CN113938855A - 一种基于WiFi的驾驶人行为感知信号处理方法 - Google Patents

一种基于WiFi的驾驶人行为感知信号处理方法 Download PDF

Info

Publication number
CN113938855A
CN113938855A CN202111179030.XA CN202111179030A CN113938855A CN 113938855 A CN113938855 A CN 113938855A CN 202111179030 A CN202111179030 A CN 202111179030A CN 113938855 A CN113938855 A CN 113938855A
Authority
CN
China
Prior art keywords
wifi
driver
signal receiving
receiving device
wifi signal
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.)
Granted
Application number
CN202111179030.XA
Other languages
English (en)
Other versions
CN113938855B (zh
Inventor
赵磊
赵羽飞
孙浩然
罗映
徐楠
刘建华
闫法义
贝太学
李新海
张宗喜
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202111179030.XA priority Critical patent/CN113938855B/zh
Publication of CN113938855A publication Critical patent/CN113938855A/zh
Application granted granted Critical
Publication of CN113938855B publication Critical patent/CN113938855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

一种基于WiFi的驾驶人行为感知信号处理方法，通过车载WiFi多链路复合信道通信策略，获取WiFi信号并提取多信道的CSI数据，构建信号谱相关函数（SCF）消除电磁信号干扰，通过复合信道拼接和多链路传输消除乘客行为对WiFi有效信息提取的影响，使模型从混杂的WiFi信号中提取出能够正确反映驾驶人状态和行为的有效信息，提高模型的识别精度。

Description

一种基于WiFi的驾驶人行为感知信号处理方法
技术领域
本发明涉及，具体涉及一种基于WiFi的驾驶人行为感知信号处理方法。
背景技术
随着科技的发展，多种多样的智能电子设备使得驾驶人注意力分散的概率大大提升，极易产生安全隐患引发交通事故，危害生命与财产安全。从90年代开始，随着计算机技术的飞速发展，基于驾驶员信息的汽车高级辅助驾驶技术取得了巨大的进步。该技术主要通过分析驾驶员的生理信号、驾驶操作信息、图像信息等对驾驶员的状态进行检测，来提醒驾驶员时刻保持清醒并处于注意力集中状态，保证汽车的安全行驶。
研究显示，驾驶人精神状态的改变会使得其身体中的脑电图(EEG)、眼电图等生理信号发生较为明显的变化。因此，近年来有学者利用生理信号对驾驶人的精神状态识别方法进行研究；然而基于生理信号的识别技术需要将信号提取装置安装在驾驶人的身体上，可能会造成驾驶人的不适，影响了该方法在实车场景下的应用。
基于驾驶操作的驾驶人状态识别方法主要利用驾驶人操作方向盘、油门和制动踏板的参数信息，分析其在不同状态下的驾驶行为，推测其是否处于危险驾驶状态。但是驾驶操作信号的采集需要驾驶人操作车辆，而车辆自动行驶时驾驶人的手脚往往脱离了方向盘和脚踏板，此时驾驶操作行为无法反映驾驶人的行为状态。基于视觉信息的方法主要通过提取面部和身体图像中的特征判别驾驶人的行为状态，可以识别驾驶人疲劳，视觉分散和非驾驶行为等多种状态。相比其他手段，视觉感知能够以较低成本非侵入的获得丰富的驾驶员面部和身体的行为信息。但是随着未来个人信息的保护越来越受到重视，基于图像信息的检测技术在未来使用可能受到限制。
随着无线通讯的发展，基于WiFi信号的行为感知技术越来越受到关注。近年来，有研究人员采用WiFi信道状态信息(CSI)对驾驶人的行为感知方法开展了初步研究。但是基于WiFi CSI的行为感知技术易受电磁信号和他人行为的干扰，而大部分研究和设计均基于理想情况，没有考虑车内电磁信号和乘客行为等对信号特征提取的干扰，这就影响了WiFi在驾驶人行为感知场景下的进一步应用。
发明内容
本发明为了克服以上技术的不足，提供了一种从混杂的WiFi信号中提取出能够正确反映驾驶人状态和行为的有效信息的方法。
本发明克服其技术问题所采用的技术方案是：
一种基于WiFi的驾驶人行为感知信号处理方法，包括：
a)在驾驶室内设置1个WiFi信号发射装置和N个WiFi信号接收装置完成WiFi信号的传输；
b)WiFi信号发射装置在5GHz频段内通过信道扫描发射多信道的WiFi信号，N个WiFi信号接收装置通过信道扫描获取所有信道的CSI数据后提取每个信道的谱相关函数，对提取的谱相关函数进行处理，从而消除电磁干扰；
c)利用快速傅里叶逆变换和非均匀离散傅里叶变换对多信道CSI拼接，建立驾驶人位置与WiFi信号特征关系，提取驾驶人位置的行为特征；
d)对拼接后的CSI信息进行短时傅里叶变换，得到驾驶人行为特征；
e)采用深度神经网络分类器对驾驶人行为特征进行分类，得到驾驶人的行为状态。优选的，步骤a)中N的取值为4。
进一步的，步骤a)中WiFi信号发射装置安装中控台中间部位，设置于主驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置1，设置于副驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置2，将位于副驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置3，将位于主驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置4。进一步的，步骤b)包括如下步骤：
b-1)WiFi信号发射装置通过信道扫描发射多信道的WiFi信号，N个WiFi信号接收装置，接收端获取5GHz中149信道、153信道、157信道、161信道以及165信道的CSI数据，通过公式
Figure BDA0003295136980000021
计算得到所有信道的CSI的谱相关函数
Figure BDA0003295136980000022
式中H[k]为CSI傅里叶变换，H*为H的共轭，α为角频率，k为信号变量；
b-2)对
Figure BDA0003295136980000031
求梯度得到谱相关函数的梯度矩阵，对梯度矩阵进行奇异值分解获取干扰特征，将干扰特征输入训练后的SVM模型中进行分类；
b-3)根据分类结果确定干扰信道并将有干扰特征的信道消除，保留未受干扰信道。进一步的，步骤c)包括如下步骤：
c-1)通过公式g＝aδ(t-tl)对WiFi信号进行快速傅里叶逆变换，式中g为信号功率延迟曲线，a为角频率，δ(·)为狄拉克函数，t为时间变量，tl为信号的传播延迟时间，通过公式
Figure BDA0003295136980000032
对信号进行非均匀离散傅里叶变换，拼接多信道CSI，得到车内有人干扰情况下WiFi信号接收装置1的信号功率延迟曲线，式中co为全信道CSI数据，F为系数；
c-2)在车内无人的环境下重复步骤c-1)得到无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线，将无任何人干扰情况下的信号功率延迟曲线与步骤c-1)中得到的车内有人干扰情况下的信号功率延迟曲线相减，得到WiFi信号接收装置1的车内多人员的反射信号的曲线gs；
c-3)重复步骤c-1)至c-2)直至分别得到WiFi信号接收装置2、WiFi信号接收装置3和WiFi信号接收装置4的车内多人员的反射信号的曲线gs，通过公式
Figure BDA0003295136980000033
将多个传输链路信号叠加，得到驾驶人在驾驶室内的空间位置与反射信号的曲线gs之间的映射关系，其中P(i，j)为第i个驾驶人中第j个传输链路的信号功率延迟曲线；
c-4)将驾驶人对应的反射信号的曲线gs与无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线相加，得到仅包含驾驶人姿态特征的信号功率延迟曲线。进一步的，步骤b-2)中SVM模型为基于RBF函数作为核函数的非线性模型，SVM模型的惩罚项系数C＝0.5，核函数参数γ＝0.1，SVM模型训练方法为：
b-2.1)在车内场景下进行WiFi单信道传输；
b-2.2)分别在设置有电磁干扰和无电磁干扰两个场景下进行CSI数据采集，构建基于电磁干扰的数据集并标定；
b-2.3)利用该数据集对SVM模型进行训练。
进一步的，步骤d)中利用公式
Figure BDA0003295136980000041
对大带宽信号的信号功率延迟曲线进行短时傅里叶变换，得到大带宽信号的信号功率延迟曲线的频谱图作为驾驶人的行为特征。
进一步的，步骤e)包括如下步骤：
e-1)将1个WiFi信号发射装置和N个WiFi信号接收装置安装在自动驾驶测试平台上，让汽车以不大于30km/h的速度在测试道路上行驶；
e-2)将驾驶人的行为状态分别定义为：正常驾驶状态、使用智能手机或平板电脑状态、打电话状态、与乘客交谈状态、喝水状态及操作中控电子设备状态；
e-3)根据采集的驾驶人图像记录驾驶人的行为状态并做初始标定和归类；
e-4)在不同驾驶人的行为状态下采集不少于30名驾驶人和不低于100小时的数据，建立驾驶人行为状态感知数据集；
e-5)建立网络层数为50层的ResNet神经网络模型，利用驾驶人行为状态感知数据集对ResNet神经网络模型进行训练，得到最终的检测模型，该检测模型的学习率r＝0.001、批量样本数：b＝64、动量参数β＝0.9、迭代次数kn＝1200、权重衰减WD＝0.0005、学习率衰减指数l＝0.98；
e-6)通过检测模型对步骤d)得到的驾驶人行为特征进行分类，输出驾驶人的行为状态概率向量。
本发明的有益效果是：通过车载WiFi多链路复合信道通信策略，获取WiFi信号并提取多信道的CSI数据，构建信号谱相关函数(SCF)消除电磁信号干扰，通过复合信道拼接和多链路传输消除乘客行为对WiFi有效信息提取的影响，使模型从混杂的WiFi信号中提取出能够正确反映驾驶人状态和行为的有效信息，提高模型的识别精度。
附图说明
图1为本发明的方法流程图；
图2为WiFi收发装置的安装位置示意图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
如附图1所示，一种基于WiFi的驾驶人行为感知信号处理方法，包括：
a)在驾驶室内设置1个WiFi信号发射装置和N个WiFi信号接收装置完成WiFi信号的传输。
b)WiFi信号发射装置在5GHz频段内通过信道扫描发射多信道的WiFi信号，N个WiFi信号接收装置通过信道扫描获取所有信道的CSI数据后提取每个信道的谱相关函数，对提取的谱相关函数进行处理，从而消除电磁干扰。
c)利用快速傅里叶逆变换和非均匀离散傅里叶变换对多信道CSI拼接，建立驾驶人位置与WiFi信号特征关系，提取驾驶人位置的行为特征。
d)对拼接后的CSI信息进行短时傅里叶变换，得到驾驶人行为特征。
e)采用深度神经网络分类器对驾驶人行为特征进行分类，得到驾驶人的行为状态。通过车载WiFi多链路复合信道通信策略，获取WiFi信号并提取多信道的CSI数据，构建信号谱相关函数(SCF)消除电磁信号干扰，通过复合信道拼接和多链路传输消除乘客行为对WiFi有效信息提取的影响，使模型从混杂的WiFi信号中提取出能够正确反映驾驶人状态和行为的有效信息，提高模型的识别精度。
实施例1：
如附图2所示，步骤a)中N的取值为4。进一步优选的，步骤a)中WiFi信号发射装置安装中控台中间部位，设置于主驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置1，设置于副驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置2，将位于副驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置3，将位于主驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置4。
实施例2：
步骤b)包括如下步骤：
b-1)WiFi信号发射装置通过信道扫描发射多信道的WiFi信号，N个WiFi信号接收装置，接收端获取5GHz中149信道(5735MHz-5755MHz)、153信道(5755MHz-5775MHz)、157信道(5775MHz-5795MHz)、161信道(5795MHz-5815MHz)以及165信道(5815MHz-5835MHz)的CSI数据，通过公式
Figure BDA0003295136980000051
计算得到所有信道的CSI的谱相关函数
Figure BDA0003295136980000061
式中H[k]为CSI傅里叶变换，H*为H的共轭，α为角频率，k为信号变量。
b-2)对
Figure BDA0003295136980000062
求梯度得到谱相关函数的梯度矩阵，对梯度矩阵进行奇异值分解获取干扰特征，将干扰特征输入训练后的SVM模型中进行分类，根据干扰和非干扰情况下特征的特点建立SVM模型，检测CSI该信道是否被干扰。
b-3)根据分类结果确定干扰信道并将有干扰特征的信道消除，保留未受干扰信道。进一步的，步骤b-2)中SVM模型为基于RBF函数作为核函数的非线性模型，SVM模型的惩罚项系数C＝0.5，核函数参数γ＝0.1，SVM模型训练方法为：
b-2.1)在车内场景下进行WiFi单信道传输。
b-2.2)分别在设置有电磁干扰和无电磁干扰两个场景下进行CSI数据采集，构建基于电磁干扰的数据集并标定。
b-2.3)利用该数据集对SVM模型进行训练。
实施例3：
步骤c)包括如下步骤：
c-1)通过公式g＝aδ(t-tl)对WiFi信号进行快速傅里叶逆变换，式中g为信号功率延迟曲线(Signal Power Delay Profile)，a为角频率，δ(·)为狄拉克函数，t为时间变量，tl为信号的传播延迟时间，通过公式
Figure BDA0003295136980000063
对信号进行非均匀离散傅里叶变换，拼接多信道CSI，得到车内有人干扰情况下WiFi信号接收装置1的信号功率延迟曲线，式中co为全信道CSI数据，F为系数。
c-2)在车内无人的环境下重复步骤c-1)得到无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线，将无任何人干扰情况下的信号功率延迟曲线与步骤c-1)中得到的车内有人干扰情况下的信号功率延迟曲线相减，得到WiFi信号接收装置1的车内多人员的反射信号的曲线gs。
c-3)重复步骤c-1)至c-2)直至分别得到WiFi信号接收装置2、WiFi信号接收装置3和WiFi信号接收装置4的车内多人员的反射信号的曲线gs，通过公式
Figure BDA0003295136980000071
将多个传输链路信号叠加，得到驾驶人在驾驶室内的空间位置与反射信号的曲线gs之间的映射关系，其中P(i，j)为第i个驾驶人中第j个传输链路的信号功率延迟曲线。通过驾驶人位置与反射信号的曲线gs的映射关系，可以在检测的过程中直接提取反映驾驶人行为的反射信号的曲线gs。
c-4)将驾驶人对应的反射信号的曲线gs与无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线相加，得到仅包含驾驶人姿态特征的信号功率延迟曲线。
实施例4：
步骤d)中利用公式
Figure BDA0003295136980000072
对大带宽信号的信号功率延迟曲线进行短时傅里叶变换，得到大带宽信号的信号功率延迟曲线的频谱图作为驾驶人的行为特征。
实施例5：
步骤e)包括如下步骤：
e-1)将1个WiFi信号发射装置和N个WiFi信号接收装置安装在自动驾驶测试平台上，让汽车以不大于30km/h的速度在封闭、无人、安全的专用测试道路上行驶，保证驾驶安全。
e-2)将驾驶人的行为状态分别定义为6种，分别为：正常驾驶状态、使用智能手机或平板电脑状态、打电话状态、与乘客交谈状态、喝水状态及操作中控电子设备状态。
e-3)在实验过程中需配备安全保障人员，保证形成安全，同时根据采集的驾驶人图像记录驾驶人的行为状态并做初始标定和归类。
e-4)在不同驾驶人的行为状态下采集不少于30名驾驶人和不低于100小时的数据，建立驾驶人行为状态感知数据集。
e-5)建立网络层数为50层的ResNet神经网络模型，利用驾驶人行为状态感知数据集对ResNet神经网络模型进行训练，得到最终的检测模型，该检测模型的学习率r＝0.001、批量样本数：b＝64、动量参数β＝0.9、迭代次数kn＝1200、权重衰减WD＝0.0005、学习率衰减指数l＝0.98；
e-6)通过检测模型对步骤d)得到的驾驶人行为特征进行分类，输出驾驶人的行为状态概率向量。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于WiFi的驾驶人行为感知信号处理方法，其特征在于，包括：
a)在驾驶室内设置1个WiFi信号发射装置和N个WiFi信号接收装置完成WiFi信号的传输；
b)WiFi信号发射装置在5GHz频段内通过信道扫描发射多信道的WiFi信号，N个WiFi信号接收装置通过信道扫描获取所有信道的CSI数据后提取每个信道的谱相关函数，对提取的谱相关函数进行处理，从而消除电磁干扰；
c)利用快速傅里叶逆变换和非均匀离散傅里叶变换对多信道CSI拼接，建立驾驶人位置与WiFi信号特征关系，提取驾驶人位置的行为特征；
d)对拼接后的CSI信息进行短时傅里叶变换，得到驾驶人行为特征；
e)采用深度神经网络分类器对驾驶人行为特征进行分类，得到驾驶人的行为状态。
2.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于：步骤a)中N的取值为4。
3.根据权利要求2所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于：步骤a)中WiFi信号发射装置安装中控台中间部位，设置于主驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置1，设置于副驾驶座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置2，将位于副驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置3，将位于主驾驶座椅正后方的后排座椅后侧的WiFi信号接收装置定义为WiFi信号接收装置4。
4.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于，步骤b)包括如下步骤：
b-1)WiFi信号发射装置通过信道扫描发射多信道的WiFi信号，N个WiFi信号接收装置，接收端获取5GHz中149信道、153信道、157信道、161信道以及165信道的CSI数据，通过公式
Figure FDA0003295136970000011
计算得到所有信道的CSI的谱相关函数
Figure FDA0003295136970000012
式中H[k]为CSI傅里叶变换，H*为H的共轭，α为角频率，k为信号变量；
b-2)对
Figure FDA0003295136970000013
求梯度得到谱相关函数的梯度矩阵，对梯度矩阵进行奇异值分解获取干扰特征，将干扰特征输入训练后的SVM模型中进行分类；
b-3)根据分类结果确定干扰信道并将有干扰特征的信道消除，保留未受干扰信道。
5.根据权利要3所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于，步骤c)包括如下步骤：
c-1)通过公式g＝aδ(t-tl)对WiFi信号进行快速傅里叶逆变换，式中g为信号功率延迟曲线，a为角频率，δ(·)为狄拉克函数，t为时间变量，tl为信号的传播延迟时间，通过公式
Figure FDA0003295136970000021
对信号进行非均匀离散傅里叶变换，拼接多信道CSI，得到车内有人干扰情况下WiFi信号接收装置1的信号功率延迟曲线，式中co为全信道CSI数据，F为系数；
c-2)在车内无人的环境下重复步骤c-1)得到无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线，将无任何人干扰情况下的信号功率延迟曲线与步骤c-1)中得到的车内有人干扰情况下的信号功率延迟曲线相减，得到WiFi信号接收装置1的车内多人员的反射信号的曲线gs；
c-3)重复步骤c-1)至c-2)直至分别得到WiFi信号接收装置2、WiFi信号接收装置3和WiFi信号接收装置4的车内多人员的反射信号的曲线gs，通过公式
Figure FDA0003295136970000022
将多个传输链路信号叠加，得到驾驶人在驾驶室内的空间位置与反射信号的曲线gs之间的映射关系，其中P(i,j)为第i个驾驶人中第j个传输链路的信号功率延迟曲线；
c-4)将驾驶人对应的反射信号的曲线gs与无任何人干扰情况下WiFi信号接收装置1的信号功率延迟曲线相加，得到仅包含驾驶人姿态特征的信号功率延迟曲线。
6.根据权利要求4所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于：步骤b-2)中SVM模型为基于RBF函数作为核函数的非线性模型，SVM模型的惩罚项系数C＝0.5，核函数参数γ＝0.1，SVM模型训练方法为：
b-2.1)在车内场景下进行WiFi单信道传输；
b-2.2)分别在设置有电磁干扰和无电磁干扰两个场景下进行CSI数据采集，构建基于电磁干扰的数据集并标定；
b-2.3)利用该数据集对SVM模型进行训练。
7.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于，步骤d)中利用公式
Figure FDA0003295136970000031
对大带宽信号的信号功率延迟曲线进行短时傅里叶变换，得到大带宽信号的信号功率延迟曲线的频谱图作为驾驶人的行为特征。
8.根据权利要求1所述的基于WiFi的驾驶人行为感知信号处理方法，其特征在于，步骤e)包括如下步骤：
e-1)将1个WiFi信号发射装置和N个WiFi信号接收装置安装在自动驾驶测试平台上，让汽车以不大于30km/h的速度在测试道路上行驶；
e-2)将驾驶人的行为状态分别定义为：正常驾驶状态、使用智能手机或平板电脑状态、打电话状态、与乘客交谈状态、喝水状态及操作中控电子设备状态；
e-3)根据采集的驾驶人图像记录驾驶人的行为状态并做初始标定和归类；
e-4)在不同驾驶人的行为状态下采集不少于30名驾驶人和不低于100小时的数据，建立驾驶人行为状态感知数据集；
e-5)建立网络层数为50层的ResNet神经网络模型，利用驾驶人行为状态感知数据集对ResNet神经网络模型进行训练，得到最终的检测模型，该检测模型的学习率r＝0.001、批量样本数：b＝64、动量参数β＝0.9、迭代次数kn＝1200、权重衰减WD＝0.0005、学习率衰减指数l＝0.98；
e-6)通过检测模型对步骤d)得到的驾驶人行为特征进行分类，输出驾驶人的行为状态概率向量。
CN202111179030.XA 2021-10-09 2021-10-09 一种基于WiFi的驾驶人行为感知信号处理方法 Active CN113938855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111179030.XA CN113938855B (zh) 2021-10-09 2021-10-09 一种基于WiFi的驾驶人行为感知信号处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111179030.XA CN113938855B (zh) 2021-10-09 2021-10-09 一种基于WiFi的驾驶人行为感知信号处理方法

Publications (2)

Publication Number Publication Date
CN113938855A true CN113938855A (zh) 2022-01-14
CN113938855B CN113938855B (zh) 2023-08-22

Family

ID=79278031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111179030.XA Active CN113938855B (zh) 2021-10-09 2021-10-09 一种基于WiFi的驾驶人行为感知信号处理方法

Country Status (1)

Country Link
CN (1) CN113938855B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997228A (zh) * 2022-05-30 2022-09-02 平安科技（深圳）有限公司 基于人工智能的动作检测方法、装置、计算机设备及介质
WO2024027655A1 (zh) * 2022-08-02 2024-02-08 华为技术有限公司 一种车辆环境监测方法及电子设备
CN114997228B (zh) * 2022-05-30 2024-05-03 平安科技（深圳）有限公司 基于人工智能的动作检测方法、装置、计算机设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100102972A1 (en) * 2008-10-29 2010-04-29 Transportation Safety Products, Inc. Driver inattention detection system and methodology
CN109431526A (zh) * 2018-12-25 2019-03-08 成都中昂科技有限公司 基于wifi的驾驶状态识别方法及系统
CN110682914A (zh) * 2019-09-29 2020-01-14 皖西学院 基于无线感知的驾驶行为识别系统及方法
CN112036433A (zh) * 2020-07-10 2020-12-04 天津城建大学 一种基于CNN的Wi-Move行为感知方法
KR20210077516A (ko) * 2019-12-17 2021-06-25 서울대학교산학협력단 와이파이 송수신기 간의 채널상태정보를 이용한 실내 재실자의 일상생활 활동 인식 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100102972A1 (en) * 2008-10-29 2010-04-29 Transportation Safety Products, Inc. Driver inattention detection system and methodology
CN109431526A (zh) * 2018-12-25 2019-03-08 成都中昂科技有限公司 基于wifi的驾驶状态识别方法及系统
CN110682914A (zh) * 2019-09-29 2020-01-14 皖西学院 基于无线感知的驾驶行为识别系统及方法
KR20210077516A (ko) * 2019-12-17 2021-06-25 서울대학교산학협력단 와이파이 송수신기 간의 채널상태정보를 이용한 실내 재실자의 일상생활 활동 인식 방법
CN112036433A (zh) * 2020-07-10 2020-12-04 天津城建大学 一种基于CNN的Wi-Move行为感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄儒泉;吕恩利;: "汽车对2.4GHz无线通信的干扰作用", 现代电子技术, no. 09, pages 206 - 208 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997228A (zh) * 2022-05-30 2022-09-02 平安科技（深圳）有限公司 基于人工智能的动作检测方法、装置、计算机设备及介质
CN114997228B (zh) * 2022-05-30 2024-05-03 平安科技（深圳）有限公司 基于人工智能的动作检测方法、装置、计算机设备及介质
WO2024027655A1 (zh) * 2022-08-02 2024-02-08 华为技术有限公司 一种车辆环境监测方法及电子设备

Also Published As

Publication number Publication date
CN113938855B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Augenstein et al. Characteristics of crashes that increase the risk of serious injuries
US8335616B2 (en) Individualizable post-crash assist system
US7415126B2 (en) Occupant sensing system
CN111753674A (zh) 一种基于深度学习的疲劳驾驶的检测识别方法
CN113401076A (zh) 一种自动驾驶汽车的人工驾驶权限测试系统及方法
CN107092881A (zh) 一种驾驶人员更换系统及方法
US20080144944A1 (en) Neural Network Systems for Vehicles
KR101473957B1 (ko) 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법
CN108803623B (zh) 一种自动驾驶车辆个性化行车的方法和行车合法化的系统
CN102406507A (zh) 基于人体生理信号的汽车驾驶员疲劳监测方法
CN110958568B (zh) 基于WiFi的船舶驾驶室人员值班行为识别方法及系统
CN113938855B (zh) 一种基于WiFi的驾驶人行为感知信号处理方法
Zhu et al. Analysis of braking intention based on fNIRS in driving simulation experiments
CN108839614A (zh) 一种用于电动车的车辆安全减速系统
CN110992709A (zh) 一种基于驾驶员疲劳状态的主动限速系统
Kang et al. Motion responses by occupants in out-of-seat positions during autonomous emergency braking
Bazarian et al. Lateral automobile impacts and the risk of traumatic brain injury
Von Jan et al. Don't sleep and drive-VW's fatigue detection technology
CN109770922B (zh) 嵌入式疲劳检测系统及方法
CN115359649B (zh) 一种基于能见度识别的易发团雾路段动态限速系统及方法
Oberoi et al. Driver distraction detection using transfer learning
Lashkov et al. Aggressive behavior detection based on driver heart rate and hand movement data
CN109334601B (zh) 车内乘客数量检测装置及其检测方法
CN109242698B (zh) 一种大型乘用车保险费评估装置工作方法
Ju et al. Detection of Emergency Braking Intention From Soft Braking and Normal Driving Intentions Using EMG Signals

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