CN114564110B - 基于脑电数据的驾驶学习能力检测方法及系统 - Google Patents
基于脑电数据的驾驶学习能力检测方法及系统 Download PDFInfo
- Publication number
- CN114564110B CN114564110B CN202210326074.9A CN202210326074A CN114564110B CN 114564110 B CN114564110 B CN 114564110B CN 202210326074 A CN202210326074 A CN 202210326074A CN 114564110 B CN114564110 B CN 114564110B
- Authority
- CN
- China
- Prior art keywords
- driving
- learning
- driver
- learning ability
- brain
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013139 quantization Methods 0.000 claims abstract description 33
- 230000007177 brain activity Effects 0.000 claims abstract description 30
- 238000012935 Averaging Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 20
- 238000007621 cluster analysis Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000001149 cognitive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006998 cognitive state Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dermatology (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供基于脑电数据的驾驶学习能力检测方法及系统，属于技术领域，使用模拟器获取驾驶员的驾驶数据和对应的脑电数据，选择相应的驾驶行为特征进行平均化和标准化，确定每个驾驶行为的驾驶风格；引入新的适应性学习能力量化指标，得出不同驾驶员的学习风格及行为演化规律；提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；通过得到最相关的脑区特征及其相关系数，对学习能力及风格演化特性进行检测与判定。本发明可检测驾驶员的驾驶行为和驾驶学习中的动态变化过程，有助于了解驾驶员行为驾驶特征以及认知特性的相关关系，可提高道路安全率和降低事故发生率。
Description
技术领域
本发明涉及驾驶行为识别技术领域，具体涉及一种基于脑电数据的驾驶学习能力检测方法及系统。
背景技术
道路交通系统是一个由人、车和道路构成的动态系统。驾驶员主观因素在导致交通事故发生的比例最高。因此，能够检测驾驶员的驾驶行为在道路安全方面显得尤为重要。
不同的驾驶员会自身驾驶经验的增加以及不同的交通环境的变化对驾驶行为做出调整，因此从动态以及学习能力的角度对驾驶员的驾驶风格演化特性进行分析，能够更加有效的对驾驶行为及其变化进行检测，提高交通安全。但是，在有关驾驶学习能力方面中并未有其相应的技术方案，现有技术主要集中在驾驶行为本身，很少有考虑到驾驶期间驾驶员的认知状态和大脑活动的变化。导致现有技术不能很好地检测出驾驶学习能力以及驾驶行为的变化。
李科勇将高速公路驾驶过程分为自由驾驶、跟驰和换道三种情景，针对不同驾驶情景的特点选择了相应的驾驶风格分类指标，构建了驾驶风格分类指标体系；根据各指标含义及分布特征确定了其隶属度函数，搭建了基于层次分析的驾驶风格客观分类模型。冀秉魁通过分析城市交通环境下的驾驶意图及驾驶行为形成机理，将城市环境下的驾驶行为分为跟驰、超车、左换道以及右换道4类和分析驾驶行为与驾驶意图的关系，确定基于驾驶意图辨识的驾驶行为预测方法。然而，这些研究主要是专注于身体方面的驾驶行为，很少包括认知状态和大脑活动过程中驾驶员的行为。
侯海晶等为了揭示驾驶风格对驾驶行为的影响规律，进而提取表征驾驶风格的特征参数，对不同风格驾驶人在感知层和操作层的驾驶行为数据进行了量化分析。首先，基于驾驶行为问卷对18名中国非职业驾驶人进行了驾驶风格问卷调查，并采用主成分分析、K-means聚类等方法将被试驾驶人分为谨慎型、正常型和激进型3种类型。接着，被试驾驶人在搭载了SmartEye眼动仪的驾驶模拟器上开展了高速公路行车环境下的驾驶试验，同步采集了感知层的视觉特性参数和操作层的驾驶绩效参数，并采用判断抽样的方式将驾驶样本按照驾驶风格和驾驶模式(换道意图和车道保持)进行了划分，共选取了810组有效样本。最后，采用方差分析法分析了不同风格驾驶人在不同驾驶模式下的注视行为、扫视行为、横向控制特性、纵向控制特性方面相关参数的差异显著性，并提取了不同风格间存在显著差异的参数作为表征驾驶风格的特征参数。研究结果表明：驾驶风格越激进，驾驶人对周围环境关注越少，对车辆的横向控制稳定性越差，急加速和急减速行为发生的频次越高；不同风格驾驶人在意图时窗内对后视镜的注视次数(p＝0.002)、方向盘转角熵值(p＝0.04)、加速踏板开度(p＝0.01)、制动踏板开度(p＝0.02)这4个参数的差异均较为显著，因此可作为表征驾驶风格的特征参数。
综上，现有技术中仅有对驾驶员驾驶风格进行检测的技术方法，而忽略了驾驶员驾驶行为的动态变化特性，导致不能对驾驶员学习能力及行为演化特性进行较好的分析，加上结果影响。判断驾驶员的驾驶行为主要以DBQ(Driving Behavior Question)或DSQ(Driving Style Question)的方式，具有一定的主观性以及该方式缺少对驾驶学习有动态分析，可信性较低，并且可实施性较差。对驾驶行为本身进行检测的方法里，很少考虑到驾驶员的认知状态和大脑活动。现有技术中考虑驾驶员生理特征信号的认知状态研究方法中，常将不同驾驶行为作为一种静态事件而忽略了脑活动的时变特性，从而导致了无法从行为和生理信号两方面综合考虑对驾驶行为进行分析和检测。
发明内容
本发明的目的在于提供一种可检测驾驶员的驾驶行为和驾驶学习中的动态变化过程，有助于了解驾驶员行为驾驶特征以及认知特性的相关关系的基于脑电数据的驾驶学习能力检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于脑电数据的驾驶学习能力检测方法，包括如下步骤：
使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
优选的，采用Z-score方法对驾驶行为特征进行平均化和标准化处理，然后采用K-means方法驾驶行为特征进行聚类。
优选的，采用k-means算法对驾驶行为进行聚类包括：
步骤2.1：从所有待分析的驾驶行为中随机选择a个驾驶行为作为初始聚类中心；
步骤2.2：计算所有驾驶行为到a个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
步骤2.3：针对每个类别，重新计算每个聚类中心；
步骤2.4：重复进行步骤2.2、步骤2.3两步操作，直到到达终止条件。
优选的，学习能力量化指标描述驾驶风格序列之间的演化规律，也用于反应驾驶员的学习能力，其表达式为：EI(p,q)＝η1·JS(p,q)+η2Sub(p,q)；
其中，JS即JS散度，用于衡量两个概率分布之间的差异，其表达式为：
其中，p和q分别表示两个概率分布，p(xi)和q(xi)表示分布中的每个值，KL(p,q)表示两个序列之间分布的差异化程度。
优选的，采用k-means算法对驾驶员的学习能力进行聚类包括：
步骤3.1：从所有驾驶人员中选择b个人员，以其在不同实验下的学习能力量化指标作为初始聚类中心；
步骤3.2：计算所有驾驶人员的学习指数到b个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
步骤3.3：针对每个类别，重新计算每个聚类中心；
步骤3.4：重复进行步骤3.2、步骤3.3两步操作，直到到达终止条件。
优选的，采用pearson相关系数对学习能力量化指标与脑活动功率谱进行相关分析，pearson相关系数的计算过程如下：
其中Xi代表第i个驾驶员的学习能力量化指标，Yik代表第i个驾驶员脑区k的平均功率谱，表示所有驾驶员该学习能力量化指标的均值，/>表示所有驾驶员脑区k的平均功率谱值。σX表示所有样本该学习能力量化指标的标准差，/>表示所有驾驶员脑区k功率谱值的标准差。
第二方面，本发明提供一种基于脑电数据的驾驶学习能力检测系统，包括：
第一提取模块，用于使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
聚类模块，用于将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
第二提取模块，用于基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；
分析模块，用于将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
判定模块，用于通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的基于脑电数据的驾驶学习能力检测方法。
第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的基于脑电数据的驾驶学习能力检测方法。
第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于脑电数据的驾驶学习能力检测方法。
本发明有益效果：可检测驾驶员的驾驶行为和驾驶学习中的动态变化过程，有助于了解驾驶员行为驾驶特征以及认知特性的相关关系，从而对驾驶学习能力进行检测，使得驾驶员对自己驾驶学习能力有更清晰的了解，能够有针对性的训练，可以进一步提高道路安全率和降低事故发生率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例所述的基于脑电数据的驾驶学习能力检测方流程图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种基于脑电数据的驾驶学习能力检测系统，包括：
第一提取模块，用于使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
聚类模块，用于将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
第二提取模块，用于基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；
分析模块，用于将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
判定模块，用于通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
本实施例1中，利用上述的系统实现了了一种基于脑电数据的驾驶学习能力检测方法，包括如下步骤：
使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
其中，采用Z-score方法对驾驶行为特征进行平均化和标准化处理，然后采用K-means方法驾驶行为特征进行聚类。
具体的，采用k-means算法对驾驶行为进行聚类包括：
步骤2.1：从所有待分析的驾驶行为中随机选择a个驾驶行为作为初始聚类中心；
步骤2.2：计算所有驾驶行为到a个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
步骤2.3：针对每个类别，重新计算每个聚类中心；
步骤2.4：重复进行步骤2.2、步骤2.3两步操作，直到到达终止条件。
学习能力量化指标描述驾驶风格序列之间的演化规律，也用于反应驾驶员的学习能力，其表达式为：EI(p,q)＝η1·JS(p,q)+η2Sub(p,q)；
其中，JS即JS散度，用于衡量两个概率分布之间的差异，其表达式为：
其中，p和q分别表示两个概率分布，p(xi)和q(xi)表示分布中的每个值，KL(p,q)表示两个序列之间分布的差异化程度。
采用k-means算法对驾驶员的学习能力进行聚类包括：
步骤3.1：从所有驾驶人员中选择b个人员，以其不同在不同实验下的学习能力量化指标作为初始聚类中心；
步骤3.2：计算所有驾驶人员的学习指数到b个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
步骤3.3：针对每个类别，重新计算每个聚类中心；
步骤3.4：重复进行步骤3.2、步骤3.3两步操作，直到到达终止条件。
采用pearson相关系数对学习能力量化指标与脑活动功率谱进行相关分析，pearson相关系数的计算过程如下：
其中Xi代表第i个驾驶员的学习能力量化指标，Yik代表第i个驾驶员脑区k的平均功率谱，表示所有驾驶员该学习能力量化指标的均值，/>表示所有驾驶员脑区k的平均功率谱值。σX表示所有样本该学习能力量化指标的标准差，/>表示所有驾驶员脑区k功率谱值的标准差。
实施例2
如图1所示，本实施例2中，提供一种基于脑电数据的驾驶学习能力检测方法，包括如下步骤：
步骤1)设计驾驶场景，选择若干个驾驶员进行驾驶模拟，并在未告知驾驶员每个实验场景都相同的情况下，进行多次实验，其目的是避免被试事先刻意固化或改变驾驶行为。使用模拟器获取驾驶数据和对应的脑电数据。
步骤2)实验完成后，提取要分析的特定驾驶行为(如换道、跟驰、超车等)，选择相应的驾驶行为特征(如速度，加速度，方向盘转角等)。将选择的驾驶行为特征进行预处理，即平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格。
步骤3)将驾驶实验中不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标(EI)从而检测不同序列间的相关关系。进而表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律。
步骤4)将获得的驾驶员脑电数据，进行过滤，插值，独立成分分析，调整等预处理，提取脑电特征(例如：θ、ɑ、β、γ波的功率谱密度)，得出驾驶员的脑活动特征。
步骤5)将不同驾驶学习的学习指标与脑电波的功率谱密度进行pearson相关性分析，得到与学习指标最相关的脑区特征。
步骤6)通过得到最相关的脑区特征及其相关系数，进而对其学习能力及风格演化特性进行检测与判定。
具体的，步骤2中，采用Z-score方法对驾驶行为特征进行平均化和标准化处理，然后采用K-means方法驾驶行为特征进行聚类。
步骤2中，Z-score方法公式表达式为：
其中x—观测值，μ—总体平均值，δ—总体标准差。
步骤2中，采用k-means算法对驾驶行为进行聚类：
(1)从所有待分析的驾驶行为中随机选择a个驾驶行为作为初始聚类中心；
(2)计算所有驾驶行为到a个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
(3)针对每个类别，重新计算每个聚类中心。
(4)重复进行(2)、(3)两步操作，直到到达某个终止条件(迭代次数，聚类中心不再变化等)。
步骤3中，学习指标(EI)描述驾驶风格序列之间的演化规律，也用于反应驾驶员的学习能力，其表达式：EI(p,q)＝η1·JS(p,q)+η2Sub(p,q)
其中JS即JS散度，用于衡量两个概率分布之间的差异。其表达式：
其中p和q表示两个概率分布，p(xi)和q(xi)表示分布中的每个值，KL(p,q)反应两个序列之间分布的差异化程度。
在本实施例中用于衡量驾驶员在不同驾驶场景下风格的总体差异，反应两个序列之间元素的差异化程度。
本实施例中，为不同驾驶风格序列中差异化行为的相对百分比数，用于衡量驾驶员在不同驾驶场景下个体行为差异化程度。η1+η2＝1，作为自适应的放缩指标，根据不同的检测目的赋予JS值和Sub值不同的权重从而适应多样性的研究目标。
步骤3中，采用k-means算法对所有驾驶员的学习能力进行聚类，其基本步骤为：
(1)从所有驾驶人员中中选择b个人员，以其不同在不同实验下的学习指标(EI)作为初始聚类中心；
(2)计算所有驾驶人员的学习指数到b个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
(3)针对每个类别，重新计算每个聚类中心。
(4)重复进行(2)、(3)两步操作，直到到达某个终止条件(迭代次数，聚类中心不再变化等)。
步骤5中，采用pearson相关系数对学习能力检测指标EI与脑活动功率谱进行相关分析，pearson相关系数的计算过程如下：
其中Xi代表第i个驾驶员的学习能力量化指标，Yik代表第i个驾驶员脑区k的平均功率谱，表示所有驾驶员该学习能力量化指标的均值，/>表示所有驾驶员脑区k的平均功率谱值。σX表示所有样本该学习能力量化指标的标准差，/>表示所有驾驶员脑区k功率谱值的标准差。
综上，本实施例2中，从驾驶员学习能力的角度出发，从动态的角度探究驾驶员的驾驶风格演化特性，从而实现对驾驶员学习能力的判定与检测。通过完备的驾驶实验以及设备采集相关驾驶数据和脑电数据作动态分析，从而对驾驶行为进行定量分析，可靠性高。考虑到驾驶过程中的驾驶学习动态和大脑活动的变化特性，从行为信号和生理信号两方面对驾驶行为进行分析和检测，从而能够捕获更复杂和多样性的驾驶行为。
实施例3
本发明实施例3提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行基于脑电数据的驾驶学习能力检测方法，该方法包括如下流程步骤：
使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
实施例4
本发明实施例4提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现基于脑电数据的驾驶学习能力检测方法，该方法包括如下流程步骤：
使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
实施例5
本发明实施例5提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行基于脑电数据的驾驶学习能力检测方法，该方法包括如下步骤：
使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定。
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，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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于脑电数据的驾驶学习能力检测方法，其特征在于，包括如下步骤：
使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定；
其中，学习能力量化指标描述驾驶风格序列之间的演化规律，也用于反应驾驶员的学习能力，其表达式为：EI(p,q)＝η1·JS(p,q)+η2Sub(p,q)；
其中，JS即JS散度，用于衡量两个概率分布之间的差异，其表达式为：
其中，p和q分别表示两个概率分布，p(xi)和q(xi)表示分布中的每个值，KL(p,q)表示两个序列之间分布的差异化程度。
2.根据权利要求1所述的基于脑电数据的驾驶学习能力检测方法，其特征在于，采用Z-score方法对驾驶行为特征进行平均化和标准化处理，然后采用K-means方法驾驶行为特征进行聚类。
3.根据权利要求2所述的基于脑电数据的驾驶学习能力检测方法，其特征在于，采用k-means算法对驾驶行为进行聚类包括：
步骤2.1：从所有待分析的驾驶行为中随机选择a个驾驶行为作为初始聚类中心；
步骤2.2：计算所有驾驶行为到a个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
步骤2.3：针对每个类别，重新计算每个聚类中心；
步骤2.4：重复进行步骤2.2、步骤2.3两步操作，直到到达终止条件。
4.根据权利要求1所述的基于脑电数据的驾驶学习能力检测方法，其特征在于，采用k-means算法对驾驶员的学习能力进行聚类包括：
步骤3.1：从所有驾驶人员中选择b个人员，以其在不同实验下的学习能力量化指标作为初始聚类中心；
步骤3.2：计算所有驾驶人员的学习指数到b个聚类中心的距离并将其划分到距离最小的聚类中心所对应的类别中；
步骤3.3：针对每个类别，重新计算每个聚类中心；
步骤3.4：重复进行步骤3.2、步骤3.3两步操作，直到到达终止条件。
5.根据权利要求4所述的基于脑电数据的驾驶学习能力检测方法，其特征在于，采用pearson相关系数对学习能力量化指标与脑活动功率谱进行相关分析，pearson相关系数的计算过程如下：
其中Xi代表第i个驾驶员的学习能力量化指标，Yik代表第i个驾驶员脑区k的平均功率谱，表示所有驾驶员该学习能力量化指标的均值，/>表示所有驾驶员脑区k的平均功率谱值，σX表示所有样本该学习能力量化指标的标准差，σYk表示所有驾驶员脑区k功率谱值的标准差。
6.一种基于脑电数据的驾驶学习能力检测系统，其特征在于，包括：
第一提取模块，用于使用模拟器获取驾驶员的驾驶数据和对应的脑电数据；基于驾驶数据提取要分析的特定驾驶行为，选择相应的驾驶行为特征；
聚类模块，用于将选择的驾驶行为特征进行平均化和标准化，采用聚类分析方法对驾驶行为特征进行聚类，以确定每个驾驶行为的驾驶风格；将不同的驾驶行为事件划分为不同的行为序列，并引入新的适应性学习能力量化指标从而检测不同序列间的相关关系，表征驾驶员的驾驶学习能力，通过聚类分析，得出不同驾驶员的学习风格及行为演化规律；
第二提取模块，用于基于驾驶员的脑电数据，提取脑电特征，得出驾驶员的脑活动特征；
分析模块，用于将不同驾驶学习的学习指标与脑活动特征进行pearson相关性分析，得到与学习指标最相关的脑区特征；
判定模块，用于通过得到最相关的脑区特征及其相关系数，进而对学习能力及风格演化特性进行检测与判定；
其中，学习能力量化指标描述驾驶风格序列之间的演化规律，也用于反应驾驶员的学习能力，其表达式为：EI(p,q)＝η1·JS(p,q)+η2Sub(p,q)；
其中，JS即JS散度，用于衡量两个概率分布之间的差异，其表达式为：
其中，p和q分别表示两个概率分布，p(xi)和q(xi)表示分布中的每个值，KL(p,q)表示两个序列之间分布的差异化程度。
7.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-5任一项所述的基于脑电数据的驾驶学习能力检测方法。
8.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-5任一项所述的基于脑电数据的驾驶学习能力检测方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的基于脑电数据的驾驶学习能力检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210326074.9A CN114564110B (zh) | 2022-03-30 | 2022-03-30 | 基于脑电数据的驾驶学习能力检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210326074.9A CN114564110B (zh) | 2022-03-30 | 2022-03-30 | 基于脑电数据的驾驶学习能力检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114564110A CN114564110A (zh) | 2022-05-31 |
| CN114564110B true CN114564110B (zh) | 2023-11-07 |
Family
ID=81720171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210326074.9A Active CN114564110B (zh) | 2022-03-30 | 2022-03-30 | 基于脑电数据的驾驶学习能力检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114564110B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116889411A (zh) * | 2023-07-21 | 2023-10-17 | 北京交通大学 | 自动驾驶安全员脑电信息语义分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008146332A (ja) * | 2006-12-08 | 2008-06-26 | Mazda Motor Corp | 車両用運転支援評価システム |
| CN108657188A (zh) * | 2018-05-08 | 2018-10-16 | 肇庆学院 | 一种驾驶员驾驶技术在线评估系统 |
| CN110239556A (zh) * | 2019-05-23 | 2019-09-17 | 重庆大学 | 一种驾驶员即时操控能力感知方法 |
| CN111753810A (zh) * | 2020-07-13 | 2020-10-09 | 清华大学 | 驾驶行为数据测试系统与采集方法 |
| CN113171095A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学 | 一种层级式驾驶员认知分心检测系统 |
| CN113627740A (zh) * | 2021-07-20 | 2021-11-09 | 东风汽车集团股份有限公司 | 一种驾驶负荷评价模型构建系统及构建方法 |
-
2022
- 2022-03-30 CN CN202210326074.9A patent/CN114564110B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008146332A (ja) * | 2006-12-08 | 2008-06-26 | Mazda Motor Corp | 車両用運転支援評価システム |
| CN108657188A (zh) * | 2018-05-08 | 2018-10-16 | 肇庆学院 | 一种驾驶员驾驶技术在线评估系统 |
| CN110239556A (zh) * | 2019-05-23 | 2019-09-17 | 重庆大学 | 一种驾驶员即时操控能力感知方法 |
| CN111753810A (zh) * | 2020-07-13 | 2020-10-09 | 清华大学 | 驾驶行为数据测试系统与采集方法 |
| CN113171095A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学 | 一种层级式驾驶员认知分心检测系统 |
| CN113627740A (zh) * | 2021-07-20 | 2021-11-09 | 东风汽车集团股份有限公司 | 一种驾驶负荷评价模型构建系统及构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114564110A (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Comparison among driving state prediction models for car-following condition based on EEG and driving features | |
| CN110569783B (zh) | 一种驾驶人换道意图识别方法及系统 | |
| Ma et al. | A comparative study of aggressive driving behavior recognition algorithms based on vehicle motion data | |
| CN109124625B (zh) | 一种驾驶员疲劳状态水平分级方法 | |
| Rigas et al. | Real-time driver's stress event detection | |
| Chen et al. | Driving safety risk prediction using cost-sensitive with nonnegativity-constrained autoencoders based on imbalanced naturalistic driving data | |
| CN111803065B (zh) | 一种基于脑电数据的危险交通场景辨识方法及系统 | |
| CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
| CN111643077B (zh) | 一种基于脑电数据的交通动态因素复杂度的辨识方法 | |
| CN108814618B (zh) | 一种运动状态的识别方法、装置及终端设备 | |
| CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
| CN114564110B (zh) | 基于脑电数据的驾驶学习能力检测方法及系统 | |
| Zhao et al. | Deep convolutional neural network for drowsy student state detection | |
| CN113112796A (zh) | 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 | |
| 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 | |
| CN113401130B (zh) | 基于环境信息的驾驶风格识别方法、设备及存储介质 | |
| CN112462759B (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
| CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
| CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| CN117765684A (zh) | 一种疲劳驾驶检测方法 | |
| CN107334481B (zh) | 一种驾驶分心检测方法及系统 | |
| CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
| Utomo et al. | Driver fatigue prediction using different sensor data with deep learning | |
| Wu et al. | Modeling Lead-Vehicle Kinematics for Rear-End Crash Scenario Generation | |
| CN115844402A (zh) | 注意力预测方法、装置、电子设备及计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |