CN113867536A - 交互方式确定方法、数据采集方法、装置及电子设备 - Google Patents

交互方式确定方法、数据采集方法、装置及电子设备 Download PDF

Info

Publication number
CN113867536A
CN113867536A CN202111185202.4A CN202111185202A CN113867536A CN 113867536 A CN113867536 A CN 113867536A CN 202111185202 A CN202111185202 A CN 202111185202A CN 113867536 A CN113867536 A CN 113867536A
Authority
CN
China
Prior art keywords
interaction
information interaction
state data
modes
determining
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.)
Pending
Application number
CN202111185202.4A
Other languages
English (en)
Inventor
崔优凯
吴畏
马万经
孙拓
俞洁
钟昊
郝子亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Shuzhijiaoyuan Technology Co Ltd
Original Assignee
Zhejiang Shuzhijiaoyuan Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Shuzhijiaoyuan Technology Co Ltd filed Critical Zhejiang Shuzhijiaoyuan Technology Co Ltd
Priority to CN202111185202.4A priority Critical patent/CN113867536A/zh
Publication of CN113867536A publication Critical patent/CN113867536A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Dermatology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Neurosurgery (AREA)
  • Algebra (AREA)
  • Neurology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种交互方式确定方法、数据采集方法、装置及电子设备，涉及智慧高速公路建设技术领域，该交互方式确定方法包括：获取在多种信息交互方式下的交互状态数据；根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值；根据所述交互评估值，确定出目标信息交互方式。该数据采集方法包括：通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据；将多种所述信息交互方式下的所述交互状态数据发送给服务器，以供所述服务器根据所述交互方式确定方法确定出目标信息交互方式。该方法可以解决不合理的交互信息设置带来的车辆驾驶的安全性及高效性降低的问题。

Description

交互方式确定方法、数据采集方法、装置及电子设备
技术领域
本申请涉及智慧高速公路建设技术领域，具体而言，涉及一种交互方式确定方法、数据采集方法、装置及电子设备。
背景技术
目前，智慧高速公路建设一直是交通运输工程领域的重大战略任务，例如杭绍甬智慧高速公路、杭绍台高速公路等都以信息化建设为智慧高速的重要载体和手段，大力推行实时交通信息监测系统、伴随式信息服务系统等基础应用以服务于网联车辆。与传统的交通环境相比，在车路协同的环境中，驾驶员可以随时获得交通环境及周围车辆的准确信息。然而，车载单元所采集和呈现的信息的多样性和广泛性给驾驶员的决策带来了一定的挑战，不合理的交互信息设置可能会导致车辆驾驶的安全性及高效性降低。
发明内容
本申请实施例的目的在于提供一种叫交互方式确定方法、数据采集方法、装置及电子设备，用以解决不合理的交互信息设置导致车辆驾驶的安全性及高效性降低的问题。
主要包括以下几个方面：
第一方面，本申请提供一种交互方式确定方法，包括：
获取在多种信息交互方式下的交互状态数据；
根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值；
根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式。
本申请实施例提供的交互方式确定方法，基于多种信息交互方式下的交互状态数据确定出其对应的交互评估值，再根据交互评估值确定出目标信息交互方式。基于该方法可以确定不同交通场景下更优的信息交互方式，提高车辆驾驶的安全性和高效性。
在一些可选的实现方式中，所述根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值，包括：
根据所述交互状态数据，建立所述交互状态数据的指标矩阵；
基于熵权法计算所述指标矩阵的权重，得到指标权重矩阵；
基于所述指标矩阵和所述指标权重矩阵，得到加权决策矩阵；
基于所述加权决策矩阵，确定出多种所述信息交互方式对应的所述交互评估值。
在上述实现方式中，建立交互状态数据的指标矩阵，并对指标矩阵进行处理，得到加权决策矩阵，从而确定方案集中的较优方案与较差方案，能够很好地刻画多个影响指标的综合影响力度。
在一些可选的实现方式中，所述交互状态数据包括：眼动数据、脑电数据和驾驶数据；所述根据所述交互状态数据，建立所述交互状态数据的指标矩阵，包括：
提取所述眼动数据、所述脑电数据和所述驾驶数据的指标值；
对所述眼动数据、所述脑电数据和所述驾驶数据的所述指标值进行正向化处理和标准化处理，以得到所述交互状态数据的所述指标矩阵。
在上述实现方式中，获取眼动数据、脑电数据和驾驶数据等客观数据的指标值，并对其进行处理，以得到指标矩阵。正向化处理和标准化处理后的指标处于同一数量级，可以消除指标之间量纲和量纲单位的影响，提高不同数据指标之间的可比性。
在一些可选的实现方式中，所述基于熵权法计算所述指标矩阵的权重，得到指标权重矩阵，包括：
根据所述指标矩阵中的各个元素，以及各个元素之和，确定出概率矩阵；
根据所述概率矩阵，确定出信息熵；
根据所述信息熵，确定出各个指标的权重，以得到所述指标权重矩阵。
在上述实现方式中，采用熵权法计算指标矩阵的权重得到指标权重矩阵。熵权法是一种客观赋权法，可以避免了人为因素带来的偏差。其次，熵权法确定出的权重可以进行修正，适应性较高。
在一些可选的实现方式中，所述根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式，包括：
基于极差分析评估多种所述信息交互方式对应的所述交互评估值，确定出所述目标信息交互方式。
在上述实现方式中，采用极差分析可以找到影响交互评估值的主要因素，确定出较优的信息交互方式。
在一些可选的实现方式中，所述交互状态数据包括：主观状态数据和客观状态数据；所述获取在多种信息交互方式下的交互状态数据，包括：
获取驾驶员在多种所述信息交互方式下的所述主观状态数据和所述客观状态数据；
所述根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式，包括：
根据多种所述信息交互方式对应的所述交互评估值和所述主观状态数据，确定出所述目标信息交互方式。
在上述实现方式中，根据客观状态数据确定交互评估值，再根据交互评估值和主观状态数据确定目标信息交互方式。采用主观状态数据对目标信息交互方式进行补充，可以确定出不同场景下更优的信息交互方式，提高驾驶员的安全性和高效性。
在一些可选的实现方式中，所述根据多种所述信息交互方式对应的所述交互评估值和所述主观状态数据，确定出目标信息交互方式，包括：
根据多种所述信息交互方式对应的所述交互评估值，确定出第一信息交互方式；
根据所述主观状态数据，确定出第二信息交互方式；
根据所述第一信息交互方式和所述第二信息交互方式，确定出所述目标信息交互方式。
在上述实现方式中，根据第一信息交互方式和第二信息交互方式确定目标信息交互方式，可以确定出不同场景下更优的信息交互方式，提高驾驶员的安全性和高效性。
第二方面，本申请提供一种数据采集方法，包括：
通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据；
将多种所述信息交互方式下的所述交互状态数据发送给服务器，以供所述服务器根据所述交互状态数据确定出目标信息交互方式。
本申请实施例提供的数据采集方法，通过采集设备可以采集驾驶员的客观状态数据。可以为确定目标交互方式提供数据支持，避免人为因素带来的偏差。
在一些可选的实现方式中，所述通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据，包括：
获取所述驾驶员输入的反馈信息，以得到在多种所述信息交互方式下的主观状态数据；
基于采集设备采集所述驾驶员在多种所述信息交互方式下的客观状态数据。
在上述实现方式中，获取驾驶员的主观状态数据和客观状态数据，可从主观和客观两个方面确定目标信息交互方式，能够便于测试者选出较优的目标信息交互方式。
在一些可选的实现方式中，所述获取驾驶员输入的反馈信息，以得到在多种所述信息交互方式下的主观状态数据，包括：
获取驾驶员在多种所述信息交互方式下的精神负荷和体力负荷；
基于所述精神负荷和所述体力负荷，获取驾驶员在多种所述信息交互方式下的所述主观状态数据。
在上述实现方式中，了解驾驶员的精神负荷和体力负荷，可以评估得到对驾驶员的主观心理负担较小的方案。帮助确定较人性化的信息交互方式。
在一些可选的实现方式中，所述基于采集设备采集所述驾驶员在多种所述信息交互方式下的客观状态数据，包括：
使用第一采集设备采集所述驾驶员在多种所述信息交互方式下的眼动特征，所述眼动特征包括兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积中的一种或多种；
使用第二采集设备采集所述驾驶员在多种所述信息交互方式下的脑力负荷，所述脑力负荷包括认知难易度、主观放松度和疲劳程度中的一种或多种；
获取所述驾驶员驾驶模拟器的驾驶绩效，所述驾驶绩效包括运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数中的一种或多种；
基于所述眼动特征、所述脑力负荷和所述驾驶绩效，获取驾驶员在多种所述信息交互方式下的所述客观状态数据。
在上述实现方式中，获取驾驶员的客观状态数据，可从客观层面分析得出安全性和效率性较高的目标信息交互方式。
第三方面，本申请实施例提供一种交互方式确定装置，所述装置包括：
数据获取模块，用于获取在多种信息交互方式下的交互状态数据；
第一确定模块，用于根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值；
第二确定模块，用于根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式。
第四方面，本申请实施例提供一种数据采集装置，所述装置包括：
采集模块，用于通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据；
发送模块，用于将多种所述信息交互方式下的所述交互状态数据发送给服务器，以供所述服务器根据所述交互状态数据确定出目标信息交互方式。
第五方面，本申请实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
第六方面，本申请实施例还提供了一种存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的交互方式确定方法的运行环境示意图；
图2为本申请实施例提供的电子设备的方框示意图；
图3为本申请实施例提供的一种交互方式确定方法的流程图；
图4为本申请实施例提供的交互方式确定方法的步骤120的一种具体流程图；
图5为本申请实施例提供的交互方式确定方法的步骤122的一种具体流程图；
图6为本申请实施例提供的交互方式确定方法的步骤121的一种具体流程图；
图7为本申请实施例提供的一种数据采集方法的流程图；
图8为本申请实施例提供的数据采集方法的步骤410的一种具体流程图；
图9为本申请实施例提供的系统的方框示意图；
图10是本申请实施例提供的交互方式确定装置的功能模块示意图；
图11是本申请实施例提供的数据采集装置的功能模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
申请人在研究的过程中发现：车载单元所采集和呈现的信息的多样性和广泛性给驾驶员的决策带来了一定的挑战，不合理的交互信息设置可能会导致车辆驾驶的安全性及高效性的降低，因此，确定不同交通场景下最佳的信息内容、给予形式、给予时机和频率等，对于驾驶安全和高效具有重要意义。
而正交实验法是研究多因素多水平的一种设计方法，它依据Galois理论从全面实验中挑选出部分具有代表性的水平组合进行实验，并对结果进行分析从而找出最优的水平组合。
通过正交实验法可以确定不同交通场景下最佳的信息内容、给予形式、给予时机和频率等，提高驾驶员驾驶的安全性和效率性。
有基于此，本申请实施例提供一种交互方式确定方法，能够基于多种信息交互方式下的交互确定出更好的交互方式，以提高与驾驶员交互的有效性。下面通过几个实施例描述本申请提供的方法。
为便于对本实施例进行理解，首先对执行本申请实施例所公开的一种交互方式确定方法的电子设备或运行环境进行介绍。
如图1所示，是本申请实施例提供的交互方式方法的运行环境示意图。电子设备100与一台或多台车辆200进行通信连接，以进行数据通信或交互。
可选地，该电子设备100可以是服务器，例如，可以是网络服务器、数据库服务器等。该电子设备100还可以是个人电脑(personalcomputer，PC)等终端设备。
可选地，该车辆200包括但不限于小型轿车、中型轿车、小型卡车、中型卡车、大型卡车、中型客车、大型客车等。该车辆上可以安装有眼动仪、脑电仪以及驾驶模拟器。
眼动仪可以采集驾驶员在多种信息交互方式下的眼动特征，眼动特征可以包括：兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积。脑电仪可以采集驾驶员在多种信息交互方式下的脑力负荷，脑力负荷可以包括：认知难易度、主观放松度和疲劳程度。驾驶模拟器可以采集驾驶员在多种信息交互方式下的驾驶绩效，驾驶绩效可以包括：运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数。
图2为本申请实施例提供的电子设备的方框示意图。电子设备100可以包括存储器120和处理器110。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
上述的存储器120和处理器110相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器110用于执行存储器中存储的可执行模块。
其中，存储器120可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器120用于存储程序，所述处理器110在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器110中，或者由处理器110实现。
上述的处理器110可能是一种集成电路芯片，具有信号的处理能力。上述的处理器110可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述用电数据校验方法的实现过程。
本申请实施例提供一种交互方式确定方法，请参看图3，图3为本申请实施例提供的一种交互方式确定方法的流程图，该方法可以包括如下步骤：
步骤310、获取在多种信息交互方式下的交互状态数据。
示例性地，可以采用正交实验法设置不同场景下多种信息交互方式，正交实验法可以从全面实验中挑选出部分具有代表性的水平组合进行实验。
示例性地，本申请将限速预警、易发事故路段提醒、车内标牌、前方路况预警进一步划分为8类子场景，分别是限速变化、超速、急转弯/连续转弯、长达下坡、出口预告、服务区预告，前方交通拥堵告警和前方静止/慢速车辆预警。
信息交互方式可以包括图像和语音结合的多通道辅助方式，并考虑预警时机和频率的影响。关于预警图像，参考以往研究和市场调查，通过迭代式的人机界面设计方法：理解使用环境、理解用户需求、根据需求设计方案、根据需求进行评估四阶段，循环往复，以分区设计、信息再分类为基本布局原则，以系统行动的透明度、可理解性、可预测性为信息显示原则，设计得到4类场景的信息交互界面形式，界面中的预警信息随场景类别和触发时机改变。
关于预警语音，可以包括预警信息触发时机和触发频率，关于预警信息触发时机，设置危险区域前近距离和远距离预警两种影响水平；关于预警信息触发频率，设置有低频预警和高频预警两种影响水平，其中，低频可以是1次语音播报预警，高频可以是3次语音播报预警。
将语音播报中的预警信息触发时机和触发频率进行组合，可以得到四种信息交互方式。例如，第一种信息交互方式可以是在前方200米处语音播报预警三次，第二种信息交互方式可以是前方500米处语音播报预警三次，第三种信息交互方式可以是前方200米处语音播报预警一次，第四种信息交互方式可以是前方500米处语音播报预警一次。
示例性地，交互状态数据可以包括：眼动数据、脑电数据和驾驶绩效。
示例性地，获取不同预警信息触发时机和触发频率下的眼动数据、脑电数据和驾驶绩效。
步骤320、根据交互状态数据，确定出多种信息交互方式对应的交互评估值。
示例性地，眼动数据可以包括兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积。兴趣区内注视时长是用来衡量驾驶员对于各预警方式的信息提取难易程度，兴趣区内扫视时长被用来表示搜索过程的信息复杂度，瞳孔面积表征驾驶员视觉适应性及驾驶视觉负荷程度，其值越小，驾驶员的心理状态舒适性越高，在不同驾驶辅助预警方式下，驾驶员的心理状态越舒适且眼动过程提取信息越容易，则表明相应辅助方式在安全性和效率性上越有效。
示例性地，脑电数据可以包括认知难易度、主观放松度和疲劳程度。获取脑电波中的Alpha波、Beta波和Theta波，其中，Alpha波与Beta波的比值表示驾驶员驾驶时的认知难易度，Theta波和Alpha波的比值表示主观放松度，Theta波和Beta波的比值表示疲劳程度，这三个比值都随着脑负荷的增加而增加，若其负荷过高，则会对驾驶安全性和效率性产生影响。
示例性地，驾驶绩效可以包括：运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数。其中，最大减速量反映了驾驶员受到外界干扰以调整车速时的最大驾驶速度与期望速度的差值，该值越大说明驾驶人操作越不稳定。减速率反映了驾驶员减速的紧急程度，该值越大表明减速越剧烈且越危险。加速度均值反映了驾驶人的心理紧张程度，较低的加速度表明加速或减速过程更为稳定，驾驶的舒适性越高。速度标准差反映了行车的速度波动状况，速度标准差越低说明驾驶更稳定，速度标准差越大说明速度变化得越快，即驾驶人受外界的影响越大。换道次数反映了驾驶员的横向操作稳定性，换道次数过高会减低安全性。
步骤330、根据多种信息交互方式对应的交互评估值，确定出目标信息交互方式。
示例性地，交互评估值可以反应信息交互方式的效果，确定不同交通场景下最佳的信息内容、给予形式、给予时机和频率等，对于驾驶安全和高效具有重要意义。
示例性地，目标信息交互方式可以是对于直线处的前方静止/慢速车辆预警场景，采用距离前方200米处语音播报预警一次的方式，另外，对于弯道处的超速场景，采用距离前方500米处语音播报预警三次的方式。
可选地，如图4所示，图4为本申请实施例提供的交互方式确定方法的步骤320的一种具体流程图，步骤320可以包括以下步骤321至步骤324。
步骤321、根据交互状态数据，建立交互状态数据的指标矩阵；
设有f种交通流量水平，每种交通流量水平下有s种车路协同场景，针对每种车路协同场景共有n种待评估的驾驶辅助方案，每个评估方案内有m种评估指标，可得到第r种交通流量水平、第q种车路协同场景、第i种驾驶辅助方案以及第j种评估指标下的指标矩阵：
Figure BDA0003298888030000141
Figure BDA0003298888030000142
本申请中共有高流量、低流量两种水平，分队对应编号1和2，每种流量水平下有11种车路协同场景，每种场景有4种待评估方案，每种方案中包含13种指标。例如，对于高流量水平下的第8种车路协同场景，可以得到
Figure BDA0003298888030000143
Figure BDA0003298888030000144
步骤322、基于熵权法计算指标矩阵的权重，得到指标权重矩阵；
可选地，如图5所示，图5为本申请实施例提供的交互方式确定方法的步骤322的一种具体流程图，步骤322可以包括以下步骤3221至步骤3223。
步骤3221、根据指标矩阵中的各个元素，以及各个元素之和，确定出概率矩阵。
示例性地，概率矩阵为指标矩阵的各个元素与各个元素之和的比值，可得到第r种交通流量水平、第q种车路协同场景、第i种驾驶辅助方案以及第j种评估指标下的概率矩阵为：
Figure BDA0003298888030000151
其中
Figure BDA0003298888030000152
则定义
Figure BDA0003298888030000153
其中，
Figure BDA0003298888030000154
为标准化处理和正向化处理后的指标矩阵。
步骤3222、根据概率矩阵，确定出信息熵。
示例性地，根据信息论中信息熵的定义，第r种交通流量水平、第q种车路协同场景以及第j种评估指标下信息熵的公式为：
Figure BDA0003298888030000155
Figure BDA0003298888030000156
步骤3223、根据信息熵，确定出各个指标的权重，以得到指标权重矩阵。
相应的，根据信息熵计算得到各指标的权重：
Figure BDA0003298888030000157
其中，
Figure BDA0003298888030000158
Figure BDA0003298888030000159
例如，对于高流量水平下的第8种车路协同场景，可以得到W18为(0.059，0.102，0.079，0.077，0.073，0.066，0.114，0.000，0.113，0.060，0.091，0.071，0.095)；
步骤323、基于指标矩阵和指标权重矩阵，得到加权决策矩阵。
可选地，根据
Figure BDA0003298888030000161
可得到加权决策矩阵。例如，对于高流量水平下的第8种车路协同场景，可以得到U18为：
Figure BDA0003298888030000162
步骤324、基于加权决策矩阵，确定出多种信息交互方式对应的交互评估值。
首先确定每项指标的正理想解和负理想解，其中，正理想解为
Figure BDA0003298888030000163
Figure BDA0003298888030000164
负理想解为
Figure BDA0003298888030000165
计算每种驾驶辅助方案与正理想解与负理想解的欧式距离：
正理想解距离为
Figure BDA0003298888030000166
负理想解距离为
Figure BDA0003298888030000167
例如，对于高流量水平下的第8种车路协同场景，可以得到：
正理想解距离为
Figure BDA0003298888030000168
负理想解距离为
Figure BDA0003298888030000169
然后，得到各评估方案与最优解的相对接近度
Figure BDA00032988880300001610
Figure BDA00032988880300001611
若
Figure BDA00032988880300001612
越小，说明该方案的效果越好。
例如，对于高流量水平下的第8种车路协同场景，可以得到C18为(0.268，0.584,0.594,0.669)。
可选地，交互状态数据包括：眼动数据、脑电数据和驾驶数据。在此基础上，如图6所示，图6为本申请实施例提供的交互方式确定方法的步骤321的一种具体流程图，步骤321可以包括以下步骤3211和步骤3212。
步骤3211、提取眼动数据、脑电数据和驾驶数据的指标值。
示例性地，眼动数据的指标值可以从眼动仪采集数据中提取，首先需要对眼动特征数据进行预处理，剔除缺失值等异常数据，然后对各子场景出现时间段，即兴趣区间进行划分，再对每个子场景中预警界面出现的空间区域，即兴趣区域进行标记。
示例性地，脑电数据的指标值可以利用脑电仪评估驾驶过程中的脑力负荷。当采集到各类脑波后，首先利用小波阈值去噪算法去除脑波噪声，具体为利用sym5小波基函数进行小波五层分解，由于软阈值函数没有跳变间断点，选择软阈值函数进行去噪，阈值设置为0.05，再根据处理后的高频小波系数以及低频小波系数，进行小波重构信号，达到去噪目的；然后，将预处理后的脑电数据根据各子场景的先后顺序进行片段划分，分别对每一阶段的脑电数据进行快速傅里叶变换，将每个时段的脑电信号从时域转换到频域，进而提取片段内不同脑电波的功率谱密度，脑电功率谱分析是最普遍的脑电信号频域分析方法，其中功率谱密度是指脑电信号在单位频带内的功率，反映了脑电信号的功率随频率变化的关系，在求解功率谱的基础上，构建节律波平均功率比值α/β，θ/α，θ/β等指标，其中，Alpha波与Beta波的比值表示驾驶员驾驶时的认知难易度，Theta波和Alpha波的比值表示主观放松度，Theta波和Beta波的比值表示疲劳程度。
示例性地，驾驶绩效的指标值可以通过获取驾驶员驾驶模拟器时的参数来提取。采集的数据包括方向盘转角等驾驶行为以及车辆的位置、速度、加速度、偏航角等车况。
步骤3212、对眼动数据、脑电数据和驾驶数据的指标值进行正向化处理和标准化处理，以得到交互状态数据的指标矩阵。
在得到指标矩阵后，需要进行正向化处理及标准化处理，具体而言，对于各正向指标采用原有数值，各负向指标进行正向化处理，具体方法是
Figure BDA0003298888030000181
这种方式不会改变负向指标原有的分布规律；接着对指标值进行无量纲化的处理消除量纲影响，具体方式是
Figure BDA0003298888030000182
Figure BDA0003298888030000183
例如，对于高流量水平下的第8种车路协同场景，可以得到
Figure BDA0003298888030000184
Figure BDA0003298888030000185
为：
Figure BDA0003298888030000186
可选地，基于极差分析评估多种信息交互方式对应的交互评估值，确定出目标信息交互方式。
示例性地，在完成试验收集完数据后，对数据进行极差分析。极差分析就是在考虑A因素时，认为其他因素对结果的影响是均衡的，从而认为，A因素各水平的差异是由于A因素本身引起的。
可选地，交互状态数据包括：主观状态数据和客观状态数据。
获取驾驶员在多种信息交互方式下的主观状态数据和客观状态数据；
根据多种信息交互方式对应的交互评估值和主观状态数据，确定出目标信息交互方式。
示例性地，不仅获取驾驶员在多种信息交互方式下的客观状态数据，还获取其主观状态数据。
其中，主观状态数据是在每次信息交互方式后要求被测试者完成主观评估问卷，主要采用任务负荷指数问卷评估驾驶过程中的精神负荷、体力符合等，对各条件下的驾驶辅助信息交互有效性进行分析。
进一步地，再填写一份综合评估问卷，采用最大差异测量法减少问题数量，获取各被试对于任务负荷指数中的重要参数的主观权重。
在确实目标信息交互方式时，可以将交互评估值和主观状态数据结合，确定出目标信息交互方式。
可选地，根据多种信息交互方式对应的交互评估值，确定出第一信息交互方式；
根据主观状态数据，确定出第二信息交互方式；
根据第一信息交互方式和第二信息交互方式，确定出目标信息交互方式。
示例性地，在第一信息交互方式和第二信息交互方式不同时，可以随机选取第一信息交互方式或第二信息交互方式作为目标信息交互方式。也可以在不同场景下，选择不同的交互方式作为目标交互方式。
可选地，本申请实施例还提供一种数据采集方法，请参看图7，图7为本申请实施例提供的一种数据采集方法的流程图，该方法可以包括如下步骤：
步骤410、通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据。
示例性地，采集设备可以是具有通信功能的设备，该终端设备可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)等。
采集设备也可以是问卷之类，用于获取驾驶员的反馈信息。
步骤420、将多种信息交互方式下的交互状态数据发送给服务器，以供服务器根据交互状态数据确定出目标信息交互方式。
示例性地，服务器与采集设备之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
服务器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digitalsignal processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，如图8所示，图8为本申请实施例提供的数据采集方法的步骤410的一种具体流程图。步骤410可以包括以下步骤411和步骤412。
步骤411、获取驾驶员输入的反馈信息，以得到在多种信息交互方式下的主观状态数据。
示例性地，可以采用调查问卷获取驾驶员在每次试验后的反馈信息，该调查问卷的问题可以包括：完成任务过程中所需要付出多大的脑力活动(如思考、决策、计算、记忆、寻找等)，该任务从脑力方面对你而言是容易还是困难。以及完成任务过程中所需要付出多大的体力活动(如控制、活动等)，该任务从体力方面对你而言是容易还是困难。
通过驾驶员的反馈信息可以探究驾驶员对于信息的心理负荷。
步骤412、基于采集设备采集驾驶员在多种信息交互方式下的客观状态数据。
采用眼动仪、脑电仪及驾驶模拟器分别获取驾驶员在不同信息交互情况下的眼动特征、脑力负荷以及驾驶绩效，其中眼动仪主要的采集指标有兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积；脑电仪的主要采集指标有节律波平均功率比值α/β，θ/α，θ/β等指标；驾驶模拟器的主要采集指标包括运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数。
可选地，获取驾驶员在多种所述信息交互方式下的精神负荷和体力负荷；基于所述精神负荷和所述体力负荷，获取驾驶员在多种所述信息交互方式下的所述主观状态数据。
示例性地，根据被试对于各设定场景的反馈，从精神负荷、体力负荷、时间紧迫感、任务绩效、努力程度、挫败感、主观有效度等着手，依赖最大差异测量法得到的各影响因素出现次数确定各被试对于各影响因素的重要度权值，总和为1，进而获取驾驶员在不同流量水平下各车路协同信息交互方式的心理负荷。
可选地，使用第一采集设备采集所述驾驶员在多种所述信息交互方式下的眼动特征，所述眼动特征包括兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积中的一种或多种；
示例性地，第一采集设备可以是眼动仪，眼动仪的眼镜的每只镜框配备2个红外传感器和2个摄像头，可以获取注视和瞳孔数据，另外在眼镜中心的面向前方的摄像头记录现场环境，眼动仪记录频率为50hz。
可选地，使用第二采集设备采集所述驾驶员在多种所述信息交互方式下的脑力负荷，所述脑力负荷包括认知难易度、主观放松度和疲劳程度中的一种或多种；
示例性地，第二采集设备可以是脑电仪，该脑电仪对脑电信号进行定量处理，它是一种电子设备，通过额叶传感器和耳夹传感器记录微小电压信号形式的大脑活动，本质上是非侵入性的，可以计算出0到100之间的注意力和放松度，以1Hz频率记录脑电图数据。
可选地，获取所述驾驶员驾驶模拟器的驾驶绩效，所述驾驶绩效包括运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数中的一种或多种。
示例性地，驾驶模拟器配有方向盘、离合器、加速器和刹车踏板等。驾驶模拟器提供180°的正面视野图像，具有2560×1600分辨率，该模拟器能够创造不同的驾驶场景，以及记录所有必要的驾驶状态信息。采集的数据包括方向盘转角等驾驶行为以及车辆的位置、速度、加速度、偏航角等车况，驾驶模拟器的数据采集频率为60Hz。
可选地，基于所述眼动特征、所述脑力负荷和所述驾驶绩效，获取驾驶员在多种所述信息交互方式下的所述客观状态数据。
本申请实施例还提供一种交互方式确定方法，如图9所示，图9为本申请实施例提供的系统的方框示意图，本实施例中的方法与前述的交互方式确定方法类似，其不同之处在于，前面的实施例的方法以电子设备为执行主体的方法，本实施例的方法是以电子设备与车辆交互形成的系统为执行主体的方法。
步骤510、获取在多种信息交互方式下的交互状态数据。
步骤520、根据交互状态数据，确定出多种信息交互方式对应的交互评估值。
步骤530、根据多种信息交互方式对应的交互评估值，确定出目标信息交互方式。
步骤540、通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据。
步骤550、将多种信息交互方式下的交互状态数据发送给服务器，以供服务器使用交互方式确定方法确定出目标信息交互方式。
关于本实施例的其他细节可以参阅前面实施例中的描述，在此不在赘述。
基于同一申请构思，本申请实施例中还提供了与交互方式确定方法对应的交互方式确定装置，由于本申请实施例中的装置解决问题的原理与前述的交互方式确定方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参看图10，图10是本申请实施例提供的交互方式确定装置的功能模块示意图。本实施例中的交互方式确定装置600中的各个模块用于执行上诉方法实施例中的各个步骤。交互方式确定装置600包括：数据获取模块610、第一确定模块620和第二确定模块630，其中，各个模块如下所示。
数据获取模块610，用于获取在多种信息交互方式下的交互状态数据；
第一确定模块620，用于根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值；
第二确定模块630，用于根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式。
在一可选的实施方式中，上述的第一确定模块620，还用于：
根据交互状态数据，建立交互状态数据的指标矩阵；
基于熵权法计算指标矩阵的权重，得到指标权重矩阵；
基于指标矩阵和指标权重矩阵，得到加权决策矩阵；
基于加权决策矩阵，确定出多种所述信息交互方式对应的交互评估值。
在一可选的实施方式中，交互状态数据包括：眼动数据、脑电数据和驾驶数据，上述的第一确定模块620，还用于：
提取眼动数据、脑电数据和驾驶数据的指标值；
对眼动数据、脑电数据和驾驶数据的指标值进行正向化处理和标准化处理，以得到交互状态数据的指标矩阵。
在一可选的实施方式中，上述的第一确定模块620，还用于：
根据指标矩阵中的各个元素，以及各个元素之和，确定出概率矩阵；
根据概率矩阵，确定出信息熵；
根据信息熵，确定出各个指标的权重，以得到指标权重矩阵。
在一可选的实施方式中，上述的第二确定模块630，还用于：
基于极差分析评估多种信息交互方式对应的交互评估值，确定出目标信息交互方式。
在一可选的实施方式中，交互状态数据包括：主观状态数据和客观状态数据，上述的数据获取模块610，还用于：
获取驾驶员在多种信息交互方式下的主观状态数据和客观状态数据；
上述的第二确定模块630，还用于：
根据多种信息交互方式对应的交互评估值和主观状态数据，确定出目标信息交互方式。
在一可选的实施方式中，上述的第二确定模块630，还用于：
根据多种信息交互方式对应的交互评估值，确定出第一信息交互方式；
根据主观状态数据，确定出第二信息交互方式；
根据第一信息交互方式和第二信息交互方式，确定出目标信息交互方式。
基于同一申请构思，本申请实施例中还提供了与数据采集方法对应的数据采集装置，由于本申请实施例中的装置解决问题的原理与前述的数据采集方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参看图11，图11是本申请实施例提供的数据采集装置的功能模块示意图。本实施例中的数据采集装置700中的各个模块用于执行上诉方法实施例中的各个步骤。数据采集装置包括：采集模块710和发送模块720，其中，各个模块如下所示。
采集模块710，用于通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据；
发送模块720，用于将多种所述信息交互方式下的所述交互状态数据发送给服务器，以供所述服务器根据所述交互状态数据确定出目标信息交互方式。
在一可选的实施方式中，上述的采集模块710，还用于：
获取驾驶员输入的反馈信息，以得到在多种信息交互方式下的主观状态数据；
基于采集设备采集驾驶员在多种信息交互方式下的客观状态数据。
在一可选的实施方式中，上述的采集模块710，还用于：
获取驾驶员在多种信息交互方式下的精神负荷和体力负荷；
基于精神负荷和体力负荷，获取驾驶员在多种信息交互方式下的主观状态数据。
在一可选的实施方式中，上述的采集模块710，还用于：
使用第一采集设备采集驾驶员在多种信息交互方式下的眼动特征，眼动特征包括兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积中的一种或多种；
使用第二采集设备采集驾驶员在多种信息交互方式下的脑力负荷，脑力负荷包括认知难易度、主观放松度和疲劳程度中的一种或多种；
获取驾驶员驾驶模拟器的驾驶绩效，驾驶绩效包括运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数中的一种或多种；
基于眼动特征、脑力负荷和驾驶绩效，获取驾驶员在多种信息交互方式下的客观状态数据。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法任一方法的步骤。
本申请实施例所提供的交互方式确定方法和数据采集方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的用电数据即采即校方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种交互方式确定方法，其特征在于，包括：
获取在多种信息交互方式下的交互状态数据；
根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值；
根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式。
2.根据权利要求1所述的方法，其特征在于，所述根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值，包括：
根据所述交互状态数据，建立所述交互状态数据的指标矩阵；
基于熵权法计算所述指标矩阵的权重，得到指标权重矩阵；
基于所述指标矩阵和所述指标权重矩阵，得到加权决策矩阵；
基于所述加权决策矩阵，确定出多种所述信息交互方式对应的所述交互评估值。
3.根据权利要求2所述的方法，其特征在于，所述交互状态数据包括：眼动数据、脑电数据和驾驶数据；所述根据所述交互状态数据，建立所述交互状态数据的指标矩阵，包括：
提取所述眼动数据、所述脑电数据和所述驾驶数据的指标值；
对所述眼动数据、所述脑电数据和所述驾驶数据的所述指标值进行正向化处理和标准化处理，以得到所述交互状态数据的所述指标矩阵。
4.根据权利要求2所述的方法，其特征在于，所述基于熵权法计算所述指标矩阵的权重，得到指标权重矩阵，包括：
根据所述指标矩阵中的各个元素，以及各个元素之和，确定出概率矩阵；
根据所述概率矩阵，确定出信息熵；
根据所述信息熵，确定出各个指标的权重，以得到所述指标权重矩阵。
5.根据权利要求1或2所述的方法，其特征在于，所述根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式，包括：
基于极差分析评估多种所述信息交互方式对应的所述交互评估值，确定出所述目标信息交互方式。
6.根据权利要求1所述的方法，其特征在于，所述交互状态数据包括：主观状态数据和客观状态数据；所述获取在多种信息交互方式下的交互状态数据，包括：
获取驾驶员在多种所述信息交互方式下的所述主观状态数据和所述客观状态数据；
所述根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式，包括：
根据多种所述信息交互方式对应的所述交互评估值和所述主观状态数据，确定出所述目标信息交互方式。
7.根据权利要求6所述的方法，其特征在于，所述根据多种所述信息交互方式对应的所述交互评估值和所述主观状态数据，确定出目标信息交互方式，包括：
根据多种所述信息交互方式对应的所述交互评估值，确定出第一信息交互方式；
根据所述主观状态数据，确定出第二信息交互方式；
根据所述第一信息交互方式和所述第二信息交互方式，确定出所述目标信息交互方式。
8.一种数据采集方法，其特征在于，包括：
通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据；
将多种所述信息交互方式下的所述交互状态数据发送给服务器，以供所述服务器使用权利要求1-7任意一项交互方式确定方法确定出目标信息交互方式。
9.据权利要求8所述的方法，其特征在于，所述通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据，包括：
获取所述驾驶员输入的反馈信息，以得到在多种所述信息交互方式下的主观状态数据；
基于采集设备采集所述驾驶员在多种所述信息交互方式下的客观状态数据。
10.根据权利要求9所述的方法，其特征在于，所述获取驾驶员输入的反馈信息，以得到在多种所述信息交互方式下的主观状态数据，包括：
获取驾驶员在多种所述信息交互方式下的精神负荷和体力负荷；
基于所述精神负荷和所述体力负荷，获取驾驶员在多种所述信息交互方式下的所述主观状态数据。
11.根据权利要求9所述的方法，其特征在于，所述基于采集设备采集所述驾驶员在多种所述信息交互方式下的客观状态数据，包括：
使用第一采集设备采集所述驾驶员在多种所述信息交互方式下的眼动特征，所述眼动特征包括兴趣区内注视时长、兴趣区内扫视时长和瞳孔面积中的一种或多种；
使用第二采集设备采集所述驾驶员在多种所述信息交互方式下的脑力负荷，所述脑力负荷包括认知难易度、主观放松度和疲劳程度中的一种或多种；
获取所述驾驶员驾驶模拟器的驾驶绩效，所述驾驶绩效包括运行时间、平均速度、最大减速量、减速率、加速度均值、速度标准差和换道次数中的一种或多种；
基于所述眼动特征、所述脑力负荷和所述驾驶绩效，获取驾驶员在多种所述信息交互方式下的所述客观状态数据。
12.一种交互方式确定装置，其特征在于，包括：
数据获取模块，用于获取在多种信息交互方式下的交互状态数据；
第一确定模块，用于根据所述交互状态数据，确定出多种所述信息交互方式对应的交互评估值；
第二确定模块，用于根据多种所述信息交互方式对应的所述交互评估值，确定出目标信息交互方式。
13.一种数据采集装置，其特征在于，包括：
采集模块，用于通过采集设备获取驾驶员在多种信息交互方式下的交互状态数据；
发送模块，用于将多种所述信息交互方式下的所述交互状态数据发送给服务器，以供所述服务器根据所述交互状态数据确定出目标信息交互方式。
14.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1-11中任一项所述方法中的步骤。
15.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行权利要求1-11任一项所述方法中的步骤。
CN202111185202.4A 2021-10-12 2021-10-12 交互方式确定方法、数据采集方法、装置及电子设备 Pending CN113867536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111185202.4A CN113867536A (zh) 2021-10-12 2021-10-12 交互方式确定方法、数据采集方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185202.4A CN113867536A (zh) 2021-10-12 2021-10-12 交互方式确定方法、数据采集方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113867536A true CN113867536A (zh) 2021-12-31

Family

ID=78998626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185202.4A Pending CN113867536A (zh) 2021-10-12 2021-10-12 交互方式确定方法、数据采集方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113867536A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335253A (zh) * 2018-03-20 2018-07-27 淮阴工学院 基于熵权topsis法的城市道路绿化安全评价方法
CN109711691A (zh) * 2018-12-17 2019-05-03 长安大学 一种基于熵权模糊综合评价模型的驾驶风格评价方法
US20190213429A1 (en) * 2016-11-21 2019-07-11 Roberto Sicconi Method to analyze attention margin and to prevent inattentive and unsafe driving
CN111563555A (zh) * 2020-05-11 2020-08-21 广东广顺新能源动力科技有限公司 一种司机驾驶行为分析方法及系统
CN111767611A (zh) * 2020-06-30 2020-10-13 南京航空航天大学 一种基于负荷均衡的飞机驾驶舱人机功能分配方法
CN112985328A (zh) * 2021-02-26 2021-06-18 山东省交通规划设计院集团有限公司 一种隧道侧向余宽确定方法及系统
CN113077129A (zh) * 2021-03-19 2021-07-06 东南大学 一种适用于高海拔地区的驾驶员危险感知能力评价方法
CN113487197A (zh) * 2021-07-12 2021-10-08 吉林大学 一种基于topsis评价模型的车联网信息筛选方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190213429A1 (en) * 2016-11-21 2019-07-11 Roberto Sicconi Method to analyze attention margin and to prevent inattentive and unsafe driving
CN108335253A (zh) * 2018-03-20 2018-07-27 淮阴工学院 基于熵权topsis法的城市道路绿化安全评价方法
CN109711691A (zh) * 2018-12-17 2019-05-03 长安大学 一种基于熵权模糊综合评价模型的驾驶风格评价方法
CN111563555A (zh) * 2020-05-11 2020-08-21 广东广顺新能源动力科技有限公司 一种司机驾驶行为分析方法及系统
CN111767611A (zh) * 2020-06-30 2020-10-13 南京航空航天大学 一种基于负荷均衡的飞机驾驶舱人机功能分配方法
CN112985328A (zh) * 2021-02-26 2021-06-18 山东省交通规划设计院集团有限公司 一种隧道侧向余宽确定方法及系统
CN113077129A (zh) * 2021-03-19 2021-07-06 东南大学 一种适用于高海拔地区的驾驶员危险感知能力评价方法
CN113487197A (zh) * 2021-07-12 2021-10-08 吉林大学 一种基于topsis评价模型的车联网信息筛选方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张宁宁等: "基于脑力负荷的通航飞机座舱显示界面测评研究", 工程设计学报, pages 409 - 415 *

Similar Documents

Publication Publication Date Title
Gwak et al. An investigation of early detection of driver drowsiness using ensemble machine learning based on hybrid sensing
Min et al. Driver fatigue detection through multiple entropy fusion analysis in an EEG-based system
Wang et al. A novel real-time driving fatigue detection system based on wireless dry EEG
Chai et al. Driver fatigue classification with independent component by entropy rate bound minimization analysis in an EEG-based system
Yang et al. Comparison among driving state prediction models for car-following condition based on EEG and driving features
Hussain et al. Driving-induced neurological biomarkers in an advanced driver-assistance system
Zhang et al. A vehicle active safety model: Vehicle speed control based on driver vigilance detection using wearable EEG and sparse representation
CN105286890B (zh) 一种基于脑电信号的驾驶员瞌睡状态监测方法
CN111803065B (zh) 一种基于脑电数据的危险交通场景辨识方法及系统
Wu et al. Driving behaviour‐based event data recorder
Wan et al. On‐road experimental study on driving anger identification model based on physiological features by ROC curve analysis
Noori et al. Driving drowsiness detection using fusion of electroencephalography, electrooculography, and driving quality signals
CN106913333B (zh) 一种持续性注意水平的敏感性特征指标的选取方法
Kim et al. Characterizing driver stress using physiological and operational data from real-world electric vehicle driving experiment
Arefnezhad et al. Driver monitoring of automated vehicles by classification of driver drowsiness using a deep convolutional neural network trained by scalograms of ECG signals
CN110584597A (zh) 基于时空卷积神经网络的多通道脑电信号监测方法及应用
Stancin et al. EEG signal multichannel frequency-domain ratio indices for drowsiness detection based on multicriteria optimization
Hu et al. Analysis on biosignal characteristics to evaluate road rage of younger drivers: A driving simulator study
Islam et al. Deep learning for automatic EEG feature extraction: an application in drivers’ mental workload classification
Kamti et al. Evolution of driver fatigue detection techniques—A review from 2007 to 2021
Thilagaraj et al. Identification of drivers drowsiness based on features extracted from EEG signal using SVM classifier
Wan et al. Optimal threshold determination for discriminating driving anger intensity based on EEG wavelet features and ROC curve analysis
Campos-Ferreira et al. Vehicle and driver monitoring system using on-board and remote sensors
Sarno et al. Real time fatigue-driver detection from electroencephalography using Emotiv EPOC+
CN114435373B (zh) 疲劳驾驶检测方法、装置、计算机设备和存储介质

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