CN114821968B - 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明提供了动车司机疲劳驾驶干预方法、装置、设备及可读存储介质，涉及交通安全技术领域，包括实时获取第一信息，第一信息包括当前行车位置信息和至少两种的司机状态监控信号；根据至少两个通道的司机状态监控信号计算得到在当前时刻的预测反应时间；根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值；根据当前时刻下的预测反应时间和反应时间阈值判断是否启动驾驶员干预动作，本发明通过概率统计的方式针对性计算出当前时刻下反应时间阈值以应对于不同环境，满足实际干预需求目标下精准计算当前时刻下的反应时间阈值，尤其在线路中有些需要更快的反应时间处理突发情况。

Description

动车司机疲劳驾驶干预方法、装置、设备及可读存储介质

技术领域

本发明涉及交通安全技术领域，具体而言，涉及动车司机疲劳驾驶干预方法、装置、设备及可读存储介质。

背景技术

高铁司机在驾驶的过程中，由于沿路景色单一长时间才会变化，容易造成高铁司机的警觉度下降。于是为了防止高铁司机驾驶的过程中出现警觉度下降，现有技术中尝尝采用固定时间间隙做一个预设动作，但是上述动作属于被动防护，现有技术中并没有一种警觉度下降而主动干扰高铁司机，进而提升高铁司机警觉度的方法。

发明内容

本发明的目的在于提供一种动车司机疲劳驾驶干预方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种动车司机疲劳驾驶干预方法，包括：实时获取第一信息，所述第一信息包括当前行车位置信息和至少两种的司机状态监控信号；根据至少两个通道的所述司机状态监控信号计算得到在当前时刻的预测反应时间；根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值；根据当前时刻下的所述预测反应时间和所述反应时间阈值判断是否启动驾驶员干预动作。

第二方面，本申请还提供了一种动车司机疲劳驾驶干预装置，包括：第一获取单元，用于实时获取第一信息，所述第一信息包括当前行车位置信息和至少两种的司机状态监控信号；反应时间预测单元，用于根据至少两个通道的所述司机状态监控信号计算得到在当前时刻的预测反应时间；系统阈值计算单元，用于根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值；逻辑单元，用于根据当前时刻下的所述预测反应时间和所述反应时间阈值判断是否启动驾驶员干预动作。

第三方面，本申请还提供了一种动车司机疲劳驾驶干预设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述动车司机疲劳驾驶干预方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于动车司机疲劳驾驶干预方法的步骤。

本发明的有益效果为：

本发明通过概率统计的方式，针对性计算出当前时刻下反应时间阈值，以应对于桥梁、隧道、丘陵等不同环境，满足实际干预需求目标下精准计算当前时刻下的反应时间阈值，在反应时间阈值更加精准的前提下，本方法的实施能精准地判断当前情况下高铁司机是否需要干预，尤其在线路中有些需要更快的反应时间处理突发情况，本方法能及时干预高铁司机减少其警觉性下降而造成危险发生的情况。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

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发明的某些实施例，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为本发明实施例中所述的动车司机疲劳驾驶干预方法流程示意图;

图2为本发明实施例中所述的动车司机疲劳驾驶干预装置结构示意图；

图3为本发明实施例中所述的动车司机疲劳驾驶干预设备结构示意图。

图中标记：1、第一获取单元；2、反应时间预测单元；21、模型构建单元；211、第二获取单元；212、预处理单元；213、模型建立单元；2131、第一建立子单元；2132、第二建立子单元；2133、第三建立子单元；22、评估单元；23、反应时间计算单元；231、第一查询单元；232、第二查询单元；233、筛选单元；3、系统阈值计算单元；31、第三查询单元；32、第一计算单元；33、第二计算单元；34、第三计算单元；4、逻辑单元；800、动车司机疲劳驾驶干预设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种动车司机疲劳驾驶干预方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。

S100、实时获取第一信息，第一信息包括当前行车位置信息和至少两种的司机状态监控信号。

需要说明的是，在本步骤中所提及的当前行车位置信息可以是当前的坐标信息或者其他的能表达当前车辆所处位置的数值。同时，在本步骤中所提及的司机状态监控信号可以为心电信号（ECG）和脑电信号（EEG）。同时还需要说明的是，本实施例中选取了九个高度敏感EEG的通道来提取特征以进行警觉性估计：C1、CZ、C2、P1、PZ、P2、PO3、POZ和PO5。同时，进一步地，对于本领域技术而言增加图像信息作为实际状态监控信号，比如司机动作状态以及司机眼球运动信息。

S200、根据至少两个通道的司机状态监控信号计算得到在当前时刻的预测反应时间。

S300、根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值。

S400、根据当前时刻下的预测反应时间和反应时间阈值判断是否启动驾驶员干预动作。

具体而言，在本方法中若是预测反应时间大于或等于反应时间阈值的话，则启动干预动作。反之，若是预测反应时间小于反应时间阈值的话，则无动作。同时需要说明的是，在本申请中的干预动作为发出预设的警戒音的方式提示高铁司机。

在本方法中，通过将概率统计方法并结合当前列车位置实现当前时刻所需的反应时间阈值的方式，使其更能符合当前驾驶情况。在一些特殊（速度较高环境下）下提供较小的反应时间阈值，减少在特殊情况下发生危险的概率。

在本申请公开的实施例中，步骤S200中包括步骤S210、步骤S220和步骤S230。

S210、构建疲劳状态评估数学模型。

需要说明的是，在本步骤中构建的疲劳状态评估数学模型为基于局部均值分解的一级处理、卷积神经网络的二次处理以及长短期记忆网络模型的三级处理数学模型。

S220、将每个司机状态监控信号作为疲劳状态评估数学模型的输入信息，求解疲劳状态评估数学模型得到当前时刻下的司机疲劳状态评估。

需要说明的是，在本申请中对于司机疲劳状态评估，可以采用100-0分的评价机制或者是采用或者一级到五级逐渐严重程度的方式评级司机疲劳状态评估。

S230、根据当前时刻下的司机疲劳状态评估确定当前时刻下的预测反应时间。

具体而言，在本申请中三级评价模型，其可以通过局部均值分解对实施获取的司机监控信息进行分解得到至少一个PF分量，再通过卷积神经网络和长短期记忆网络协同评估得到司机疲劳状态评估。

具体而言，在本实施中步骤S210中包括步骤S211、步骤S212和步骤S213。

S211、获取历史数据集，历史数据集包括至少一组历史数据，每组数据包括与司机状态监控信号种类相同的历史信号和对应的疲劳状态评估。

需要说明的是，在本步骤中历史数据集由多组数据组成，其中每组数据中均包括心电信号、脑电信号和对应的疲劳状态评估。

S212、对每个历史信号预处理和特征提取得到历史特征集，并依照历史信号和对应的疲劳状态评估为历史特征集内每个元素更新对应的疲劳状态评估。

需要说明的是，在本步骤中所提及预处理包括但不限于降采样处理以及滤波处理等手段，而特征提取为包括但不限于功率谱密度计算等处理，其为现有技术，本申请中不再赘述。

S213、建立基于局部均值分解的预测模型，利用历史特征集训练预测模型得到状态预测模型，状态预测模型的输入信息为当前状态特征集，状态预测模型的输出信息为当前时刻下司机疲劳状态评估，当前状态特征集为每个司机状态监控信号进行预处理和特征提取得到的集合。

进一步而言，在步骤S213中还包括步骤S2131、步骤S2132和步骤S2133。

S2131、建立局部均值分解数学模型，局部均值分解数学模型的输入信息为历史特征集，局部均值分解数学模型（Local Mean Decomposition，简称LMD）的输出信息为PF分量和Ut残差分量。

S2132、建立卷积神经网络数学模型，卷积神经网络数学模型的输入信息为局部均值分解数学模型的输出信息。

S2133、建立长短期记忆网络模型，长短期记忆网络模型的输入信息为局部均值分解数学模型和卷积神经网络数学模型的输出信息。

在本方法中通过将对特征数据进行分解为多阶PF分量的数据，通过卷积神经网络和长短记忆神经探知数据变化情况进而得到准确的司机疲劳状态评估。并且在本步骤中还将Ut残差分量均作为两种深度学习模型的学习对象，挖掘Ut残差分量与PF分量之间的相互的关系，不放弃在数值分解的所有信息以应对于司机状态监控信号中细小信息也能反映其真实状态，提升最终的预测反应时间准确性。并且在本申请中通过将卷积神经网络预处理得到不同阶分量之间内在的联系，作为新的输入信息，再通过长短期记忆网络最后预测，进一步地提升预测的准确性。

在本申请公开的实施例中步骤S230中包括步骤S231、步骤S232和步骤S233。

S231、根据行车位置信息在预设的环境数据库中确定行车环境。

需要说明的是，本申请中所提的预设的环境数据库中包括行车位置对应的行车环境。具体而言，行车环境指的是山区、隧道、桥梁等不同环境。

S232、根据行车环境在预设的疲劳-决策行为数据库中确定反应时间集合，反应时间集合内包括至少两个反应时间，每个反应时间均对应于一种突发事件。

同时需要说明的是，在本申请中所提及的突发事件包括：封闭网内有闲杂人员；列车运行中晃车（逐级提速）；列车停在接触网分相无电区（越区）；列车碰撞异物；动车组救援动车组；机车前部救援动车组；动车组故障导致动车组空调失效；CTC故障不能下达列车运行计划；闭塞分区轨道电路非列车占用红光带；车站（线路所）道岔失去表示；调度所及车站CTC设备均不能正确显示列车占用状态；自动过分相地面设备故障；列控限速设置不成功；区间列车占用丢失；进站信号机故障；接触网上挂有异物；接触网跳闸重合成功；未装备LKJ动车组列控车载设备故障；运行途中不明原因自动降弓；雨量监测子系统故障等。同时，在本步骤中所提及的疲劳-决策行为数据库即为：预先根据不同的疲劳状态去处理不同突发事件得到在每个疲劳状态下对于一个突发事件处理情况的反应时间，即为反应时间集合。

S233、将反应集合内最大值作为当前时刻下的预测反应时间。

基于保守的安全策略，将最大值作为该司机当前的反应时间。将进一步地提升本方法在动车司机疲劳驾驶干预上的安全性。

进一步而言，在步骤S300中包括步骤S310、步骤S320、步骤S330和步骤S340。

S310、根据行车位置信息在预设的环境数据库中确定当前位置的行车环境集合和可接受事故发生概率，行车环境集合包括行车环境和行车环境对应的行驶信息。

需要说明的是，在本申请的环境数据库还包括有每个位置对应的行驶信息，其中行驶信息具体包括挡墙行车环境的司机瞭望距离，动车运行速度，动车紧急制动的减速度，安全冗余偏置系数信息。同时，预设的环境数据库还包括在每个环境中允许发生意外的概率，即可接受事故发生概率。

S320、根据行驶信息计算得到行车环境所需的需求反应时间。

具体而言，在本申请中计算需求反应时间的公式为：

其中，t^D为需求反应时间,L为当前行车环境下的司机瞭望距离，V为当前动车运行速度，a为动车紧急制动的减速度，t_b为安全冗余偏置。

S330、根据所述行车环境对预设的突发事件集合内的每个突发事件依次模拟，并统计得到所述行车环境对应的概率密度函数。

需要说明的是，在本步骤中所提及的概率密度函数得到过程为概率分析中常规技术手段，本申请不再赘述。

S340、根据所述可接受事故发生概率对所述行车环境对应的所述概率密度函数进行积分计算，得到反应时间阈值。

具体而言，在本步骤中计算公式为：

其中，P为可接受事故发生概率，

为反应时间阈值，f(t)为概率密度函数，t为反应时间。对上式采用数值积分方法，可推导当前行车环境的反应时间阈值。

在本方法中，通过将概率统计的方式，针对性计算出当前时刻下反应时间阈值，以应对于桥梁、隧道、丘陵等不同环境，满足实际实施需求，在反应时间阈值更加精准的前提下，本方法的实施能精准地判断当前情况下高铁司机是否需要干预，尤其在线路中有些需要更快的反应时间处理突发情况，本方法能及时干预高铁司机，减少其警觉性下降而造成危险发生的情况。

实施例2：

如图2所示，本实施例提供了一种动车司机疲劳驾驶干预装置，装置包括：

第一获取单元1，用于实时获取第一信息，第一信息包括当前行车位置信息和至少两种的司机状态监控信号。

反应时间预测单元2，用于根据至少两个通道的司机状态监控信号计算得到在当前时刻的预测反应时间。

系统阈值计算单元3，用于根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值。

逻辑单元4，用于根据当前时刻下的预测反应时间和反应时间阈值判断是否启动驾驶员干预动作。

在一些具体的实施例中，反应时间预测单元2包括：

模型构建单元21，用于构建疲劳状态评估数学模型。

评估单元22，用于将每个司机状态监控信号作为疲劳状态评估数学模型的输入信息，求解疲劳状态评估数学模型得到当前时刻下的司机疲劳状态评估。

反应时间计算单元23，用于根据当前时刻下的司机疲劳状态评估确定当前时刻下的预测反应时间。

在一些具体的实施例中，模型构建单元21包括：

第二获取单元211，用于获取历史数据集，历史数据集包括至少一组历史数据，每组数据包括与司机状态监控信号种类相同的历史信号和对应的疲劳状态评估。

预处理单元212，用于对每个历史信号预处理和特征提取得到历史特征集，并依照历史信号和对应的疲劳状态评估为历史特征集内每个元素更新对应的疲劳状态评估。

模型建立单元213，用于建立基于局部均值分解的预测模型，利用历史特征集训练预测模型得到状态预测模型，状态预测模型的输入信息为当前状态特征集，状态预测模型的输出信息为当前时刻下司机疲劳状态评估，当前状态特征集为每个司机状态监控信号进行预处理和特征提取得到的集合。

在一些具体的实施例中，模型建立单元213包括：

第一建立子单元2131，用于建立局部均值分解数学模型，局部均值分解数学模型的输入信息为历史特征集，局部均值分解数学模型的输出信息为PF分量和Ut残差分量。

第二建立子单元2132，用于建立卷积神经网络数学模型，卷积神经网络数学模型的输入信息为局部均值分解数学模型的输出信息。

第三建立子单元2133，用于建立长短期记忆网络模型，长短期记忆网络模型的输入信息为局部均值分解数学模型和卷积神经网络数学模型的输出信息。

在一些具体的实施例中，反应时间计算单元23包括：

第一查询单元231，用于根据行车位置信息在预设的环境数据库中确定行车环境。

第二查询单元232，用于根据行车环境在预设的疲劳-决策行为数据库中确定反应时间集合，反应时间集合内包括至少两个反应时间，每个反应时间均对应于一种突发事件。

筛选单元233，用于将反应集合内最大值作为当前时刻下的预测反应时间。

在一些具体的实施例中，系统阈值计算单元3包括：

第三查询单元31，用于单元，用于根据行车位置信息在预设的环境数据库中确定当前位置的行车环境集合和可接受事故发生概率，行车环境集合包括行车环境和行车环境对应的行驶信息。

第一计算单元32，用于根据行驶信息计算得到行车环境所需的需求反应时间。

第二计算单元33，用于根据所述行车环境对预设的突发事件集合内的每个突发事件依次模拟，并统计得到所述行车环境对应的概率密度函数。

第三计算单元34，用于根据所述可接受事故发生概率对所述行车环境对应的所述概率密度函数进行积分计算，得到反应时间阈值。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种动车司机疲劳驾驶干预设备，下文描述的一种动车司机疲劳驾驶干预设备与上文描述的一种动车司机疲劳驾驶干预方法可相互对应参照。

图3是根据示例性实施例示出的一种动车司机疲劳驾驶干预设备800的框图。如图3所示，该动车司机疲劳驾驶干预设备800可以包括：处理器801，存储器802。该动车司机疲劳驾驶干预设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该动车司机疲劳驾驶干预设备800的整体操作，以完成上述的动车司机疲劳驾驶干预方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该动车司机疲劳驾驶干预设备800的操作，这些数据例如可以包括用于在该动车司机疲劳驾驶干预设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该动车司机疲劳驾驶干预设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，动车司机疲劳驾驶干预设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的动车司机疲劳驾驶干预方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的动车司机疲劳驾驶干预方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由动车司机疲劳驾驶干预设备800的处理器801执行以完成上述的动车司机疲劳驾驶干预方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种动车司机疲劳驾驶干预方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的动车司机疲劳驾驶干预方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种动车司机疲劳驾驶干预方法，其特征在于，包括：

实时获取第一信息，所述第一信息包括当前行车位置信息和至少两种的司机状态监控信号；

根据至少两个通道的所述司机状态监控信号计算得到在当前时刻的预测反应时间；

根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值；

根据当前时刻下的所述预测反应时间和所述反应时间阈值判断是否启动驾驶员干预动作；

其中,所述根据至少两个通道的所述司机状态监控信号计算得到在当前时刻的预测反应时间，包括：

构建疲劳状态评估数学模型,其中疲劳状态评估数学模型为基于局部均值分解的一级处理、卷积神经网络的二次处理以及长短期记忆网络模型的三级处理数学模型；

将每个所述司机状态监控信号作为所述疲劳状态评估数学模型的输入信息，求解所述疲劳状态评估数学模型得到当前时刻下的司机疲劳状态评估；

根据当前时刻下的所述司机疲劳状态评估确定当前时刻下的所述预测反应时间；

其中,根据当前时刻下的所述司机疲劳状态评估确定当前时刻下的所述预测反应时间，包括：

根据行车位置信息在预设的环境数据库中确定行车环境；

根据行车环境在预设的疲劳-决策行为数据库中确定反应时间集合，所述反应时间集合内包括至少两个反应时间，每个所述反应时间均对应于一种突发事件；

将所述反应时间集合内最大值作为当前时刻下的所述预测反应时间；

其中,根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值，包括：

根据行车位置信息在预设的环境数据库中确定当前位置的行车环境集合和可接受事故发生概率，所述行车环境集合包括行车环境和所述行车环境对应的行驶信息；

根据所述行驶信息计算得到行车环境所需的需求反应时间；

根据所述行车环境对预设的突发事件集合内的每个突发事件依次模拟，并统计得到所述行车环境对应的概率密度函数；

根据所述可接受事故发生概率对所述行车环境对应的所述概率密度函数进行积分计算，得到反应时间阈值。

2.一种动车司机疲劳驾驶干预装置，其特征在于，包括：

第一获取单元，用于实时获取第一信息，所述第一信息包括当前行车位置信息和至少两种的司机状态监控信号；

反应时间预测单元，用于根据至少两个通道的所述司机状态监控信号计算得到在当前时刻的预测反应时间；

系统阈值计算单元，用于根据当前行车位置信息和概率统计方法计算得到当前时刻所需的反应时间阈值；

逻辑单元，用于根据当前时刻下的所述预测反应时间和所述反应时间阈值判断是否启动驾驶员干预动作；

其中，所述反应时间预测单元包括：

模型构建单元，用于构建疲劳状态评估数学模型,其中疲劳状态评估数学模型为基于局部均值分解的一级处理、卷积神经网络的二次处理以及长短期记忆网络模型的三级处理数学模型；

评估单元，用于将每个所述司机状态监控信号作为所述疲劳状态评估数学模型的输入信息，求解所述疲劳状态评估数学模型得到当前时刻下的司机疲劳状态评估；

反应时间计算单元，用于根据当前时刻下的所述司机疲劳状态评估确定当前时刻下的所述预测反应时间；

其中，所述反应时间计算单元包括：

第一查询单元，用于根据行车位置信息在预设的环境数据库中确定行车环境；

第二查询单元，用于根据行车环境在预设的疲劳-决策行为数据库中确定反应时间集合，所述反应时间集合内包括至少两个反应时间，每个所述反应时间均对应于一种突发事件；

筛选单元，用于将所述反应时间集合内最大值作为当前时刻下的所述预测反应时间；

其中，所述系统阈值计算单元包括：

第三查询单元，用于根据行车位置信息在预设的环境数据库中确定当前位置的行车环境集合和可接受事故发生概率，所述行车环境集合包括行车环境和所述行车环境对应的行驶信息；

第一计算单元，用于根据所述行驶信息计算得到行车环境所需的需求反应时间；

第二计算单元，用于根据所述行车环境对预设的突发事件集合内的每个突发事件依次模拟，并统计得到所述行车环境对应的概率密度函数；

第三计算单元，用于根据所述可接受事故发生概率对所述行车环境对应的所述概率密度函数进行积分计算，得到反应时间阈值。

3.一种动车司机疲劳驾驶干预设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1所述动车司机疲劳驾驶干预方法的步骤。

4.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述动车司机疲劳驾驶干预方法的步骤。

Images