CN115192026A - 隧道驾驶负荷监测方法及终端 - Google Patents
隧道驾驶负荷监测方法及终端 Download PDFInfo
- Publication number
- CN115192026A CN115192026A CN202210651417.9A CN202210651417A CN115192026A CN 115192026 A CN115192026 A CN 115192026A CN 202210651417 A CN202210651417 A CN 202210651417A CN 115192026 A CN115192026 A CN 115192026A
- Authority
- CN
- China
- Prior art keywords
- driving
- tunnel
- load
- vehicle
- driving load
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 8
- 210000001747 pupil Anatomy 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001121 heart beat frequency Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000005641 tunneling Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 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
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000004434 saccadic eye movement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/11—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils
- A61B3/112—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils for measuring diameter of pupils
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Ophthalmology & Optometry (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于道路交通安全技术领域，提供了一种隧道驾驶负荷监测方法及终端，该方法包括：车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据；根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷。本发明能够准确监测隧道路段驾驶人的驾驶负荷，提高隧道行车的安全性。
Description
技术领域
本发明属于道路交通安全技术领域，尤其涉及一种隧道驾驶负荷监测方法及终端。
背景技术
螺旋隧道具有小半径、连续纵坡、驾驶环境单调且封闭的特点，容易造成驾驶人负荷的变化，过高的驾驶负荷会增加驾驶人误判或是反应不及时的概率，增加行车风险。事故统计数据表明，驾驶人因素占事故总数的93％左右，其中驾驶人负主要责任的占70％-80％。因此，准确监测驾驶人在螺旋隧道路段行车的驾驶负荷变化情况，对螺旋隧道行车安全具有重要意义。
发明内容
有鉴于此，本发明实施例提供了一种隧道驾驶负荷监测方法及终端，以准确监测隧道路段驾驶人的驾驶负荷，提高隧道行车的安全性。
本发明实施例的第一方面提供了一种隧道驾驶负荷监测方法，包括：
车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据；
根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷。
可选的，在得到当前位置车辆驾驶人的驾驶负荷之后，还包括：
若驾驶负荷超过预设的负荷阈值，则对车辆驾驶人进行示警。
可选的，生理数据和行驶数据均包括至少一个指标；
行驶数据和生理数据的权重值由以下方式预先确定：
获取不同人员在隧道行驶时每个指标的指标平均值；
根据各个指标的指标平均值，通过因子分析法计算各个公因子的方差贡献率，得到各个公因子的第一权重值；以及，计算各个指标在每个公因子下的成分系数，得到各个指标在每个公因子下的第二权重值；
其中，公因子包括行驶因子和生理因子。
可选的，根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷，包括：
根据各个指标在行驶因子下的第二权重值，对各个指标的指标平均值进行加权融合，得到行驶因子的量化值；
根据各个指标在生理因子下的第二权重值，对各个指标的指标平均值进行加权融合，得到生理因子的量化值；
基于
计算当前位置车辆驾驶人的驾驶负荷；
式中，F为驾驶负荷，c1为行驶因子的第一权重值，c2为生理因子的第一权重值，F1为行驶因子的量化值，F2为生理因子的量化值。
可选的，生理数据包括的指标为瞳孔直径和心率变异性，行驶数据包括的指标为车速；其中，心率变异性的计算公式为：
式中，RMSSD为心率变异性，RRk表示第k次心跳与第k+1次心跳的心电信号R波之间的时间间隔，N为当前位置采集到的连续心跳次数。
可选的，隧道为双螺旋隧道，该方法还包括：
车辆驶出双螺旋隧道中的第一个隧道后，通过K-means聚类算法对车辆在第一个隧道中各个位置时车辆驾驶人的驾驶负荷进行聚类；
根据聚类结果确定各个驾驶负荷对应的负荷等级；
将各个驾驶负荷作为模型输入数据，将各个驾驶负荷对应的负荷等级作为模型输入数据，训练得到负荷等级分类模型；
车辆驶入双螺旋隧道中的第二个隧道后，实时计算车辆在隧道各个位置时车辆驾驶人的驾驶负荷，并输入至负荷等级分类模型中，得到车辆在隧道各个位置时车辆驾驶人的驾驶负荷对应的负荷等级。
可选的，负荷等级分类模型为随机森林分类模型。
可选的，负荷等级包括低、中低、中高和高，若在第二个隧道的某个位置车辆驾驶人的驾驶负荷对应的负荷等级为高，则对车辆驾驶人进行示警。
本发明实施例的第二方面提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的隧道驾驶负荷监测方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的隧道驾驶负荷监测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据，根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷，能够准确、真实、全面的反映驾驶员的驾驶负荷情况，进而可以在驾驶员的驾驶负荷过高时，及时采取相应的措施，提高隧道行车的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的隧道驾驶负荷监测方法的流程示意图一；
图2是本发明实施例提供的隧道驾驶负荷监测方法的流程示意图二；
图3是本发明实施例提供的隧道驾驶负荷监测方法的流程示意图三；
图4是本发明实施例提供的双螺旋隧道的第一个隧道的负荷情况示意图；
图5是本发明实施例提供的双螺旋隧道的第二个隧道的负荷情况示意图；
图6是本发明实施例提供的双螺旋隧道的第二个隧道的负荷情况预测图；
图7是本发明实施例提供的终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在地形复杂的山区，螺旋隧道独有的盘旋展线优势可以在较短的水平距离内完成较大高度的爬升。与此同时，螺旋隧道的螺旋状连续纵坡使得隧道内部视距受限、驾驶环境单调、驾驶任务单一，容易造成驾驶人心理和生理状态的波动，因此螺旋隧道行车过程也是驾驶负荷不断变化的过程。过高的驾驶负荷会增加驾驶人误判或是反应不及时的概率，加大交通事故发生的风险。
驾驶负荷与驾驶人自身特征、驾驶经验、安全意识、感知行车交通环境信息量有关，决定了驾驶人在行车过程中认知、决策、操作的能力，是影响交通安全的重要因素。现有研究主要从人-车-环境等方面出发对隧道行车安全进行研究，采用主观评价法、双任务绩效评价法和生理指标评价法对驾驶负荷进行评估预测。国内外在探索驾驶负荷的发生变化规律和预测评估方法上都取得了一定成果，但是目前基于复杂道路线形和单调环境的驾驶负荷研究还有待丰富。尤其是双螺旋隧道具有克服高程障碍、减小坡度的优点，是山区复杂地形地貌下的有效道路线形选择，有着良好的工程应用和前景，因此有必要研究双螺旋隧道驾驶负荷变化特征，探寻双螺旋隧道环境下行车安全特性。
本发明实施例提供了一种隧道驾驶负荷监测方法，以更准确地对隧道中驾驶员的驾驶负荷进行评估，参见图1所示，该方法包括：
步骤S101，车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据。
在本发明实施例中，车辆上安装有车载行车设备、驾驶者生理信息收集设备。其中，车载行车设备可以包括车载自动诊断系统和刹车力度感应装置等，用于采集车辆的行驶数据。驾驶者生理信息收集设备可以包括可穿戴式眼动仪和智能穿戴式生理记录仪，可穿戴式眼动仪可以捕捉驾驶人视觉环境和眼部状态以及瞳孔变化，智能穿戴式生理记录仪可以测量血容量脉搏(PPG，Photo Plethysmo Graphy)，从而实现车辆驾驶人的生理数据的采集。
作为一种较优的实现方式，本实施例采用的生理数据为瞳孔直径和心率变异性，行驶数据为车速。其中，心率变异性的计算公式为：
式中，RMSSD为心率变异性，心率变异性能够反映心跳周期的差异性，是评价驾驶负荷的有效指标，因此，本实施例选取心率变异性的时域指标RMSSD来表征心率变异性；RRk表示第k次心跳与第k+1次心跳的心电信号R波之间的时间间隔；N为当前位置采集到的连续心跳次数。需要指出的是，在一些实施例中，生理数据还可以包括注视、扫视、眨眼状态等，行驶数据还可以包括制动踏板压力、方向盘转向角速度等，本申请对此不进行限定。
步骤S102，根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷。
作为一种可能的实现方式，生理数据和行驶数据均包括至少一个指标，即上述的瞳孔直径、心率变异性和车速。
则行驶数据和生理数据的权重值可以由以下方式预先确定：
获取不同人员在隧道行驶时每个指标的指标平均值；
根据各个指标的指标平均值，通过因子分析法计算各个公因子的方差贡献率，得到各个公因子的第一权重值；以及，计算各个指标在每个公因子下的成分系数，得到各个指标在每个公因子下的第二权重值；
其中，公因子包括行驶因子和生理因子。
相应的，根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷，包括：
根据各个指标在行驶因子下的第二权重值，对各个指标的指标平均值进行加权融合，得到行驶因子的量化值；
根据各个指标在生理因子下的第二权重值，对各个指标的指标平均值进行加权融合，得到生理因子的量化值；
基于
计算当前位置车辆驾驶人的驾驶负荷；
式中，F为驾驶负荷，c1为行驶因子的第一权重值，c2为生理因子的第一权重值，F1为行驶因子的量化值，F2为生理因子的量化值。
在本发明实施例中，因子分析可以对存在相关性的多个指标进行降维，提取主要指标。本实施例选用瞳孔直径、心率变异性RMSSD、车速表示驾驶人负荷状态，量化驾驶人在隧道行驶过程中的实时驾驶负荷值。
以下通过一个具体的示例，对因子分析过程进行说明：因子分析要求各指标之间具有一定相关性，首先采用皮尔逊相关分析法对各指标进行相关性检验，如表1所示，在95％置信区间下，各指标相关性显著，满足做因子分析的条件。RMSSD与其他指标呈负相关关系，因此取RMSSD倒数进行分析。
表1皮尔逊相关性分析
对数据进行KMO取样检验和Bartelett球形检验。KMO值为0.734>0.7，Bartelett球形检验显著性小于0.01，说明各指标间存在相关性，因此适合做因子分析。同时公因子方差均大于0.8，表示各变量中的信息被提取的比例均大于80％，因此变量可以被公因子很好的表示。
表2为总方差解释表，根据公因子方差贡献率可见指标是合理的。采用最大方差法对公因子旋转前后都可提取两个公因子(特征值大于1)，第一个公因子方差贡献率达到58.942％，前两个公因子累计方差贡献率达到84.748％。
表2总方差解释表
表3为旋转后的成分矩阵和因子得分系数矩阵，RMSSD和瞳孔直径在公因子1中荷载值较大，分别为0.861和9.090，可将公因子1归类为驾驶人因子；速度在公因子2中荷载值较大为0.951，可将公因子2看作车辆因子。
表3旋转后的成分矩阵和因子得分系数矩阵
由成分得分系数矩阵可计算2个公因子的得分函数F1和F2分别为：
F1＝0.293h+0.001l+0.308g
F2＝0.211h+0.737l+0.184g
式中，h、l、g分别为RMSSD、速度、瞳孔直径。
由总方差解释表可知驾驶人因子和车辆因子的方差贡献率分别为58.942％和25.806％，因此驾驶负荷量化模型F为：
可见，本发明实施例通过车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据，根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷，能够准确、真实、全面的反映驾驶员的驾驶负荷情况，进而可以在驾驶员的驾驶负荷过高时，及时采取相应的措施，提高隧道行车的安全性。
作为一种可能的实现方式，参见图2所示，在得到当前位置车辆驾驶人的驾驶负荷之后，还可以包括：
步骤S103，若驾驶负荷超过预设的负荷阈值，则对车辆驾驶人进行示警。
在本发明实施例中，通常驾驶人处于隧道的不同位置时驾驶负荷是不断变化的，通过监控驾驶员的负荷情况，当驾驶负荷超过预设的负荷阈值时，则对驾驶员进行示警，防止驾驶员过度紧张，引发交通安全事故。
在一个实施例中，隧道为双螺旋隧道，参见图3所示，该方法还包括：
步骤201，车辆驶出双螺旋隧道中的第一个隧道后，通过K-means聚类算法对车辆在第一个隧道中各个位置时车辆驾驶人的驾驶负荷进行聚类。
步骤202，根据聚类结果确定各个驾驶负荷对应的负荷等级。
步骤203，将各个驾驶负荷作为模型输入数据，将各个驾驶负荷对应的负荷等级作为模型输入数据，训练得到负荷等级分类模型。
步骤204，车辆驶入双螺旋隧道中的第二个隧道后，实时计算车辆在隧道各个位置时车辆驾驶人的驾驶负荷，并输入至负荷等级分类模型中，得到车辆在隧道各个位置时车辆驾驶人的驾驶负荷对应的负荷等级。
在本发明实施例中，为合理反映双螺旋隧道驾驶负荷的变化，将负荷等级划分为低驾驶负荷、中低驾驶负荷、中高驾驶负荷、高驾驶负荷。低负荷表示正常行车驾驶人负荷水平，中低负荷表示驾驶人相对安全的状态，中高负荷表示驾驶人相对接近高风险状态，高负荷表示驾驶人认知、决策、操控可能产生失误。因此，聚类簇K的值设置为4，将4个聚类簇的质心由低到高排列，分别对应低、中低、中高和高四个等级。并且考虑到不同驾驶员在不同时间段内或不同路段的负荷情况是存在差异的，将上述结果作为训练数据训练分类模型，对第二个隧道的驾驶负荷进行实时分类，能够更准确地反映当前驾驶员在当前时间段内或当前隧道的负荷情况。若某个位置时车辆驾驶人的驾驶负荷对应的负荷等级为高，则对车辆驾驶人进行示警，保证行车安全。另外，各个驾驶员在同一隧道内的驾驶负荷情况还可以上传服务器，用来分析隧道的合理性，例如在某一路段各个驾驶员的驾驶负荷均很高，则需要对该路段进行改善。
另外，以第一个隧道的驾驶负荷等级分类结果为依据，选取随机森林、朴素贝叶斯和决策树算法分别训练分类模型，对第二个隧道的驾驶负荷等级进行分类，结果表明随机森林算法以95.56％的准确率高于决策树(93.65％)和朴素贝叶斯(77.99％)，在驾驶负荷等级预测中表现最好。
实验结果如下：
图4为第一个螺旋隧道的负荷情况，驾驶员第一次进入螺旋隧道行驶时，在距离隧道入口105m处斜率最大，驾驶负荷开始急速上升；随着在隧道封闭环境的行驶，进入隧道200m后进入高负荷状态，在300m后达到峰值，随后逐渐适应隧道环境后缓慢下降，625m处由高负荷下降为中高负荷；距离隧道出口275m处是下降为中低负荷，但在距离出口175m处有短暂的提高为中高负荷，持续100m，驾驶负荷升高了7.06％；在隧道出口段，距隧道出口100m处斜率最大，驾驶负荷急速下降，驶出隧道175m后下降为低负荷状态。
图5为第二个螺旋隧道的负荷情况，驾驶员第二次进入螺旋隧道行驶时，在距离隧道入口100m处斜率最大，驾驶负荷开始急速上升；随着在隧道封闭环境的行驶，进入隧道200m后进入高负荷状态，在500m后达到峰值，随后逐渐适应隧道环境后缓慢下降1050m处由高负荷下降为中高负荷；在距隧道出口150m处驾驶负荷短暂提高了6.94％，随后下降，距离隧道出口100m处下降为中低负荷；在隧道出口段，距隧道出口50m处斜率最大，驾驶负荷急速下降，驶出隧道50m后下降为低负荷状态。且第二次经过螺旋隧道时，驾驶员的整体驾驶负荷更高。图6为随机森林分类模型预测的第二个螺旋隧道的负荷情况，图中纵坐标1、2、3、4分别表示驾驶负荷低、中低、中高、高四个等级，与第二个螺旋隧道的实际负荷情况基本保持一致，验证了分类模型的准确性。
本发明实施例采集车辆信息和驾驶人生理信息，基于因子分析构建驾驶负荷量化模型，并进行驾驶负荷等级聚类分析以及分类预测，且基于随机森林算法的螺旋隧道驾驶负荷等级进行预测分类准确率达到96％。研究结果可对驾驶人实时驾驶负荷监测及螺旋隧道安全设施改善提供参考，例如可在驾驶负荷变化的关键点设置相应的安全保障设施调节驾驶负荷，缓解驾驶人紧张情绪，如改善灯光环境、标志标线等，保障双螺旋隧道下驾驶人的行车安全。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7是本发明实施例提供的终端70的示意图。如图7所示，该实施例的终端70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序73，例如隧道驾驶负荷监测程序。处理器71执行计算机程序73时实现上述各个隧道驾驶负荷监测方法实施例中的步骤，例如图1所示的步骤S101至S102。示例性的，计算机程序73可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器72中，并由处理器71执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序73在终端70中的执行过程。例如，计算机程序73可以被分割成获取模块、处理模块(虚拟装置中的模块)，各模块具体功能如下：
获取模块，用于车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据。
处理模块，用于根据预设的行驶数据和生理数据的权重值，对行驶数据和生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷。
终端70可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端70可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图7仅仅是终端70的示例，并不构成对终端70的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端70还可以包括输入输出设备、网络接入设备、总线等。
所称处理器71可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器72可以是终端70的内部存储单元，例如终端70的硬盘或内存。存储器72也可以是终端70的外部存储设备，例如终端70上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器72还可以既包括终端70的内部存储单元也包括外部存储设备。存储器72用于存储计算机程序以及终端70所需的其他程序和数据。存储器72还用于暂时地存储已经输出或将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种隧道驾驶负荷监测方法，其特征在于，包括：
车辆在隧道中行驶时，获取当前位置车辆的行驶数据和车辆驾驶人的生理数据；
根据预设的所述行驶数据和所述生理数据的权重值，对所述行驶数据和所述生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷。
2.如权利要求1所述的隧道驾驶负荷监测方法，其特征在于，在得到当前位置车辆驾驶人的驾驶负荷之后，还包括：
若所述驾驶负荷超过预设的负荷阈值，则对车辆驾驶人进行示警。
3.如权利要求1所述的隧道驾驶负荷监测方法，其特征在于，所述生理数据和所述行驶数据均包括至少一个指标；
所述行驶数据和所述生理数据的权重值由以下方式预先确定：
获取不同人员在隧道行驶时每个指标的指标平均值；
根据各个指标的指标平均值，通过因子分析法计算各个公因子的方差贡献率，得到各个公因子的第一权重值；以及，计算各个指标在每个公因子下的成分系数，得到各个指标在每个公因子下的第二权重值；
其中，所述公因子包括行驶因子和生理因子。
4.如权利要求3所述的隧道驾驶负荷监测方法，其特征在于，根据预设的所述行驶数据和所述生理数据的权重值，对所述行驶数据和所述生理数据进行加权融合，得到当前位置车辆驾驶人的驾驶负荷，包括：
根据各个指标在所述行驶因子下的第二权重值，对各个指标的指标平均值进行加权融合，得到所述行驶因子的量化值；
根据各个指标在所述生理因子下的第二权重值，对各个指标的指标平均值进行加权融合，得到所述生理因子的量化值；
基于
计算当前位置车辆驾驶人的驾驶负荷；
式中，F为驾驶负荷，c1为行驶因子的第一权重值，c2为生理因子的第一权重值，F1为行驶因子的量化值，F2为生理因子的量化值。
5.如权利要求3所述的隧道驾驶负荷监测方法，其特征在于，所述生理数据包括的指标为瞳孔直径和心率变异性，所述行驶数据包括的指标为车速；
其中，所述心率变异性的计算公式为：
式中，RMSSD为心率变异性，RRk表示第k次心跳与第k+1次心跳的心电信号R波之间的时间间隔，N为当前位置采集到的连续心跳次数。
6.如权利要求1所述的隧道驾驶负荷监测方法，其特征在于，所述隧道为双螺旋隧道，所述方法还包括：
车辆驶出双螺旋隧道中的第一个隧道后，通过K-means聚类算法对车辆在第一个隧道中各个位置时车辆驾驶人的驾驶负荷进行聚类；
根据聚类结果确定各个驾驶负荷对应的负荷等级；
将各个驾驶负荷作为模型输入数据，将各个驾驶负荷对应的负荷等级作为模型输入数据，训练得到负荷等级分类模型；
车辆驶入双螺旋隧道中的第二个隧道后，实时计算车辆在隧道各个位置时车辆驾驶人的驾驶负荷，并输入至所述负荷等级分类模型中，得到车辆在隧道各个位置时车辆驾驶人的驾驶负荷对应的负荷等级。
7.如权利要求6所述的隧道驾驶负荷监测方法，其特征在于，所述负荷等级分类模型为随机森林分类模型。
8.如权利要求6所述的隧道驾驶负荷监测方法，其特征在于，所述负荷等级包括低、中低、中高和高四个等级，若在第二个隧道的某个位置时车辆驾驶人的驾驶负荷对应的负荷等级为高，则对车辆驾驶人进行示警。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210651417.9A CN115192026B (zh) | 2022-06-09 | 2022-06-09 | 隧道驾驶负荷监测方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210651417.9A CN115192026B (zh) | 2022-06-09 | 2022-06-09 | 隧道驾驶负荷监测方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115192026A true CN115192026A (zh) | 2022-10-18 |
| CN115192026B CN115192026B (zh) | 2023-05-16 |
Family
ID=83576639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210651417.9A Active CN115192026B (zh) | 2022-06-09 | 2022-06-09 | 隧道驾驶负荷监测方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115192026B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116305495A (zh) * | 2023-05-16 | 2023-06-23 | 四川省公路规划勘察设计研究院有限公司 | 一种隧道群驾驶平稳度模型设计方法、评价方法、设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101690666A (zh) * | 2009-10-13 | 2010-04-07 | 北京工业大学 | 汽车驾驶员驾驶工作负荷计算方法 |
| CN107348964A (zh) * | 2017-06-15 | 2017-11-17 | 长安大学 | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 |
| 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
- 2022-06-09 CN CN202210651417.9A patent/CN115192026B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101690666A (zh) * | 2009-10-13 | 2010-04-07 | 北京工业大学 | 汽车驾驶员驾驶工作负荷计算方法 |
| CN107348964A (zh) * | 2017-06-15 | 2017-11-17 | 长安大学 | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 吴玲: "基于生理与行为指标的高速公路特长隧道环境驾驶人风险特性研究", 《博士电子期刊2019年第01期》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116305495A (zh) * | 2023-05-16 | 2023-06-23 | 四川省公路规划勘察设计研究院有限公司 | 一种隧道群驾驶平稳度模型设计方法、评价方法、设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115192026B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data | |
| 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 | |
| CN106251583B (zh) | 基于驾驶行为与眼动特征的疲劳驾驶辨识方法 | |
| Manawadu et al. | Multiclass classification of driver perceived workload using long short-term memory based recurrent neural network | |
| CN109147279B (zh) | 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统 | |
| Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
| CN111311093B (zh) | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 | |
| CN103247091A (zh) | 一种驾驶评价系统及方法 | |
| CN109658272A (zh) | 驾驶行为评价系统及基于驾驶行为的保险定价系统 | |
| CN113743471B (zh) | 一种驾驶评估方法及其系统 | |
| CN113753059B (zh) | 一种自动驾驶系统下的驾驶人接管能力预测方法 | |
| CN109664894A (zh) | 基于多源异构数据感知的疲劳驾驶安全预警系统 | |
| CN108769104A (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
| CN115192026A (zh) | 隧道驾驶负荷监测方法及终端 | |
| 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 | |
| CN111361567B (zh) | 一种车辆驾驶中应急处理的方法及设备 | |
| CN113627740A (zh) | 一种驾驶负荷评价模型构建系统及构建方法 | |
| CN114847958A (zh) | 一种基于心电信号的应激和疲劳监测方法及系统 | |
| CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
| CN112006701A (zh) | 一种驾驶疲劳的检测方法及系统 | |
| CN109858178A (zh) | 一种基于智能手环的营运车辆驾驶员疲劳预警方法 | |
| CN116206279A (zh) | 基于cnn卷积神经网络的安全驾驶预警深度学习方法 | |
| CN113657716B (zh) | 基于熵权法的驾驶员驾驶行为安全性综合评价方法 | |
| Liu et al. | Construction of driving behavior scoring model based on obd terminal data analysis | |
| CN113415292A (zh) | 一种驾驶接管能力评估方法及电子装置 |
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 |