CN115179960A - 一种多源数据采集人车状态综合监测系统及方法 - Google Patents
一种多源数据采集人车状态综合监测系统及方法 Download PDFInfo
- Publication number
- CN115179960A CN115179960A CN202210805098.2A CN202210805098A CN115179960A CN 115179960 A CN115179960 A CN 115179960A CN 202210805098 A CN202210805098 A CN 202210805098A CN 115179960 A CN115179960 A CN 115179960A
- Authority
- CN
- China
- Prior art keywords
- driver
- vehicle
- state
- driving
- risk
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/146—Display means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
Abstract
本发明提出了一种多源数据采集人车状态综合监测系统及方法。本发明系统包括:汽车中央处理器、云端服务器、智能穿戴手环、智能手机、距离传感器、路基信号接收器、路基信号发射器、云端无线传输模块。云端服务器构建驾驶员状态评估数据集,对驾驶员上岗前的驾驶适宜程度做出判断;云端服务器识别驾驶员不良驾驶行为,并对疲劳程度、身体状态进行评估,对车辆行驶风险做出评价;云端服务器对车辆行驶风险进行实时预测,根据预测结果生成相应措施;云端服务器对驾驶员进行画像,并将画像报告发送到用户智能手机。本发明对驾驶员身体状态与车辆行驶风险进行监测,降低交通事故发生率,为车辆的安全行驶提供了保障。
Description
技术领域
本发明涉及驾驶行为分析与状态监测技术领域,特别是涉及一种多源数据采集人车状态综合监测系统及方法。
背景技术
在所有的交通事故中由于驾驶人有关因素导致的事故占比高达92%左右。而在导致交通事故与驾驶人相关的因素中,绝大多数是由驾驶员不良驾驶行为导致。危化品运输车、客运车辆,由于运输任务的独特性,不仅要求驾驶员有熟练的驾驶技能,还要求驾驶员具有较高的驾驶安全意识,才能确保运输任务的安全性。但近几年来,不论是危化品运输车辆还是客运车辆,都出现了多起因驾驶员身体、心里、精神问题而导致的重大交通事故。且客运车辆的主要营运区域,属于城市街道人员密集区,车辆搭载人员较多,一旦发生交通事故,将导致大规模人员伤亡。因此,对职业驾驶员每天上岗前的身体、心里、精神、压力状态的快速检测与评估变的尤为重要。同时,为了防止驾驶员在驾驶中疲劳驾驶或出现突发性身体疾病,而导致交通事故发生,也必须对驾驶员驾驶过程中的身体状态进行实时监测。
本发明的目的是解决目前对职业驾驶员身体状态缺乏实时监测与快速评估的问题。克服现有驾驶员状态监测与安全评估技术中,检测速度慢且无法在驾驶过程中对驾驶员进行实时检测的问题。解决现有技术依靠单一数据或多种数据单一分析驾驶员状态的问题。单一数据和多种数据单一分析都没有全方位衡量驾驶员在不同道路场景下所产生的驾驶动作,存在一定片面和不准确性等缺点。本发明提供了一种基于多源数据采集系统的人车状态综合监测方法,一方面可以在驾驶员上岗前对驾驶员的状态进行快速评估,另一方面还可以对驾驶员驾驶过程中的身体、精神状态进行实时监测。本发明还将驾驶员状态与驾驶员不良驾驶行为结合起来,可综合识别、评估车辆行驶风险。
发明内容
为了解决上述问题,本发明提出了一种多源数据采集人车状态综合监测系统及方法。
本发明系统的技术方案为一种多源数据采集人车状态综合监测系统。
所述多源数据采集系统包括:汽车中央处理器、云端服务器、智能穿戴手环、智能手机、距离传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、车载摄像头;
所述的汽车中央处理器分别与所述的距离传感器、车载显示器、路基信号接收器、云端无线传输模块、车载摄像头依次用导线连接;所述云端无线传输模块与所述云端服务器通过无线通信方式连接;所述智能穿戴手环与云端无线传输模块通过无线通信方式连接;所述路基信号接收器与所述路基信号发射器通过无线通信方式连接;所述智能手机通过无线通信方式与云端服务器进行连接。
作为优选,所述智能穿戴手环内置心率传感器、温度传感器,用于采集驾驶员的心率、体温并通过云端无线传输模块将驾驶数据上传到云端服务器当中。
所述智能手机通过手机本身自带的GPS传感器、三轴加速度计、陀螺仪,用于采集车辆的速度、三轴加速度、转向角等信息,其次用户使用手机的时长数据、问卷数据信息也通过智能手机记录与上传。
所述的汽车中央处理器安装在车辆上,用于整合从所述的距离传感器、路基信号接收器、车载摄像头采集的信息。
所述的云端服务器用于储存、共享、收集从车辆上所述的距离传感器、智能手机、智能穿戴手环、车载摄像头、路基信号接收器获取的车辆实时行驶数据,并对收集的车辆实时行驶数据进行综合处理分析,计算驾驶员身体与车辆安全状态评价参数,对驾驶员每一个窗口下的身体状态与驾驶行为进行识别,对驾驶员驾驶分格进行评价,并计算驾驶员驾驶风险,生成分析评价报告,将评价报告通过云端传输模块发送给车辆驾驶员。
所述的云端无线传输模块安装在车辆上,用于将车辆行驶数据上传至所述云端服务器,接收所述云端服务器的数据;
所述的距离传感器安装于车辆前端中部保险杆处,用于探测车辆的跟车距离;
所述的车载显示器安装在汽车中控台中部,用于向驾驶员提供信息,并以声音、文字图像形式表式;
所述的路基信号发射器设置在道路上并沿路铺设,用于向车辆提供道路类型及道路限速信息;
所述的路基信号接收器安装在车辆前方左右探照灯上部处,用于接收路基信号发射器提供的道路类型与道路限速信息。
所述的车载摄像头安装在车辆的中控台顶部,用于拍摄驾驶员的肢体与面部信息。
所述智能手机为驾驶员的智能手机,当驾驶员上车后固定到车辆的中控台中部且与车身保持水平。
本发明方法的技术方案为一种多源数据采集人车状态综合监测方法,包括以下步骤:
步骤1:云端服务器根据采集的手机使用时长数据、问卷数据、驾驶员心率数据、体温数据构建驾驶员状态评估数据集,根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向角、实时采集的道路限速信息构建车辆行驶数据集;
步骤2:根据构建驾驶员状态评估数据集对驾驶员上岗前的睡眠质量、身体状态、心里状态进行评估,并根据评估结果,对驾驶员的驾驶适宜程度做出判断,判断为适宜驾驶、正常驾驶、不宜驾驶、严禁驾驶;
步骤3:云端服务器根据构建的车辆行驶数据集识别驾驶员不良驾驶行为,并根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的疲劳程度、身体状态进行评估,结合驾驶员驾驶行为与疲劳、身体状态对车辆行驶风险做出评价,评价为高风险、中风险、正常;
步骤4:云端服务器采用基于步骤1到步骤3采集的车辆数据训练BP神经网络,并采用训练后的BP神经网络模型对车辆行驶风险进行实时预测;
步骤5:若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息;若预测为中风险,云端服务器则根据车辆行驶数据生成预警信息;
步骤6:云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像;根据步骤3的驾驶行为判定结果与驾驶风险评价结果对驾驶员进行风险维度的画像;
步骤7:云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告。作为优选,步骤1中所述驾驶员状态评估数据集为:
datastate={hi,ei,q,DT}
i∈[1,K]
q∈[1,3]
其中,hi、ei分别表示所述智能穿戴手环第i个时刻采集的驾驶员心率数据、温度数据, K为采样的个数;每天驾驶员驾驶车辆前,驾驶员通过智能手机填写预设问卷从而采集驾驶员心里状态问卷数据;q表示通过所述智能手机采集的驾驶员心里健康问卷数据所得出驾驶员心里状态评估结果,1为异常,2为正常,3为良好;DT为所述智能穿戴手环采集的驾驶员当晚的睡眠时长。
步骤1中所述构建车辆行驶数据集为:
datai={di,vi,Ai,GPS i,wi,vlimit,i,bi}
GPSi={plat,i,plon,i,ti}
Ai={alat,i,alon,i}
i∈[1,K]
其中,datai表示第i个时刻的车辆行驶数据,wi表示所述路基信号接收器采集的第i个时刻的道路类型,vlimit,i表示所述路基信号接收器采集的道路限速,vi表示所述速度传感器采集的第i个时刻的车辆速度,di表示所述距离传感器采集的第i个时刻的跟车距离,Ai表示所述智能手机采集加速度计采集的第i个时刻的车辆加速度,alat,i为横向加速度、alon,i为纵向加速度,bi表示所述智能手机陀螺仪采集的第i个时刻车辆转角数据,GPSi表示所述智能手机GPS模块采集的第i个时刻车辆的经纬度信息,plat,i表示所述GPS定位器表示第i个时刻采集的车辆经度,plon,i表示第i个时刻采集的纬度坐标,ti表示第i个时刻采集的GPS时间,K 为采样时刻的数量;
作为优选,步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的睡眠质量进行评估为:
所述智能穿戴手环采集的驾驶员睡眠时长为DT,所述智能穿戴手环采集睡眠期间第i个时刻心率为hi;
其中,n为睡眠心率的个数,tm为心率hi拐点所处的时刻,tm-1为上一个相邻的拐点值所处的时刻;
若DT<ak6&RMSEDD>ak8成立,则睡眠质量为差;
若DT<ak6&RMSEDD>ak8&STD>ak9成立,则睡眠质量为较差;
ak1表示睡眠质量第一阈值,ak2表示睡眠质量第二阈值,ak3表示睡眠质量第三阈值, ak4表示睡眠质量第四阈值,ak5表示睡眠质量第五阈值,ak6表示睡眠质量第六阈值,ak7表示睡眠质量第七阈值,ak8表示睡眠质量第八阈值,ak9表示睡眠质量第九阈值;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不适状态下的平均心率范围为RMSEDD值为(RMSEDDa,RMSEDDb),STD值为(STDa,STDb),当驾驶员每天上岗前,所述智能穿戴手环采集的驾驶员上岗前体温为ei,心率为hi;
bk1表示身体状态第一阈值,bk2表示身体状态第二阈值;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的心里状态进行评估为:
驾驶员每天上岗前,被要求填写一份问卷,问卷包含以下个问题,智能手机根据驾驶员的回答,计算问卷评分值q,根据问卷评分q评判驾驶员的心里状态:
步骤2中所述对驾驶员的驾驶适宜程度做出判断,判断为适宜驾驶、正常驾驶、不宜驾驶、严禁驾驶为:
若驾驶员的睡眠质量被评估为好或良好,驾驶员身体状态被评估为良好,驾驶员心里状态被评估为好,则判断为适宜驾驶;
若驾驶员的睡眠质量被评估为正常,驾驶员身体状态被评估为正常,驾驶员心里状态被评估为正常,则判断为正常驾驶;
若驾驶员的睡眠质量被评估为差,驾驶员身体状态被评估为正常,驾驶员心里状态被评估为正常,则判断为不宜驾驶;
若对驾驶员身体状态、心里状态被评估结果中任有一项被评估为差及以下,则判断为严禁驾驶。
作为优选,步骤3中所述云端服务器根据构建的车辆行驶数据集识别驾驶员不良驾驶行为:
所述不良驾驶行为超速、急加速、急减速、急转弯、急转弯、跟车距离过近;
步骤3中所述识别驾驶员是否超速为:
所述速度传感器第i时刻采集的车辆速度为vi,所述道路接收器第i时刻采集的道路限速为vlimit,i,若vi>vlimit,i,则检测为超速,i∈[1,K],K为采样时刻的数量;
步骤3中所述识别驾驶员是否急变速为:
步骤3中所识别驾驶员急转向为:
所述手机传感器三轴加速度采集的车辆横向加速度为alat,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi,Δbi=bi-bi-1;
步骤3中所述识别驾驶员是否加急速为:
所述加速度传感器第i时刻采集的车辆加速度为ai,所述速度传感器第i时刻采集的速度为vi,若:
步骤3中所述检测每个时刻下驾驶员是否急减速为:若:
则识别为急减速车;
步骤3中所识别是否危险车距为:
所述速度传感器第i时刻采集的车辆速度为vi,所述距离传感器第i时刻采集的前车距离为di,若:
则判定为危险车距;
其中,g为重力加速度;
步骤3所述根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的疲劳程度、身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不同疲劳状态下的心率值hi,并按照疲劳程度对心率数据生成标签,正常1、轻微疲劳2、严重疲劳3,根据采集的带有疲劳标签的驾驶员心率数据集,采用SVM支持向量机对驾驶员的心率数据集进行学习,并构建个性化的驾驶员疲劳程度识别模型;
所述基于SVM支持向量机训练疲劳识别模型为:
yj={1、2、3}
步骤3所述根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不适状态下的平均心率范围为 RMSEDD值为(RMSEDDa,RMSEDDb),STD值为(STDa,STDb),当驾驶员在驾驶车辆过程中,所述智能穿戴手环采集的驾驶员当前体温为ei,心率为hi;以Z为时间窗,计算心率在该时间窗的平均值RMSEDD值RMSEDDz,j,STD值STDz,j;
步骤3所述结合驾驶员驾驶行为与疲劳、身体状态对车辆行驶风险做出评价,评价为高风险、中风险、正常为:
若当前驾驶员疲劳程度被评估为严重疲劳状态或驾驶员身体状态被评估为异常,则车辆行驶风险为高风险;
若当前识别驾驶员驾驶行为为任一不良驾驶行为,驾驶员疲劳程度被评估为轻微疲劳状态且驾驶员身体状态被评估为正常,则车辆行驶风险为中风险;
若当前未识别出不良驾驶行为,驾驶员疲劳程度被评估为正常状态且驾驶员身体状态被评估为正常,则车辆行驶风险为正常;
作为优选,步骤4中所述云端服务器采用基于步骤1到步骤3采集的车辆数据训练BP 神经网络为:
车辆日常行驶中,所述智能穿戴手环第i个时刻采集的驾驶员心率数据为hi、温度数ei,所述路基信号接收器采集的第i个时刻的道路类型为wi,所述路基信号接收器采集的道路限速为vlimit,i,所述速度传感器采集的第i个时刻的车辆速度为vi,所述距离传感器采集的第i 个时刻的跟车距离di,所述智能手机采集加速度计采集的第i个时刻的横向加速度为alat,i、纵向加速度为alon,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi;
根据步骤3对每个时刻下的车辆行驶风险进行识别,若第i个时刻车辆行驶风险被评价为高风险,则Si=3;若第i个时刻车辆行驶风险被评价为中风险,则Si=2;若第i个时刻车辆行驶风险被评价为正常,则Si=1;Si为每个时刻下车辆行驶风险的标识标签,i∈[1,K];
yj={Si … Si+f}
其中xj为BP神经网络的输入,yj为模型对应的目标输出,j∈(1~K/l),l为模型的输入步长,f为模型的预测步长;
使用BP神经网络进行训练,输入层的节点个数为l*6,隐藏层的神经元节点个数依据模型的训练精读而定,初始训练可设为l*6;
训练神经网络的误差准则函数为最小均方差损失函数(LMS):
网络训练过程包含前向传递与反向传播,具体步骤如下:
按照高斯分布对权重系数和偏置系数进行随机初始化;
其中,n是训练样本的个数,wji和θji分别表示前一层的第i个神经元到后一层第j个神经元上的是权重系数和偏置系数,L为损失函数。
对权重和偏置系数进行更新,如下所示:
将步骤4中更新的权重wji和偏置θji代入损失函数式L中,重复执行步骤2至步骤5,直至损失函数最小,更新结束。
作为优选,步骤4所述采用训练后的BP神经网络模型对车辆行驶风险进行实时预测为:
车辆日常行驶中,所述智能穿戴手环第i个时刻采集的驾驶员心率数据为hi、温度数ei,所述路基信号接收器采集的第i个时刻的道路类型为wi,所述路基信号接收器采集的道路限速为vlimit,i,所述速度传感器采集的第i个时刻的车辆速度为vi,所述距离传感器采集的第i 个时刻的跟车距离di,所述智能手机采集加速度计采集的第i个时刻的横向加速度为alat,i、纵向加速度为alon,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi;
云端服务器根据步骤4中训练后的BP神经网络模型将第i个时刻采集的xj作为输入,预测第i~i+f时刻的车辆行驶风险{Si … Si+f};
步骤5:若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息;若预测为中风险,云端服务器则根据车辆行驶数据生成预警信息;
作为优选,所述步骤5中若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息为:
车辆日常行驶中,第i个时刻经所述步骤4预测i~i+f时刻的车辆行驶风险为 {Si… Si+f};
若max{Si … Si+f}>2,则判定为高风险,则通过车载显示屏通过语音信息与图片信息要求司机减速并到指定地点停车休息;
若max{Si … Si+f}=2,则判定为中风险,则通过车载显示屏语音信息提醒司机车辆即将进入风险行驶状况请规范驾驶;
作为优选,所述步骤6云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像为:
根据所述步骤1构建的驾驶员状态评估数据集datastate={hi,ei,q,DT},根据所述步骤 2评估驾驶员每天的睡眠质量、心理状态、疲劳状态,压力状态并按照睡眠质量、心理状态、疲劳状态、压力状态评估结果生成四角的雷达图;
所述步骤6云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像为:
根据所述步骤1构建的驾驶员状态评估数据集datastate={hi,ei,q,DT},根据所述步骤 2评估驾驶员每天的睡眠质量、心理状态、疲劳状态,压力状态并按照睡眠质量、心理状态、疲劳状态、压力状态评估结果生成四角的雷达图;
作为优选,所述步骤6云端根据步骤3的驾驶行为判定结果与驾驶风险评价结果对驾驶员进行风险维度的画像为:
根据所述步骤3的不良驾驶行为识别结果与车辆风险评估结果,计算每天驾驶员不良驾驶行为的次数,疲劳驾驶的次数,高风险行驶的次数,中风险行驶的次数将以上变量按照天为单位进行生成时间维度的驾驶员风险画像。
作为优选,所述步骤7云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告为:
云端服务器将所述步骤6生成的画像报告,通过云端无线传输模块以图片和文字信息发送到驾驶员手机和车载显示器。
本发明的有益效果为:本发明提供了驾驶员身体状态与车辆行驶状态实时监测方法及系统,对驾驶员每天上岗前的睡眠质量、精神状态、心里状态、身体状态进行评估,量化分析驾驶员适宜驾驶的程度,对驾驶员驾驶过程中的超速、急转弯、急加速、急减速、跟车距离过小、等危险动作进行识别检测,对驾驶员驾驶过程中的疲劳状态、身体状态进行评估,对车辆行驶风险进行识别,结合历史数据对驾驶风险与驾驶员异常状态进行预测,由此可以提前识别驾驶员突发身体疾病,对驾驶员每天的驾驶适宜程度进行评估,发掘驾驶员心里、生理、身体的异常状态,规避驾驶员在不适状态下进行驾驶任务,可对车辆行驶风险与驾驶员异常身体状态进行预测,提前规避风险,降低事故发生率,可给出驾驶员具体产生不安全驾驶动作的具体时间、地点以及所存在的风险大小,使得驾驶员可以根据报告对自己的驾驶习惯和不良驾驶动作进行纠正,降低交通事故发生率。
附图说明
图1为本发明的系统结构示意图。
图2为本发明方法流程图。
图3为系统整体工作原理图
图4为BP神经网络结构图。
图5为身体、心里、精神维度驾驶员画像图。
图6为驾驶员风险画像图。
具体实施方案
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做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。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
如图1所示,为本发明的系统结构示意图,本发明实施例系统的技术方案为一种多源数据采集人车状态综合监测系统,包括:汽车中央处理器、云端服务器、智能穿戴手环、智能手机、距离传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、车载摄像头;
所述的汽车中央处理器分别与所述的距离传感器、车载显示器、路基信号接收器、云端无线传输模块、车载摄像头依次用导线连接;所述云端无线传输模块与所述云端服务器通过无线通信方式连接;所述智能穿戴手环与云端无线传输模块通过无线通信方式连接;所述路基信号接收器与所述路基信号发射器通过无线通信方式连接;所述智能手机通过无线通信方式与云端服务器进行连接。
所述汽中央处理器选型为CP80617;
所述云端服务器选型为华为通用型S6云服务器;
所述路基接信号接收器选型BF-686;
所述路基信号发射器选型为25-0571-0059;
所述速度传感器选型Bi5-M18-AZ3X;
所述距离传感器选型为TF02;
所述车载显示器选型为SPD-043-AIO;
所述云端无线传输模块选型为82C250;
所述GPS定位器选型为中必达G17O;
所述智能穿戴手环为华为GT3;
所述用户智能手机为搭载可触屏幕、处理器为麒麟7000或同水平及以上的手机;
所述智能穿戴手环内置心率传感器、温度传感器,用于采集驾驶员的心率、体温并通过云端无线传输模块将驾驶数据上传到云端服务器当中。
所述智能手机通过手机本身自带的GPS传感器、三轴加速度计、陀螺仪,用于采集车辆的速度、三轴加速度、转向角等信息,其次用户使用手机的时长数据、问卷数据信息也通过智能手机记录与上传。
所述的汽车中央处理器安装在车辆上,用于整合从所述的距离传感器、路基信号接收器、车载摄像头采集的信息。
所述的云端服务器用于储存、共享、收集从车辆上所述的距离传感器、智能手机、智能穿戴手环、车载摄像头、路基信号接收器获取的车辆实时行驶数据,并对收集的车辆实时行驶数据进行综合处理分析,计算驾驶员身体与车辆安全状态评价参数,对驾驶员每一个窗口下的身体状态与驾驶行为进行识别,对驾驶员驾驶分格进行评价,并计算驾驶员驾驶风险,生成分析评价报告,将评价报告通过云端传输模块发送给车辆驾驶员。
所述的云端无线传输模块安装在车辆上,用于将车辆行驶数据上传至所述云端服务器,接收所述云端服务器的数据;
所述的距离传感器安装于车辆前端中部保险杆处,用于探测车辆的跟车距离;
所述的车载显示器安装在汽车中控台中部,用于向驾驶员提供信息,并以声音、文字图像形式表式;
所述的路基信号发射器设置在道路上并沿路铺设,用于向车辆提供道路类型及道路限速信息;
所述的路基信号接收器安装在车辆前方左右探照灯上部处,用于接收路基信号发射器提供的道路类型与道路限速信息。
所述的车载摄像头安装在车辆的中控台顶部,用于拍摄驾驶员的肢体与面部信息。
所述智能手机为驾驶员的智能手机,当驾驶员上车后固定到车辆的中控台中部且与车身保持水平;
下面结合图1至图6介绍本发明实施例提供的一种多源数据采集人车状态综合监测方法,具体如下:
步骤1:云端服务器根据采集的手机使用时长数据、问卷数据、驾驶员心率数据、体温数据构建驾驶员状态评估数据集,根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向角、实时采集的道路限速信息构建车辆行驶数据集;
步骤1中所述驾驶员状态评估数据集为:
datastate={hi,ei,q,DT}
i∈[1,K]
q∈[1,3]
其中,hi、ei分别表示所述智能穿戴手环第i个时刻采集的驾驶员心率数据、温度数据, K为采样的个数;每天驾驶员驾驶车辆前,驾驶员通过智能手机填写预设问卷从而采集驾驶员心里状态问卷数据;q表示通过所述智能手机采集的驾驶员心里健康问卷数据所得出驾驶员心里状态评估结果,1为异常,2为正常,3为良好;DT为所述智能穿戴手环采集的驾驶员当晚的睡眠时长。
步骤1中所述构建车辆行驶数据集为:
datai={di,vi,Ai,GPS i,wi,vlimit,i,bi}
GPSi={plat,i,plon,i,ti}
Ai={alat,i,alon,i}
i∈[1,K]
其中,datai表示第i个时刻的车辆行驶数据,wi表示所述路基信号接收器采集的第i个时刻的道路类型,vlimit,i表示所述路基信号接收器采集的道路限速,vi表示所述速度传感器采集的第i个时刻的车辆速度,di表示所述距离传感器采集的第i个时刻的跟车距离,Ai表示所述智能手机采集加速度计采集的第i个时刻的车辆加速度,alat,i为横向加速度、alon,i为纵向加速度,bi表示所述智能手机陀螺仪采集的第i个时刻车辆转角数据,GPSi表示所述智能手机GPS模块采集的第i个时刻车辆的经纬度信息,plat,i表示所述GPS定位器表示第i个时刻采集的车辆经度,plon,i表示第i个时刻采集的纬度坐标,ti表示第i个时刻采集的GPS时间,K 为采样时刻的数量;
步骤2:根据构建驾驶员状态评估数据集对驾驶员上岗前的睡眠质量、身体状态、心里状态进行评估,并根据评估结果,对驾驶员的驾驶适宜程度做出判断,判断为适宜驾驶、正常驾驶、不宜驾驶、严禁驾驶;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的睡眠质量进行评估为:
所述智能穿戴手环采集的驾驶员睡眠时长为DT,所述智能穿戴手环采集睡眠期间第i个时刻心率为hi;
其中n为睡眠心率的个数,tm为心率hi拐点所处的时刻,tm-1为上一个相邻的拐点值所处的时刻;
若DT<6&RMSEDD>1.5成立,则睡眠质量为差;
若DT<6&RMSEDD>1.5&STD>2.7成立,则睡眠质量为较差;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不适状态下的平均心率范围为 RMSEDD值为(RMSEDDa,RMSEDDb),STD值为(STDa,STDb),当驾驶员每天上岗前,所述智能穿戴手环采集的驾驶员上岗前体温为ei,心率为hi;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的心里状态进行评估为:
驾驶员每天上岗前,被要求填写一份问卷,问卷包含以下个问题,智能手机根据驾驶员的回答,计算问卷评分值q,根据问卷评分q评判驾驶员的心里状态:
1.您认为您当下存在生活压力吗?
A较大压力(1分)、B轻微压力(2分)、C无压力(3分)、
2.您认为当前的工作强度怎么样?
A严重超负荷(1分)、B较强(2分)、C轻微(3分)、适宜(4分)
3.您对当前的生活状态满意吗?
A不满意(1分)、B不太满意(2分)、C满意(3分)、非常满意(4分)
4.您认为您是一个什么样的人?
A悲观(1分);B轻微悲观(2分);C情绪平静(3分);D乐观(4分)
5.您最希望您的朋友是一个什么样的人?
A不打扰别人,也不希望别人打扰自己(1分);B喜欢个人世界,对外界有自己不一样的理解(2分);C处事乐观,心平气和,乐于助人,有良好的人际关系(3分);D吃的下,睡的香(4分);
6.您对您现在的工作、生活满意吗?
A不满意,但无法改变(1分);B不满意(2分);C基本满意(3分);D满意(4分);
7.造成你生活困扰的原因是什么?(可多选)
A思想上有困难;B工作有困难;C经济困难;D家庭变故或困扰
8.你是否遇到心理问题?
A经常有(1分)B偶尔有(2分)C没有过(3分)D没有想过(4分)
9.你认为现在自己的心理状况如何?
A不理想(1分);B轻微不适(2分);C正常(3分);非常好(4分);
步骤2中所述对驾驶员的驾驶适宜程度做出判断,判断为适宜驾驶、正常驾驶、不宜驾驶、严禁驾驶为:
若驾驶员的睡眠质量被评估为好或良好,驾驶员身体状态被评估为良好,驾驶员心里状态被评估为好,则判断为适宜驾驶;
若驾驶员的睡眠质量被评估为正常,驾驶员身体状态被评估为正常,驾驶员心里状态被评估为正常,则判断为正常驾驶;
若驾驶员的睡眠质量被评估为差,驾驶员身体状态被评估为正常,驾驶员心里状态被评估为正常,则判断为不宜驾驶;
若对驾驶员身体状态、心里状态被评估结果中任有一项被评估为差及以下,则判断为严禁驾驶;
步骤3:云端服务器根据构建的车辆行驶数据集识别驾驶员不良驾驶行为,并根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的疲劳程度、身体状态进行评估,结合驾驶员驾驶行为与疲劳、身体状态对车辆行驶风险做出评价,评价为高风险、中风险、正常;
步骤3中所述云端服务器根据构建的车辆行驶数据集识别驾驶员不良驾驶行为:
所述不良驾驶行为超速、急加速、急减速、急转弯、急转弯、跟车距离过近;
步骤3中所述识别驾驶员是否超速为:
所述速度传感器第i时刻采集的车辆速度为vi,所述道路接收器第i时刻采集的道路限速为vlimit,i,若vi>vlimit,i,则检测为超速,i∈[1,K],K为采样时刻的数量;
步骤3中所述识别驾驶员是否急变速为:
步骤3中所识别驾驶员急转向为:
所述手机传感器三轴加速度采集的车辆横向加速度为alat,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi,Δbi=bi-bi-1;
步骤3中所述识别驾驶员是否加急速为:
所述加速度传感器第i时刻采集的车辆加速度为ai,所述速度传感器第i时刻采集的速度为vi,若:
步骤3中所述检测每个时刻下驾驶员是否急减速为:若:
则识别为急减速车;
步骤3中所识别是否危险车距为:
所述速度传感器第i时刻采集的车辆速度为vi,所述距离传感器第i时刻采集的前车距离为di,若:
则判定为危险车距;
其中,g为重力加速度;
步骤3所述根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的疲劳程度、身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不同疲劳状态下的心率值hi,并按照疲劳程度对心率数据生成标签,正常1、轻微疲劳2、严重疲劳3,根据采集的带有疲劳标签的驾驶员心率数据集,采用SVM支持向量机对驾驶员的心率数据集进行学习,并构建个性化的驾驶员疲劳程度识别模型;
所述基于SVM支持向量机训练疲劳识别模型为:
yj={1、2、3}
步骤3所述根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不适状态下的平均心率范围为 RMSEDD值为(RMSEDDa,RMSEDDb),STD值为(STDa,STDb),当驾驶员在驾驶车辆过程中,所述智能穿戴手环采集的驾驶员当前体温为ei,心率为hi;以Z为时间窗,计算心率在该时间窗的平均值RMSEDD值RMSEDDz,j,STD值STDz,j;
步骤3所述结合驾驶员驾驶行为与疲劳、身体状态对车辆行驶风险做出评价,评价为高风险、中风险、正常为:
若当前驾驶员疲劳程度被评估为严重疲劳状态或驾驶员身体状态被评估为异常,则车辆行驶风险为高风险;
若当前识别驾驶员驾驶行为为任一不良驾驶行为,驾驶员疲劳程度被评估为轻微疲劳状态且驾驶员身体状态被评估为正常,则车辆行驶风险为中风险;
若当前未识别出不良驾驶行为,驾驶员疲劳程度被评估为正常状态且驾驶员身体状态被评估为正常,则车辆行驶风险为正常;
步骤4:云端服务器采用基于步骤1到步骤3采集的车辆数据训练BP神经网络,并采用训练后的BP神经网络模型对车辆行驶风险进行实时预测;
步骤4中所述云端服务器采用基于步骤1到步骤3采集的车辆数据训练BP神经网络为:
车辆日常行驶中,所述智能穿戴手环第i个时刻采集的驾驶员心率数据为hi、温度数ei,所述路基信号接收器采集的第i个时刻的道路类型为wi,所述路基信号接收器采集的道路限速为vlimit,i,所述速度传感器采集的第i个时刻的车辆速度为vi,所述距离传感器采集的第i 个时刻的跟车距离di,所述智能手机采集加速度计采集的第i个时刻的横向加速度为alat,i、纵向加速度为alon,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi;
根据步骤3对每个时刻下的车辆行驶风险进行识别,若第i个时刻车辆行驶风险被评价为高风险,则Si=3;若第i个时刻车辆行驶风险被评价为中风险,则Si=2;若第i个时刻车辆行驶风险被评价为正常,则Si=1;Si为每个时刻下车辆行驶风险的标识标签,i∈[1,K];
yj={Si … Si+f}
其中xj为BP神经网络的输入,yj为模型对应的目标输出,j∈(1~K/l),l为模型的输入步长,f为模型的预测步长;
使用BP神经网络进行训练,输入层的节点个数为l*6,隐藏层的神经元节点个数依据模型的训练精读而定,初始训练可设为l*6;
训练神经网络的误差准则函数为最小均方差损失函数(LMS):
网络训练过程包含前向传递与反向传播,具体步骤如下:
1)按照高斯分布对权重系数和偏置系数进行随机初始化;
其中,n是训练样本的个数,wji和θji分别表示前一层的第i个神经元到后一层第j个神经元上的是权重系数和偏置系数,L为损失函数。
4)对权重和偏置系数进行更新,如下所示:
5)将步骤4中更新的权重wji和偏置θji代入损失函数式L中,重复执行步骤2至步骤5,直至损失函数最小,更新结束。
步骤4所述采用训练后的BP神经网络模型对车辆行驶风险进行实时预测为:
车辆日常行驶中,所述智能穿戴手环第i个时刻采集的驾驶员心率数据为hi、温度数ei,所述路基信号接收器采集的第i个时刻的道路类型为wi,所述路基信号接收器采集的道路限速为vlimit,i,所述速度传感器采集的第i个时刻的车辆速度为vi,所述距离传感器采集的第i 个时刻的跟车距离di,所述智能手机采集加速度计采集的第i个时刻的横向加速度为alat,i、纵向加速度为alon,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi;
云端服务器根据步骤4中训练后的BP神经网络模型将第i个时刻采集的xj作为输入,预测第i~i+f时刻的车辆行驶风险{Si … Si+f};
步骤5:若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息;若预测为中风险,云端服务器则根据车辆行驶数据生成预警信息;
所述步骤5中若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息为:
车辆日常行驶中,第i个时刻经所述步骤4预测i~i+f时刻的车辆行驶风险为{Si… Si+f};
若max{Si … Si+f}>2,则判定为高风险,则通过车载显示屏通过语音信息与图片信息要求司机减速并到指定地点停车休息;
若max{Si … Si+f}=2,则判定为中风险,则通过车载显示屏语音信息提醒司机车辆即将进入风险行驶状况请规范驾驶;
步骤6:云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像;根据步骤3的驾驶行为判定结果与驾驶风险评价结果对驾驶员进行风险维度的画像;
所述步骤6云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像为:
根据所述步骤1构建的驾驶员状态评估数据集datastate={hi,ei,q,DT},根据所述步骤 2评估驾驶员每天的睡眠质量、心理状态、疲劳状态,压力状态并按照睡眠质量、心理状态、疲劳状态、压力状态评估结果生成四角的雷达图;
所述步骤6云端根据步骤3的驾驶行为判定结果与驾驶风险评价结果对驾驶员进行风险维度的画像为:
根据所述步骤3的不良驾驶行为识别结果与车辆风险评估结果,计算每天驾驶员不良驾驶行为的次数,疲劳驾驶的次数,高风险行驶的次数,中风险行驶的次数将以上变量按照天为单位进行生成时间维度的驾驶员风险画像。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
尽管本文较多地使用了汽车中央处理器、云端服务器、智能穿戴手环、智能手机、距离传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、车载摄像头等术语,但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质,把它们解释成任何一种附加的限制都是与本发明精神相违背的。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (9)
1.一种多源数据采集人车状态综合监测系统,其特征在于:所述多源数据采集人车状态综合监测系统包括:汽车中央处理器、云端服务器、智能穿戴手环、智能手机、距离传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、车载摄像头;
所述的汽车中央处理器分别与所述的距离传感器、车载显示器、路基信号接收器、云端无线传输模块、车载摄像头依次用导线连接;所述云端无线传输模块与所述云端服务器通过无线通信方式连接;所述智能穿戴手环与云端无线传输模块通过无线通信方式连接;所述路基信号接收器与所述路基信号发射器通过无线通信方式连接;所述智能手机通过无线通信方式与云端服务器进行连接。
2.根据权利要求1所述的多源数据采集人车状态综合监测系统,其特征在于:智能穿戴手环内置心率传感器、温度传感器,用于采集驾驶员的心率、体温并通过云端无线传输模块将驾驶数据上传到云端服务器当中;
所述智能手机通过手机本身自带的GPS传感器、三轴加速度计、陀螺仪,用于采集车辆的速度、三轴加速度、转向角等信息,其次用户使用手机的时长数据、问卷数据信息也通过智能手机记录与上传;
所述的汽车中央处理器安装在车辆上,用于整合从所述的距离传感器、路基信号接收器、车载摄像头采集的信息;
所述的云端服务器用于储存、共享、收集从车辆上所述的距离传感器、智能手机、智能穿戴手环、车载摄像头、路基信号接收器获取的车辆实时行驶数据,并对收集的车辆实时行驶数据进行综合处理分析,计算驾驶员身体与车辆安全状态评价参数,对驾驶员每一个窗口下的身体状态与驾驶行为进行识别,对驾驶员驾驶分格进行评价,并计算驾驶员驾驶风险,生成分析评价报告,将评价报告通过云端传输模块发送给车辆驾驶员;
所述的云端无线传输模块安装在车辆上,用于将车辆行驶数据上传至所述云端服务器,接收所述云端服务器的数据;
所述的距离传感器安装于车辆前端中部保险杆处,用于探测车辆的跟车距离;
所述的车载显示器安装在汽车中控台中部,用于向驾驶员提供信息,并以声音、文字图像形式表式;
所述的路基信号发射器设置在道路上并沿路铺设,用于向车辆提供道路类型及道路限速信息;
所述的路基信号接收器安装在车辆前方左右探照灯上部处,用于接收路基信号发射器提供的道路类型与道路限速信息;
所述的车载摄像头安装在车辆的中控台顶部,用于拍摄驾驶员的肢体与面部信息;
所述智能手机为驾驶员的智能手机,当驾驶员上车后固定到车辆的中控台中部且与车身保持水平。
3.一种利用权利要求1所述的多源数据采集人车状态综合监测系统进行多源数据采集人车状态综合监测方法,其特征在于,包括以下步骤:
步骤1:云端服务器根据采集的手机使用时长数据、问卷数据、驾驶员心率数据、体温数据构建驾驶员状态评估数据集,根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向角、实时采集的道路限速信息构建车辆行驶数据集;
步骤2:根据构建驾驶员状态评估数据集对驾驶员上岗前的睡眠质量、身体状态、心里状态进行评估,并根据评估结果,对驾驶员的驾驶适宜程度做出判断,判断为适宜驾驶、正常驾驶、不宜驾驶、严禁驾驶;
步骤3:云端服务器根据构建的车辆行驶数据集识别驾驶员不良驾驶行为,并根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的疲劳程度、身体状态进行评估,结合驾驶员驾驶行为与疲劳、身体状态对车辆行驶风险做出评价,评价为高风险、中风险、正常;
步骤4:云端服务器采用基于步骤1到步骤3采集的车辆数据训练BP神经网络,并采用训练后的BP神经网络模型对车辆行驶风险进行实时预测;
步骤5:若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息;若预测为中风险,云端服务器则根据车辆行驶数据生成预警信息;
步骤6:云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像;根据步骤3的驾驶行为判定结果与驾驶风险评价结果对驾驶员进行风险维度的画像;
步骤7:云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告。
4.根据权利要求3所述的多源数据采集人车状态综合监测方法,其特征在于,步骤1中所述驾驶员状态评估数据集为:
datastate={hi,ei,q,DT}
i∈[1,K]
q∈[1,3]
其中,hi、ei分别表示所述智能穿戴手环第i个时刻采集的驾驶员心率数据、温度数据,K为采样的个数;每天驾驶员驾驶车辆前,驾驶员通过智能手机填写预设问卷从而采集驾驶员心里状态问卷数据;q表示通过所述智能手机采集的驾驶员心里健康问卷数据所得出驾驶员心里状态评估结果,1为异常,2为正常,3为良好;DT为所述智能穿戴手环采集的驾驶员当晚的睡眠时长;
步骤1中所述构建车辆行驶数据集为:
datai={di,vi,Ai,GPSi,wi,vlimit,i,bi}
GPSi={plat,i,plon,i,ti}
Ai={alat,i,alon,i}
i∈[1,K]
其中,datai表示第i个时刻的车辆行驶数据,wi表示所述路基信号接收器采集的第i个时刻的道路类型,vlimit,i表示所述路基信号接收器采集的道路限速,vi表示所述速度传感器采集的第i个时刻的车辆速度,di表示所述距离传感器采集的第i个时刻的跟车距离,Ai表示所述智能手机采集加速度计采集的第i个时刻的车辆加速度,alat,i为横向加速度、alon,i为纵向加速度,bi表示所述智能手机陀螺仪采集的第i个时刻车辆转角数据,GPSi表示所述智能手机GPS模块采集的第i个时刻车辆的经纬度信息,plat,i表示所述GPS定位器表示第i个时刻采集的车辆经度,plon,i表示第i个时刻采集的纬度坐标,ti表示第i个时刻采集的GPS时间,K为采样时刻的数量。
5.根据权利要求3所述的多源数据采集人车状态综合监测方法,其特征在于,步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的睡眠质量进行评估为:
所述智能穿戴手环采集的驾驶员睡眠时长为DT,所述智能穿戴手环采集睡眠期间第i个时刻心率为hi;
其中,n为睡眠心率的个数,tm为心率hi拐点所处的时刻,tm-1为上一个相邻的拐点值所处的时刻;
若DT<ak6&RMSEDD>ak8成立,则睡眠质量为差;
若DT<ak6&RMSEDD>ak8&STD>ak9成立,则睡眠质量为较差;
ak1表示睡眠质量第一阈值,ak2表示睡眠质量第二阈值,ak3表示睡眠质量第三阈值,ak4表示睡眠质量第四阈值,ak5表示睡眠质量第五阈值,ak6表示睡眠质量第六阈值,ak7表示睡眠质量第七阈值,ak8表示睡眠质量第八阈值,ak9表示睡眠质量第九阈值;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不适状态下的平均心率范围为RMSEDD值为(RMSEDDa,RMSEDDb),STD值为(STDa,STDb),当驾驶员每天上岗前,所述智能穿戴手环采集的驾驶员上岗前体温为ei,心率为hi;
bk1表示身体状态第一阈值,bk2表示身体状态第二阈值;
步骤2中所述根据构建的驾驶员状态评估数据集对驾驶员上岗前的心里状态进行评估为:
驾驶员每天上岗前,被要求填写一份问卷,问卷包含以下个问题,智能手机根据驾驶员的回答,计算问卷评分值q,根据问卷评分q评判驾驶员的心里状态:
步骤2中所述对驾驶员的驾驶适宜程度做出判断,判断为适宜驾驶、正常驾驶、不宜驾驶、严禁驾驶为:
若驾驶员的睡眠质量被评估为好或良好,驾驶员身体状态被评估为良好,驾驶员心里状态被评估为好,则判断为适宜驾驶;
若驾驶员的睡眠质量被评估为正常,驾驶员身体状态被评估为正常,驾驶员心里状态被评估为正常,则判断为正常驾驶;
若驾驶员的睡眠质量被评估为差,驾驶员身体状态被评估为正常,驾驶员心里状态被评估为正常,则判断为不宜驾驶;
若对驾驶员身体状态、心里状态被评估结果中任有一项被评估为差及以下,则判断为严禁驾驶。
6.根据权利要求3所述的多源数据采集人车状态综合监测方法,其特征在于,步骤3中所述云端服务器根据构建的车辆行驶数据集识别驾驶员不良驾驶行为:
所述不良驾驶行为超速、急加速、急减速、急转弯、急转弯、跟车距离过近;
步骤3中所述识别驾驶员是否超速为:
所述速度传感器第i时刻采集的车辆速度为vi,所述道路接收器第i时刻采集的道路限速为vlimit,i,若vi>vlimit,i,则检测为超速,i∈[1,K],K为采样时刻的数量;
步骤3中所述识别驾驶员是否急变速为:
步骤3中所识别驾驶员急转向为:
所述手机传感器三轴加速度采集的车辆横向加速度为alat,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi,Δbi=bi-bi-1;
步骤3中所述识别驾驶员是否加急速为:
所述加速度传感器第i时刻采集的车辆加速度为ai,所述速度传感器第i时刻采集的速度为vi,若:
步骤3中所述检测每个时刻下驾驶员是否急减速为:若:
则识别为急减速车;
步骤3中所识别是否危险车距为:
所述速度传感器第i时刻采集的车辆速度为vi,所述距离传感器第i时刻采集的前车距离为di,若:
则判定为危险车距;
其中,g为重力加速度;
步骤3所述根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的疲劳程度、身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不同疲劳状态下的心率值hi,并按照疲劳程度对心率数据生成标签,正常1、轻微疲劳2、严重疲劳3,根据采集的带有疲劳标签的驾驶员心率数据集,采用SVM支持向量机对驾驶员的心率数据集进行学习,并构建个性化的驾驶员疲劳程度识别模型;
所述基于SVM支持向量机训练疲劳识别模型为:
yj={1、2、3}
步骤3所述根据构建的驾驶员状态评估数据集对驾驶员每个驾驶行为下的身体状态进行评估为:
驾驶员日常生活中,智能手环采集驾驶员在不适状态下的平均心率范围为RMSEDD值为(RMSEDDa,RMSEDDb),STD值为(STDa,STDb),当驾驶员在驾驶车辆过程中,所述智能穿戴手环采集的驾驶员当前体温为ei,心率为hi;以Z为时间窗,计算心率在该时间窗的平均值RMSEDD值RMSEDDz,j,STD值STDz,j;
步骤3所述结合驾驶员驾驶行为与疲劳、身体状态对车辆行驶风险做出评价,评价为高风险、中风险、正常为:
若当前驾驶员疲劳程度被评估为严重疲劳状态或驾驶员身体状态被评估为异常,则车辆行驶风险为高风险;
若当前识别驾驶员驾驶行为为任一不良驾驶行为,驾驶员疲劳程度被评估为轻微疲劳状态且驾驶员身体状态被评估为正常,则车辆行驶风险为中风险;
bk1表示身体状态第一阈值,bk2表示身体状态第二阈值;
若当前未识别出不良驾驶行为,驾驶员疲劳程度被评估为正常状态且驾驶员身体状态被评估为正常,则车辆行驶风险为正常。
7.根据权利要求3所述的多源数据采集人车状态综合监测方法,其特征在于,步骤4中所述云端服务器采用基于步骤1到步骤3采集的车辆数据训练BP神经网络为:
车辆日常行驶中,所述智能穿戴手环第i个时刻采集的驾驶员心率数据为hi、温度数ei,所述路基信号接收器采集的第i个时刻的道路类型为wi,所述路基信号接收器采集的道路限速为vlimit,i,所述速度传感器采集的第i个时刻的车辆速度为vi,所述距离传感器采集的第i个时刻的跟车距离di,所述智能手机采集加速度计采集的第i个时刻的横向加速度为alat,i、纵向加速度为alon,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi;
根据步骤3对每个时刻下的车辆行驶风险进行识别,若第i个时刻车辆行驶风险被评价为高风险,则Si=3;若第i个时刻车辆行驶风险被评价为中风险,则Si=2;若第i个时刻车辆行驶风险被评价为正常,则Si=1;Si为每个时刻下车辆行驶风险的标识标签,i∈[1,K];
yj={Si…Si+f}
其中xj为BP神经网络的输入,yj为模型对应的目标输出,j∈(1~K/l),l为模型的输入步长,f为模型的预测步长;
使用BP神经网络进行训练,输入层的节点个数为l*6,隐藏层的神经元节点个数依据模型的训练精读而定,初始训练可设为l*6;
训练神经网络的误差准则函数为最小均方差损失函数(LMS):
网络训练过程包含前向传递与反向传播,具体步骤如下:
按照高斯分布对权重系数和偏置系数进行随机初始化;
其中,n是训练样本的个数,wji和θji分别表示前一层的第i个神经元到后一层第j个神经元上的是权重系数和偏置系数,L为损失函数;
对权重和偏置系数进行更新,如下所示:
将步骤4中更新的权重wji和偏置θji代入损失函数式L中,重复执行步骤2至步骤5,直至损失函数最小,更新结束;
步骤4所述采用训练后的BP神经网络模型对车辆行驶风险进行实时预测为:
车辆日常行驶中,所述智能穿戴手环第i个时刻采集的驾驶员心率数据为hi、温度数ei,所述路基信号接收器采集的第i个时刻的道路类型为wi,所述路基信号接收器采集的道路限速为vlimit,i,所述速度传感器采集的第i个时刻的车辆速度为vi,所述距离传感器采集的第i个时刻的跟车距离di,所述智能手机采集加速度计采集的第i个时刻的横向加速度为alat,i、纵向加速度为alon,i,所述智能手机陀螺仪采集的第i个时刻车辆转角数据为bi;
云端服务器根据步骤4中训练后的BP神经网络模型将第i个时刻采集的xj作为输入,预测第i~i+f时刻的车辆行驶风险{Si…Si+f}。
8.根据权利要求3所述的多源数据采集人车状态综合监测方法,其特征在于,所述步骤5中若预测为高风险,云端服务器则根据车辆行驶数据生成规避风险的操作信息为:
车辆日常行驶中,第i个时刻经所述步骤4预测i~i+f时刻的车辆行驶风险为{Si…Si+f};
若max{Si…Si+f}>2,则判定为高风险,则通过车载显示屏通过语音信息与图片信息要求司机减速并到指定地点停车休息;
若max{Si…Si+f}=2,则判定为中风险,则通过车载显示屏语音信息提醒司机车辆即将进入风险行驶状况请规范驾驶。
9.根据权利要求3所述的多源数据采集人车状态综合监测方法,其特征在于,所述步骤6云端根据步骤2的评价结果对驾驶员进行身体、心理、压力维度的画像为:
根据所述步骤1构建的驾驶员状态评估数据集datastate={hi,ei,q,DT},根据所述步骤2评估驾驶员每天的睡眠质量、心理状态、疲劳状态,压力状态并按照睡眠质量、心理状态、疲劳状态、压力状态评估结果生成四角的雷达图;
所述步骤6云端根据步骤3的驾驶行为判定结果与驾驶风险评价结果对驾驶员进行风险维度的画像为:
根据所述步骤3的不良驾驶行为识别结果与车辆风险评估结果,计算每天驾驶员不良驾驶行为的次数,疲劳驾驶的次数,高风险行驶的次数,中风险行驶的次数将以上变量按照天为单位进行生成时间维度的驾驶员风险画像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210805098.2A CN115179960A (zh) | 2022-07-08 | 2022-07-08 | 一种多源数据采集人车状态综合监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210805098.2A CN115179960A (zh) | 2022-07-08 | 2022-07-08 | 一种多源数据采集人车状态综合监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115179960A true CN115179960A (zh) | 2022-10-14 |
Family
ID=83516637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210805098.2A Pending CN115179960A (zh) | 2022-07-08 | 2022-07-08 | 一种多源数据采集人车状态综合监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115179960A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115489534A (zh) * | 2022-11-08 | 2022-12-20 | 上海卓冶机电科技有限公司 | 基于数据处理的智慧交通疲劳驾驶监控系统及监控方法 |
CN116485285A (zh) * | 2023-06-21 | 2023-07-25 | 太极计算机股份有限公司 | 安全驾驶评估方法、装置、电子设备和存储介质 |
CN116611621A (zh) * | 2023-07-18 | 2023-08-18 | 枣庄卡企安网络科技有限公司 | 多角色实时数据交互及监督的交通运输安全管理系统 |
-
2022
- 2022-07-08 CN CN202210805098.2A patent/CN115179960A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115489534A (zh) * | 2022-11-08 | 2022-12-20 | 上海卓冶机电科技有限公司 | 基于数据处理的智慧交通疲劳驾驶监控系统及监控方法 |
CN115489534B (zh) * | 2022-11-08 | 2023-09-22 | 张家界南方信息科技有限公司 | 基于数据处理的智慧交通疲劳驾驶监控系统及监控方法 |
CN116485285A (zh) * | 2023-06-21 | 2023-07-25 | 太极计算机股份有限公司 | 安全驾驶评估方法、装置、电子设备和存储介质 |
CN116611621A (zh) * | 2023-07-18 | 2023-08-18 | 枣庄卡企安网络科技有限公司 | 多角色实时数据交互及监督的交通运输安全管理系统 |
CN116611621B (zh) * | 2023-07-18 | 2023-11-07 | 枣庄卡企安网络科技有限公司 | 多角色实时数据交互及监督的交通运输安全管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220286811A1 (en) | Method for smartphone-based accident detection | |
CN115179960A (zh) | 一种多源数据采集人车状态综合监测系统及方法 | |
Aljaafreh et al. | Driving style recognition using fuzzy logic | |
CN102163368B (zh) | 不安全驾驶行为的识别与监控系统及方法 | |
Carsten et al. | Vehicle-based studies of driving in the real world: The hard truth? | |
CN109885040B (zh) | 一种人机共驾中的车辆驾驶控制权分配系统 | |
Ziakopoulos et al. | A critical overview of driver recording tools | |
WO2017075976A1 (zh) | 一种驾驶行为评测方法及装置 | |
CN104732785A (zh) | 一种驾驶行为分析和提醒的方法及系统 | |
CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
CN110648075A (zh) | 驾驶安全评估方法及装置 | |
CN106618524A (zh) | 丧失驾驶能力的检测和预防 | |
CN108944946A (zh) | 一种基于车车通信的弯道风险预估计算方法 | |
US20200125989A1 (en) | Assessing Ride Quality For Autonomous Vehicles | |
CN101491443A (zh) | 驾驶人疲劳与车辆行驶轨迹的关系模型 | |
CN113743471B (zh) | 一种驾驶评估方法及其系统 | |
CN114030475A (zh) | 一种车辆辅助驾驶方法、装置、车辆及存储介质 | |
Mohammed et al. | A landscape of research on bus driver behavior: taxonomy, open challenges, motivations, recommendations, limitations, and pathways solution in future | |
Zhou et al. | An evaluation method for visual search stability in urban tunnel entrance and exit sections based on markov chain | |
CN202025368U (zh) | 不安全驾驶行为的识别与监控系统 | |
CN113602287A (zh) | 一种面向低驾龄女性驾驶员的人机共驾系统 | |
CN109858178A (zh) | 一种基于智能手环的营运车辆驾驶员疲劳预警方法 | |
Bulygin et al. | Methodology for in-the-Wild Driver Monitoring Dataset Formation | |
CN111753586A (zh) | 一种疲劳驾驶监测装置及方法 | |
Peulić et al. | Locating and categorizing causes of discomfort during transport of patients to medical facilities |
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 |