CN114343642A - 一种基于心率变异性指标的疲劳驾驶检测方法、系统 - Google Patents

Abstract

本发明公开一种基于心率变异性指标的疲劳驾驶检测方法、系统，其方法部分包括如下步骤：S1、采集心电信号，并在采集过程中控制采样频率并输出放大；S2、心电信号预处理，增大心电信号的波形幅值；S3、利用可自适应变化的双阀值机制对预处理后的心电信号进行R波峰值的解析；S4、提取疲劳驾驶特征，并利用该特征构成心率变异性指标特征矩阵；S5、建立疲劳驾驶数据集并贴上相应的标签；S6、利用所述心率变异性指标特征矩阵和疲劳驾驶数据集训练得出疲劳驾驶检测模型；S7、将检测数据实时输入疲劳驾驶检测模型进行疲劳驾驶的检测，本发明仅仅利用心率变异性这一特征指标来进行判断，较其他技术而言，抗干扰性更好且能够及时的预警驾驶员的疲劳状态。

Description

一种基于心率变异性指标的疲劳驾驶检测方法、系统

技术领域

本发明应用于机动车安全驾驶领域，具体是一种基于心率变异性指标的疲劳驾驶检测方法、系统。

背景技术

随着我国经济快速发展，人民消费水平的逐步提高，我国机动车的保有量在逐年增长。随之而来由疲劳驾驶带来的安全驾驶问题俨然已成为引发重大交通事故的一个重要因素。美国汽车协会(AAA)的调查发现，2010年，在六分之一致死的交通事故中有八分之一是因疲劳驾驶而起。其中，长途客货运驾驶员因其工作性质而成为疲劳驾驶的多发群体，造成的损失危害也更为严重。与酒后驾驶相比，因其检测手段困难，驾驶疲劳并不能得到有效的预防与制止。综上所述，发明一种稳定准确且车载的疲劳驾驶检测方法对保障人民生命安全具有重大意义。

针对现有的疲劳驾驶检测方法可大致分为三类：(1)基于驾驶员面部特征的疲劳驾驶检测方法，主要是通过机器视觉提取驾驶员面部特征，计算面部表情、眨眼频率以及打哈气等视觉特征进行疲劳判断，这种检测方法虽然满足非侵入性要求，但因受光照影响大且易被遮挡，其干扰因素较多，且此方法感测到疲劳时已经是进入深度疲劳区，提前预警的效果较差；(2)基于机动车行驶状态的疲劳检测方法，该检测方法通过车辆内部传感器监测车辆本身的行驶速度、制动/加速时间以及道路偏移情况来判断是否疲劳驾驶，此方法受车辆本身特异性、道路的具体状况以及驾驶员个人驾驶习惯的影响较多，导致其可靠性和准确性有待加强；(3)基于驾驶员生理特征的疲劳驾驶检测方法，这种方法利用生理信号传感器采集驾驶员的呼吸频率、肌电、脑电、心电等生理特征来推测驾驶员的疲劳状态。相关研究表明，驾驶员的生理机能收到驾驶时长的影响有较为显著的变化。但其未广泛应用的主要原因在于前端传感器未能做到非侵入性，如脑电信号需要头戴电极检测，在实际驾驶检测中具有较大的干扰性；其二，此种方法大多是在实验室研究阶段，许多后端数据处理未能做到车载便携性；最后，生理特征受个体差异性影响较大，因此普及性较差。

因此，提供一个可靠且稳定的疲劳驾驶检测方法是个亟待解决的问题。面对未来市场，疲劳驾驶检测系统的无线化、便携性及准确可靠性都提出了更高的要求，研发出一种抗干扰能力强、检测方法简单易实现的疲劳驾驶检测系统具有广泛的应用前景，对降低疲劳驾驶造成的交通事故率也具有更深远的现实意义。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于心率变异性指标的疲劳驾驶检测方法、系统。

为解决上述技术问题，本发明的一种基于心率变异性指标的疲劳驾驶检测方法，其包括如下步骤：

S1、采集心电信号，并在采集过程中控制采样频率并输出放大；

S2、心电信号预处理，增大心电信号的波形幅值；

S3、利用可自适应变化的双阀值机制对预处理后的心电信号进行R波峰值的解析；

S4、提取疲劳驾驶特征，并利用该特征构成心率变异性指标特征矩阵；

S5、建立疲劳驾驶数据集并贴上相应的标签；

S6、利用所述心率变异性指标特征矩阵和疲劳驾驶数据集训练得出疲劳驾驶检测模型；

S7、将检测数据实时输入疲劳驾驶检测模型进行疲劳驾驶的检测。

一种基于心率变异性指标的疲劳驾驶检测系统，其包括：

心电信号采集模块，用于采集人体心电信号，所述心电信号采集模块包括定制的方向盘电极套、信号放大采集模块和MCU，所述定制的方向盘电极套表面嵌入结构化的导电软锥并包覆于方向盘表面，所述信号放大模块通过导线与电极套相连接获取其采集到的心电信号并将心电信号放大处理，所述MCU的A/D口与信号放大处理模块连接，且MCU运用定时器设置预设采样频率对心电原始信号进行固定时间固定频率的心电原始信号采集；

上位机，其与心电信号采集模块相连接，用于获取心电信号采集模块采集并处理后的心电信号特征值，并在上位机中建立疲劳驾驶数据库；

数据处理模块，用于接收上位机发出的心电信号采集模块采集到的心电原始信号，并对心电原始信号至少进行预处理、特征提取操作；

疲劳驾驶检测模型，用于对输入的数据处理模块处理后的心电信号进行分类判断，判断其是否属于疲劳驾驶预警心电信号，并将结果传输至MCU；所述疲劳驾驶检测模型为基础模型利用数据处理模块的特征提取结果所建立的数据库进行训练获得；

其中，所述MCU将采集到的心电原始信号存储于MCU的直接访问存储器DMA中。

本发明采用以上技术方案，具有以下有益效果：

1、现有的疲劳驾驶检测系统大部分是基于机器视觉，其成本高且需要外置摄像头。相对于该领域其他科研成果，大部分是由上位机或者是云计算来完成后端的数据处理，而本发明的利用心率变异性检测疲劳驾驶的整套系统全部由单片机实现，操作灵活方便，可移动性强且成本低；

2、本发明仅仅利用心率变异性这一特征指标来进行判断，较其他技术而言，抗干扰性更好且能够及时的预警驾驶员的疲劳状态；

3、本发明自行采集建立了疲劳驾驶数据集，运用三种分类器算法使得机器学习准确率不断提高，疲劳驾驶检测判断更加精确。

附图说明

下面结合附图与具体实施方式对本发明做进一步详细的说明：

图1为本发明方法部分流程示意图；

图2为本发明系统部分原理简图；

图3为本发明实施例2疲劳驾驶实验设计案例流程简图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。

实施例1

如图1-2所示，本发明提供了一种基于心率变异性指标的疲劳驾驶检测方法，其包括如下步骤：

S1、采集心电信号，并在采集过程中控制采样频率并输出放大；

S2、心电信号预处理，增大心电信号的波形幅值；

S3、利用可自适应变化的双阀值机制对预处理后的心电信号进行R波峰值的解析；

S4、提取疲劳驾驶特征，并利用该特征构成心率变异性指标特征矩阵；

S5、建立疲劳驾驶数据集并贴上相应的标签；

S6、利用所述心率变异性指标特征矩阵和疲劳驾驶数据集训练得出疲劳驾驶检测模型；

S7、将检测数据实时输入疲劳驾驶检测模型进行疲劳驾驶的检测。

进一步的、步骤S1具体包括如下步骤：

S101、将电极套包覆于方向盘表面，并在表面嵌入结构化的导电软锥，通过导线连接至信号放大处理模将心电信号传输至MCU中；

S102、通过设置微处理器的A/D输入串口，运用定时器设置MCU的采样频率为200Hz，将采集5min时长的心电原始信号存储于MCU的直接访问存储器中，进行原始心电信号的固定频率采集；

S103、通过上位机开发的基于可视化平台采集串口输入的大量数据并进行实时动态交互显示，建立数据库并用于分类器模型训练。

进一步的、步骤S2具体包括如下步骤：

S201、在MCU中，对存储于DMA中的心电数据进行巴特沃斯低通滤波，滤除工频噪声的干扰；

S202、对初始滤波后的信号进行零相位滤波去除基线漂移，确定滤波器的延时系数，再对心电数据进行镜像以消除边缘效应，通过一次正向滤波和反向滤波，截取滤波后的心电数据；

其中，步骤S201具体包括：

利用Matlab中fdatool滤波器设计工具计算直接丨型IIR滤波器差分方程的系数a[n]、b[n]及增益系数；其中s设定采样频率为200Hz，截止频率为50Hz，滤波器阶数为4阶；其中IIR滤波器的差分方程为：

将得到的差分方程系数a[n]、b[n]及增益系数保存为头文件在主程序中调用，其中系数a[n]进行取反；

使用ARM的DSP库中的IIR低通滤波函数arm_biquad_cascade_df1_f32滤波，得到滤波后的结果乘以增益系数得到巴特沃斯低通滤波后的信号。

步骤S202具体包括：

设计截止频率为5～15Hz的2阶低通滤波器；

读入S201处理后的信号，并进行首尾延拓消除边缘效应；

确定零相位滤波器的初始延迟系数；

将首尾延拓后的信号正向输入滤波器，并将信号翻转；

翻转后的信号再次输入滤波器后二次翻转信号，并删除信号延拓，得到基线漂移纠正后的心电信号。

S203、对滤波后的波形进行双斜率预处理，在一个点两侧的预设区间内寻找最大平均斜率K_max与最小平均斜率K_min，利用K₁＝K_lmax-K_rmin和K₂＝K_rmax-K_lmin两式求得K₁和K₂，其中K_lmaxK_lmin为一侧斜率得最值；K_rmaxK_rmin为另一侧斜率的最值，利用Ko＝max{K₁,K₂}式得两侧斜率的最大值，进行R波突出操作；

S204、对步骤S203所得的信号进行取平方放大R峰值处理，使波形的振幅增大。

进一步的、步骤S3具体为：根据信号得变化，在MCU中双阀值机制自适应进行实时改变，将两个阈值设置为上下限来锁定R波位置点，并实时准确计算得出R峰；

其中，所述双阀值机制具体为：

其中，Rpeak为当前检测到的峰值，Rpeaksbuff为储存了当前峰值之前的8个峰值，mean()为求均值，THR₁为高阈值，THR₀为低阈值，

和

分别为高低阈值的上下限；

当波峰高于THR₁时，阈值变化为Rpeaksbuff均值的0.7倍；当波峰在高低阈值之间，将调低高阈值，而低阈值也对应调低；高低阈值的变化下限，分别取值为0.3和0.23。

进一步的、步骤S4具体包括如下步骤：

S401、经步骤S3获得心电信号的R峰矩阵，将前一时刻的R峰值所在时间点Rpeak_i+1减去当前时刻R峰所在时间点Rpeak_i得到当前时间点的RR间期值RR_i：

RR_i＝Rpeak_i+1-Rpeak_i

由RR_i组成的矩阵为HRV信号矩阵，即HRV＝{RR₀,RR₁,RR₂,…RR_n}；采样时间内的平均心率

S402、对HRV信号进行时域分析，得到如下指标：

RR间期的平均值

RR间期的标准差

相邻RR间期差值的均方根RMSSD＝sqrt(mean((RR_i+1-RR_i)²))、

相邻RR间期差值大于50ms的个数NN50、

NN50除以整个RR间期个数的百分比

采样时间内的平均心率

S403、对HRV信号进行频域分析，获取指标，所述指标具体包括：

低频功率LF，在0.04～0.15Hz频域内的功率总和、

高频功率HF，在0.15～0.4Hz频域内的功率总和、

总功率TP，在≤0.4Hz频域内的总功率、

低频功率与高频功率的比值LF/HF；

S404、由上述特征值组成特征矩阵Z，如下所示：

进一步的、步骤S6具体包括如下步骤：

S601、对上述特征矩阵Z进行贴标签，运用多种不同的分类器进行监督学习；

S602、进行主成分分析数据降维，通过主成分分析，前四个主成分即可代表93％的整个特征数据集，将的Z_8×m降到Z_4×m维度；

S603、利用极差标准化将Z_4×m矩阵数值标准化到[0,1]之间；

S604、取数据集的75％作为训练集，剩下的25％为测试集，优化训练多种分类器作对比；

S605、采用基本分类器组成的疲劳驾驶检测模型：第一类选用KNN分类器，在K＝8时测试集达到分类准确率为76.6％；第二类选用SVM分类器，设定核函数为Poly核测试集最高的分类准确率达到72.3％；第三类选用BP神经网络分类器，当隐含层层数为1，神经元个数为3时，测试准确率达到80.8％；比对准确率后选择BP神经网络为预选分类器，当分类器输出为-1时，驾驶员处于清醒状态，当分类器输出为1时，驾驶员处于疲劳状态。

进一步的、步骤S7还包括：将经过预选的分类器参数移植到MCU中，通过实时采集心电数据得出的心率变异性指标来判断驾驶员疲劳与否并产生疲劳驾驶预警，当处于疲劳状态时蜂鸣器得到脉冲信号，蜂鸣器开启给予警醒作用。

一种基于心率变异性指标的疲劳驾驶检测系统，其包括：

心电信号采集模块，用于采集人体心电信号，所述心电信号采集模块包括定制的方向盘电极套、信号放大采集模块和MCU，所述定制的方向盘电极套表面嵌入结构化的导电软锥并包覆于方向盘表面，所述信号放大模块通过导线与电极套相连接获取其采集到的心电信号并将心电信号放大处理，所述MCU的A/D口与信号放大处理模块连接，且MCU运用定时器设置预设采样频率对心电原始信号进行固定时间固定频率的心电原始信号采集；

上位机，其与心电信号采集模块相连接，用于获取心电信号采集模块采集并处理后的心电信号特征值，并在上位机中建立疲劳驾驶数据库；

数据处理模块，用于接收上位机发出的心电信号采集模块采集到的心电原始信号，并对心电原始信号至少进行预处理、特征提取操作；

疲劳驾驶检测模型，用于对输入的数据处理模块处理后的心电信号进行分类判断，判断其是否属于疲劳驾驶预警心电信号，并将结果传输至MCU；所述疲劳驾驶检测模型为基础模型利用数据处理模块的特征提取结果所建立的数据库进行训练获得。

进一步的、MCU将采集到的心电原始信号存储于MCU的直接访问存储器DMA中。

实施例2

一种基于心率变异性指标的疲劳驾驶检测方法：

S1、心电信号采集：前端AgCl单导联心电电极通过AD8232生物电信号采集芯片与STM32F407微处理器的集成电路，控制信号的采样频率及输出放大，从而采集人体微弱的心电信号，具体实施步骤如下：

S1-1、将AgCl湿电极贴于人体表面，通过单导联导线输入到AD8232放大处理模块中；

S1-2、通过设置STM32F407微处理的A/D输入串口，运用定时器设置MCU的采样频率为200Hz，将采集5min时长的心电原始信号存储于MCU的直接访问存储器(DMA)中，可保证长时间以固定频率采集原始心电信号；

S1-3、通过上位机开发的基于MATLAB-GUI“HRVshow”可视化平台采集RS232串口输入的大量数据并实时动态显示于屏幕上。

S2、心电信号预处理：分别通过带通滤波、双斜率处理、低通滤波及滑动窗口积分，使原始心电信号波形幅值明显增大，更容易定位检测R波；

S2-1、对心电信号进行4阶FIR带通滤波，通带为15～25Hz；

S2-2、对滤波后的波形进行“双斜率”预处理，即在一个点的左右两侧的某个区间内寻找最大平均斜率K_max与最小平均斜率K_min，由K₁＝K_lmax-K_rmin和K₂＝K_rmax-K_lmin两式得到K₁和K₂，其中K_lmaxK_lmin为左侧斜率最大最小值；K_rmaxK_rmin为右侧斜率最大最小值。由K_o＝max{K₁,K₂}式得两者的最大值，经双斜率预处理后更加突出了R波；

S2-3、对S2-2所得的信号进行截止频率为5Hz的低通滤波，滤除杂波使得波形更加光滑；

利用滑动积分窗口，使波形的绝对振幅增大，并使波形进一步光滑。由此预处理后的信号更容易检测定位。

S3、自适应双阈值设计寻找R波：根据信号实时变化阈值也自适应发生改变，设置双阈值为上下限来锁定R波位置点，使得实时准确的计算得出R峰；

S3-1、自适应双阈值机制如下：

其中，Rpeak指当前检测到的峰值，Rpeaksbuff指储存了当前峰值之前的8个峰值，mean()求均值，THR₁为高阈值，THR₀为低阈值，

为高低阈值的上下限。

S3-2、若当前波峰高于THR₁时，阈值变化为Rpeaksbuff均值的0.7倍(0.25倍)；若当前波峰在高低阈值之间，将调低高阈值，而低阈值与高阈值保持一定距离，因此也调低一些；高低阈值的变化下限，分别取值为0.3和0.23。

S4、疲劳驾驶特征提取：对RR间期进行时域分析，得到AVNN、SDNN、RMSSD、PNN50等时域特征指标，将RR间期进行频域分析，得到LF、HF、LF/HF等频域特征指标，所述特征指标构成心率变异性指标特征矩阵；

S4-1、经步骤S3获得心电信号的R峰矩阵，将前一时刻的R峰值所在时间点Rpeak_i+1减去当前时刻R峰所在时间点Rpeak_i得到当前时间点的RR间期值RR_i，公式如下：

RR_i＝Rpeak_i+1-Rpeak_i

由RR_i组成的矩阵就为HRV信号矩阵，即HRV＝{RR₀,RR₁,RR₂,…RR_n}；

S4-2、对HRV信号进行时域分析，得到如下指标：

RR间期的平均值AVNN,公式为

RR间期的标准差SDNN，公式为

相邻RR间期差值的均方根RMSSD，公式为RMSSD＝sqrt(mean((RR_i+1-RR_i)²))、

相邻RR间期差值大于50ms的个数NN50，PNN50为NN50除以整个RR间期个数的百分比，公式为

采样时间内的平均心率

S4-3、对HRV信号进行频域分析，得到如下指标：

低频功率LF，在0.04～0.15Hz频域内的功率总和、

高频功率HF，在0.15～0.4Hz频域内的功率总和、

总功率TP，在≤0.4Hz频域内的总功率、

低频功率与高频功率的比值LF/HF，公式为

S4-4、由上述特征值组成特征矩阵Z，如下所示：

S5、疲劳驾驶数据集建立：利用模拟驾驶平台采集不同驾驶志愿者的疲劳驾驶数据集，并贴上相应的标签；作为优选，参考图3步骤S5中实验设计具体方案如下：

1)选取年龄在20～25岁的在校学生当志愿者，实验开始前保持7小时以上的充足睡眠时间，且不允许喝咖啡、茶水等提神醒脑的功能性饮料；

2)实验开始前静坐10分钟，采集5分钟的心电信号作为实验前精神状态的参考值，并填写KSS主观问卷表；

3)开始时间为2小时的模拟驾驶实验，基于科腾900的方向盘搭建的模拟驾驶器。过程中，实验人员每隔十分钟采集一次5min的心电信号并询问被试者当前的主观疲劳值，且每隔半小时被试者进行一次随机注意力实验，为后续的数据标签做参考；

4)实验结束后，静坐10分钟，采集心电信号并填写主观问卷表，作为驾驶后的数据参考。

5)对实验数据进行分类整理，为后续机器学习做准备。

S6、基于步骤S5中获得的疲劳驾驶数据集，通过主成分分析剔除数据冗余以及线性相关的数据，分别采用K-最近邻、支持向量机和BP神经网络算法框架训练数据样本，再将测试样本输入到训练好的算法框架中，当算法输出-1时，则判定为疲劳驾驶状态，若算法输出为1时，则判定为非疲劳驾驶状态。若判定为疲劳驾驶状态，下位机发出预警指令，提醒驾驶员处于疲劳驾驶状态注意休息。

S6-1、对上述特征矩阵Z进行贴标签，运用三种不同的分类器进行监督学习；

S6-2、利用10倍交叉验证来划分数据集，并将每次训练的准确率去平均值，得到最终分类准确；

S6-3、进行决策树以及随机森林分类器的调参训练；

S6-4、首先，设定决策树的选择准则为entropy，并搭建最大深度为2、叶的最小样本数量为7以及分裂内部节点所需的最小样本量为2，得到决策树的分类准确率为79.5％；其次，建立n_estimators为175的随机森林，并设定随机森林的最大深度为10，最大特征数为2，得到随机森林分类准确率为79.5％；最后，比对MCU分类器迁移难度选择决策树作为最终分类器，当分类器输出为-1时，驾驶员处于清醒状态，当分类器输出为1时，驾驶员处于疲劳状态。

S6-5、将分类器框架输入到STM32微处理器中进行实时监测与预警，当处于疲劳状态时蜂鸣器得到脉冲信号，蜂鸣器开启给予警醒作用。

以上所述为本发明的实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理和精神的情况下凡依本发明申请专利范围所做的均等变化、修改、替换和变型，皆应属本发明的涵盖范围。

Claims (10)

1.一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于，其包括如下步骤：

S1、采集心电信号，并在采集过程中控制采样频率并输出放大；

S2、心电信号预处理，增大心电信号的波形幅值；

S3、利用可自适应变化的双阀值机制对预处理后的心电信号进行R波峰值的解析；

S4、提取疲劳驾驶特征，并利用该特征构成心率变异性指标特征矩阵；

S5、建立疲劳驾驶数据集并贴上相应的标签；

S6、利用所述心率变异性指标特征矩阵和疲劳驾驶数据集训练得出疲劳驾驶检测模型；

S7、将检测数据实时输入疲劳驾驶检测模型进行疲劳驾驶的检测。

2.根据权利要求1所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S1具体包括如下步骤：

S101、将电极套包覆于方向盘表面，并在表面嵌入结构化的导电软锥，通过导线连接至信号放大处理模将心电信号传输至MCU中；

S102、通过设置微处理器的A/D输入串口，运用定时器设置MCU的采样频率为200Hz，将采集5min时长的心电原始信号存储于MCU的直接访问存储器中，进行原始心电信号的固定频率采集；

S103、通过上位机开发的基于可视化平台采集串口输入的大量数据并进行实时动态交互显示，建立数据库并用于分类器模型训练。

3.根据权利要求1所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S2具体包括如下步骤：

S201、在MCU中，对存储于DMA中的心电数据进行巴特沃斯低通滤波，滤除工频噪声的干扰；

S202、对初始滤波后的信号进行零相位滤波去除基线漂移，确定滤波器的延时系数，再对心电数据进行镜像以消除边缘效应，通过一次正向滤波和反向滤波，截取滤波后的心电数据；

S203、对滤波后的波形进行双斜率预处理，在一个点两侧的预设区间内寻找最大平均斜率K_max与最小平均斜率K_min，利用K₁＝K_lmax-K_rmin和K₂＝K_rmax-K_lmin两式求得K₁和K₂，其中K_lmaxK_lmin为一侧斜率得最值；K_rmaxK_rmin为另一侧斜率的最值，利用K_o＝max{K₁,K₂}式得两侧斜率的最大值，进行R波突出操作；

S204、对步骤S203所得的信号进行取平方放大R峰值处理，使波形的振幅增大。

4.根据权利要求1所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S3具体为：根据信号得变化，在MCU中双阀值机制自适应进行实时改变，将两个阈值设置为上下限来锁定R波位置点，并实时准确计算得出R峰；

其中，所述双阀值机制具体为：

其中，Rpeak为当前检测到的峰值，Rpeaksbuff为储存了当前峰值之前的8个峰值，mean()为求均值，THR₁为高阈值，THR₀为低阈值，

和

分别为高低阈值的上下限；

当波峰高于THR₁时，阈值变化为Rpeaksbuff均值的0.7倍；当波峰在高低阈值之间，将调低高阈值，而低阈值也对应调低；高低阈值的变化下限，分别取值为0.3和0.23。

5.根据权利要求4所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S4具体包括如下步骤：

S401、经步骤S3获得心电信号的R峰矩阵，将前一时刻的R峰值所在时间点Rpeak_i+1减去当前时刻R峰所在时间点Rpeak_i得到当前时间点的RR间期值RR_i：

RR_i＝Rpeak_i+1-Rpeak_i

由RR_i组成的矩阵为HRV信号矩阵，即HRV＝{RR₀,RR₁,RR₂,…RR_n}；

S402、对HRV信号进行时域分析，得到如下指标：

RR间期的平均值

RR间期的标准差

相邻RR间期差值的均方根RMSSD＝sqrt(mean((RR_i+1-RR_i)²))、

相邻RR间期差值大于50ms的个数NN50、

NN50除以整个RR间期个数的百分比

采样时间内的平均心率

S403、对HRV信号进行频域分析，获取指标，所述指标具体包括：

低频功率LF，在0.04～0.15Hz频域内的功率总和、

高频功率HF，在0.15～0.4Hz频域内的功率总和、

总功率TP，在≤0.4Hz频域内的总功率、

低频功率与高频功率的比值LF/HF；

S404、由上述特征值组成特征矩阵Z，如下所示：

6.根据权利要求1所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S6具体包括如下步骤：

S601、对上述特征矩阵Z进行贴标签，运用多种不同的分类器进行监督学习；

S602、进行主成分分析数据降维，通过主成分分析，前四个主成分即可代表93％的整个特征数据集，将的Z_(8×m)降到Z_(4×m)维度；

S603、利用极差标准化将Z_(4×m)矩阵数值标准化到[0,1]之间；

S604、取数据集的75％作为训练集，剩下的25％为测试集，优化训练多种分类器作对比；

S605、采用基本分类器组成的疲劳驾驶检测模型：第一类选用KNN分类器，在K＝8时测试集达到分类准确率为76.6％；第二类选用SVM分类器，设定核函数为Poly核测试集最高的分类准确率达到72.3％；第三类选用BP神经网络分类器，当隐含层层数为1，神经元个数为3时，测试准确率达到80.8％；比对准确率后选择BP神经网络为预选分类器，当分类器输出为-1时，驾驶员处于清醒状态，当分类器输出为1时，驾驶员处于疲劳状态。

7.根据权利要求6所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S7还包括：将经过预选的分类器参数移植到MCU中，在MCU中进行机器学习分类和疲劳预警，通过实时采集心电数据得出的心率变异性指标来判断驾驶员疲劳与否并产生疲劳驾驶预警，当处于疲劳状态时蜂鸣器得到脉冲信号，蜂鸣器开启给予警醒作用。

8.根据权利要求3所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S201具体包括：

利用Matlab中fdatool滤波器设计工具计算直接Ⅰ型IIR滤波器差分方程的系数a[n]、b[n]及增益系数；其中s设定采样频率为200Hz，截止频率为50Hz，滤波器阶数为4阶；其中IIR滤波器的差分方程为：

将得到的差分方程系数a[n]、b[n]及增益系数保存为头文件在主程序中调用，其中系数a[n]进行取反；

使用ARM的DSP库中的IIR低通滤波函数arm_biquad_cascade_df1_f32滤波，得到滤波后的结果乘以增益系数得到巴特沃斯低通滤波后的信号。

9.根据权利要求8所述的一种基于心率变异性指标的疲劳驾驶检测方法，其特征在于：所述步骤S202具体包括：

设计截止频率为5～15Hz的2阶低通滤波器；

读入S201处理后的信号，并进行首尾延拓消除边缘效应；

确定零相位滤波器的初始延迟系数；

将首尾延拓后的信号正向输入滤波器，并将信号翻转；

翻转后的信号再次输入滤波器后二次翻转信号，并删除信号延拓，得到基线漂移纠正后的心电信号。

10.一种基于心率变异性指标的疲劳驾驶检测系统，其特征在于，其包括：

心电信号采集模块，用于采集人体心电信号，所述心电信号采集模块包括定制的方向盘电极套、信号放大采集模块和MCU，所述定制的方向盘电极套表面嵌入结构化的导电软锥并包覆于方向盘表面，所述信号放大模块通过导线与电极套相连接获取其采集到的心电信号并将心电信号放大处理，所述MCU的A/D口与信号放大处理模块连接，且MCU运用定时器设置预设采样频率对心电原始信号进行固定时间固定频率的心电原始信号采集；

上位机，其与心电信号采集模块相连接，用于获取心电信号采集模块采集并处理后的心电信号特征值，并在上位机中建立疲劳驾驶数据库；

数据处理模块，用于接收上位机发出的心电信号采集模块采集到的心电原始信号，并对心电原始信号至少进行预处理、特征提取操作；

疲劳驾驶检测模型，用于对输入的数据处理模块处理后的心电信号进行分类判断，判断其是否属于疲劳驾驶预警心电信号，并将结果传输至MCU；所述疲劳驾驶检测模型为基础模型利用数据处理模块的特征提取结果所建立的数据库进行训练获得；

其中，所述MCU将采集到的心电原始信号存储于MCU的直接访问存储器DMA中。

Images