CN115047144B - 一种利用小型化电子鼻进行酒驾检测的方法 - Google Patents
一种利用小型化电子鼻进行酒驾检测的方法 Download PDFInfo
- Publication number
- CN115047144B CN115047144B CN202210595554.5A CN202210595554A CN115047144B CN 115047144 B CN115047144 B CN 115047144B CN 202210595554 A CN202210595554 A CN 202210595554A CN 115047144 B CN115047144 B CN 115047144B
- Authority
- CN
- China
- Prior art keywords
- gas
- air
- electronic nose
- drunk driving
- data acquisition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 32
- 235000014101 wine Nutrition 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 27
- 230000003750 conditioning effect Effects 0.000 claims description 26
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000003491 array Methods 0.000 claims description 14
- 230000035622 drinking Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000007664 blowing Methods 0.000 claims description 6
- 235000019504 cigarettes Nutrition 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 74
- 235000019645 odor Nutrition 0.000 description 24
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001476 alcoholic effect Effects 0.000 description 3
- 235000013405 beer Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000002304 perfume Substances 0.000 description 2
- 235000020095 red wine Nutrition 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 235000006025 Durio zibethinus Nutrition 0.000 description 1
- 240000000716 Durio zibethinus Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 235000020415 coconut juice Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 235000020097 white wine Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
一种利用小型化电子鼻进行酒驾检测的方法属酒驾检测技术领域,本发明包括:1.建立实验室电子鼻用于酒驾检测的精准识别模型(CMN),包括:配备实验室电子鼻;车舱气味样本采集;气味样本数据预处理;对数据进行特征提取;获得支持向量机酒驾识别模型CMN;2.将电子鼻小型化后用于车载酒驾检测,包括:利用递归特征消除算法进行传感器阵列优化;获得小型化车载电子鼻支持向量机酒驾识别模型(CMn);配备小型化车载电子鼻进行汽车启动前酒驾检测和行驶过程中连续酒驾检测;本发明利用小型化电子鼻能实现酒驾的快速、精准、连续检测,并能有效解决目前酒驾检测技术误报率高、设备体积大、成本高和驾驶员易避开的问题。
Description
技术领域
本发明属酒驾检测技术领域,具体涉及一种利用小型化电子鼻进行酒驾检测的方法。
背景技术
近年来,网约车和共享汽车的出现极大的促进了人们的日常出行。然而,网约车和共享汽车产业在发展中遇到了许多亟待解决的问题,引起了广泛关注。酒后驾车现象层出不穷,严重危及人民群众的生命安全。通常,执法人员通过观察驾驶状态对驾驶员进行手持酒精检测。但是,传统的人工检测监控驾驶员饮酒状况需要大量人力资源,造成资源浪费,检测效率低,范围不够。而且,如果不对司机进行状态监测,在这种情况下,一旦醉酒驾驶人驾驶网约车或共享汽车上路,将构成潜在事故,对社会、网约车公司和共享汽车公司产生破坏性影响。因此,在汽车启动前和行驶过程中,对驾驶员进行快速、高精度的酒驾检测,可以有效地避免驾驶员醉酒驾驶事故的发生。且该方法在社会范围内也具有推广意义。
目前进行酒驾检测的方式有沃尔沃等车企设计安装在车上的“酒精锁”、“车载检测机”和“红外酒精检测装置”等装置。虽然不断地改进了其技术和设备,但不幸的是,驾驶员有可能在多种方法中强行绕过检测装置。同时,还存在两个较大的检测缺陷,以至于设备还无法实际应用于汽车酒驾检测。其一是:这些技术和设备无法区分含有酒精的混合气体。对于车载监控系统来说,误报的成本是很高的。由于车辆环境相对复杂,可能存在各种干扰气体,如挥发性酒精气体、香水、香烟烟雾、食物气味等。如果无法实现较低的误报率,则不容易实现应用,目前还没有能够抵抗干扰气体的车载监测系统的报道;其二是虽然光学检测的方式可以满足精确识别的需求,但是设备太大,且需要司机的积极配合,为了更好的实际应用,检测系统需要小型化和轻量化。目前,满足这些要求的技术仍处于研究阶段,且设备不够先进,无法应用于酒精检测。
电子鼻作为一种快速、直观的气味评估设备,模拟哺乳动物的感觉反应和信息处理模型,能够快速准确地监测和识别交叉敏感的复杂气体,在航空航天、军工、医疗等领域得到了广泛的应用。将基于实验室的电子鼻小型化后其小体积、低功耗、低成本的采集装置和合适的模式识别算法可以通过气味实现对密闭车厢内酒驾的高精度检测。
现有的关于密闭车舱内车载醉酒驾驶检测方法由于车舱内环境的复杂性,具有误报率较高、设备体积太大、检测效率低、设备昂贵且驾驶员容易避开等问题。然而,快速高精的酒驾识别在网约车和共享汽车应用过程至关重要,不仅有助于社会的安全稳定,而且更低的识别成本也会获得更高的经济效益。因此,开发一种应用在汽车上低成本的快速、高精度、连续醉酒驾驶车载检测方法是主要的技术问题。
发明内容
本发明的目的在于提供一种利用小型化电子鼻进行车载快速、高精度、连续酒驾检测的方法,该方法能解决现有酒驾检测技术误报率较高、设备体积太大且昂贵、检测效率低、驾驶员容易避开的问题。
本发明的一种利用小型化电子鼻进行酒驾检测的方法,包括下列步骤:
1.1配备实验室电子鼻A:实验室电子鼻A由进气管Ⅰ1、气体腔室Ⅰ2、N个气体传感器阵列Ⅰ3、气泵Ⅰ4、出气管Ⅰ5、连接管Ⅰ6、调理电路板Ⅰ7和数据采集卡Ⅰ8组成;其中气泵Ⅰ4、气体腔室Ⅰ2和调理电路板Ⅰ7自左至右顺序排列,数据采集卡Ⅰ8位于调理电路板Ⅰ7前方;气体腔室Ⅰ2出口经连接管Ⅰ6与气泵Ⅰ4入口连接,气泵Ⅰ4出口与出气管Ⅰ5连接;气体腔室Ⅰ2入口与进气管Ⅰ1连接;N个气体传感器阵列Ⅰ3均布并固接于气体腔室Ⅰ2内,且经调理电路板Ⅰ7与数据采集卡Ⅰ8连接,数据采集卡Ⅰ8上设有USB接口9;进气管Ⅰ1入口与待测气体存放的气袋连接,检测后的气体经出气口排出;数据采集卡Ⅰ8采集的数据通过USB接口9与电脑端连接;调理电路板Ⅰ7和数据采集卡Ⅰ8均采用N通路装置;
1.2汽车车舱内可能出现的气味信息分类和获取,包括下列步骤:
1.2.1根据在汽车上的实际应用场景,将气味种类分为:“酒后人体呼出气”、“非酒后人体呼出气”、“酒精挥发气”和“车舱其他干扰气”,分别记为G1、G2、G3和G4;
1.2.2将不同年龄段、不同性别的不同饮酒状态的酒后人体呼出气G1,用2L的气体采集袋进行收集;将不同年龄段、不同性别的无饮酒状态的非酒后人体呼出气G2,用2L的气体采集袋进行收集;将不同种类酒的酒精挥发气G3,用气体2L采集袋进行收集;将食物、香烟这些车舱内其他干扰气G4,用2L气体采集袋进行收集;
1.2.3电子鼻A的采样频率设置为50Hz;每次采样分为基线数据采集、气体样本数据采集和传感器阵列清洗三个阶段,采样时间分别设置为T1、T2和T3,总采样时间记为T;
1.2.4将G1气体采集袋与实验室电子鼻A的进气管Ⅰ1入口连接,由流量控制器模拟人体呼气,以500ml/min的流速将模拟气吹扫到电子鼻内,气体吹扫过程中,实验室电子鼻A进行采样获取气味样本数据;将G2、G3和G4气体采集袋与实验室电子鼻A的进气管Ⅰ1入口连接,以获取气味样本数据;将由G1、G2、G3和G4得到得气味样本数据分别记为:G1样本、G2样本、G3样本和G4样本;
1.3利用步骤1.2.4采集的气味样本数据,进行驾驶员酒驾检测识别算法模型训练,包括下列步骤:
1.3.1对获取的气味样本数据进行预处理,包括下列步骤:
1.3.1.1对N个气体传感器阵列Ⅰ3获得的原始数据进行z-score标准化;
1.3.1.2使用10Hz的FFT滤波器,对标准化处理后的数据进行去噪处理;
1.3.1.3用去噪后的数据值减去前T1秒数据的平均值,获得基线处理后的数据,记为di,其中:i=1、2、3…50T1;将预处理后的气味样本数据分别记为:g1样本、g2样本、g3样本和g4样本;
1.3.3根据每个气味样本集提取的特征值,对支持向量机进行训练,获得支持向量机模型,记为CMN;
1.4利用支持向量机递归特征消除---SVM-RFE特征选择算法,进行传感器阵列优化,实现电子鼻小型化,包括下列步骤:
1.4.1利用由N个特征得到的支持向量机模型CMN,训练g1样本、g2样本、g3样本和g4样本,根据训练过程中每个特征对应的系数从大到小对特征进行排序,去除最小系数的特征,用剩余的N-1个特征再次训练SVM模型,得到剩余特征训练的SVM模型CMN-1和其识别精度;
1.4.2用步骤1.4.1得到的支持向量机模型CMN-1,训练g1样本、g2样本、g3样本和g4样本,根据训练过程中每个特征对应的系数从大到小对特征进行排序,去除最小系数的特征,用剩余的N-2个特征再次训练支持向量机模型,得到剩余特征训练的SVM模型CMN-2和其识别精度;
1.4.3重复执行1.4.1和1.4.2的迭代训练步骤,直至获得剩余1个特征训练的支持向量机模型CM1和识别精度;
1.4.4最终由步骤1.3.3、步骤1.4.1、步骤1.4.2和步骤1.4.3得到的N个支持向量机模型和N个对应的识别精度,在保持高识别精度和所需特征数量最少的条件下,选择最优n个数量的特征,将这n个特征训练得到的支持向量机酒驾识别模型,记为CMn;
1.4.5确定小型化电子鼻的传感器阵列包括n个气体传感器;
1.5将小型化电子鼻搭载到汽车上,用于酒驾识别,包括下列步骤:
1.5.1配备小型化电子鼻B:小型化电子鼻B由进气管Ⅱ10、气体腔室Ⅱ11、n个气体传感器阵列Ⅱ12、连接管Ⅱ13、气泵Ⅱ14、出气管Ⅱ15、无线传输模块Ⅱ16、数据采集卡Ⅱ17和调理电路板Ⅱ18组成,其中气泵Ⅱ14和气体腔室Ⅱ11前后排列,气体腔室Ⅱ11经连接管Ⅱ13与气泵Ⅱ14入口连接,进气管Ⅱ10前端与气体腔室Ⅱ11入口固接;n个气体传感器阵列Ⅱ12均布并固接于气体腔室Ⅱ11内,且经调理电路板Ⅱ18和数据采集卡Ⅱ17与无线传输模块Ⅱ16连接;进气管Ⅱ10入口置于汽车方向盘位置,检测后的气体经出气管Ⅱ15排出;数据采集卡Ⅱ17采集的气味信息数据通过无线传输模块Ⅱ16上传服务器;
数据采集卡Ⅱ17和调理电路板Ⅱ18均采用n通路装置;
1.5.2驾驶员进入车舱系好安全带手握方向盘后,驾驶员呼出气通过放置在方向盘的进气口采集,气味信息经数据采集卡采集后由无线传输模块上传服务器;服务器按训练好的支持向量机酒驾识别模型CMn进行识别,识别结果决定共享汽车是否可以启动;驾驶过程中,连续性地进行驾驶员呼出气味信息采集,识别结果决定共享汽车是否发出警报和主动制动。
本发明的有益效果在于:
1.本发明提出的利用小型化电子鼻和合适的模式识别算法进行酒驾检测,可以在复杂干扰气体环境中准确识别出“人体酒精呼出气”和“酒精挥发气”,显著提升了检测精度,降低了误报率。
2.2.将实验室电子鼻小型化后进行车载酒驾连续检测,具有设备体积小、成本低和驾驶员无法避开的特点,能有效应用于网约车和共享汽车酒驾实时监控工作,不仅有助于社会的安全稳定,而且更低的识别成本也会为汽车服务产业获得更高的经济效益。
附图说明
图1为利用小型化电子鼻进行酒驾检测的方法的流程图;
图2为实验室电子鼻A的结构示意图;
图3为小型化电子鼻B的结构示意图;
图4为基于SVM-RFE算法的传感器阵列优化流程图;
图5为共享汽车酒驾检测识别流程图;
其中:A.实验室电子鼻B.小型化电子鼻1.进气管Ⅰ2.气体腔室Ⅰ3.气体传感器阵列Ⅰ4.气泵Ⅰ5.出气管Ⅰ6.连接管Ⅰ7.调理电路板Ⅰ8.数据采集卡Ⅰ9.USB接口10.进气管Ⅱ11.气体腔室Ⅱ12.气体传感器阵列Ⅱ13.连接管Ⅱ14.气泵Ⅱ15.出气管Ⅱ16.无线传输模块17.数据采集卡Ⅱ18.调理电路板Ⅱ。
具体实施方式
下面结合附图描述本发明。
本发明的一种利用小型化电子鼻进行酒驾检测的方法,包括下列步骤:
1.配备实验室电子鼻(A),如图2所示:
实验室电子鼻A由进气管Ⅰ1、气体腔室Ⅰ2、12个气体传感器阵列Ⅰ3、气泵Ⅰ4、出气管Ⅰ5、连接管Ⅰ6、调理电路板Ⅰ7和数据采集卡Ⅰ8组成;12个气体传感器分别是:TGS2600、TGS2603、TGS2610、TGS2602、TGS2620、TGS2611、TGS2611-E00、MP135、WSP2110、MP901、MS1100、GSBT11;
其中气泵Ⅰ4、气体腔室Ⅰ2和调理电路板Ⅰ7自左至右顺序排列,数据采集卡Ⅰ8位于调理电路板Ⅰ7前方;气体腔室Ⅰ2出口经连接管Ⅰ6与气泵Ⅰ4入口连接,气泵Ⅰ4出口与出气管Ⅰ5连接;
气体腔室Ⅰ2入口与进气管Ⅰ1连接;
12个气体传感器阵列Ⅰ3均布并固接于气体腔室Ⅰ2内,且经调理电路板Ⅰ7与数据采集卡Ⅰ8连接,数据采集卡Ⅰ8上设有USB接口9;
进气管Ⅰ1入口与待测气体存放的气袋连接,检测后的气体经出气口排出;
数据采集卡Ⅰ8采集的数据通过USB接口9与电脑端连接;
调理电路板Ⅰ7和数据采集卡Ⅰ8均采用12通路装置;
2.汽车车舱内可能出现的气味信息分类和获取,包括下列步骤:
2.1根据在汽车上的实际应用场景,将气味种类分为:“酒后人体呼出气”、“非酒后人体呼出气”、“酒精挥发气”和“车舱其他干扰气”,分别记为G1、G2、G3和G4;
2.2将不同年龄段、不同性别的不同饮酒状态的“酒后人体呼出气”(饮用30分钟后收集)G1,用2L的气体采集袋进行收集,包括:酒精性白葡萄酒呼出气(饮用200ml后)30组、酒精性啤酒呼出气(饮用1000ml后)30组、酒精性红葡萄酒呼出气(饮用250ml后)30组,共60组;
将不同年龄段、不同性别的无饮酒状态的“非酒后人体呼出气”G2,用2L的气体采集袋进行收集,包括:非酒精呼出气,共60组;
将不同种类酒的酒精挥发气G3,用气体2L采集袋进行收集,包括:白酒挥发气20组、啤酒挥发气20组和红酒挥发气20组,共60组;
将食物、香烟这些车舱内其他干扰气G4,用2L气体采集袋进行收集,包括食物残渣挥发气20组、榴莲挥发气20组、椰子汁挥发气20组、香水挥发气20组、香烟烟雾挥发气20组,共100组;共采样280组;
2.3电子鼻A的采样频率设置为50Hz;每次采样分为基线数据采集、气体样本数据采集和传感器阵列清洗三个阶段,采样时间分别设置为30s、120s和180s,总采样时间记为330s;
2.4将G1气体采集袋与实验室电子鼻A的进气管Ⅰ1入口连接,由流量控制器模拟人体呼气,以500ml/min的流速将模拟气吹扫到电子鼻内,气体吹扫过程中,实验室电子鼻A进行采样获取气味样本数据;将G2、G3和G4气体采集袋与实验室电子鼻A的进气管Ⅰ1入口连接,以获取气味样本数据;将由G1、G2、G3和G4得到得气味样本数据分别记为:G1样本、G2样本、G3样本和G4样本;
3.利用步骤2.4采集的气味样本数据,进行驾驶员酒驾检测识别算法模型训练,包括下列步骤:
3.1对获取的气味样本数据进行预处理,包括下列步骤:
3.1.1对12个气体传感器阵列Ⅰ3获得的原始数据进行z-score标准化;
3.1.2使用10Hz的FFT滤波器,对标准化处理后的数据进行去噪处理;
3.1.3用去噪后的数据值减去前30秒数据的平均值,获得基线处理后的数据,记为di,其中:i=1、2、3…1500;将预处理后的气味样本数据分别记为:g1样本、g2样本、g3样本和g4样本;
3.3根据每个气味样本集提取的特征值,对支持向量机进行训练,获得支持向量机模型,记为CM12;
4.利用支持向量机递归特征消除---SVM-RFE特征选择算法,进行传感器阵列优化,实现电子鼻小型化,包括下列步骤:
4.1利用由12个特征得到的支持向量机模型CM12训练g1样本、g2样本、g3样本和g4样本,根据训练过程中每个特征对应的系数从大到小对特征进行排序,排序如表1,去除最小系数的特征,用剩余的11个特征再次训练SVM模型,得到剩余特征训练的SVM模型CM11和其识别精度;
表1:12个特征对应的系数从大到小排序
传感器 | 特征系数排名 |
TG S2602 | 1 |
TG S2603 | 2 |
MS1100 | 3 |
TG S2620 | 4 |
MP135 | 5 |
TG S2610 | 6 |
G SBT11 | 7 |
W SP2110 | 8 |
TG S2611-E00 | 9 |
M P901 | 10 |
TG S2600 | 11 |
TG S2611 | 12 |
4.2用步骤4.1得到的支持向量机模型CM11训练g1样本、g2样本、g3样本和g4样本,根据训练过程中每个特征对应的系数从大到小对特征进行排序,去除最小系数的特征,用剩余的10个特征再次训练支持向量机模型,得到剩余特征训练的SVM模型CM10和其识别精度;
4.3重复执行4.1和4.2的迭代训练步骤,直至获得剩余1个特征训练的支持向量机模型CM1和识别精度;
4.4最终由步骤1.3.3、步骤1.4.1、步骤1.4.2和步骤1.4.3共得到12个支持向量机模型和12个对应的识别精度,从表2中的支持向量机模型对应的识别精度可以看出,在保持高识别精度和所需特征数量最少的条件下,应选择最优6个数量的特征,将这6个特征训练得到的支持向量机酒驾识别模型,记为CM6;
表2:支持向量机模型识别精度
支持向量机模型 | 传感器数量 | 识别精度 |
CM 12 | 12 | 0.98 |
CM 10 | 10 | 0.99 |
CM 8 | 8 | 1 |
CM 6 | 6 | 1 |
CM 3 | 3 | 0.95 |
4.5确定小型化电子鼻的传感器阵列包括6个气体传感器;
5.将小型化电子鼻搭载到汽车上,用于酒驾识别,包括下列步骤:
5.1配备小型化电子鼻B,如图3所示:
小型化电子鼻B由进气管II 10、气体腔室II 11、6个气体传感器阵列II 12、连接管II 13、气泵II 14、出气管II 15、无线传输模块II 16、数据采集卡II 17和调理电路板II18组成,6个气体传感器分别是:TGS2602、TGS2603、MS1100、TGS2620、MP135和TGS2610;
其中气泵II 14和气体腔室II 11前后排列,气体腔室II 11经连接管II 13与气泵II 14入口连接,进气管II 10前端与气体腔室II 11入口固接;6个气体传感器阵列II 12均布并固接于气体腔室Ⅱ11内,且经调理电路板Ⅱ18和数据采集卡Ⅱ17与无线传输模块Ⅱ16连接;进气管Ⅱ10入口置于汽车方向盘位置,检测后的气体经出气管Ⅱ15排出;数据采集卡Ⅱ17采集的气味信息数据通过无线传输模块Ⅱ16上传服务器;数据采集卡Ⅱ17和调理电路板Ⅱ18均采用6通路装置;
5.2驾驶员进入车舱系好安全带手握方向盘后,驾驶员呼出气通过放置在方向盘的进气口采集,气味信息经数据采集卡采集后由无线传输模块上传服务器;服务器按训练好的支持向量机酒驾识别模型CM6进行识别,识别结果决定共享汽车是否可以启动;驾驶过程中,连续性地进行驾驶员呼出气味信息采集,识别结果决定共享汽车是否发出警报和主动制动。
实施例:
1.为验证所提出基于电子的酒驾检测方法与现有检测方法相比的优越性,进行了车舱内对比实验。
2.在同一辆车环境下,将所提出的方法与现有的标准呼气检测系统进行了比较,当血液中的酒精浓度在20mg/100mL和80mg/100mL之间时,判定为酒驾,结果如图表3所示。
表3:两种测试系统的测试结果(测试时间为饮酒后一小时)。
Claims (1)
1.一种利用小型化电子鼻进行酒驾检测的方法,其特征在于包括下列步骤:
1.1配备实验室电子鼻(A):
实验室电子鼻(A)由进气管Ⅰ(1)、气体腔室Ⅰ(2)、N个气体传感器阵列Ⅰ(3)、气泵Ⅰ(4)、出气管Ⅰ(5)、连接管Ⅰ(6)、调理电路板Ⅰ(7)和数据采集卡Ⅰ(8)组成;其中气泵Ⅰ(4)、气体腔室Ⅰ(2)和调理电路板Ⅰ(7)自左至右顺序排列,数据采集卡Ⅰ(8)位于调理电路板Ⅰ(7)前方;气体腔室Ⅰ(2)出口经连接管Ⅰ(6)与气泵Ⅰ(4)入口连接,气泵Ⅰ(4)出口与出气管Ⅰ(5)连接;气体腔室Ⅰ(2)入口与进气管Ⅰ(1)连接;N个气体传感器阵列Ⅰ(3)均布并固接于气体腔室Ⅰ(2)内,且经调理电路板Ⅰ(7)与数据采集卡Ⅰ(8)连接,数据采集卡Ⅰ(8)上设有USB接口(9);进气管Ⅰ(1)入口与待测气体存放的气袋连接,检测后的气体经出气口排出;数据采集卡Ⅰ(8)采集的数据通过USB接口(9)与电脑端连接;调理电路板Ⅰ(7)和数据采集卡Ⅰ(8)均采用N通路装置;
1.2汽车车舱内可能出现的气味信息分类和获取,包括下列步骤:
1.2.1根据在汽车上的实际应用场景,将气味种类分为:“酒后人体呼出气”、“非酒后人体呼出气”、“酒精挥发气”和“车舱其他干扰气”,分别记为G1、G2、G3和G4;
1.2.2将不同年龄段、不同性别的不同饮酒状态的酒后人体呼出气G1,用2L的气体采集袋进行收集;将不同年龄段、不同性别的无饮酒状态的非酒后人体呼出气G2,用2L的气体采集袋进行收集;将不同种类酒的酒精挥发气G3,用气体2L采集袋进行收集;将食物、香烟这些车舱内其他干扰气G4,用2L气体采集袋进行收集;
1.2.3电子鼻(A)的采样频率设置为50Hz;每次采样分为基线数据采集、气体样本数据采集和传感器阵列清洗三个阶段,采样时间分别设置为T1、T2和T3,总采样时间记为T;
1.2.4将G1气体采集袋与实验室电子鼻(A)的进气管Ⅰ(1)入口连接,由流量控制器模拟人体呼气,以500ml/min的流速将模拟气吹扫到电子鼻内,气体吹扫过程中,实验室电子鼻(A)进行采样获取气味样本数据;将G2、G3和G4气体采集袋与实验室电子鼻(A)的进气管Ⅰ(1)入口连接,以获取气味样本数据;将由G1、G2、G3和G4得到得气味样本数据分别记为:G1样本、G2样本、G3样本和G4样本;
1.3利用步骤1.2.4采集的气味样本数据,进行驾驶员酒驾检测识别算法模型训练,包括下列步骤:
1.3.1对获取的气味样本数据进行预处理,包括下列步骤:
1.3.1.1对N个气体传感器阵列Ⅰ(3)获得的原始数据进行z-score标准化;
1.3.1.2使用10Hz的FFT滤波器,对标准化处理后的数据进行去噪处理;
1.3.1.3用去噪后的数据值减去前T1秒数据的平均值,获得基线处理后的数据,记为di,其中:i=1、2、3…50T1;将预处理后的气味样本数据分别记为:g1样本、g2样本、g3样本和g4样本;
1.3.3根据每个气味样本集提取的特征值,对支持向量机进行训练,获得支持向量机模型,记为CMN;
1.4利用支持向量机递归特征消除---SVM-RFE特征选择算法,进行传感器阵列优化,实现电子鼻小型化,包括下列步骤:
1.4.1利用由N个特征得到的支持向量机模型CMN,训练g1样本、g2样本、g3样本和g4样本,根据训练过程中每个特征对应的系数从大到小对特征进行排序,去除最小系数的特征,用剩余的N-1个特征再次训练SVM模型,得到剩余特征训练的SVM模型CMN-1和其识别精度;
1.4.2用步骤1.4.1得到的支持向量机模型CMN-1,训练g1样本、g2样本、g3样本和g4样本,根据训练过程中每个特征对应的系数从大到小对特征进行排序,去除最小系数的特征,用剩余的N-2个特征再次训练支持向量机模型,得到剩余特征训练的SVM模型CMN-2和其识别精度;
1.4.3重复执行1.4.1和1.4.2的迭代训练步骤,直至获得剩余1个特征训练的支持向量机模型CM1和识别精度;
1.4.4最终由步骤1.3.3、步骤1.4.1、步骤1.4.2和步骤1.4.3得到的N个支持向量机模型和N个对应的识别精度,在保持高识别精度和所需特征数量最少的条件下,选择最优n个数量的特征,将这n个特征训练得到的支持向量机酒驾识别模型,记为CMn;
1.4.5确定小型化电子鼻的传感器阵列包括n个气体传感器;
1.5将小型化电子鼻搭载到汽车上,用于酒驾识别,包括下列步骤:
1.5.1配备小型化电子鼻(B):
小型化电子鼻(B)由进气管Ⅱ(10)、气体腔室Ⅱ(11)、n个气体传感器阵列Ⅱ(12)、连接管Ⅱ(13)、气泵Ⅱ(14)、出气管Ⅱ(15)、无线传输模块Ⅱ(16)、数据采集卡Ⅱ(17)和调理电路板Ⅱ(18)组成,其中气泵Ⅱ(14)和气体腔室Ⅱ(11)前后排列,气体腔室Ⅱ(11)经连接管Ⅱ(13)与气泵Ⅱ(14)入口连接,进气管Ⅱ(10)前端与气体腔室Ⅱ(11)入口固接;n个气体传感器阵列Ⅱ(12)均布并固接于气体腔室Ⅱ(11)内,且经调理电路板Ⅱ(18)和数据采集卡Ⅱ(17)与无线传输模块Ⅱ(16)连接;进气管Ⅱ(10)入口置于汽车方向盘位置,检测后的气体经出气管Ⅱ(15)排出;数据采集卡Ⅱ(17)采集的气味信息数据通过无线传输模块Ⅱ(16)上传服务器;数据采集卡Ⅱ(17)和调理电路板Ⅱ(18)均采用n通路装置;
1.5.2驾驶员进入车舱系好安全带手握方向盘后,驾驶员呼出气通过放置在方向盘的进气口采集,气味信息经数据采集卡采集后由无线传输模块上传服务器;服务器按训练好的支持向量机酒驾识别模型CMn进行识别,识别结果决定共享汽车是否可以启动;驾驶过程中,连续性地进行驾驶员呼出气味信息采集,识别结果决定共享汽车是否发出警报和主动制动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595554.5A CN115047144B (zh) | 2022-05-30 | 2022-05-30 | 一种利用小型化电子鼻进行酒驾检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210595554.5A CN115047144B (zh) | 2022-05-30 | 2022-05-30 | 一种利用小型化电子鼻进行酒驾检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115047144A CN115047144A (zh) | 2022-09-13 |
CN115047144B true CN115047144B (zh) | 2023-03-31 |
Family
ID=83160246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210595554.5A Active CN115047144B (zh) | 2022-05-30 | 2022-05-30 | 一种利用小型化电子鼻进行酒驾检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047144B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575570A (zh) * | 2022-09-22 | 2023-01-06 | 吉林大学 | 一种利用小型化人工嗅觉系统进行车辆尾气检测的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE496343T1 (de) * | 2001-01-24 | 2011-02-15 | Health Discovery Corp | Verfahren zum identifizieren von mustern in biologischen systemen und deren anwendungen |
MY156385A (en) * | 2013-12-31 | 2016-02-15 | Internat Islamic University Malaysia | A portable electronic nose for alcohol and lard detector in food or beverages |
US10041918B2 (en) * | 2015-11-10 | 2018-08-07 | Nuxtu S.A.S. | Electronic nose and tongue device for real-time monitoring and analysis of liquid and gaseous substances |
-
2022
- 2022-05-30 CN CN202210595554.5A patent/CN115047144B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115047144A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106314438B (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN103901162B (zh) | 一种便携式车内气体检测系统及方法 | |
CN108108766A (zh) | 基于多传感器数据融合的驾驶行为识别方法及系统 | |
CN115047144B (zh) | 一种利用小型化电子鼻进行酒驾检测的方法 | |
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 | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN106781512A (zh) | 基于城市物联网的汽车尾气智能检测与监督系统及方法 | |
CN110135466B (zh) | 一种污染物排放超标车辆判断方法及系统 | |
CN110103822A (zh) | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 | |
CN108268887B (zh) | 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法 | |
CN204890010U (zh) | 一种驾驶员测评系统 | |
CN112986073B (zh) | 一种颗粒物检测方法、装置和尾气检测系统 | |
CN111931810A (zh) | 一种基于多车的节能驾驶行为分析系统 | |
CN112529177A (zh) | 一种车辆碰撞检测方法及装置 | |
CN114970943A (zh) | 一种高速公路事故类型与严重程度预测方法 | |
CN113743715A (zh) | 基于车联网重型车实际工况的油耗及NOx排放评价方法 | |
CN112150443B (zh) | 基于空气质量数据图谱的列车车载空调剩余寿命预测方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN106651133B (zh) | 一种使用手机实现基于adas的用户驾驶行为评分方法 | |
CN113156913A (zh) | 一种abs故障诊断系统及方法 | |
CN110826433B (zh) | 试驾用户情绪分析数据处理方法、装置、设备与存储介质 | |
CN115456036B (zh) | 基于北斗数据的营运车辆异常驾驶行为识别方法及系统 | |
CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 | |
CN115527076B (zh) | 一种营运车辆异常驾驶行为识别模型的构建方法及系统 | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 |
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 |