CN112006701A - 一种驾驶疲劳的检测方法及系统 - Google Patents

Abstract

本发明公开了一种驾驶疲劳的检测方法及系统，其中，所述方法包括：获得第一用户的当前生理信号；构建综合效能评估模型；根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；构建实时疲劳模型；根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息，实现了提高生理信号采集、处理的准确性，并提高对疲劳状态评估的可靠性的效果。

Description

一种驾驶疲劳的检测方法及系统

技术领域

本发明涉及驾驶状态评估领域，尤其涉及一种驾驶疲劳的检测方法及系统。

背景技术

疲劳驾驶是造成交通事故的主要原因之一，目前，可以检测驾驶员是否出现疲劳现象的方法有：通过监测驾驶员在车辆行驶中的方向盘转角和车辆横向偏离等驾驶数据并进行分析，或使用便携式测量设备与无粘贴电机生理信号检测技术，测量并分析驾驶员生理特性的变化。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术中由于环境变化、身体运动等因素对生理信号产生干扰，且单一的生理信号作为评价指标，使得对生理信号采集、处理的准确性及疲劳状态评估的可靠性都受到影响。

发明内容

本申请实施例通过提供一种驾驶疲劳的检测方法及系统，解决了现有技术中对生理信号采集、处理的不准确及对疲劳状态评估不可靠的技术问题，实现了提高生理信号采集、处理的准确性，并提高对疲劳状态评估的可靠性的效果。

鉴于上述问题，本申请实施例提供了一种驾驶疲劳的检测方法及系统。

第一方面，本申请实施例提供了一种驾驶疲劳的检测方法，所述方法包括：获得第一用户的当前生理信号；构建综合效能评估模型；根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；构建实时疲劳模型；根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息。

另一方面，本申请还提供了一种驾驶疲劳的检测系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户的当前生理信号；第二获得单元，所述第二获得单元用于构建综合效能评估模型；第三获得单元，所述第三获得单元用于根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；第四获得单元，所述第四获得单元用于构建实时疲劳模型；第五获得单元，所述第五获得单元用于根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；第六获得单元，所述第六获得单元用于对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息。

第三方面，本申请实施例提供了一种驾驶疲劳的检测系统，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，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了根据所述第一用户的当前生理信号和构建的综合效能评估模型获得第一疲劳指标，根据所述用户当前生理信号和构建的实时疲劳模型获得第二疲劳指标，根据所述第一疲劳指标和第二疲劳指标获得所述第一用户驾驶疲劳等级信息的方式，实现了提高生理信号采集、处理的准确性，并提高对疲劳状态评估的可靠性的效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例一种驾驶疲劳的检测方法的流程示意图；

图2为本申请实施例一种驾驶疲劳的检测方法中获得更加准确的第一疲劳指标的流程示意图；

图3为本申请实施例一种驾驶疲劳的检测方法中获得准确的第二疲劳指标的流程示意图；

图4为本申请实施例一种驾驶疲劳的检测方法中根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标的流程示意图；

图5为本申请实施例一种驾驶疲劳的检测方法中获得更准确第二疲劳指标的流程示意图；

图6为本申请实施例一种驾驶疲劳的检测方法中获得更准确的第三疲劳指标的流程示意图；

图7为本申请实施例一种驾驶疲劳的检测方法中获得更准确的第五疲劳指标的流程示意图；

图8为本申请实施例一种驾驶疲劳的检测方法中获得更准确的第六疲劳指标的流程示意图；

图9为本申请实施例一种驾驶疲劳的检测系统的结构示意图；

图10为本申请实施例示例性电子设备的结构示意图。

附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第六获得单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。

具体实施方式

本申请实施例通过提供一种驾驶疲劳的检测方法及系统，解决了现有技术中对生理信号采集、处理的不准确及对疲劳状态评估不可靠的技术问题，实现了提高生理信号采集、处理的准确性，并提高对疲劳状态评估的可靠性的效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

疲劳驾驶是造成交通事故的主要原因之一，目前，可以测量驾驶员是否出现疲劳现象的方法有：通过监测驾驶员在车辆行驶中的方向盘转角和车辆横向偏离等驾驶数据并进行分析，或使用便携式测量设备、无粘贴电机生理信号检测技术，测量并分析驾驶员生理特性的变化。但由于环境变化、身体运动等因素对生理信号产生干扰，且单一的生理信号作为评价指标，使得对生理信号采集、处理的准确性及疲劳状态评估的可靠性都受到影响。

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请实施例提供了一种驾驶疲劳的检测方法及系统，其中，所述方法包括：获得第一用户的当前生理信号；构建综合效能评估模型；根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；构建实时疲劳模型；根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种驾驶疲劳的检测方法，其中，所述方法包括：

步骤S100：获得第一用户的当前生理信号；

具体而言，所述第一用户是指正在进行驾驶行为的驾驶员，所述生理信号具体为眼动特性、脑电波信号、闪光融合频率、心率和心电信号、肌肉信号、面部表情信息等信号，所述生理信号的获得具体可通过佩戴多模态生理数据采集手表，可采集驾驶员的脉搏信号(PPG)以及皮肤电信号(GSR)；通过便携式心电测量设备，可采集驾驶员的心电信号，并计算心电信号特征，例如心率变异性，包括R-R期间、高频功率值、低频功率值、以及低频-高频功率比等等，这里不再一一列举。通过对所述第一用户当前生理信号的获得，来对所述第一用户的疲劳状态进行初步的判断，为后续准确判断所述第一用户的疲劳状态获取信息。

步骤S200：构建综合效能评估模型；

具体而言，所述综合效能评估模型具体为综合效能评估模型，是通过综合多个疲劳指标及多模态生理信号后获得的综合效能评估模型。进一步来说，根据所述多个眼动特性的样本信息，确定第三疲劳指标；根据所述多个疲劳程度问卷量表的样本信息，确定第四疲劳指标；获得多个脑电波信号的样本信息，确定第五疲劳指标；根据所述多个闪光融合频率的样本信息，确定第六疲劳指标；融合所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标、第六疲劳指标以及多模态生理信号，构建所述综合效能评估模型。通过所述综合效能评估模型，对所述第一用户的实时的生理状态进行更进一步的准确判断，为后续准确判断所述第一用户的疲劳状态夯实基础。

步骤S300：根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；

具体而言，所述第一疲劳指标是用来评价所述第一用户疲劳等级的评级指标之一。将所述第一用户的当前生理信号输入到所述综合效能评估模型中，获得所述用于评价用户疲劳等级信息的第一疲劳指标。通过对所述当前生理信号与所述综合效能评估模型相结合的方式，使得对所述第一用户的第一疲劳指标判断准确，进而为后续获得准确的第一用户的疲劳等级信息奠定了基础。

步骤S400：构建实时疲劳模型；

具体而言，所述实时疲劳模型为根据所述第一用户的眼动特性信息和多模态的生理信号获得的实时疲劳模型。进一步来说，所述实时疲劳模型为经过大量数据训练的神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial NeuralNetworks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型，通过大量的第一用户的眼动特性信息、多模态的生理信号和起标识作用疲劳标识信息训练获得的神经网络模型。

进一步而言，所述训练过程的每一组训练数据均包括：第一用户的眼动特性信息、多模态的生理信号和起标识作用疲劳标识信息。将所述第一用户的眼动信息作为第一输入信息，所述多模态的生理信号作为第二输入信息，输入到所述神经网络模型中，所述神经网络模型输出一实时疲劳信息。

更进一步而言，所述多组数据对神经网络模型训练的过程实质为监督学习的过程，将所述第一用户的眼动信息作为第一输入信息，所述多模态的生理信号作为第二输入信息，输入到所述神经网络模型中，所述神经网络模型输出一实时疲劳信息，将所述输出的实时疲劳信息与所述起标识作用的疲劳标识信息进行比对，如果所述输出的实时疲劳信息与所述起标识作用的疲劳标识信息相一致，则本组数据的监督学习完成，进行下一组数据的监督学习；如果所述输出的实时疲劳信息与所述起标识作用的疲劳标识信息不一致，则所述神经网络模型不断地自我调整修正，直至输出的实时疲劳信息与所述起标识作用的疲劳标识信息相一致时，进行下一组监督数据的学习，直至所述神经网络模型对所述输入数据处理的结果达到预期的准确率后，所述监督学习的过程结束。通过将所述眼动特性信息和多模态生理信号作为输入数据输入到所述神经网络模型中的方式，对所述神经网络模型进行监督学习，基于神经网络模型不断自我修正调整的特性，使得所述神经网络模型处理所述输入数据更加准确，进而获得更加准确的第二疲劳指标，从而达到获得所述驾驶疲劳等级信息更加准确，实现了提高生理信号采集的准确性，并达到提高对疲劳状态评估的可靠性的效果。

步骤S500：根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；

具体而言，所述第二疲劳指标是用来评价所述第一用户疲劳等级的评级指标之一，将所述当前生理信号输入到所述实时疲劳模型中，所述疲劳模型通过此时的生理状态，根据监督数据对所述疲劳模型进行监督训练后，使得所述疲劳模型有足够的“经验”来处理所述第一用户的当前生理信号，获得第二疲劳指标。使得对所述第一用户的第二疲劳指标判断准确，进而为后续通过第二指标获得准确的第一用户的疲劳等级信息奠定了基础。

步骤S600：对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息；

具体而言，对比所述第一疲劳指标和所述第二疲劳指标获得第一用户的疲劳驾驶等级信息具体为：建立一模式化疲劳模型，将模式化疲劳模型得到的疲劳指标转化为一种刻度上的指标得分，并划分为清醒，轻度疲劳，中度疲劳，重度疲劳等多种疲劳等级，将所述第一疲劳指标和第二疲劳指标与所述模式化疲劳模型对比，根据指标得分，获得所述第一用户的驾驶疲劳等级信息。通过所述第一疲劳指标、第二疲劳指标，根据模式化的疲劳模型指标得分比对，获得所述第一用户疲劳等级信息的方式，基于所述第一疲劳指标、第二疲劳指标是综合多个生理信号，并根据综合效能评估模型、实时疲劳模型获得的方式，保证了生理信号采集、处理的准确性，使得第一疲劳指标、第二疲劳指标的获得更加准确科学，达到提高对疲劳状态评估的可靠性的效果。

如图2所示，为了构建综合效能评估模型，达到获得更加准确的第一疲劳指标的效果，本申请实施例步骤S200还包括：

步骤S210：获得多个眼动特性的样本信息；

步骤S220：根据所述多个眼动特性的样本信息，确定第三疲劳指标；

步骤S230：获得多个疲劳程度问卷量表的样本信息；

步骤S240：据所述多个疲劳程度问卷量表的样本信息，确定第四疲劳指标；

步骤S250：获得多个脑电波信号的样本信息；

步骤S260：根据所述多个脑电波信号的样本信息，确定第五疲劳指标；

步骤S270：获得多个闪光融合频率的样本信息；

步骤S280：根据所述多个闪光融合频率的样本信息，确定第六疲劳指标；

步骤S290：融合所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标、第六疲劳指标以及多模态生理信号，构建所述综合效能评估模型；

具体而言，所述眼动特性，具体包括眨眼特征指标，以及眼睑闭合时间百分比PERCLOS(pecent of the time eyelids closure)。眼睑闭合时间百分比指单位时间长度内眼睛闭合度超过80％所占的百分比。眨眼特征指标包括眨眼频率以及眨眼持续时间。通过对清醒状态和疲劳状态的眼动指标进行统计分析，确定驾驶员的第三疲劳指标；获得多个疲劳程度问卷量表的样本信息，该方式具体为驾驶员填写问卷量表，并根据量表测量的结果确定驾驶员的第四疲劳指标；所述脑电波信号，具体可以通过便携式脑电采集设备采集驾驶员的脑电波数据，并通过比较疲倦或兴奋状态下多个通道上脑电波信号各个频带上的能量进行功率谱分析，例如(α+θ)/β等等，确定驾驶员的第五疲劳指标；所述闪光融合频率，具体为使用闪光融合仪，通过测试驾驶员在闪光频率逐渐增加的过程中，感知到的视觉刺激由闪烁变为连续光时的频率，来评估驾驶员的激活水平与视觉敏感度变化，进而来确定第六疲劳指标；融合所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标、第六疲劳指标以及多模态生理信号，构建所述综合效能评估模型。通过采集驾驶员多个生理信号并作为评估标准，融合了多种生理信息构建成了综合效能评估模型，使得通过所述综合效能评估模型获得的第一疲劳指标更加的具有准确性，进而达到通过所述第一疲劳指标评估的第一用户的疲劳等级信息更加的准确、可靠的效果。

如图3所示，所述构建实时疲劳模型，达到获得更加准确的第二疲劳指标的效果，本申请实施例步骤S400还包括：

步骤S410：获得第一用户当前的眼动特性信息；

步骤S420：根据所述第一用户当前的眼动特性信息和多模态生理信号，构建所述实时疲劳模型；

具体而言，具体而言，所述实时疲劳模型为根据所述第一用户的眼动特性信息和多模态的生理信号获得的实时疲劳模型。进一步来说，所述实时疲劳模型为经过大量数据训练的神经网络模型，所述神经网络模型即机器学习中的神经网络模型，所述多组数据对神经网络模型训练的过程实质为监督学习的过程，将所述第一用户的眼动信息作为第一输入信息，所述多模态的生理信号作为第二输入信息，输入到所述神经网络模型中，所述神经网络模型输出一实时疲劳信息，将所述输出的实时疲劳信息与所述起标识作用的疲劳标识信息进行比对，如果所述输出的实时疲劳信息与所述起标识作用的疲劳标识信息相一致，则本组数据的监督学习完成，进行下一组数据的监督学习；如果所述输出的实时疲劳信息与所述起标识作用的疲劳标识信息不一致，则所述神经网络模型不断地自我调整修正，直至输出的实时疲劳信息与所述起标识作用的疲劳标识信息相一致时，进行下一组监督数据的学习，直至所述神经网络模型对所述输入数据处理的结果达到预期的准确率后，所述监督学习的过程结束。通过将所述眼动特性信息和多模态生理信号作为输入数据输入到所述神经网络模型中的方式，对所述神经网络模型进行监督学习，基于神经网络模型不断自我修正调整的特性，使得所述神经网络模型处理所述输入数据更加准确，进而获得更加准确的第二疲劳指标，从而达到获得所述驾驶疲劳等级信息更加准确，实现了提高生理信号采集的准确性，并达到提高对疲劳状态评估的可靠性的效果。

如图4所示，为了根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标，本申请实施例步骤S300还包括：

步骤S310：将所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标和所述第六疲劳指标分别转化为第一刻度上的指标得分信息；

步骤S320：根据所述指标得分信息，确定疲劳等级信息；

步骤S330：根据所述指标得分信息和所述疲劳等级信息，获得所述第一疲劳指标。

具体而言，所述第三疲劳指标为根据所述多个眼动特性的样本信息确定的，将所述眼动特性信息转化为眼动特性指标得分；所述第四疲劳指标为根据所述多个疲劳程度问卷量表的样本信息确定的，将所述疲劳问卷量表转化为疲劳问卷量表指标得分信息；所述第五疲劳指标为根据所述多个脑电波信号的样本信息确定的，将所述脑电波信号的样本信息转化为脑电波信号指标得分信息；所述第六疲劳指标是根据所述多个闪光融合频率的样本信息确定的，将所述多个闪光融合频率的样本信息转化为多个闪光融合频率指标得分信息，根据所述指标得分信息、疲劳等级信息获得所述第一疲劳指标。通过有机结合眼动特性信息、多个疲劳程度问卷量表的样本信息、多个脑电波信号的样本信息、多个闪光融合频率的样本信息并获得相应的指标得分信息的方式，使得根据所述指标得分信息获得的第一疲劳指标更加的精确，进而达到提高对疲劳状态评估的可靠性的效果。

如图5所示，为了获得更准确第二疲劳指标，达到对所述第一用户的驾驶疲劳等级信息评估更加准确的效果，所述步骤S500还包括：

步骤S510：将所述多模态生理信号和所述第一用户当前的眼动特性信息在单位时间上的特征值转化为第一刻度上的指标得分信息；

步骤S520：根据所述第一刻度上的指标得分信息，获得所述第二疲劳指标；

具体而言，眼动特性信息包括眨眼特征，以及眼睑闭合时间百分比信息等，通过对清醒状态和疲劳状态的眼动特性进行分析，将单位时间上的特性值与多模态生理信号有机结合，转化为第一刻度上的指标得分信息，进而根据所述指标得分信息获得所述第二疲劳指标，通过对所述眼动特性信息进行大数据统计分析，使得获得的评价所述第一用户是否疲劳更加准确，进一步对于所述眼动特性信息转化为指标得分信息，使得对于第一用户是否疲劳的评价更加直观的体现，进而获得更加准确第二疲劳指标，进而达到提高对疲劳状态评估的可靠性的效果。

如图6所示，为了获得更准确的第三疲劳指标，所述步骤S220还包括：

步骤S221：获得清醒状态和疲劳状态的多个眨眼特性指标信息；

步骤S222：获得清醒状态和疲劳状态的多个眼睑闭合时间百分比；

步骤S223：根据所述清醒状态和疲劳状态的多个眨眼特性指标信息和多个眼睑闭合时间百分比进行统计分析，确定所述第三疲劳指标；

具体而言，通过对清醒状态和疲劳状态的眨眼特性指标进行统计分析，根据所述清醒状态和疲劳状态的多个眨眼特性指标信息和多个眼睑闭合时间百分比进行统计分析，获得合理的评价所述第一用户是否疲劳的评价指标，进而获得更加准确第三疲劳指标，进而达到提高对疲劳状态评估的可靠性的效果。

如图7所示，为了获得更准确的第五疲劳指标，本申请实施例步骤S260还包括：

步骤S261：获得清醒状态和疲劳状态的多个脑电波信号；

步骤S262：通过比较分析清醒状态和疲劳状态的多个通道上脑电波信号各个频带上的能量功率谱，确定所述第五疲劳指标；

具体而言，获得清醒状态和疲劳状态脑电波信号，具体可以通过便携式脑电采集设备采集驾驶员的脑电波数据，并通过比较清醒和疲劳状态下多个通道上脑电波信号各个频带上的能量进行功率谱分析，例如(α+θ)/β等等，分析比对多个通道上脑电波信号各个频带上的能量功率谱，确定所述第五疲劳指标。通过对于清醒状态和疲劳状态脑电波信号的分析，获得更加准确的第五疲劳指标，进而使得根据第五疲劳指标构建的综合效能评估模型更加准确，进而达到根据综合效能评估模型获得的第一疲劳指标更加的准确的效果。

如图8所示，为了获得更准确的第六疲劳指标，所述步骤S280还包括：

步骤S281：获得清醒状态和疲劳状态的多个闪光融合频率；

步骤S282：根据所述清醒状态和疲劳状态感知到的视觉刺激由闪烁变为连续光时的频率，来评估驾驶员的激活水平与视觉敏感度变化确定所述第六疲劳指标；

具体而言，获得清醒状态和疲劳状态下的闪光融合频率，具体为使用闪光融合仪，通过测试驾驶员在闪光频率逐渐增加的过程中，感知到的视觉刺激由闪烁变为连续光时的频率，来评估驾驶员的激活水平与视觉敏感度变化，继而可以确定驾驶员的视觉疲劳与精神疲劳指标，进而确定所述第六疲劳指标。通过对于清醒状态和疲劳状态多个闪光融合频率的分析，获得更加准确的第六疲劳指标，进而使得根据第六疲劳指标构建的综合效能评估模型更加准确，进而达到根据综合效能评估模型获得的第一疲劳指标更加的准确的效果。

综上所述，本申请实施例所提供的一种驾驶疲劳的检测方法及系统具有如下技术效果：

1、由于采用了根据所述第一用户的当前生理信号和构建的综合效能评估模型获得第一疲劳指标，根据所述用户当前生理信号和构建的实时疲劳模型获得第二疲劳指标，根据所述第一疲劳指标和第二疲劳指标获得所述第一用户驾驶疲劳等级信息的方式，实现了提高生理信号采集、处理的准确性，并提高对疲劳状态评估的可靠性的效果。

2、由于采用了融合所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标、第六疲劳指标以及多模态生理信号，构建所述综合效能评估模型的方式，使得通过所述综合效能评估模型获得的第一疲劳指标更加的具有准确性，进而达到通过所述第一疲劳指标评估的第一用户的疲劳等级信息更加的准确、可靠的效果。

3、由于采用了将所述眼动特性信息和多模态生理信号作为输入数据输入到所述神经网络模型中的方式，对所述神经网络模型进行监督学习，基于神经网络模型不断自我修正调整的特性，使得所述神经网络模型处理所述输入数据更加准确，进而获得更加准确的第二疲劳指标，从而达到获得所述驾驶疲劳等级信息更加准确，实现了提高生理信号采集的准确性，并达到提高对疲劳状态评估的可靠性的效果。

4、由于采用了融合眼动特性信息、多个疲劳程度问卷量表的样本信息、多个脑电波信号的样本信息、多个闪光融合频率的样本信息并获得相应的指标得分信息的方式，使得根据所述指标得分信息获得的第一疲劳指标更加的精确，进而达到提高对疲劳状态评估的可靠性的效果。

实施例二

基于与前述实施例中一种驾驶疲劳的检测方法同样发明构思，本发明还提供了一种驾驶疲劳的检测系统，如图9所示，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得第一用户的当前生理信号；

第二获得单元12，所述第二获得单元12用于构建综合效能评估模型；

第三获得单元13，所述第三获得单元13用于根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；

第四获得单元14，所述第四获得单元14用于构建实时疲劳模型；

第五获得单元15，所述第五获得单元15用于根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；

第六获得单元16，所述第六获得单元16用于对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息；

进一步的，所述系统还包括：

第七获得单元，所述第七获得单元用于获得多个眼动特性的样本信息；

第一确定单元，所述第一确定单元用于根据所述多个眼动特性的样本信息，确定第三疲劳指标；

第八获得单元，所述第八获得单元用于获得多个疲劳程度问卷量表的样本信息；

第二确定单元，所述第二确定单元用于根据所述多个疲劳程度问卷量表的样本信息，确定第四疲劳指标；

第九获得单元，所述第九获得单元用于获得多个脑电波信号的样本信息；

第三确定单元，所述第三获得单元用于根据所述多个脑电波信号的样本信息，确定第五疲劳指标；

第十获得单元，所述第十获得单元用于获得多个闪光融合频率的样本信息；

第四确定单元，所述第四确定单元用于根据所述多个闪光融合频率的样本信息，确定第六疲劳指标；

第十一获得单元，所述第十一获得单元用于融合所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标、第六疲劳指标以及多模态生理信号，构建所述综合效能评估模型；

进一步的，所述系统还包括：

第十二获得单元，所述第十二获得单元用于获得第一用户当前的眼动特性信息；

第十三获得单元，所述第十三获得单元用于根据所述第一用户当前的眼动特性信息和多模态生理信号，构建所述实时疲劳模型；

进一步的，所述系统还包括：

第十四获得单元，所述第十四获得单元用于将所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标和所述第六疲劳指标分别转化为第一刻度上的指标得分信息；

第五确定单元，所述第五确定单元用于根据所述指标得分信息，确定疲劳等级信息；

第十五获得单元，所述第十五获得单元用于根据所述指标得分信息和所述疲劳等级信息，获得所述第一疲劳指标；

进一步的，所述系统还包括：

第十六获得单元，所述第十六获得单元用于将所述多模态生理信号和所述第一用户当前的眼动特性信息在单位时间上的特征值转化为第一刻度上的指标得分信息；

第十七获得单元，所述第十七获得单元用于根据所述第一刻度上的指标得分信息，获得所述第二疲劳指标；

进一步的，所述系统还包括：

第十八获得单元，所述第十八获得单元用于获得清醒状态和疲劳状态的多个眨眼特性指标信息；

第十九获得单元，所述第十九获得单元用于获得清醒状态和疲劳状态的多个眼睑闭合时间百分比；

第六确定单元，所述第六确定单元用于根据所述清醒状态和疲劳状态的多个眨眼特性指标信息和多个眼睑闭合时间百分比进行统计分析，确定所述第三疲劳指标；

进一步的，所述系统还包括：

第二十获得单元，所述第二十获得单元用于获得清醒状态和疲劳状态的多个脑电波信号；

第七确定单元，所述第七获得单元用于通过比较分析清醒状态和疲劳状态的多个通道上脑电波信号各个频带上的能量功率谱，确定所述第五疲劳指标。

前述图1实施例一中的一种驾驶疲劳的检测方法的各种变化方式和具体实例同样适用于本实施例的一种驾驶疲劳的检测系统，通过前述对一种驾驶疲劳的检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种驾驶疲劳的检测系统的实施方法，所以为了说明书的简洁，在此不再详述。

示例性电子设备

下面参考图10来描述本申请实施例的电子设备。

图10图示了根据本申请实施例的电子设备的结构示意图。

基于与前述实施例中一种驾驶疲劳的检测方法的发明构思，本发明还提供一种驾驶疲劳的检测系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种驾驶疲劳的检测方法的任一方法的步骤。

其中，在图10中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明实施例提供的一种驾驶疲劳的检测方法，所述方法包括：获得第一用户的当前生理信号；构建综合效能评估模型；根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；构建实时疲劳模型；根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息。解决了现有技术中对生理信号采集的不准确及对疲劳状态评估不可靠的技术问题，实现了提高生理信号采集的准确性，并提高对疲劳状态评估的可靠性的效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种驾驶疲劳的检测方法，其中，所述方法包括：

获得第一用户的当前生理信号；

构建综合效能评估模型；

根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；

构建实时疲劳模型；

根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；

对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息。

2.如权利要求1所述的方法，其中，所述构建综合效能评估模型，包括：

获得多个眼动特性的样本信息；

根据所述多个眼动特性的样本信息，确定第三疲劳指标；

获得多个疲劳程度问卷量表的样本信息；

根据所述多个疲劳程度问卷量表的样本信息，确定第四疲劳指标；

获得多个脑电波信号的样本信息；

根据所述多个脑电波信号的样本信息，确定第五疲劳指标；

获得多个闪光融合频率的样本信息；

根据所述多个闪光融合频率的样本信息，确定第六疲劳指标；

融合所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标、第六疲劳指标以及多模态生理信号，构建所述综合效能评估模型。

3.如权利要求1所述的方法，其中，所述构建实时疲劳模型，包括：

获得第一用户当前的眼动特性信息；

根据所述第一用户当前的眼动特性信息和多模态生理信号，构建所述实时疲劳模型。

4.如权利要求2所述的方法，其中，所述根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标，包括：

将所述第三疲劳指标、所述第四疲劳指标、所述第五疲劳指标和所述第六疲劳指标分别转化为第一刻度上的指标得分信息；

根据所述指标得分信息，确定疲劳等级信息；

根据所述指标得分信息和所述疲劳等级信息，获得所述第一疲劳指标。

5.如权利要求3所述的方法，其中，所述根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标，包括：

将所述多模态生理信号和所述第一用户当前的眼动特性信息在单位时间上的特征值转化为第一刻度上的指标得分信息；

根据所述第一刻度上的指标得分信息，获得所述第二疲劳指标。

6.如权利要求2所述的方法，其中，所述根据所述多个眼动特性的样本信息，确定第三疲劳指标，包括：

获得清醒状态和疲劳状态的多个眨眼特性指标信息；

获得清醒状态和疲劳状态的多个眼睑闭合时间百分比；

根据所述清醒状态和疲劳状态的多个眨眼特性指标信息和多个眼睑闭合时间百分比进行统计分析，确定所述第三疲劳指标。

7.如权利要求2所述的方法，其中，所述根据所述多个脑电波信号的样本信息，确定第五疲劳指标，包括：

获得清醒状态和疲劳状态的多个脑电波信号；

通过比较分析清醒状态和疲劳状态的多个通道上脑电波信号各个频带上的能量功率谱，确定所述第五疲劳指标。

8.一种驾驶疲劳的检测系统，其中，所述系统包括：

第一获得单元，所述第一获得单元用于获得第一用户的当前生理信号；

第二获得单元，所述第二获得单元用于构建综合效能评估模型；

第三获得单元，所述第三获得单元用于根据所述第一用户的当前生理信号和所述综合效能评估模型，获得第一疲劳指标；

第四获得单元，所述第四获得单元用于构建实时疲劳模型；

第五获得单元，所述第五获得单元用于根据所述第一用户的当前生理信号和所述实时疲劳模型，获得第二疲劳指标；

第六获得单元，所述第六获得单元用于对比所述第一疲劳指标和所述第二疲劳指标，获得所述第一用户的驾驶疲劳等级信息。

9.一种驾驶疲劳的检测系统，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，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。

Images