CN115177255A - 一种疲劳驾驶监测预警方法及系统 - Google Patents

一种疲劳驾驶监测预警方法及系统 Download PDF

Info

Publication number
CN115177255A
CN115177255A CN202210573154.4A CN202210573154A CN115177255A CN 115177255 A CN115177255 A CN 115177255A CN 202210573154 A CN202210573154 A CN 202210573154A CN 115177255 A CN115177255 A CN 115177255A
Authority
CN
China
Prior art keywords
fatigue
driver
index
eye
analysis module
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.)
Pending
Application number
CN202210573154.4A
Other languages
English (en)
Inventor
谢源荣
孙金燕
梁一俊
庞日宠
林硕枢
陈虎城
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.)
Foshan University
Original Assignee
Foshan 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 Foshan University filed Critical Foshan University
Priority to CN202210573154.4A priority Critical patent/CN115177255A/zh
Publication of CN115177255A publication Critical patent/CN115177255A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1103—Detecting eye twinkling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明适用于疲劳驾驶检测领域，公开了疲劳驾驶监测预警方法及系统，可实时监测驾驶员的疲劳状态，该方法通过采集驾驶员的脑电信号、前额叶区的出射光强信号、以及人眼录制视频；并对上述采集数据进行处理，得到用于衡量驾驶员疲劳程度的指数MI、血氧饱和度SrO2和眼睛闭合指数EI等指标，通过多个指标对疲劳驾驶进行判断，能够提高监测精度，然后根据驾驶员疲劳状态决策函数解析综合疲劳指标和眼睛闭合指数EI，对驾驶员的疲劳驾驶进行判断和划分等级，若判断驾驶员处于疲劳驾驶状态，基于不同的疲劳等级对驾驶员发出不同程度的预警，具有更合理和人性化的预警机制。

Description

一种疲劳驾驶监测预警方法及系统
技术领域
本发明涉及疲劳驾驶检测领域，尤其涉及一种疲劳驾驶监测预警方法及系统。
背景技术
众所周知疲劳驾驶是严重影响道路安全，引发交通事故的一项重要因素。近年来随着汽车数量的不断增加，交通事故的发生数量也在逐年增长，当驾驶员驾驶疲劳时生理机能下降，意识模糊，反应速度变慢而引发事故的概率攀升，给人民的生命和财产安全造成威胁。当一个人产生困意时，其生理电信号——脑电信号会发生变化(例如alpha波活动减少，theta波活动增加)可作为疲劳检测的重要依据；同时若在汽车驾驶室前方安装若干摄像头，其可以实时对驾驶员头部进行拍摄，传统方法是只通过分析拍摄的画面中驾驶员的眼睛闭合度、打哈欠等这些表征着即将打瞌睡的动作判断驾驶员是否疲劳。
当然如果单单依靠脑电信号作为判断依据的话，可能会出现误判，原因有比如当驾驶员没正确戴好脑电采集设备时就会出现采集的信号不理想而出现的误判，另外脑电的采集条件比较苛刻，汽车驾驶过程中环境比较复杂就可能导致出现误判。而单单借助摄像头的拍摄来判断的话，其拍摄画面效果受环境光线影响很大，夜间就可能出现误差大的情况，而且要求驾驶员不能戴墨镜、口罩等遮挡物，然而所有打车司机都需佩戴口罩出行。另外，由于驾驶员的个体差异，单一的检测方法并不能准确反映驾驶员的疲劳状态。
发明内容
本发明的第一个目的在于提供一种疲劳驾驶监测预警方法，其旨在解决单一的检测方法不能准确反映驾驶员的疲劳状态的技术问题。
为达到上述目的，本发明提供的方案是：
一种疲劳驾驶监测预警方法，包括：建立基于脑电信号、血氧饱和度和眼睛闭合指数EI的驾驶员疲劳状态决策函数；
获取驾驶员的脑电信号、前额叶区的出射光强信号、以及人眼录制视频；
对所述脑电信号进行处理以得到指数MI，所述指数MI用于衡量驾驶员脑电信号中的相幅耦合现象，MI数值越大，则相幅耦合作用关系越明显，驾驶员疲劳值越低，反之MI数值越小，则相幅耦合作用关系越弱，驾驶员疲劳值越高；
将所述前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据，并基于所述氧合血红蛋白浓度变化数据和所述还原血红蛋白浓度变化数据进行计算以得到驾驶员大脑的血氧饱和度SrO2；
对所述人眼录制视频进行处理以得到眼睛闭合指数EI；
将所述指数MI和所述血氧饱和度SrO2通过典型关联分析在同一频带做特征融合处理以得到综合疲劳指标；
根据驾驶员疲劳状态决策函数解析所述综合疲劳指标和所述眼睛闭合指数 EI，对驾驶员的疲劳驾驶进行判断和划分等级，若判断驾驶员处于疲劳驾驶状态，基于不同的疲劳等级对驾驶员发出不同程度的预警。
优选地，所述指数MI的数学模型表示为：
Figure BDA0003661078390000021
Figure BDA0003661078390000022
Figure BDA0003661078390000031
式中，Φt(t)表示theta节律的幅值，Φb(t))表示beta节律的幅值，Φtb(t)表示theta节律和beta节律的相位序列组合成的新相位序列，
Figure BDA0003661078390000032
表示Φtb(t)分成η等分时每一等分对应的幅值均值，i表示第i等分，(i≤η)，log10η为幅值均值
Figure BDA0003661078390000033
均匀分布时的最大标准化熵值，此时
Figure BDA0003661078390000034
优选地，计算所述指数MI时，先对采集的脑电信号做预处理，得到预处理后的信号x(t)，所述预处理包括去眼电、0.5-50HZ带通滤波、独立成分分析法去除伪迹、以及基线校正。
优选地，新相位序列Φtb(t)的获取方法包括：
采用带通滤波处理信号x(t)，得到theta节律(4-10Hz)、beta节律(12-30Hz)、gamma节律(31-50Hz)三种节律波；
利用希尔伯特-黄变换(HHT)分别提取theta节律和beta节律的相位Φt(t)、Φb(t)以及gamma节律的幅值Ag(t)；
将theta节律与beta节律的相位序列组合成新的相位序列Φtb(t)；
将得到的Φtb(t)在幅值序列Ag(t)所在频带进行滤波；
利用希尔伯特-黄变换计算滤波后的幅值At_g(t)，构建新组合{Φtb(t)，At_g(t)}，{Φtb(t)，At_g(t)}用于描述分布在新相位序列的每一个相位上对应的gamma节律的幅值。
优选地，所述将所述前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据的方法包括：
对采集的出射光强信号进行预处理，包括将信号中所包含的三种主要干扰成分进行针对性地去除以及利用样条插值法去除运动伪迹；
通过修正后的比尔-朗伯特定律将预处理后的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据。
优选地，所述眼睛闭合指数EI的数学模型表示为：
EI＝10pe-T
Figure BDA0003661078390000041
Figure BDA0003661078390000042
T(i)＝t3-t2
式中，p表示在t时间内的闭眼频率，n表示t时间内有n个闭眼周期，T 表示每个闭眼周期的平均闭眼时长，T(i)表示第i个闭眼周期内的闭眼时长，t2表示第i个闭眼周期内眼睛开始闭合的时间节点，t3表示第i个闭眼周期内眼睛结束闭合的时间节点。
优选地，所述将所述指数MI和血氧饱和度SrO2通过典型关联分析(CCA) 在同一频带做特征融合处理以得到综合疲劳指标的方法包括：
输入MI值和SrO2值，根据CCA算法最大相关系数
Figure BDA0003661078390000043
准则得最佳投影矢量A、B，式中Cxy是MIx与
Figure BDA0003661078390000044
互相关矩阵，Cxx、Cyy是MI与SrO2自相关矩阵。
赋值μ(t)＝A·MI，ν(t)＝B·SrO2，则综合疲劳指标Z(t)表示为：Z(t)＝μ(t)+ν(t)；
采用支持向量机(SVM)对脑部综合疲劳指标Z(t)进行分类，当综合疲劳指标 Z(t)的值达到疲劳阈值(0.26，6.36)时判定为驾驶疲劳，即驾驶员脑部检测到疲劳状态，否则认为驾驶员处于非疲劳驾驶的状态。
优选地，疲劳驾驶的等级划分方法包括：
定义综合疲劳指标Z(t)小于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)时，驾驶员未出现疲劳驾驶；
综合疲劳指标Z(t)小于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)之外时，驾驶员疲劳驾驶等级为三级；
EI指数处于正常值范围(0.68，2.23)，综合疲劳指标Z(t)大于或等于疲劳阈值(0.26，6.36)时，驾驶员疲劳驾驶等级为二级；
综合疲劳指标Z(t)大于或等于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)之外时，驾驶员疲劳驾驶等级为一级。
优选地，还包括判断驾驶员是否正确佩戴穿戴式采集装置，若是，则执行获取驾驶员的脑电信号、前额叶区的出射光强信号、以及人眼录制视频，若否，则提示驾驶员重新佩戴穿戴式采集装置，并重新执行判断驾驶员是否正确佩戴穿戴式采集装置；
通过判断穿戴式采集装置采集的驾驶员额叶区脑电信号的方差均值
Figure BDA0003661078390000051
是否满足
Figure BDA0003661078390000052
若是，则判断驾驶员穿戴正确，反之则佩戴错误，H、L分别表示健康人正常状态下的脑电信号方差均值的阈值上下限。
本发明的第二个目的在于提供一种疲劳驾驶监测预警系统，包括数据采集模块、脑电信号分析模块、血氧饱和度分析模块、眼睛闭合情况分析模块、融合分析模块、中央处理模块和预警模块，所述数据采集模块分别与所述脑电信号分析模块、所述血氧饱和度分析模块和所述眼睛闭合情况分析模块连接，所述脑电信号分析模块和所述血氧饱和度分析模块均与所述融合分析模块连接，所述眼睛闭合情况分析模块、所述融合分析模块和所述预警模块均与所述中央处理模块连接，所述数据采集模块用于实时采集驾驶员的脑电信号、前额叶区的出射光强信号以及人眼录制视频，所述脑电信号分析模块用于对脑电信号进行处理以得到指数MI，所述血氧饱和度分析模块用于将前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据，并基于氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据进行计算以得到驾驶员大脑的血氧饱和度SrO2，所述眼睛闭合情况分析模块用于对人眼录制视频进行处理以得到眼睛闭合指数EI，所述融合分析模块用于将指数MI和血氧饱和度SrO2通过典型关联分析在同一频带做特征融合处理以得到综合疲劳指标，所述中央处理模块预设有驾驶员疲劳状态决策函数，所述中央处理模块用于根据驾驶员疲劳状态决策函数解析综合疲劳指标和眼睛闭合指数EI，对驾驶员的疲劳驾驶进行判断和划分等级，并基于不同的疲劳等级触发所述预警模块。
本发明提供的疲劳驾驶监测预警方法可实时监测驾驶员的疲劳状态，通过采集驾驶员的脑电信号、氧合血红蛋白的浓度数据、还原血红蛋白的浓度数据、以及人眼录制视频，并对采集的数据进行处理，得到用于衡量驾驶员疲劳程度的指数MI、血氧饱和度和眼睛闭合指数等指标，通过多个指标对疲劳驾驶进行判断，能够提高监测精度更高，而且该疲劳驾驶监测预警方法能够根据上述指标对疲劳驾驶进行划分等级，并根据疲劳等级发出相应预警，具有更合理和人性化的预警机制。
本发明提供的疲劳驾驶监测预警系统可实时监测驾驶员的疲劳状态，而且通过多个指标对疲劳驾驶进行判断，能够提高监测精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出的结构获得其他的附图。
图1是本发明实施例提供的疲劳驾驶监测预警方法的流程图；
图2是本发明实施例提供的驾驶员在驾驶过程中出现的眼部特征情况；
图3是本发明实施例提供的车联网通信原理图；
图4是本发明实施例提供的疲劳驾驶监测预警系统的结构示意图；
图5是本发明实施例提供的穿戴式采集装置的结构示意图。
附图标号说明：
10、数据采集模块；11、穿戴式采集装置；111、脑电采集电极；112、发光二极管；113、光电接收管；20、脑电信号分析模块；30、血氧饱和度分析模块；40、眼睛闭合情况分析模块；50、融合分析模块；60、中央处理模块；70、预警模块；71、振动结构。
具体实施方式
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，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。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。
需要说明的是，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
还需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上时，它可以直接在另一个元件上或者可能同时存在居中元件。当一个元件被称为是“连接”另一个元件，它可以是直接连接另一个元件或者可能同时存在居中元件。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1至图5所示，其为本发明的一种实施例的疲劳驾驶监测预警方法。
请参阅图1-图5，本发明实施例的一种疲劳驾驶监测预警方法，包括以下步骤：
步骤S100，建立基于脑电信号、血氧饱和度和眼睛闭合指数EI的驾驶员疲劳状态决策函数；
步骤S200，实时获取驾驶员的额叶区脑电信号、前额叶区的出射光强信号、以及人眼录制视频；
步骤S300，对脑电信号进行处理以得到指数MI，指数MI用于衡量驾驶员脑电信号中的相幅耦合现象，幅值越不均匀，MI数值越大，则相幅耦合作用关系越明显，驾驶员疲劳值越低，反之MI数值越小，则相幅耦合作用关系越弱，驾驶员疲劳值越高，当MI数值为0则表示两信号间没有耦合关系。
步骤S400，将前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据，基于氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据进行计算以得到驾驶员大脑的血氧饱和度SrO2；
步骤S500，对人眼录制视频进行处理以得到眼睛闭合指数EI；
步骤S600，将指数MI和血氧饱和度SrO2通过典型关联分析(CCA)在同一频带做特征融合处理以得到综合疲劳指标；
步骤S700，根据驾驶员疲劳状态决策函数解析综合疲劳指标和眼睛闭合指数EI，对疲劳驾驶进行判断和划分等级，若判断驾驶员处于疲劳驾驶状态，基于不同的疲劳等级对驾驶员发出不同程度的预警。
可以理解地，步骤S300至步骤S500部分先后顺序，而且可以先后执行，也可以同时执行，为了提高处理效率和提高单位时间内的精确度，同时执行步骤S300至步骤S500。
本发明实施例的疲劳驾驶监测预警方法可实时监测驾驶员的疲劳状态，通过采集驾驶员的脑电信号、氧合血红蛋白的浓度数据、还原血红蛋白的浓度数据、以及人眼录制视频，并对采集的数据进行处理，得到用于衡量驾驶员疲劳程度的指数MI、血氧饱和度和眼睛闭合指数等指标，通过多个指标对疲劳驾驶进行判断，能够提高监测精度更高，而且该疲劳驾驶监测预警方法能够根据上述指标对疲劳驾驶进行划分等级，并根据疲劳等级发出相应预警，具有更合理和人性化的预警机制。
优选地，步骤S100，驾驶员疲劳状态决策函数的构建需要获取驾驶员处于清醒状态和疲劳状态下的指数MI、血氧饱和度和眼睛闭合指数EI，上述六个数据可以设计模拟驾驶实验得到，也可以根据公知常识得到，例如，当幅值越不均匀，MI数值就越大，则相幅耦合作用关系越明显，表示驾驶员疲劳值越低，反之MI数值越小，则相幅耦合作用关系越弱，表明驾驶员疲劳值越高，当MI 数值为0则表示两信号间没有耦合关系。由于正常人在清醒状态下的MI数值为(3.28，6.01)，因此，当0≤MI≤3.28时驾驶员处于驾驶疲劳状态。当氧合血红蛋白浓度变化大约为0.5μM(1μM＝1μmol/L)，还原血红蛋白浓度变化大约为0.2μM，即血氧饱和度低于百分之60时，人会感觉到犯困、没精神，因此，当血氧饱和度低于百分之60时，表明驾驶员即将要感到疲劳犯困。正常情况下，人每一分钟要闭眼5～20次，每一次的时长均为0.2～0.4秒，则闭眼频率p范围(0.08，0.33)，EI指数正常值范围为(0.68，2.23)。得到上述六个数据后，构建驾驶员疲劳状态决策函数，再将得到的驾驶员疲劳状态决策函数移植到中央处理模块60。
可以理解地，为了提高驾驶员疲劳状态决策函数的预测精度，可以通过设计模拟驾驶实验得到上述六个数据，具体为：
搭建模拟驾驶实验平台，驾驶模拟环境包括商用卡车驾驶模拟器、罗技G29 方向盘、排挡杆和刹车踏板。实验安排若干名持有有效驾驶执照的受试者参加持续一个小时的模拟单调驾驶实验。研究显示午餐后一小时(通常在下午 1:00--2:30)的单调驾驶容易导致大多数受试者昏昏欲睡，所以将实验时间限定在此范围内。受试者通过驾驶模拟器在高速公路上驾驶，并且经历各种不同的现实认知任务，比如保持或改变驾驶车道来避免碰撞，在下雨的时候打开刮雨刷，在红灯前减速停车等等。
实验进行时同步采集若干受试者的脑电信号，对脑电信号进行处理，以及通过受试者的主观疲劳评价对脑电信号进行标注，得到受试者在驾驶过程中分别处于清醒状态和疲劳状态下的指数MI。实验得到驾驶员在清醒状态下的MI 范围值为3.28<MI<6.01，驾驶员处于驾驶疲劳状态下的MI范围值为0≤MI≤3.28。
实验进行时同步采集若干受试者的大脑组织中氧合血红蛋白浓度变化数据和还原血红蛋白的浓度变化数据，对氧合血红蛋白的浓度变化数据和还原血红蛋白的浓度变化数据进行处理以得到驾驶员大脑的血氧饱和度，以及通过受试者的主观疲劳评价对上述数据进行标注，得到受试者在驾驶过程中分别处于清醒状态和疲劳状态下的血氧饱和度。这里采集的是前额叶区的出射光强信号，需要通过修正后的比尔-朗伯特定律(Beer-Lambertlaw)将原始的光强信号变化转化为血红蛋白浓度的(ΔHbO2和ΔHHb)变化信号。实验得到，当驾驶员感觉到疲劳犯困时，血氧饱和度低于百分之60。
实验进行时同步采集若干受试者的人眼录制视频，对人眼录制视频进行处理以得眼睛闭合指数EI，实验得到，驾驶员在清醒状态下的眼睛闭合指数EI 的范围值为(0.68，2.23)。
示例性地，步骤S200中，采用穿戴式采集装置11采集驾驶员的额叶区脑电信号，使用时，驾驶员在头部戴上穿戴式采集装置11，穿戴式采集装置11 的四个脑电采集电极111能够采集驾驶员前额叶区的脑电信号。
进一步地，利用血红蛋白在不同氧合状态下对近红外光具有不同的吸收谱这一特性，可以对大脑组织中氧合血红蛋白、还原血红蛋白浓度的变化进行定量检测。因此，通过穿戴式采集装置11的红外光谱采集结构采集前额叶区的出射光强信号变化，能够得到驾驶员的氧合血红蛋白的浓度变化数据和还原血红蛋白的浓度变化数据。
可选地，红外光谱采集结构包括一个2波长的发光二极管112(FDS)和4 个光电接收管113(OPUS)，发光二极管112的发光波长为760和850nm，4 个光电接收管113形成4个通道，4个通道中3个通道来衡量相对浓度，1个通道来衡量氧合血红蛋白的百分比，FDS与每个OPUS间距均为3cm，为了不对驾驶员的被测生物组织产生任何伤害，光源采用平均发光功率为10mW以下的发光二极管112。
示例性地，步骤S200中，采用图像采集装置采集驾驶员的人眼录制视频，图像采集装置包括三个摄像头，三个摄像头分别设置在驾驶座正前方左中右的位置，通过设置三个摄像头同时对驾驶员进行录像，然后对三个摄像头录制的视频进行优化处理，得到准确度和清晰度较优的录制视频，后续再根据该录制视频进行处理以得到眼睛闭合指数EI。
可以理解地，大脑是一个分布式信息处理系统，神经元活动的相关振荡被认为是为了促进和协调远距离大脑区域之间的交流。神经元放电被描述为由振荡节律的相位和幅度决定的概率过程。局部振荡的共同波动可能会加强神经元群体之间的有效沟通，并使神经元信息能够进行多路复用。神经元振荡之间有两种主要的耦合模式：相位耦合和幅度耦合。相位耦合是指神经元振荡之间的一致相位对齐，这可能反映神经元相互作用的特定频率特征。幅度耦合是指神经元振荡幅度(或功率)的时间共调制。与相位耦合一样，幅度耦合不仅可能是神经元相互作用的结果，还可能通过在时间上与波动振荡相关的远距离过程对齐来调节这些相互作用。当神经元振荡存在相幅耦合时，其低频振荡的相位下存在一个非均匀分布的高频振荡幅值，这种相互作用关系随着疲劳程度升高而不断减弱。因此，可以用指数MI来刻画驾驶员脑电信号中的相幅耦合现象以衡量疲劳程度。当幅值越不均匀，MI数值就越大，则相幅耦合作用关系越明显，表示驾驶员疲劳值越低，反之MI数值就越小，则相幅耦合作用关系越弱，表明驾驶员疲劳值越高，当MI数值为0则表示两信号间没有耦合关系。
示例性地，指数MI的数学模型表示为：
Figure BDA0003661078390000111
Figure BDA0003661078390000112
Figure BDA0003661078390000121
式中，Φt(t)表示theta节律的幅值，Φb(t))表示beta节律的幅值，Φtb(t)表示theta节律和beta节律的相位序列组合成的新相位序列，
Figure BDA0003661078390000122
表示Φtb(t)分成η等分时每一等分对应的幅值均值，i表示第i等分，(i≤η)，log10η为幅值均值
Figure BDA0003661078390000123
均匀分布时的最大标准化熵值，此时
Figure BDA0003661078390000124
计算指数MI时，需要对采集的额叶区脑电信号做预处理，包括去眼电、 0.5-50Hz带通滤波、独立成分分析法去除伪迹、以及基线校正，得到预处理后的信号x(t)，然后信号x(t)运用标准化熵度量法结合幅值锁定计算指数MI。正常人在处于专注状态时会出现beta节律波，而theta节律波活动在人处于平静放松时才会有，gamma节律波的出现与大规模的脑网络、工作记忆(属于短时间的记忆，但不同于短期记忆)以及注意力有关，其表明人正处于精力集中的状态。
新相位序列Φtb(t)的获取方法为：采用带通滤波处理信号x(t)后得到theta节律(4-10Hz)、beta节律(12-30Hz)、gamma节律(31-50Hz)三种节律波，并利用希尔伯特-黄变换(HHT)分别提取theta节律和beta节律的相位Φt(t)、Φb(t)以及gamma节律的幅值Ag(t)；
将theta节律与beta节律的相位序列组合成新的相位序列Φtb(t)，还需要将得到的Φtu(t)在幅值序列Ag(t)所在频带进行滤波，接着利用希尔伯特-黄变换计算滤波后的幅值At_g(t)，构建新组合{Φtb(t)，At_g(t)}，{Φtb(t)，At_g(t)}用于描述分布在新相位序列的每一个相位上对应的gamma节律的幅值。
优选地，步骤S200中，红外光谱采集结构采集的是前额叶区的出射光强信号，因此，步骤S400中，通过修正后的比尔-朗伯特定律(Beer-Lambert law) 将原始的光强信号变化转化为氧合血红蛋白浓度和还原血红蛋白浓度的变化信号。再利用氧合血红蛋白浓度ΔHbO2和和还原血红蛋白浓度ΔHHb计算驾驶员驾驶时大脑前额叶区的血氧饱和度SrO2：
Figure BDA0003661078390000131
而且，由于驾驶过程中，驾驶员不可避免的会产生头部运动，即使微小的头部动作，反映在信号上也会存在一些运动伪迹的干扰，所以在转化之前需要对原始信号做相应的预处理。对原始信号的预处理包括将信号中所包含的三种主要干扰成分进行针对性地去除以及利用样条插值法去除运动伪迹，针对性去除三种主要干扰成分包括去除无效平线信号和采用巴特沃夫滤波来减少信号中高频噪声和低频波动信号的干扰，提高信噪比。
优选地，步骤S500中，眼睛闭合指数EI的数学模型表示为：
EI＝10pe-T
Figure BDA0003661078390000132
Figure BDA0003661078390000133
T(i)＝t3-t2
式中，p表示在t时间内的闭眼频率，n表示t时间内有n个闭眼周期，T 表示每个闭眼周期的平均闭眼时长，T(i)表示第i个闭眼周期内的闭眼时长，t2表示第i个闭眼周期内眼睛开始闭合的时间节点，t3表示第i个闭眼周期内眼睛结束闭合的时间节点。
计算单位时间(t)内的闭眼周期时，读入人眼录制视频并采集图像，对人眼特征点定位，以上眼脸与虹膜的交接点、下眼脸与虹膜的交接点、内眼角以及外眼角作为特征点。一般来说，眼部特征情况包括以下几种情况：第一，如图2中a，所示上眼脸与虹膜的交接点为1个，下眼脸与虹膜的交接点为1个；第二，如图2中b所示，上眼脸与虹膜的交接点为1个，下眼脸与虹膜的交接点有2个；第三，如图2中c所示，上眼脸与虹膜的交接点有2个，下眼脸与虹膜的交接点为1个；第四，如图2中d所示，上眼脸与虹膜的交接点有2个，下眼脸与虹膜的交接点有2个，也可以设定上眼脸与虹膜的交接点为S1、S2，上眼脸与虹膜的交接点为S3、S4，内眼角为S5，外眼角为S6，则当上眼脸与虹膜的交接点为1个，S1与S2重合，下眼脸与虹膜的交接点为1个时，S3与S4重合。
根据上述特征点计算眼睛高宽比E值，
Figure BDA0003661078390000141
眼睛闭合80％以上则认为眼睛闭合，即E≤20％时，表示驾驶员眼睛闭合。
优选地，步骤S600中将指数MI和血氧饱和度SrO2通过典型关联分析(CCA) 在同一频带做特征融合处理以得到综合疲劳指标的具体实施方式为：
步骤S61：输入MI值和SrO2值，根据CCA算法最大相关系数
Figure BDA0003661078390000142
准则得最佳投影矢量A、B，式中Cxy是MIx与
Figure BDA0003661078390000143
互相关矩阵， Cxx、Cyy是MI与SrO2自相关矩阵。
步骤S62：赋值μ(t)＝A·MI，ν(t)＝B·SrO2，则综合疲劳指标Z(t)表示为： Z(t)＝μ(t)+ν(t)。
步骤S63：采用支持向量机(SVM)对脑部综合疲劳指标Z(t)进行分类，当综合疲劳指标Z(t)的值达到疲劳阈值(0.26，6.36)时判定为驾驶疲劳，即驾驶员脑部检测到疲劳状态，否则认为驾驶员处于非疲劳驾驶的状态。
优选地，步骤S700中，疲劳驾驶的等级划分方法包括：
定义综合疲劳指标Z(t)小于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)时，驾驶员未出现疲劳驾驶；
综合疲劳指标Z(t)小于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)之外时，驾驶员疲劳驾驶等级为三级；
EI指数处于正常值范围(0.68，2.23)，综合疲劳指标Z(t)大于或等于疲劳阈值(0.26，6.36)时，驾驶员疲劳驾驶等级为二级；
综合疲劳指标Z(t)大于或等于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)之外时，驾驶员疲劳驾驶等级为一级。
进一步地，当判定驾驶员处于一级疲劳驾驶时，将采集到数据以及驾驶员的人脸识别信息一起保存在同一对应文件，有利于疲劳驾驶监测预警系统对该驾驶员疲劳时的眼部和脑电特征识别。
优选地，具体预警方法如下：
当驾驶员的疲劳驾驶等级处于三级时，可以通过正常音量的语音提醒驾驶员多休息、注意安全。
当驾驶员的疲劳驾驶等级处于二级时，可以通过车内扩音器警报装置提醒驾驶员注意安全，并启动设置在穿戴式采集装置11上的振动结构71。
当驾驶员的疲劳驾驶等级处于一级时，通过车内扩音器警报装置提醒驾驶员注意安全，并启动穿戴式采集装置11的振动结构71，同时，启动车联网通信模块和严重碰撞检测装置。车辆通过5G/C-V2X技术采用短距离无线通信技术与附件的车辆之间共享车速和方向(原理如下图3所示)，发出预警信息，提醒旁边车辆的驾驶员合理规避该车，避免造成交通事故和交通堵塞。
进一步地，严重碰撞检测装置实时监测汽车状况，若检测到发生了严重碰撞事故，则第一时间向交通管理部门呼救并将相关数据打包通过5G CPE借助 5G基站或通过发送给路测单元(RSU)再经过5G基站发送给相关部门(例如监控中心)。
优选地，疲劳驾驶监测预警方法还包括：
步骤S101，判断驾驶员是否正确佩戴穿戴式采集装置11，若是，则执行步骤S200，若否，则提示驾驶员重新佩戴穿戴式采集装置11，并重新执行步骤 S101，这样设计，能够保证采集数据的准确性，避免因为驾驶员佩戴穿戴式采集装置11不正确导致采集数据不准确的问题。
可选地，通过判断穿戴式采集装置11采集的驾驶员额叶区脑电信号的方差均值
Figure BDA0003661078390000151
是否满足
Figure BDA0003661078390000152
若是，则判断驾驶员穿戴正确，反之则佩戴错误。H、 L分别代表健康人正常状态下的脑电信号方差均值的阈值上下限，良好脑电信号的方差在100到3000之间，而如果连接较差，方差往往在3000到5000之间，本发明实施例中，L取值为100，H取值为5000，当然L和H也可以适当调整。
判断时，采用以下公式计算脑电信号的方差均值
Figure BDA0003661078390000161
Figure BDA0003661078390000162
Figure BDA0003661078390000163
Figure BDA0003661078390000164
式中，
Figure BDA0003661078390000165
表示采样周期，fs表示采样率，eij表示脑电信号中第i采样周期的第j个数值，eij≠0(j≤fs)，
Figure BDA0003661078390000166
和
Figure BDA0003661078390000167
分别表示第i个采样周期的平均值和方差。
进一步地，疲劳驾驶监测预警方法还包括：
步骤S101中判断驾驶员正确佩戴穿戴式采集装置11时执行步骤S102。
步骤S102，采集驾驶员的人脸图像，对驾驶员进行人脸身份识别并判断穿戴式采集装置11的数据存储模块中是否有对应驾驶员的人脸识别信息，若是，则执行步骤S200，若否，则判定为该驾驶员初次使用该车，则先在数据存储模块中创建一新的存储空间用于存储该驾驶员的人脸识别信息和驾驶过程中的采集数据，并以该时刻的年月日来标记命名该存储区，再执行步骤S200，这样设计可以保存驾驶员的相关信息，并且可以导出该信息对相应驾驶员的疲劳驾驶情况进行分析。
请参阅图4和图5，本发明实施例还提供了一种疲劳驾驶监测预警系统，包括数据采集模块10、脑电信号分析模块20、血氧饱和度分析模块30、眼睛闭合情况分析模块40、融合分析模块50、中央处理模块60和预警模块70，数据采集模块10分别与脑电信号分析模块20、血氧饱和度分析模块30和眼睛闭合情况分析模块40连接，脑电信号分析模块20和血氧饱和度分析模块30均与融合分析模块50连接，眼睛闭合情况分析模块40、融合分析模块50和预警模块70均与中央处理模块60连接，数据采集模块10用于实时采集驾驶员的额叶区脑电信号、前额叶区的出射光强信号以及人眼录制视频，脑电信号分析模块 20用于对脑电信号进行处理以得到指数MI，血氧饱和度分析模块30用于将前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据，基于氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据进行计算以得到驾驶员大脑的血氧饱和度SrO2，眼睛闭合情况分析模块40用于对人眼录制视频进行处理以得到眼睛闭合指数EI，融合分析模块50用于将指数MI和血氧饱和度SrO2通过典型关联分析在同一频带做特征融合处理以得到综合疲劳指标，中央处理模块60预设有驾驶员疲劳状态决策函数，中央处理模块 60用于根据驾驶员疲劳状态决策函数解析综合疲劳指标和眼睛闭合指数EI，对驾驶员的疲劳驾驶进行判断和划分等级，并基于不同的疲劳等级触发预警模块 70。
优选地，数据采集模块10包括穿戴式采集装置11和图像采集装置，穿戴式采集装置11设置有脑电采集电极111、近红外光谱采集结构和无线蓝牙模块，脑电采集结构和近红外光谱采集结构分别与无线蓝牙模块连接，无线蓝牙模块与中央处理器连接。
进一步地，数据采集模块10还包括存储模块，存储模块用于存储驾驶员的人脸识别信息和驾驶过程中的采集数据，这样设计可以保存驾驶员的相关信息，并且可以导出该信息对相应驾驶员的疲劳驾驶情况进行分析。
更进一步地，当判定驾驶员处于一级疲劳驾驶时，将采集到数据以及驾驶员的人脸识别信息一起保存在同一对应文件，有利于疲劳驾驶监测预警系统对该驾驶员疲劳时的眼部和脑电特征识别。
优选地，预警模块70包括振动结构71、车内扩音器警报装置和车联网通信模块，振动结构71设置在穿戴式采集装置11上，该预警模块70具有不同程度的预警功能，能够适用于在不同等级的疲劳驾驶。
本发明实施例的疲劳驾驶监测预警系统可实时监测驾驶员的疲劳状态，而且通过多个指标对疲劳驾驶进行判断，能够提高监测精度更高。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种疲劳驾驶监测预警方法，其特征在于，包括：建立基于脑电信号、血氧饱和度和眼睛闭合指数EI的驾驶员疲劳状态决策函数；
获取驾驶员的脑电信号、前额叶区的出射光强信号、以及人眼录制视频；
对所述脑电信号进行处理以得到指数MI，所述指数MI用于衡量驾驶员脑电信号中的相幅耦合现象，MI数值越大，则相幅耦合作用关系越明显，驾驶员疲劳值越低，反之MI数值越小，则相幅耦合作用关系越弱，驾驶员疲劳值越高；
将所述前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据，并基于所述氧合血红蛋白浓度变化数据和所述还原血红蛋白浓度变化数据进行计算以得到驾驶员大脑的血氧饱和度SrO2；
对所述人眼录制视频进行处理以得到眼睛闭合指数EI；
将所述指数MI和所述血氧饱和度SrO2通过典型关联分析在同一频带做特征融合处理以得到综合疲劳指标；
根据驾驶员疲劳状态决策函数解析所述综合疲劳指标和所述眼睛闭合指数EI，对驾驶员的疲劳驾驶进行判断和划分等级，若判断驾驶员处于疲劳驾驶状态，基于不同的疲劳等级对驾驶员发出不同程度的预警。
2.如权利要求1所述的疲劳驾驶监测预警方法，其特征在于，所述指数MI的数学模型表示为：
Figure FDA0003661078380000011
Figure FDA0003661078380000012
Figure FDA0003661078380000021
式中，Φt(t)表示theta节律的幅值，Φb(t)表示beta节律的幅值，Φtb(t)表示theta节律和beta节律的相位序列组合成的新相位序列，
Figure FDA0003661078380000022
表示Φtb(t)分成η等分时每一等分对应的幅值均值，i表示第i等分，(i≤η)，log10η为幅值均值
Figure FDA0003661078380000023
均匀分布时的最大标准化熵值，此时
Figure FDA0003661078380000024
3.如权利要求2所述的疲劳驾驶监测预警方法，其特征在于，计算所述指数MI时，先对采集的脑电信号做预处理，得到预处理后的信号x(t)，所述预处理包括去眼电、0.5-50HZ带通滤波、独立成分分析法去除伪迹、以及基线校正。
4.如权利要求3所述的疲劳驾驶监测预警方法，其特征在于，新相位序列Φtb(t)的获取方法包括：
采用带通滤波处理信号x(t)，得到theta节律(4-10Hz)、beta节律(12-30Hz)、gamma节律(31-50Hz)三种节律波；
利用希尔伯特-黄变换(HHT)分别提取theta节律和beta节律的相位Φt(t)、Φb(t)以及gamma节律的幅值Ag(t)；
将theta节律与beta节律的相位序列组合成新的相位序列Φtb(t)；
将得到的Φtb(t)在幅值序列Ag(t)所在频带进行滤波；
利用希尔伯特-黄变换计算滤波后的幅值At_g(t)，构建新组合{Φtb(t)，At_g(t)}，{Φtb(t)，At_g(t)}用于描述分布在新相位序列的每一个相位上对应的gamma节律的幅值。
5.如权利要求1所述的疲劳驾驶监测预警方法，其特征在于，所述将所述前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据的方法包括：
对采集的出射光强信号进行预处理，包括将信号中所包含的三种主要干扰成分进行针对性地去除以及利用样条插值法去除运动伪迹；
通过修正后的比尔-朗伯特定律将预处理后的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据。
6.如权利要求1所述的疲劳驾驶监测预警方法，其特征在于，所述眼睛闭合指数EI的数学模型表示为：
EI＝10pe-T
Figure FDA0003661078380000031
T(i)＝t3-t2
式中，p表示在t时间内的闭眼频率，n表示t时间内有n个闭眼周期，T表示每个闭眼周期的平均闭眼时长，T(i)表示第i个闭眼周期内的闭眼时长，t2表示第i个闭眼周期内眼睛开始闭合的时间节点，t3表示第i个闭眼周期内眼睛结束闭合的时间节点。
7.如权利要求1所述的疲劳驾驶监测预警方法，其特征在于，所述将所述指数MI和血氧饱和度SrO2通过典型关联分析(CCA)在同一频带做特征融合处理以得到综合疲劳指标的方法包括：
输入MI值和SrO2值，根据CCA算法最大相关系数
Figure FDA0003661078380000032
准则得最佳投影矢量A、B，式中Cxy是MIx与
Figure FDA0003661078380000033
互相关矩阵，Cxx、Cyy是MI与SrO2自相关矩阵。
赋值μ(t)＝A·MI,ν(t)＝B·SrO2，则综合疲劳指标Z(t)表示为：Z(t)＝μ(t)+ν(t)；
采用支持向量机(SVM)对脑部综合疲劳指标Z(t)进行分类，当综合疲劳指标Z(t)的值达到疲劳阈值(0.26，6.36)时判定为驾驶疲劳，即驾驶员脑部检测到疲劳状态，否则认为驾驶员处于非疲劳驾驶的状态。
8.如权利要求7所述的疲劳驾驶监测预警方法，其特征在于，疲劳驾驶的等级划分方法包括：
定义综合疲劳指标Z(t)小于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)时，驾驶员未出现疲劳驾驶；
综合疲劳指标Z(t)小于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)之外时，驾驶员疲劳驾驶等级为三级；
EI指数处于正常值范围(0.68，2.23)，综合疲劳指标Z(t)大于或等于疲劳阈值(0.26，6.36)时，驾驶员疲劳驾驶等级为二级；
综合疲劳指标Z(t)大于或等于疲劳阈值(0.26，6.36)，EI指数处于正常值范围(0.68，2.23)之外时，驾驶员疲劳驾驶等级为一级。
9.如权利要求1所述的疲劳驾驶监测预警方法，其特征在于，还包括判断驾驶员是否正确佩戴穿戴式采集装置，若是，则执行获取驾驶员的脑电信号、前额叶区的出射光强信号、以及人眼录制视频，若否，则提示驾驶员重新佩戴穿戴式采集装置，并重新执行判断驾驶员是否正确佩戴穿戴式采集装置；
通过判断穿戴式采集装置采集的驾驶员额叶区脑电信号的方差均值
Figure FDA0003661078380000041
是否满足
Figure FDA0003661078380000042
若是，则判断驾驶员穿戴正确，反之则佩戴错误，H、L分别表示健康人正常状态下的脑电信号方差均值的阈值上下限。
10.一种疲劳驾驶监测预警系统，其特征在于，包括数据采集模块、脑电信号分析模块、血氧饱和度分析模块、眼睛闭合情况分析模块、融合分析模块、中央处理模块和预警模块，所述数据采集模块分别与所述脑电信号分析模块、所述血氧饱和度分析模块和所述眼睛闭合情况分析模块连接，所述脑电信号分析模块和所述血氧饱和度分析模块均与所述融合分析模块连接，所述眼睛闭合情况分析模块、所述融合分析模块和所述预警模块均与所述中央处理模块连接，所述数据采集模块用于实时采集驾驶员的脑电信号、前额叶区的出射光强信号以及人眼录制视频，所述脑电信号分析模块用于对脑电信号进行处理以得到指数MI，所述血氧饱和度分析模块用于将前额叶区的出射光强信号变化转化为氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据，并基于氧合血红蛋白浓度变化数据和还原血红蛋白浓度变化数据进行计算以得到驾驶员大脑的血氧饱和度SrO2，所述眼睛闭合情况分析模块用于对人眼录制视频进行处理以得到眼睛闭合指数EI，所述融合分析模块用于将指数MI和血氧饱和度SrO2通过典型关联分析在同一频带做特征融合处理以得到综合疲劳指标，所述中央处理模块预设有驾驶员疲劳状态决策函数，所述中央处理模块用于根据驾驶员疲劳状态决策函数解析综合疲劳指标和眼睛闭合指数EI，对驾驶员的疲劳驾驶进行判断和划分等级，并基于不同的疲劳等级触发所述预警模块。
CN202210573154.4A 2022-05-25 2022-05-25 一种疲劳驾驶监测预警方法及系统 Pending CN115177255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210573154.4A CN115177255A (zh) 2022-05-25 2022-05-25 一种疲劳驾驶监测预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210573154.4A CN115177255A (zh) 2022-05-25 2022-05-25 一种疲劳驾驶监测预警方法及系统

Publications (1)

Publication Number Publication Date
CN115177255A true CN115177255A (zh) 2022-10-14

Family

ID=83514425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210573154.4A Pending CN115177255A (zh) 2022-05-25 2022-05-25 一种疲劳驾驶监测预警方法及系统

Country Status (1)

Country Link
CN (1) CN115177255A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407807A (zh) * 2023-12-11 2024-01-16 西南交通大学 一种基于单通道eeg信号监测的警觉度干预方法及装置
CN118372835A (zh) * 2024-06-24 2024-07-23 江西科技学院 基于眼动特征的疲劳驾驶辨识方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407807A (zh) * 2023-12-11 2024-01-16 西南交通大学 一种基于单通道eeg信号监测的警觉度干预方法及装置
CN117407807B (zh) * 2023-12-11 2024-02-27 西南交通大学 一种基于单通道eeg信号监测的警觉度干预方法及装置
CN118372835A (zh) * 2024-06-24 2024-07-23 江西科技学院 基于眼动特征的疲劳驾驶辨识方法及系统

Similar Documents

Publication Publication Date Title
Sikander et al. Driver fatigue detection systems: A review
Murugan et al. Detection and analysis: Driver state with electrocardiogram (ECG)
Chen et al. Detecting driving stress in physiological signals based on multimodal feature analysis and kernel classifiers
Němcová et al. Multimodal features for detection of driver stress and fatigue
CN110276273B (zh) 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法
CN207979669U (zh) 车载多模式生物感应系统
US7639146B2 (en) Blink monitor for detecting blink occurrence in a living subject
Kang Various approaches for driver and driving behavior monitoring: A review
CN115177255A (zh) 一种疲劳驾驶监测预警方法及系统
KR20180001367A (ko) 운전자의 생체 신호를 기반으로 하는 운전자의 상태 판별 장치 및 방법
CN106687026A (zh) 驾驶员健康以及疲劳监控系统和方法
Doudou et al. A light on physiological sensors for efficient driver drowsiness detection system
Rodríguez-Ibáñez et al. Drowsiness detection by thoracic effort signal analysis in real driving environments
KR101536348B1 (ko) 동영상 기반 생리 신호를 이용한 졸음 검출 방법 및 장치
Hussein et al. Driver drowsiness detection techniques: A survey
Rajan et al. Feasibility analysis of portable electroencephalography based abnormal fatigue detection and tele-surveillance system
Arefnezhad et al. Driver drowsiness classification using data fusion of vehicle-based measures and ECG signals
Chuang et al. Dynamically weighted ensemble-based prediction system for adaptively modeling driver reaction time
US20230174073A1 (en) Disease-condition assessment device, disease-condition assessment method, program for disease-condition assessment device, and disease-condition assessment system
JP7477823B2 (ja) 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム
Rahman et al. Using pre-stimulus EEG to predict driver reaction time to road events
CN114435373A (zh) 疲劳驾驶检测方法、装置、计算机设备和存储介质
JP7104945B2 (ja) 疾患状態判定装置、疾患状態判定方法、疾患状態判定装置用プログラム、および、疾患状態判定システム
Mashru et al. Detection of a Drowsy state of the Driver on road using wearable sensors: A survey
Montanaro et al. A hybrid approach based on behavioural and physiological data for driver monitoring systems

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: No.33, Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province 528225

Applicant after: Foshan University

Address before: No.33, Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province 528225

Applicant before: FOSHAN University

Country or region before: China