CN115782895B - 一种智能辅助驾驶方法、系统及装置 - Google Patents
一种智能辅助驾驶方法、系统及装置 Download PDFInfo
- Publication number
- CN115782895B CN115782895B CN202211711401.9A CN202211711401A CN115782895B CN 115782895 B CN115782895 B CN 115782895B CN 202211711401 A CN202211711401 A CN 202211711401A CN 115782895 B CN115782895 B CN 115782895B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- index
- driver
- cognitive load
- matching
- 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 35
- 230000001149 cognitive effect Effects 0.000 claims abstract description 99
- 210000004556 brain Anatomy 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 25
- 230000004424 eye movement Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003938 response to stress Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种智能辅助驾驶方法、系统及装置，属于辅助驾驶的技术领域，方法包括：获取驾驶员的脑电信号；基于所述脑电信号，运算获得至少一个脑电指标；调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷；响应于所述认知负荷过载，输出报警信号。本申请通过获取驾驶员的脑电信号，运算获得脑电指标，基于预先构架的匹配模型，实时了解当前驾驶员的认知负荷状态，在驾驶员认知负荷超载时进行报警提醒，最终减少驾驶员的失误，从而在一定程度上避免因驾驶员操作失误引起的道路交通事故，保障了交通安全。
Description
技术领域
本申请涉及辅助驾驶的技术领域，特别涉及一种智能辅助驾驶方法、系统及装置。
背景技术
驾驶过程中的反应大多属于复杂反应，驾驶员的复杂反应过程可以进一步划分为感知、认知和反应三个阶段，当驾驶员认知负荷超载时，驾驶员对关键驾驶操作的注意力不足，反应不及时，从而极易出现驾驶操作失误，引起交通事故。在日益复杂道路交通环境中，实时评估驾驶员的认知负荷对保障交通安全有着深远影响。
发明内容
为了能够实时了解当前驾驶员的认知负荷状态，保障交通安全，本申请提供了一种智能辅助驾驶方法、系统及装置。
第一方面，本申请提供了一种智能辅助驾驶方法，采用如下技术方案：
一种智能辅助驾驶方法，包括：
获取驾驶员的脑电信号；
基于所述脑电信号，运算获得至少一个脑电指标；
调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷；
响应于所述认知负荷过载，输出报警信号。
通过采用上述技术方案，过高的认知负荷会造成灵活性降低、应激反应、人为失误增加和挫败情绪，引起信息获取分析的失误和决策错误，本申请获取驾驶员的脑电信号，运算获得脑电指标，基于预先构架的匹配模型，实时了解当前驾驶员的认知负荷状态，驾驶员认知负荷超载时进行报警提醒，最终减少驾驶员的失误，从而在一定程度上避免因驾驶员操作失误引起的道路交通事故，保障了交通安全。
可选的，所述调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷，之前包括：
获取驾驶员的眼动数据；
基于所述眼动数据，确定驾驶员的注意力指标；
所述调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷，包括：
调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷。
通过采用上述技术方案，将注意力指标也作为参数带入匹配模型中进行训练，获得驾驶员认知负荷与脑电指标和注意力指标之间的匹配模型，从而有助于提升认知负荷评估的准确性。
可选的，所述调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷，之前还包括：
获取驾驶员所在的驾驶场景信息；
所述调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷，包括：调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷。
通过采用上述技术方案，匹配模型训练时，将驾驶场景信息也作为训练参数带入匹配模型中进行训练，获得驾驶员认知负荷与脑电指标、注意力指标和驾驶场景信息之间的匹配模型，从而有助于进一步提升认知负荷评估的准确性。
可选的，所述调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷，之前包括：
获取车辆运动数据；
基于所述车辆运动数据，获得驾驶员的操控行为；
所述调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷，包括：
调取所述匹配模型，根据所述脑电指标、所述注意力指标、所述驾驶场景信息和所述操控行为匹配所述认知负荷。
通过采用上述技术方案，在匹配模型训练时，将操控行为也作为参数带入匹配模型中进行训练，获得驾驶员认知负荷与脑电指标、注意力指标、驾驶场景信息和操控行为之间的匹配模型，从而有助于再进一步提升认知负荷评估的准确性。
可选的，所述基于所述脑电信号，运算获得至少一个脑电指标，包括：
提取所述脑电信号的第一特征信号、第二特征信号和第三特征信号；
基于所述第一特征信号、所述第二特征信号和所述第三特征信号，运算获得至少一个所述脑电指标。
第二方面，本申请提供了一种智能辅助驾驶系统，采用如下技术方案：
一种智能辅助驾驶系统，包括：
脑电信号获取模块，用于获取驾驶员的脑电信号；
脑电指标运算模块，用于基于所述脑电信号，运算获得至少一个脑电指标；
认知负荷匹配模块，用于调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷；报警信号输出模块，用于响应于所述认知负荷过载，输出报警信号。
通过采用上述技术方案，本申请由脑电信号获取模块获取驾驶员的脑电信号，脑电指标运算模块基于脑电信号运算获得脑电指标，认知负荷匹配模块调取预先构架的匹配模型，实时了解当前驾驶员的认知负荷状态，报警信号输出模块在驾驶员认知负荷超载时进行报警提醒，最终减少驾驶员的失误，从而在一定程度上避免因驾驶员操作失误引起的道路交通事故，保障了交通安全。
可选的，还包括：
眼动数据获取模块，用于获取驾驶员的眼动数据；
注意力指标确定模块，用于基于所述眼动数据，确定驾驶员的注意力指标；
所述认知负荷匹配模块具体用于调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷。
通过采用上述技术方案，
可选的，还包括：
驾驶场景信息获取模块，用于获取驾驶员所在的驾驶场景信息；
所述认知负荷匹配模块具体用于调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷。
通过采用上述技术方案，
可选的，还包括：
车辆运动数据获取模块，用于获取车辆运动数据；
操控行为获得模块，用于基于所述车辆运动数据，获得驾驶员的操控行为；
所述认知负荷匹配模块具体用于调取所述匹配模型，根据所述脑电指标、所述注意力指标、所述驾驶场景信息和所述操控行为匹配所述认知负荷。
通过采用上述技术方案，
可选的，所述脑电指标运算模块包括：
特征信号提取单元，用于提取所述脑电信号的第一特征信号、第二特征信号和第三特征信号；脑电指标获得单元，基于所述第一特征信号、所述第二特征信号和所述第三特征信号，运算获得至少一个所述脑电指标。
第三方面，本申请提供了一种智能辅助驾驶装置，采用如下技术方案：
一种智能辅助驾驶装置，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如上述第一方面中任一种方法的计算机程序。
综上所述，本申请至少包括以下有益效果：
由于过高的认知负荷会造成灵活性降低、应激反应、人为失误增加和挫败情绪，引起信息获取分析的失误和决策错误，本申请获取驾驶员的脑电信号，运算获得脑电指标，基于预先构架的匹配模型，实时了解当前驾驶员的认知负荷状态，驾驶员认知负荷超载时进行报警提醒，最终减少驾驶员的失误，从而在一定程度上避免因驾驶员操作失误引起的道路交通事故，保障了交通安全。
附图说明
图1是本申请智能辅助驾驶方法的一种实施方式的流程示意图；
图2是本申请步骤S200具体的实施流程示意图；
图3是本申请智能辅助驾驶方法的另一种实施方式的流程示意图；
图4是本申请智能辅助驾驶方法的又一种实施方式的流程示意图；
图5是本申请智能辅助驾驶方法的再一种实施方式的流程示意图；
图6是本申请智能辅助驾驶系统的一种实施方式的流程示意图；
附图标记说明：100、脑电信号获取模块；200、脑电指标运算模块；210、特征信号提取单元；220、脑电指标获得单元；300、认知负荷匹配模块；400、报警信号输出模块；500、眼动数据获取模块；600、注意力指标确定模块；700、驾驶场景信息获取模块；800、车辆运动数据获取模块；900、操控行为获得模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1-6及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请提供了一种智能辅助驾驶方法，包括以下四个实施例。
实施例1：
如附图1所示，一种智能辅助驾驶方法，包括：
S11，获取驾驶员的脑电信号；
具体的，脑电信号是大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的，可以通过为驾驶员佩戴脑电监测装置获取脑电信号，测量大脑执行特定功能时的生理电信号。
S12，基于脑电信号，运算获得至少一个脑电指标；
具体的，如附图2所示，步骤S12具体包括步骤S121-S122：
S121，提取脑电信号的第一特征信号、第二特征信号和第三特征信号；
具体的，通过傅里叶变换对脑电信号进行频段分离，提取出α波、β波和θ波；通常的脑电监测装置有多个电极，分别对多个α波、β波和θ波的幅值进行求平均，得到第一特征信号(α波的平均幅值)、第二特征信号(β波的平均幅值)和第三特征信号(θ波的平均幅值)。
S122，基于第一特征信号、第二特征信号和第三特征信号，运算获得至少一个脑电指标。
具体的，当驾驶员处于疲劳状态时，β波幅度降低而α波幅度有所上升。从而α波和β波的能量比值α/β，可以用来评估驾驶员的疲劳程度，另外还包括以下脑电指标：
| 脑电指标 | 描述 |
| β/(α+θ) | β波的能量与α波与θ波的能量之和的比值 |
| θ/β | θ波和β波的能量比值 |
| (α+θ)/(α+β) | α波与θ波的能量之和与α波与β波能量之和的比值 |
| θ/(α+β) | θ波的能量与α波和β波能量之和的比值 |
S13，调取预设的匹配模型，根据脑电指标匹配驾驶员的认知负荷；
具体的，构建匹配模型时，可以通过驾驶模拟类软件，如SCANeR，构造一个趋于真实的驾驶环境通过设置不同的参数创建包含逻辑信息(例如：标志、交通灯、限速信息等)的道路网络，可以仿真不同车辆性能状态，实现动态的模拟驾驶。再结合生理记录分析平台，如ErgoLAB，同步驾驶员的脑电信号。通过使用模拟驾驶软件的内置API、TCP/IP协议和时序数据LSL数据流完成驾驶模拟类软件和生理记录分析平台之间的数据通讯，获得的驾驶场景、驾驶行为和驾驶员的脑电指标数据。驾驶模拟类软件为生理记录分析平台提供驾驶场景标记，生理记录分析平台为驾驶模拟类软件提供脑电信号，通过数据的归一化处理，训练获得脑电指标和驾驶员认知负荷之间的匹配模型，训练方法采用多分类逻辑回归：
其中，j为任务类型，驾驶过程中设置有n-back任务(如，1-back,2-back,3-back，随着n的增加，任务难度也逐渐增加)引起驾驶员认知负荷水平上的差异；Xnor为驾驶员脑电指标构成的矩阵；K为n-back任务的数量；k从1依次取值到K；wj为任务类型j下的待训练参数矩阵；wk为第k个待训练参数矩阵；通过反复带入驾驶员脑电指标构成的矩阵Xnor，训练wj和wk；P为驾驶员认知负荷(受任务类型影响)超载的概率；T为矩阵转置符号。
另外，也可以采用其他类型的分类学习方法，如，朴素贝叶斯、逻辑回归、kNN、线性加权、动态贝叶斯网络或决策树。
S14，响应于认知负荷过载，输出报警信号。
具体的，过高的认知负荷会造成灵活性降低、应激反应、人为失误增加和挫败情绪，引起信息获取分析的失误和决策错误，识别驾驶员认知负荷超载并进行语音提醒或者视觉提示驾驶员当前不适于驾驶，或者联动自动驾驶系统接管或部分接管车辆的控制，最终减少驾驶员的失误，从而避免因驾驶员操作失误引起的道路交通事故。
实施例2：
如附图3所示，作为智能辅助驾驶方法的进一步实施方式，包括步骤S21-步骤S26：
S21，获取驾驶员的脑电信号；
S22，基于脑电信号，运算获得至少一个脑电指标；
S23，获取驾驶员的眼动数据；
具体的，驾驶过程中需要合理分配视觉注意，驾驶员通过视觉注意获取周围驾驶环境的信息，对关键的视觉信息投入更多的注意力，眼动数据是评价驾驶员感知阶段视觉注意力的直接测量指标，获取眼动数据时通过眼动仪对驾驶员的眼睛使用光源进行照射，使驾驶员的眼睛产生明显的反射，并使用采集摄像机采集驾驶员的眼睛图像得眼动数据。
S24，基于眼动数据，确定驾驶员的注意力指标；
具体的，当驾驶员注意力不集中时眨眼频率和眨眼持续时间会有所下降，瞳孔直径也会发生变化，眼睛注视点也会发生偏移。
S25，调取匹配模型，根据脑电指标和注意力指标匹配认知负荷；
具体的，认知负荷高时，驾驶员容易疲劳、注意力也有所下降，匹配模型训练时，将注意力指标也作为训练参数带入匹配模型中进行训练，获得驾驶员认知负荷与脑电指标和注意力指标之间的匹配模型，从而有助于提升认知负荷评估的准确性。
S26，响应于认知负荷过载，输出报警信号。
实施例3：
如附图4所示，作为智能辅助驾驶方法的又一步实施方式，包括步骤S31-步骤S37：
S31，获取驾驶员的脑电信号；
S32，基于脑电信号，运算获得至少一个脑电指标；
S33，获取驾驶员的眼动数据；
S34，基于眼动数据，确定驾驶员的注意力指标；
S35，获取驾驶员所在的驾驶场景信息；
具体的，驾驶场景包括，城市、郊区和高速公路等，还包括可以晴天、黄昏、夜晚、下雨、下雪和雾天等，驾驶场景信息的获取可以通过车载的场景摄像机获取，通过场景摄像机拍摄的画面判断当前的驾驶场景信息。
S36，调取匹配模型，根据脑电指标、注意力指标和驾驶场景信息匹配认知负荷；
具体的，面对不同的驾驶场景，驾驶员往往有不同的生理反应，在交通复杂的，车辆、行人众多的城市场景时，驾驶员面临许多突发交通状况；例如，行人横穿马路，非机动车违规占道，其他车辆超车等问题。相较于郊区的驾驶场景下驾驶员的认知负荷，此时城市驾驶场景下驾驶员的认知负荷更高，然而对于需要关注更多交通信息的城市驾驶场景中，此时的认知负荷可能是一个正常的认知负荷，但对于郊区驾驶场景来说，此时的认知负荷可能是过载认知负荷。匹配模型训练时，将驾驶场景信息也作为训练参数带入匹配模型中进行训练，获得驾驶员认知负荷与脑电指标、注意力指标和驾驶场景信息之间的匹配模型，从而有助于进一步提升认知负荷评估的准确性。
S37，响应于认知负荷过载，输出报警信号。
实施例4：
如附图5所示，作为智能辅助驾驶方法的再一步实施方式，包括步骤S41-步骤S49：
S41，获取驾驶员的脑电信号；
S42，基于脑电信号，运算获得至少一个脑电指标；
S43，获取驾驶员的眼动数据；
S44，基于眼动数据，确定驾驶员的注意力指标；
S45，获取驾驶员所在的驾驶场景信息；
S46，获取车辆运动数据；
具体的，车辆运动数据包括车辆速度、车辆加速度和方向盘转角等。
S47，基于车辆运动数据，获得驾驶员的操控行为；
具体的，驾驶员操控车辆的执行一系列驾驶任务，包括直线行驶，停车、变道和转向等，车辆运动数据是评估驾驶员操控行为的直接测量方式，驾驶员操作车辆直线行驶时，方向盘转角不变，车辆速度或车辆加速度相对稳定；驾驶员操作车辆变道或超车时，方向盘转角略微增大，相应的转向灯点亮，车辆速度或车辆加速度相对稳定。
S48，调取匹配模型，根据脑电指标、注意力指标、驾驶场景信息和操控行为匹配认知负荷；
具体的，通过驾驶员的操控行为反推驾驶员的认知负荷，当驾驶员不能较好的完成驾驶任务时，例如，驾驶员操作车辆直线行驶时，出现方向盘转角变化；在变道或超车时，未控制相应的转向灯点亮；在转弯时，车辆速度与方向盘转角不匹配等。在匹配模型训练时，将操控行为也作为参数带入匹配模型中进行训练，获得驾驶员认知负荷与脑电指标、注意力指标、驾驶场景信息和操控行为之间的匹配模型，从而有助于再进一步提升认知负荷评估的准确性。
S49，响应于认知负荷过载，输出报警信号。
需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本申请实施例提供了一种智能辅助驾驶系统。
如附图6所示，一种智能辅助驾驶系统，包括：
脑电信号获取模块100，用于获取驾驶员的脑电信号；
脑电指标运算模块200，用于基于脑电信号，运算获得至少一个脑电指标；
认知负荷匹配模块300，用于调取预设的匹配模型，根据脑电指标匹配驾驶员的认知负荷；报警信号输出模块400，用于响应于认知负荷过载，输出报警信号。
作为脑电指标运算的一种实施方式，脑电指标运算模块200包括：
特征信号提取单元210，用于提取脑电信号的第一特征信号、第二特征信号和第三特征信号；脑电指标获得单元220，基于第一特征信号、第二特征信号和第三特征信号，运算获得至少一个脑电指标。
作为智能辅助驾驶系统的进一步实施方式，还包括：
眼动数据获取模块500，用于获取驾驶员的眼动数据；
注意力指标确定模块600，用于基于眼动数据，确定驾驶员的注意力指标；
认知负荷匹配模块300具体用于调取匹配模型，根据脑电指标和注意力指标匹配认知负荷。
作为智能辅助驾驶系统的又一步实施方式，还包括：
驾驶场景信息获取模块700，用于获取驾驶员所在的驾驶场景信息；
认知负荷匹配模块300具体用于调取匹配模型，根据脑电指标、注意力指标和驾驶场景信息匹配认知负荷。
作为智能辅助驾驶系统的再一步实施方式，还包括：
车辆运动数据获取模块800，用于获取车辆运动数据；
操控行为获得模块900，用于基于车辆运动数据，获得驾驶员的操控行为；
认知负荷匹配模块300具体用于调取匹配模型，根据脑电指标、注意力指标、驾驶场景信息和操控行为匹配认知负荷。
需要说明的是，上述智能辅助驾驶系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种智能辅助驾驶装置。
一种智能辅助驾驶装置，包括存储器和处理器，存储器上存储有能够被处理器加载并执行如上述任一种方法的计算机程序。
应当理解的是，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，即将系统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。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (5)
1.一种智能辅助驾驶方法，其特征在于，包括：
获取驾驶员的脑电信号；
基于所述脑电信号，运算获得至少一个脑电指标；
调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷；
响应于所述认知负荷过载，输出报警信号；
所述调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷，之前包括：
获取驾驶员的眼动数据；
基于所述眼动数据，确定驾驶员的注意力指标；
所述调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷，包括：
调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷；
所述调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷，之前还包括：
获取驾驶员所在的驾驶场景信息；驾驶场景包括城市、郊区、高速公路、晴天、黄昏、夜晚、下雨、下雪和雾天；
所述调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷，包括：
调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷；
所述调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷，之前包括：
获取车辆运动数据；
基于所述车辆运动数据，获得驾驶员的操控行为；操控行为包括直线行驶，停车、变道和转向；
所述调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷，包括：
调取所述匹配模型，根据所述脑电指标、所述注意力指标、所述驾驶场景信息和所述操控行为匹配所述认知负荷。
2.根据权利要求1所述的一种智能辅助驾驶方法，其特征在于，所述基于所述脑电信号，运算获得至少一个脑电指标，包括：
提取所述脑电信号的第一特征信号、第二特征信号和第三特征信号；
基于所述第一特征信号、所述第二特征信号和所述第三特征信号，运算获得至少一个所述脑电指标。
3.一种智能辅助驾驶系统，其特征在于，包括：
脑电信号获取模块（100），用于获取驾驶员的脑电信号；
脑电指标运算模块（200），用于基于所述脑电信号，运算获得至少一个脑电指标；
认知负荷匹配模块（300），用于调取预设的匹配模型，根据所述脑电指标匹配驾驶员的认知负荷；
报警信号输出模块（400），用于响应于所述认知负荷过载，输出报警信号；
眼动数据获取模块（500），用于获取驾驶员的眼动数据；
注意力指标确定模块（600），用于基于所述眼动数据，确定驾驶员的注意力指标；
所述认知负荷匹配模块（300）具体用于调取所述匹配模型，根据所述脑电指标和所述注意力指标匹配所述认知负荷；
驾驶场景信息获取模块（700），用于获取驾驶员所在的驾驶场景信息；驾驶场景包括城市、郊区、高速公路、晴天、黄昏、夜晚、下雨、下雪和雾天；
所述认知负荷匹配模块（300）具体用于调取所述匹配模型，根据所述脑电指标、所述注意力指标和所述驾驶场景信息匹配所述认知负荷；还包括：
车辆运动数据获取模块（800），用于获取车辆运动数据；
操控行为获得模块（900），用于基于所述车辆运动数据，获得驾驶员的操控行为；操控行为包括直线行驶，停车、变道和转向；
所述认知负荷匹配模块（300）具体用于调取所述匹配模型，根据所述脑电指标、所述注意力指标、所述驾驶场景信息和所述操控行为匹配所述认知负荷。
4.根据权利要求3任一所述的一种智能辅助驾驶系统，其特征在于，所述脑电指标运算模块（200）包括：
特征信号提取单元（210），用于提取所述脑电信号的第一特征信号、第二特征信号和第三特征信号；
脑电指标获得单元（220），基于所述第一特征信号、所述第二特征信号和所述第三特征信号，运算获得至少一个所述脑电指标。
5.一种智能辅助驾驶装置，其特征在于：包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如权利要求1至2中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211711401.9A CN115782895B (zh) | 2022-12-29 | 2022-12-29 | 一种智能辅助驾驶方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211711401.9A CN115782895B (zh) | 2022-12-29 | 2022-12-29 | 一种智能辅助驾驶方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115782895A CN115782895A (zh) | 2023-03-14 |
| CN115782895B true CN115782895B (zh) | 2024-02-06 |
Family
ID=85428176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211711401.9A Active CN115782895B (zh) | 2022-12-29 | 2022-12-29 | 一种智能辅助驾驶方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115782895B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009050763A1 (de) * | 2009-10-27 | 2010-06-17 | Daimler Ag | Verfahren zur Unterstützung der Aufmerksamkeit eines Fahrzeugfahrers |
| CN107595306A (zh) * | 2017-08-22 | 2018-01-19 | 南京邮电大学 | 一种基于脑电信号分析的疲劳驾驶预警系统 |
| CN109558005A (zh) * | 2018-11-09 | 2019-04-02 | 中国人民解放军空军工程大学 | 一种自适应人机界面配置方法 |
| CN113171095A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学 | 一种层级式驾驶员认知分心检测系统 |
| CN113349780A (zh) * | 2021-06-07 | 2021-09-07 | 浙江科技学院 | 一种情绪设计对在线学习认知负荷影响的评估方法 |
| CN114595714A (zh) * | 2022-02-23 | 2022-06-07 | 清华大学 | 一种基于多源信息融合的驾驶员认知状态辨识方法及系统 |
-
2022
- 2022-12-29 CN CN202211711401.9A patent/CN115782895B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009050763A1 (de) * | 2009-10-27 | 2010-06-17 | Daimler Ag | Verfahren zur Unterstützung der Aufmerksamkeit eines Fahrzeugfahrers |
| CN107595306A (zh) * | 2017-08-22 | 2018-01-19 | 南京邮电大学 | 一种基于脑电信号分析的疲劳驾驶预警系统 |
| CN109558005A (zh) * | 2018-11-09 | 2019-04-02 | 中国人民解放军空军工程大学 | 一种自适应人机界面配置方法 |
| CN113171095A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学 | 一种层级式驾驶员认知分心检测系统 |
| CN113349780A (zh) * | 2021-06-07 | 2021-09-07 | 浙江科技学院 | 一种情绪设计对在线学习认知负荷影响的评估方法 |
| CN114595714A (zh) * | 2022-02-23 | 2022-06-07 | 清华大学 | 一种基于多源信息融合的驾驶员认知状态辨识方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115782895A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Human-factors-in-driving-loop: Driver identification and verification via a deep learning approach using psychological behavioral data | |
| WO2020253965A1 (en) | Control device, system and method for determining perceptual load of a visual and dynamic driving scene in real time | |
| CN112644506A (zh) | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 | |
| Bouhsissin et al. | Driver behavior classification: a systematic literature review | |
| CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
| CN110584597A (zh) | 基于时空卷积神经网络的多通道脑电信号监测方法及应用 | |
| Wang et al. | A traffic prediction model based on multiple factors | |
| CN114852088A (zh) | 一种识别并警告危险及疲劳驾驶行为的驾驶员辅助系统及方法 | |
| Wei et al. | Driver's mental workload classification using physiological, traffic flow and environmental factors | |
| CN114343640B (zh) | 注意力评估方法及电子设备 | |
| CN115782895B (zh) | 一种智能辅助驾驶方法、系统及装置 | |
| US11604946B2 (en) | Visual behavior guided object detection | |
| Olson | Driver perception-response time | |
| DE102022102501B3 (de) | Verfahren, System und Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs | |
| CN111932829B (zh) | 一种预防疲劳驾驶设施效用测试方法及系统 | |
| Mekruksavanich et al. | Deep learning approaches for classification of road types using wearable sensors embedded in smart glasses | |
| Bremond et al. | Where we look when we drive: A multidisciplinary approach | |
| Zhang et al. | A Novel Method for the Driver Lane-Changing Intention Recognition | |
| Hnoohom et al. | Driving Activity Classification Using Deep Residual Networks Based on Smart Glasses Sensors. | |
| Hu et al. | Effectiveness and Optimal Location of Real‐Time Traffic Conflict Risk Warning System for Rural Unsignalized Intersections: A Driving Simulation Study | |
| CN115366890A (zh) | 一种驾驶员即时操控能力评价方法 | |
| Caber et al. | Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data | |
| CN110956867B (zh) | 基于大数据驾驶员行为分析的培训系统及培训方法 | |
| Liu et al. | Machine Learning Models of Erroneous Driver Actions at Novel Interchange Configurations | |
| Thakrar et al. | Enhancing Driver Safety through Real-Time Feedback on Driving Behavior: A Deep Learning Approach |
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 |