variables | |
Kolkur et al. | Review of machine learning algorithms in R software for diagnosis of ESD diseases | |
Cuizon | Ensemble Predictive Model for Academic Churn Risk Using Plurality Voting | |
Lyon et al. | Fundamentals of machine learning |
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 |