CN113171095B - 一种层级式驾驶员认知分心检测系统 - Google Patents
一种层级式驾驶员认知分心检测系统 Download PDFInfo
- Publication number
- CN113171095B CN113171095B CN202110441792.6A CN202110441792A CN113171095B CN 113171095 B CN113171095 B CN 113171095B CN 202110441792 A CN202110441792 A CN 202110441792A CN 113171095 B CN113171095 B CN 113171095B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- information
- driver
- distraction
- cognitive
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Educational Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种层级式驾驶员认知分心检测系统,涉及交通安全技术领域,包括:信息采集子系统和信息处理子系统;所述信息采集子系统包括车辆控制指标采集装置、脑电信息采集装置和无线发射器;所述信息处理子系统包括无线接收器、车辆控制指标信息处理模块、脑电信息处理模块和认知分心等级判别模块;本申请采用车辆控制指标和脑电信息两方面对驾驶员认知分心状态进行判断,以车辆控制指标作为输入,对驾驶员驾驶状态进行划分,将驾驶状态划分结果和脑电信息融合到一起,采用RF法对脑电变量特征进行提取和选择,最后对认知分心程度进行分类,识别驾驶分心的准确性比传统单一指标识别驾驶分心的准确性提高50%以上。
Description
技术领域
本发明涉及交通安全技术领域,具体为一种层级式驾驶员认知分心检测系统。
背景技术
驾驶分心是驾驶员主观因素导致道路交通事故的主要原因。NHTSA将驾驶分心定义为驾驶员在驾驶过程中注意力由驾驶任务转移到另一项活动中的特定类型的注意力不集中,并将驾驶分心划分为视觉分心、操作分心、认知分心三种类型。常见的驾驶分心主要为视觉分心和认知分心两类。视觉分心通常指驾驶时驾驶员视线偏离前方道路以致影响其道路环境感知能力的现象;认知分心则是指在驾驶过程中,驾驶员不自主地思考与驾驶无关的事情时所表现出的状态。处于不同层级认知分心的驾驶员对行车安全产生的影响不一样,认知分心程度越高,带来的危害越大,因此,建立一个驾驶员认知分心检测系统,对于完善驾驶分心监测,开展驾驶分心预警,提高车辆驾驶的安全性意义重大。
专利CN10733481A公开了一种驾驶分心检测方法及系统,通过获取驾驶员脑电频谱特征,利用驾驶分心区分性模型检测驾驶员驾驶分心状态。
专利CN10853716A公开了一种基于视觉特性的驾驶分心检测方法,通过采集驾驶员的眼动特征,建立起驾驶分心检测模型,以实现对驾驶员分心状态的检测。
综上,现有的驾驶分心检测方法和系统多采用眼动特征、脑电频谱特征等生理信息指标,依据这些单一指标建立起驾驶分心检测模型,但在实际驾驶过程中,使用单一指标识别驾驶分心的准确性低,且关于认知分心检测的系统不多,由于认知分心程度直接决定驾驶员的驾驶安全性,有必要进一步开展认知分心检测系统的研发与设计,为了解决上述问题,本发明提出一种考虑多指标的层级式驾驶员认知分心检测系统。
发明内容
本发明的目的是:针对现有技术中使用单一指标识别驾驶分心的准确性低的问题,提出一种层级式驾驶员认知分心检测系统。
本发明为了解决上述技术问题采取的技术方案是:
一种层级式驾驶员认知分心检测系统,包括:信息采集子系统和信息处理子系统;
所述信息采集子系统包括车辆控制指标采集装置、脑电信息采集装置和无线发射器;
所述车辆控制指标采集装置用于实时采集车辆的速度、加速度和车头间距信息,所述脑电信息采集装置用于提取驾驶员脑电信息,所述无线发射器将车辆控制指标采集装置和脑电信息采集装置采集到的信息发送给信息处理子系统;
所述信息处理子系统包括无线接收器、车辆控制指标信息处理模块、脑电信息处理模块和认知分心等级判别模块;
所述无线接收器用于接收无线发射器发送的信息;所述车辆控制指标信息处理模块根据接收到的车辆的速度、加速度和车头间距信息采用K-means算法将驾驶员驾驶状态分为认知分心状态与正常驾驶状态;所述脑电信息处理模块利用随机森林算法对驾驶员脑电信息中的脑电特征量进行提取和选择,所述认知分心等级判别模块利用脑电特征量及脑电特征量对应的驾驶员驾驶状态构建训练集,并利用训练集训练KNN分类器,最后利用训练好的KNN分类器对驾驶员认知分心进行检测。
进一步的,所述车辆控制指标信息处理模块具体执行如下步骤:
首先车辆控制指标信息处理模块接收到车辆的速度、加速度和车头间距信息后,按照3δ准则法剔除车辆的速度、加速度和车头间距信息中的异常数据,并使用Z-score标准化方法对剔除异常数据后的车辆的速度、加速度和车头间距信息数据进行归一化处理,
然后将包括车辆的速度、加速度和车头间距信息的三维车辆控制指标作为输入数据,并采用K-means算法标记认知状态。
进一步的,所述Z-score标准化的转化函数表示为:
其中,μ为原始数据的平均值,σ为原始数据的标准差,X表示车辆控制指标信息处理模块接收到的车辆的速度、加速度和车头间距信息,X*表示归一化处理后的车辆的速度、加速度和车头间距信息。
进一步的,所述采用K-means算法标记认知状态的具体步骤为:
首先K-means算法将驾驶员认知负荷状态分为:正常驾驶和认知分心驾驶,然后随机选择两个样本点作为初始质心μ1和μ2,所述初始质心μ1对应正常驾驶,所述初始质心μ2对应认知分心驾驶,之后计算输入样本X中各样本点到两个质心的距离dij:
其中,Xi表示样本点;
然后随机选择不同的初始质心重复运行K-means算法,然后选择误差平方和最小的结果给驾驶员分心贴标签,若误差平方和最小的结果与μ1的距离小于误差平方和最小的结果与μ2的距离,则对应的标签为0,对应的状态为正常驾驶;若误差平方和最小的结果与μ1的距离大于误差平方和最小的结果与μ2的距离,则对应的标签为1,对应的状态为认知分心驾驶;
最后将脑电信息中标签为0的脑电信息删除;
误差平方和的公式表示为:
进一步的,所述驾驶员脑电信息包括额区、顶区、枕区和颞区的δ波、θ波、α波以及β波信息;
所述脑电信息处理模块具体执行如下步骤:
所述脑电信息处理模块接收到驾驶员脑电信息后,提取驾驶员脑电信息中基础脑电变量,具体步骤为:
(1)将驾驶员脑电信息进行快速傅里叶变换;
(2)对快速傅里叶变换后的驾驶员脑电信息中额区、顶区、枕区和颞区分别提取δ波、θ波、α波以及β波的幅值、功率对数和功率谱密度变量,共计48维,即4脑区×4脑电波频段×3特征量;
然后利用随机森林从48维基础脑电变量中选择三个关键脑电特征量。
进一步的,所述利用随机森林从48维基础脑电变量中选择三个关键脑电特征量的具体步骤为:首先利用随机森林得到平均精度下降率,然后以平均精度下降率作为指标对认知分心相关特征进行重要性排序,排序标准为平均精度下降率指标下降越多,重要性越高。
进一步的,所述平均精度下降率表示为:
其中,n为基学习器的个数,errOOBt为袋外数据误差,eerOOBt'为加入噪声后的袋外数据误差。
进一步的,所述认知分心等级判别模块具体执行如下步骤:
所述认知分心等级判别模块根据贴上标签的脑电信息,即脑电信息中标签为1的脑电信息,然后将标签为1的脑电信息打上次标签,所述次标签分别为深度认知分心、中度认知分心和轻度认识分心,然后根据选择的三个关键脑电特征量及其对应的次标签作为训练数据集训练KNN,最后利用训练好的KNN分类器对驾驶员认知分心进行检测。
进一步的,所述K最邻近算法的具体步骤为:
步骤一:计算当前待估计点x与训练数据集之间的欧式距离,其公式表示如下:
其中,Dis(x,xi)表示两个数据点间的距离,所述训练数据集为(xi,yi),i=1,2,...,n;
进一步的,所述提取驾驶员脑电信息的具体步骤为:
首先利用64导脑电采集系统获取脑电信号,采样率为1000Hz,然后运用EEGLAB软件进行脑电数据的预处理,并将预处理后的脑电数据作为最终采集的驾驶员脑电信息;
所述预处理的具体步骤为:
(1)将64导脑电采集系统采集到的脑电信号的采样率从1000Hz降为256Hz;
(2)取全脑电极的平均值作为参考电极;
(3)利用EEGLAB中的Remove Baseline功能自动完成基线校准;
(4)将基线校准后电极得到的脑电信号进行FIR带通滤波处理,然后根据FIR带通滤波处理后脑电信号中电极数据的统计特征,对分布明显有别于其他电极的无效电极进行剔除,并将脑电信号以1s为时间间隔进行分段处理;
(5)对分段后的脑电信号运行独立成分分析法,接着用ADJUST插件识别伪迹并剔除。
本发明的有益效果是:
本申请采用车辆控制指标和脑电信息两方面对驾驶员认知分心状态进行判断,以车辆控制指标作为输入,对驾驶员驾驶状态进行划分,将驾驶状态划分结果和脑电信息融合到一起,采用RF法对脑电变量特征进行提取和选择,最后对认知分心程度进行分类,识别驾驶分心的准确性比传统单一指标识别驾驶分心的准确性提高50%以上。
附图说明
图1为本申请的结构示意图;
图2为K-means算法训练流程;
图3为认知分心检测算法流程图;
图4为实施例中车辆控制指标三维数据前两维聚类结果;
图5为实施例中车辆控制指标三维数据前三维聚类结果。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1、图2和图3具体说明本实施方式,本实施方式所述的一种层级式驾驶员认知分心检测系统,包括:信息采集子系统和信息处理子系统;
所述信息采集子系统包括车辆控制指标采集装置、脑电信息采集装置和无线发射器;
所述车辆控制指标采集装置用于实时采集车辆的速度、加速度和车头间距信息,所述脑电信息采集装置用于提取驾驶员脑电信息,所述无线发射器将车辆控制指标采集装置和脑电信息采集装置采集到的信息发送给信息处理子系统;
所述信息处理子系统包括无线接收器、车辆控制指标信息处理模块、脑电信息处理模块和认知分心等级判别模块;
所述无线接收器用于接收无线发射器发送的信息;所述车辆控制指标信息处理模块根据接收到的车辆的速度、加速度和车头间距信息采用K-means算法将驾驶员驾驶状态分为认知分心状态与正常驾驶状态;所述脑电信息处理模块利用随机森林算法对驾驶员脑电信息中的脑电特征量进行提取和选择,所述认知分心等级判别模块利用脑电特征量及脑电特征量对应的驾驶员驾驶状态构建训练集,并利用训练集训练KNN分类器,最后利用训练好的KNN分类器对驾驶员认知分心进行检测。
所述信息采集装置选取速度、加速度和车头间距作为车辆控制指标。在采集数据时,设计三种增加驾驶员认知负荷的次任务(分别为深度认知分心次任务,中度认知分心次任务和轻度认知分心次任务)以使其处于认知分心状态,而驾驶员以平常的驾驶状态驾驶视为正常驾驶,分别采集驾驶员认知分心驾驶与正常驾驶的速度、加速度和车头间距。脑电信息采集装置同步采集脑电信息。
所述提取驾驶员脑电信息的具体步骤为:
首先利用Neuroscan公司的64导脑电采集系统获取脑电信号,采样率为1000Hz,然后运用EEGLAB软件进行脑电数据的预处理,并将预处理后的脑电数据作为最终采集的驾驶员脑电信息;
所述预处理的具体步骤为:
(1)将64导脑电采集系统采集到的脑电信号的采样率从1000Hz降为256Hz;
(2)取全脑电极的平均值作为参考电极;
(3)利用EEGLAB中的Remove Baseline功能自动完成基线校准;
(4)将基线校准后电极得到的脑电信号进行FIR带通滤波处理,然后根据FIR带通滤波处理后脑电信号中电极数据的统计特征,对分布明显有别于其他电极的无效电极进行剔除,并将脑电信号以1s为时间间隔进行分段处理;
(5)对分段后的脑电信号运行独立成分分析法(ICA),接着用ADJUST插件识别伪迹并手动剔除。
所述信息处理装置中的车辆控制指标信息处理模块接收到车辆控制指标信息后,按照3δ准则法原理剔除异常数据并使用Z-score标准化方法对实验数据进行归一化处理以降低驾驶员个体差异的影响,从而建立具有一定数量规模的驾驶员正常驾驶和认知分心驾驶数据库。
其中,Z-score标准化的转化函数:
其中,μ为原始数据的平均值,σ为原始数据的标准差,X表示车辆控制指标信息处理模块接收到的车辆的速度、加速度和车头间距信息,X*表示归一化处理后的车辆的速度、加速度和车头间距信息。
将速度、加速度和车头间距三维车辆控制指标关键变量作为输入量,其中,速度单位为m/s,加速度单位为m/s2,车头间距单位为m,采用K-means算法根据车辆控制指标来标记认知状态,K-means算法通过最小化输入数据与对应簇的质心之间的距离的平方和将输入数据分成k类。将3维车辆控制指标数据作为输入样本,记为X={X1,X2,...,XN},其中,Xi={xi1,xi2,xi3}是包含3个车辆控制指标的样本点。
算法将驾驶员认知负荷状态采用二分类:分心和不分心,即k=2。随机选择两个样本点作为初始质心μ1和μ2,计算输入样本X中各样本点到两个质心的距离:
然后随机选择不同的初始质心重复运行K-means算法,然后选择误差平方和(Sumof Squared Error,SSE)最小的结果给驾驶员分心贴标签,若误差平方和最小的结果与μ1的距离小于误差平方和最小的结果与μ2的距离,则对应的标签为0,对应的状态为正常驾驶;若误差平方和最小的结果与μ1的距离大于误差平方和最小的结果与μ2的距离,则对应的标签为1,对应的状态为认知分心驾驶;
最后将脑电信息中标签为0的脑电信息删除;
SSE:
所述信息处理装置中的脑电信息处理模块接收到驾驶员脑电信息,采用快速傅里叶变换提取基础脑电变量,共计48维(4脑区×4脑电波频段×3特征量):
(1)将预处理后的脑电数据进行快速傅里叶变换;
(2)提取δ波、θ波、α波和β波的幅值、功率对数、功率谱密度变量;
(3)按照电极分区进一步提取额区、顶区、枕区和颞区的脑电变量,其中,额区主要与人的认知活动、思考活动以及情感等功能相关。
按照上述方法提取基础脑电变量后,利用随机森林(RF)从48维基础脑电变量中进一步提取三个关键脑电特征量。
RF是基于决策树的组合分类器,使用Bagging方法从原样本集中随机且可重复抽取样本进行分类器训练,其中约37%的样本数据不会被选中,这些不会被选中的数据称为袋外数据(Out of Bag,OOB)。计算某个特征重要性时,用OOB数据作为测试集测试训练后的基学习器,测试错误率记为袋外误差(errOOB);对OOB样本中待计算重要性特征加入噪声,再次计算errOOB;计算所有基学习器的测试平均误差,以平均精度下降率(MDA)作为指标进行特征重要性计算。
其中,n为基学习器的个数,errOOBt为袋外数据误差,eerOOBt'为加入噪声后的袋外数据误差。
MDA指标下降越多,说明所对应特征对预测结果影响较大,进而说明其重要性越高。依此方法对认知分心相关特征进行重要性排序,进行特征选择。
所述信息处理装置中的的认知分心等级判别模块根据贴上标签的三维脑电信息,以K最邻近算法(KNN)作为分类器。将认知分心状态分为深度认知分心、中度认知分心、轻度认识分心,然后根据选择的三个关键脑电特征量及其对应的次标签作为训练数据集训练KNN,最后利用训练好的KNN分类器对驾驶员认知分心进行检测。。
利用近邻相似思想,KNN算法搜索待估计点在训练x数据集中的k个最近邻点,然后根据这k个最近邻点来推断待估计点的预测值。假设(xi,yi),i=1,2,...,n为训练数据点,KNN算法步骤:
步骤一:计算当前待估计点与历史训练数据点之间的欧式距离,其公式可表示如下:
其中,Dis(x,xi)表示两个数据点间的距离,所述训练数据集为(xi,yi),i=1,2,...,n;
实施例:
采用以下实施例验证本发明的有益效果:
假设某道路路段为城市双向四车道道路,每条车道宽3.5m,交通通畅,经过RF算法选择β波幅值,α波幅值,θ波幅值作为三维脑电特征量,有以下一组数据作为样本集,样本集K-means聚类结果见图4、图5,现在已知某驾驶员的速度为10.50m/s,加速度为0.90m/s2,车头间距为95.00m,β波幅值为25Hz,α波幅值为11.6Hz,θ波幅值为5.9Hz,判断该驾驶员的驾驶状态。
表1样本数据集示例
样本正常驾驶的聚类中心为:(9.4150,0.9225,94.5225),分心驾驶的聚类中心为(10.6583,0.8950,94.9799),所求驾驶员的三个车辆控制指标与两个聚类中心的距离为:
与正常驾驶聚类中心之间的距离:
与分心驾驶聚类中心之间的距离:
d1<d2,所以该驾驶员处于分心驾驶状态,进一步地,对该驾驶员认知分心程度进行判断。KNN运行结果:
[['样本1',5.33],['样本2',4.5],['样本3',5.33],['样本4',6.33],['样本5',2.0],['样本6',0.14],['样本7',1.01],['样本8',0.14],['样本9',4.3],['样本10',5.26],['样本11',3.35],['样本12',5.28]]
[('中度认知分心',4),('深度认知分心',1),('轻度认知分心',0)]
故该驾驶员驾驶状态处于中度认知分心水平。车辆控制指标三维数据前两维聚类结果和车辆控制指标三维数据前三维聚类结果如图4和图5所示。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (7)
1.一种层级式驾驶员认知分心检测系统,其特征在于包括:信息采集子系统和信息处理子系统;
所述信息采集子系统包括车辆控制指标采集装置、脑电信息采集装置和无线发射器;
所述车辆控制指标采集装置用于实时采集车辆的速度、加速度和车头间距信息,所述脑电信息采集装置用于提取驾驶员脑电信息,所述无线发射器将车辆控制指标采集装置和脑电信息采集装置采集到的信息发送给信息处理子系统;
所述信息处理子系统包括无线接收器、车辆控制指标信息处理模块、脑电信息处理模块和认知分心等级判别模块;
所述无线接收器用于接收无线发射器发送的信息;所述车辆控制指标信息处理模块根据接收到的车辆的速度、加速度和车头间距信息采用K-means算法将驾驶员驾驶状态分为认知分心状态与正常驾驶状态;所述脑电信息处理模块利用随机森林算法对驾驶员脑电信息中的脑电特征量进行提取和选择,所述认知分心等级判别模块利用脑电特征量及脑电特征量对应的驾驶员驾驶状态构建训练集,并利用训练集训练KNN分类器,最后利用训练好的KNN分类器对驾驶员认知分心进行检测;
所述认知分心等级判别模块具体执行如下步骤:
所述认知分心等级判别模块根据贴上标签的脑电信息,即脑电信息中标签为1的脑电信息,然后将标签为1的脑电信息打上次标签,所述次标签分别为深度认知分心、中度认知分心和轻度认识分心,然后根据选择的三个关键脑电特征量及其对应的次标签作为训练数据集训练KNN,最后利用训练好的KNN分类器对驾驶员认知分心进行检测;
所述车辆控制指标信息处理模块具体执行如下步骤:
首先车辆控制指标信息处理模块接收到车辆的速度、加速度和车头间距信息后,按照3δ准则法剔除车辆的速度、加速度和车头间距信息中的异常数据,并使用Z-score标准化方法对剔除异常数据后的车辆的速度、加速度和车头间距信息数据进行归一化处理,
然后将包括车辆的速度、加速度和车头间距信息的三维车辆控制指标作为输入数据,并采用K-means算法标记认知状态;
所述采用K-means算法标记认知状态的具体步骤为:
首先K-means算法将驾驶员认知负荷状态分为:正常驾驶和认知分心驾驶,然后随机选择两个样本点作为初始质心μ1和μ2,所述初始质心μ1对应正常驾驶,所述初始质心μ2对应认知分心驾驶,之后计算输入样本X中各样本点到两个质心的距离dij:
其中,Xi表示样本点;
然后随机选择不同的初始质心重复运行K-means算法,然后选择误差平方和最小的结果给驾驶员分心贴标签,若误差平方和最小的结果与μ1的距离小于误差平方和最小的结果与μ2的距离,则对应的标签为0,对应的状态为正常驾驶;若误差平方和最小的结果与μ1的距离大于误差平方和最小的结果与μ2的距离,则对应的标签为1,对应的状态为认知分心驾驶;
最后将脑电信息中标签为0的脑电信息删除;
误差平方和的公式表示为:
3.根据权利要求1所述的一种层级式驾驶员认知分心检测系统,其特征在于所述驾驶员脑电信息包括额区、顶区、枕区和颞区的δ波、θ波、α波以及β波信息;
所述脑电信息处理模块具体执行如下步骤:
所述脑电信息处理模块接收到驾驶员脑电信息后,提取驾驶员脑电信息中基础脑电变量,具体步骤为:
(1)将驾驶员脑电信息进行快速傅里叶变换;
(2)对快速傅里叶变换后的驾驶员脑电信息中额区、顶区、枕区和颞区分别提取δ波、θ波、α波以及β波的幅值、功率对数和功率谱密度变量,共计48维,即4脑区×4脑电波频段×3特征量;
然后利用随机森林从48维基础脑电变量中选择三个关键脑电特征量。
4.根据权利要求3所述的一种层级式驾驶员认知分心检测系统,其特征在于所述利用随机森林从48维基础脑电变量中选择三个关键脑电特征量的具体步骤为:首先利用随机森林得到平均精度下降率,然后以平均精度下降率作为指标对认知分心相关特征进行重要性排序,排序标准为平均精度下降率指标下降越多,重要性越高。
7.根据权利要求6所述的一种层级式驾驶员认知分心检测系统,其特征在于所述提取驾驶员脑电信息的具体步骤为:
首先利用64导脑电采集系统获取脑电信号,采样率为1000Hz,然后运用EEGLAB软件进行脑电数据的预处理,并将预处理后的脑电数据作为最终采集的驾驶员脑电信息;
所述预处理的具体步骤为:
(1)将64导脑电采集系统采集到的脑电信号的采样率从1000Hz降为256Hz;
(2)取全脑电极的平均值作为参考电极;
(3)利用EEGLAB中的Remove Baseline功能自动完成基线校准;
(4)将基线校准后电极得到的脑电信号进行FIR带通滤波处理,然后根据FIR带通滤波处理后脑电信号中电极数据的统计特征,对分布明显有别于其他电极的无效电极进行剔除,并将脑电信号以1s为时间间隔进行分段处理;
(5)对分段后的脑电信号运行独立成分分析法,接着用ADJUST插件识别伪迹并剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441792.6A CN113171095B (zh) | 2021-04-23 | 2021-04-23 | 一种层级式驾驶员认知分心检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441792.6A CN113171095B (zh) | 2021-04-23 | 2021-04-23 | 一种层级式驾驶员认知分心检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113171095A CN113171095A (zh) | 2021-07-27 |
CN113171095B true CN113171095B (zh) | 2022-02-08 |
Family
ID=76924604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110441792.6A Active CN113171095B (zh) | 2021-04-23 | 2021-04-23 | 一种层级式驾驶员认知分心检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113171095B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855046A (zh) * | 2021-10-12 | 2021-12-31 | 华中科技大学 | 一种监测人体体征和脑电信息的智能安全帽及其监测方法 |
TWI823577B (zh) * | 2021-11-26 | 2023-11-21 | 國立成功大學 | 可辨識使用者疲勞的運動訓練系統 |
CN114564110B (zh) * | 2022-03-30 | 2023-11-07 | 北京交通大学 | 基于脑电数据的驾驶学习能力检测方法及系统 |
CN115782895B (zh) * | 2022-12-29 | 2024-02-06 | 北京津发科技股份有限公司 | 一种智能辅助驾驶方法、系统及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809152A (zh) * | 2016-04-06 | 2016-07-27 | 清华大学 | 一种基于多源信息融合的驾驶员认知分心监测方法 |
WO2021017329A1 (zh) * | 2019-08-01 | 2021-02-04 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101999211B1 (ko) * | 2018-01-03 | 2019-07-11 | 가톨릭대학교 산학협력단 | 뇌파를 이용한 운전자 상태 검출 장치 및 그 방법 |
CN109017797B (zh) * | 2018-08-17 | 2021-08-24 | 大陆投资(中国)有限公司 | 驾驶员情绪识别方法和实施该方法的车载控制单元 |
CN109649399B (zh) * | 2019-01-11 | 2020-02-14 | 合肥工业大学 | 一种基于横向行车速度的驾驶员分心判别方法 |
-
2021
- 2021-04-23 CN CN202110441792.6A patent/CN113171095B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809152A (zh) * | 2016-04-06 | 2016-07-27 | 清华大学 | 一种基于多源信息融合的驾驶员认知分心监测方法 |
WO2021017329A1 (zh) * | 2019-08-01 | 2021-02-04 | 深圳大学 | 一种检测驾驶员分心的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113171095A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113171095B (zh) | 一种层级式驾驶员认知分心检测系统 | |
Xue et al. | Rapid driving style recognition in car-following using machine learning and vehicle trajectory data | |
CN101470951B (zh) | 汽车安全驾驶监控系统 | |
CN107320115B (zh) | 一种自适应的精神疲劳评估装置及方法 | |
CN104269028A (zh) | 一种疲劳驾驶检测方法及系统 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN102133100A (zh) | 基于稀疏重表示的脑电信号检测方法 | |
CN112699793A (zh) | 一种基于随机森林的疲劳驾驶检测优化识别方法 | |
Wan et al. | Driving anger states detection based on incremental association markov blanket and least square support vector machine | |
CN114037015A (zh) | 基于驾驶模式原语的驾驶行为安全性分析方法 | |
CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 | |
Mammeri et al. | Design of a semi-supervised learning strategy based on convolutional neural network for vehicle maneuver classification | |
CN116955943A (zh) | 基于眼动序列时空语义特征分析的驾驶分心状态识别方法 | |
CN115192026B (zh) | 隧道驾驶负荷监测方法及终端 | |
CN113591780A (zh) | 一种驾驶员行车风险鉴定方法及系统 | |
Kumar et al. | Classification of driver cognitive load based on physiological data: Exploring recurrent neural networks | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data | |
CN113633288A (zh) | 一种基于eemd的疲劳脑电特征提取方法 | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
CN112660141A (zh) | 一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 | |
CN113895431B (zh) | 一种车辆检测方法及系统 | |
CN114564110B (zh) | 基于脑电数据的驾驶学习能力检测方法及系统 | |
CN112937592B (zh) | 基于车头时距来辨识驾驶风格的方法及系统 | |
ElSherif et al. | Monitoring and predicting driving performance using EEG activity |
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 |