CN116842475A - 基于多模态信息融合的疲劳驾驶检测方法 - Google Patents
基于多模态信息融合的疲劳驾驶检测方法 Download PDFInfo
- Publication number
- CN116842475A CN116842475A CN202310800807.2A CN202310800807A CN116842475A CN 116842475 A CN116842475 A CN 116842475A CN 202310800807 A CN202310800807 A CN 202310800807A CN 116842475 A CN116842475 A CN 116842475A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- fusion
- data
- target object
- convolution
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 16
- 230000001575 pathological effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/332—Portable devices specially adapted therefor
-
- 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
- A61B5/162—Testing reaction times
-
- 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
- A61B5/72—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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明属于航空航天、驾驶状态检测技术领域,具体涉及一种基于多模态信息融合的疲劳驾驶检测方法,旨在解决现有疲劳驾驶检测方法检测精度、鲁棒性较差的问题。本方法包括:采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;对输入数据进行预处理,得到预处理数据;构建目标对象当前状态下的广置矩阵,通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;若疲劳状态检测结果为处于疲劳状态,获取目标对象的疲劳类型;根据疲劳类型,获取目标对象的疲劳程度。本发明提高了疲劳检测的精度以及鲁棒性。
Description
技术领域
本发明属于航空航天、驾驶状态检测技术领域,具体涉及一种基于多模态信息融合的疲劳驾驶检测方法、系统及电子设备。
背景技术
据国际民航组织(International Civil Aviation Organization,ICAO)的统计,人为因素在现代航空事故中所占的比例高达76%,其中飞行人员原因造成的事故占60%以上,与飞行员疲劳有关的事故占21%。因此,减少因飞行员疲劳造成的飞行事故,对航空安全具有重大意义。
而随着全球新冠疫情的肆虐,整个航空产业正面临着巨大的挑战,在中国航空局的大力支持下,国内航空公司在海外的高风险地区执行大量的多套组往返飞行任务,为疫情的控制做出了积极的贡献。防疫政策对航空运营的人力资源调配带来了巨大的挑战,长时间隔离和长航线运行也会对机组人员产生不可忽视的影响。如何及时、高效的检测飞行员的疲劳程度,预防可能发生的飞行事故,是目前急需解决的问题。基于此,本发明提出了一种基于多模态信息融合的疲劳驾驶检测方法。
发明内容
为了解决现有技术中的上述问题,即为了解决现有疲劳驾驶检测方法检测精度、鲁棒性较差的问题,本发明第一方面,提出了一种基于多模态信息融合的疲劳驾驶检测方法,该方法包括:
S100,采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
S200,对所述输入数据进行预处理,得到预处理数据;
S300,对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
S400,若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
S500,根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
在一些优选的实施方式中,基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果,其方法为:
计算重新构建后与重新构建前的广置矩阵之间的差值,基于所述差值计算所述目标对象在设定的疲劳状态阈值下的检测结果;所述广置矩阵为基于历史数据构建当前状态下的目标对象疲劳状态的矩阵。
在一些优选的实施方式中,所述预构建的无监督神经网络模型基于编码器、解码器构建;所述编码器、所述解码器均基于递归神经网络构建。
在一些优选的实施方式中,对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征,其方法为:
通过所述疲劳类型检测模型中的三输入特征提取与融合网络,得到融合特征;所述疲劳类型检测模型基于依次连接的三输入特征提取与融合网络、多层感知器和softmax分类器构建;
其中,所述三输入特征提取与融合网络包括三个特征提取网络;每个特征提取网络后连接一个特征融合网络;每个特征提取网络均包括并联的第一卷积单元、第二卷积单元、第三卷积单元;所述第一卷积单元为N个级联不同尺度的标准卷积层,N>6;所述第二卷积单元与所述第一卷积单元最后N-2个标准卷积层相同;所述第三卷积单元所述第一卷积单元最后N-4个标准卷积层相同;所述第二卷积单元、所述第三卷积单元中的第一个标准卷积层的输入为与所述第一卷积单元对应的标准卷积层的输入;
所述特征融合网络包含2N-6个并行的卷积层;将所述第一卷积单元与所述第二卷积单元对应的标准卷积层的输出特征进行融合,将所述第一卷积单元与所述第三卷积单元对应的标准卷积层的输出特征进行融合;
融合后,分别输入所述特征融合网络对应的卷积层沿通道数进行减半处理,处理后,将所述特征融合网络各卷积层输出的特征进行拼接;
将三个特征融合网络输出的拼接特征进行融合,作为融合特征。
在一些优选的实施方式中,所述疲劳类型检测模型,其在训练过程中的损失函数为:
L=LFEN+LCFY+LMTG
LMTG=[d-S(Ximage,Xtext)]+[e-S(Xtext,Xpda)]+[f-S(Xpda,Ximage)]
其中,L为总损失函数,LFEN表示特征融合损失函数,LCFY表示分类损失函数,LMTG表示特征相似性损失函数,表示第i次融合时第一卷积单元对应的标准卷积层的输出特征,/>表示特征融合网络第i个卷积层的输入,即卷积单元融合后的特征,/>表示特征融合网络第i个卷积层输出的通道数减半后的特征,a、b表示设定的第一参数、第二参数,n表示分类的类别个数,zj表示样本划分到真实类型的得分,zj*表示样本没有划分到真实类型的得分,Ximage、Xtext、Xpda分别表示图像数据、文本数据、生理传感数据对应的特征融合网络输出的拼接特征,S()表示相似性函数,d、e、f分别表示图像数据、文本数据、生理传感数据对应的相似性阈值。
在一些优选的实施方式中,所述疲劳程度检测模型包括全连接层和分类器;其中,所述全连接层产生相应维度的特征值,输入到分类器,得到疲劳程度;
所述疲劳程度检测模型,其在训练过程中的损失函数为:
其中,k表示疲劳程度的等级个数,yi表示疲劳程度检测模型输出的疲劳程度,表示疲劳程度的真值标签,Wi表示第i个疲劳程度对应的特征均值,α、β表示设定的正则化参数,x表示疲劳程度检测模型输入的融合特征。
在一些优选的实施方式中,S500后还包括:计算所述目标对象的疲劳程度与历史统计的该目标对象的总精力值的比值;根据所述比值,结合预设的比值与设定排班时长的映射表,获取所述目标对象的排班时长,进而进行驾驶排班安排
本发明的第二方面,提出了一种基于多模态信息融合的疲劳驾驶检测系统,该系统包括:
数据采集模块,配置为采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
预处理模块,配置为对所述输入数据进行预处理,得到预处理数据;
疲劳状态检测模块,配置为对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
疲劳类型检测模块,配置为若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
疲劳程度检测模块,配置为根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
本发明的第三方面,提出了一种电子设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的一种基于多模态信息融合的疲劳驾驶检测方法。
本发明的第四方面,提出了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指令,所述计算机指令用于被所述计算机执行以实现上述的一种基于多模态信息融合的疲劳驾驶检测方法。
本发明的有益效果:
本发明提高了疲劳检测的精度以及鲁棒性。
1)本发明通过矩阵的重新构建,学习数据的广义特征,计算构建后与重新构建前的广置矩阵之间的差值学习数据的狭义特征,进而以较小的网络结构实现高精度的建模,提升了疲劳状态的检测;
2)本发明通过三输入特征提取与融合网络进行特征的提取与融合,可以有效地提取数据特征,从而提升疲劳类型的检测精度;
3)结合疲劳类型,精细化的对不同疲劳类型的疲劳程度进行检测,进而提升疲劳程度检测的精度以及鲁棒性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的一种基于多模态信息融合的疲劳驾驶检测方法的流程示意图;
图2是本发明一种实施例的一种基于多模态信息融合的疲劳驾驶检测系统的流程示意图;
图3是本发明一种实施例的三输入特征提取与融合网络的结构示意图;
图4是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种基于多模态信息融合的疲劳驾驶检测方法,如图1所示,包括以下步骤:
S100,采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
S200,对所述输入数据进行预处理,得到预处理数据;
S300,对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
S400,若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
S500,根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
为了更清晰地对本发明的一种基于多模态信息融合的疲劳驾驶检测方法进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
S100,采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
在本实施例中,通过可穿戴设备(本发明中优选为智能手表)采集飞行员的生理传感数据,例如心电信号、平均1/RT(倒数响应时间或响应速度,以秒为单位)、失误次数、最佳响应时间(所有试验中响应时间的最快的10%)、最慢反应时间(在所有试验中倒数反应时间最慢的10%,表明警惕性反应放缓)、作息时间等。
通过图像采集设备采集飞行员的面部信号以及肢体动作,作为图像数据;通过调查问卷的方式对飞行员进行身体状况、心理状况等数据进行采集,作为文本数据。
在其他实施例中,可以根据实际情况进行多模态数据的采集,例如可以通过传感器获取飞行员在操纵飞行设备时的飞行设备的状态信号。
S200,对所述输入数据进行预处理,得到预处理数据;
在本实施例中,对输入数据进行预处理,预处理包括数据清洗、降噪、归一化处理。例如,采集的飞行员的心电信号,通过小波变化和阈值分析对心电信号进行降噪处理。
S300,对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
在数据采集时,尤其是生理传感数据通常会受到噪声影响,因此,在本实施例中,对预处理后的生理传感数据按照设定时间长度划分(即进行数据分割),然后基于历史数据构建当前状态下的目标对象疲劳状态的广置矩阵(例如,基于当前时间的前M个时间段的数据构建当前状态下的目标对象疲劳状态的广置矩阵),时间长度优选为5分钟。
构建好广置矩阵后,将广置矩阵输入预构建的无监督神经网络模型进行矩阵重新构建。在本发明中,预构建的无监督神经网络模型基于编码器、解码器构建;所述编码器、所述解码器均基于递归神经网络构建。
重新构建好广置矩阵后,计算重新构建后与重新构建前的广置矩阵之间的差值,基于所述差值计算所述目标对象在设定的疲劳状态阈值下的检测结果。通过矩阵的重建学习数据的广义特征,计算构建后与重新构建前的广置矩阵之间的差值学习数据的狭义特征,进而以较小的网络结构实现高精度的建模。
S400,若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
在本实施例中,当飞行员处于疲劳状态时,对疲劳类型进行检测,具体过程如下:
先通过疲劳类型检测模型中的三输入特征提取与融合网络,对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征。
所述疲劳类型检测模型基于依次连接的三输入特征提取与融合网络、多层感知器和softmax分类器构建。
三输入特征提取与融合网络包括三个特征提取网络,如图3所示;每个特征提取网络后连接一个特征融合网络;每个特征提取网络均包括并联的第一卷积单元、第二卷积单元、第三卷积单元;所述第一卷积单元为N个级联不同尺度的标准卷积层,N>6(本发明中优选为7,如图3所示);所述第二卷积单元与所述第一卷积单元最后N-2个标准卷积层相同;所述第三卷积单元所述第一卷积单元最后N-4个标准卷积层相同;所述第二卷积单元、所述第三卷积单元中的第一个标准卷积层的输入为与所述第一卷积单元对应的标准卷积层的输入;
所述特征融合网络包含2N-6个并行的卷积层;将所述第一卷积单元与所述第二卷积单元对应的标准卷积层的输出特征进行融合,将所述第一卷积单元与所述第三卷积单元对应的标准卷积层的输出特征进行融合(即分别将第一卷积单元与第二卷积单元、第一卷积单元与第三卷积单元对应的标准卷积层输出的特征进行融合,例如:第一卷积单元与第二卷积单元的Conv3…Conv7依次进行融合,将第一卷积单元与第三卷积单元的Conv5…Conv7依次进行融合);融合后,分别输入所述特征融合网络对应的卷积层沿通道数进行减半处理(即将融合后的特征的通道数进行减半),处理后,将所述特征融合网络各卷积层输出的特征进行拼接;将三个特征融合网络输出的拼接特征进行融合,作为融合特征。
将融合特征输入多层感知器和softmax分类器获取所述目标对象的疲劳类型;本发明中优选设置疲劳类型包括生理性疲劳、病理性疲劳。其中,正常人常有疲乏无力的感觉,但通常只要经过一定时间的休息,即可消除,属于生理性疲乏,因疾病造成的疲乏,则属于病理性疲乏,它常是一些疾病的先兆或最早出现的症状。
另外,在使用疲劳类型检测模型前,先对模型进行预训练,训练过程可以参考现有文献,在训练过程中,疲劳类型检测模型的损失函数为:
L=LFEN+LCFY+LMTG (1)
LMTG=[d-S(Ximage,Xtext)]+[e-S(Xtext,Xpda)]+[f-S(Xpda,Ximage)] (4)
其中,L为总损失函数,LFEN表示特征融合损失函数,LCFY表示分类损失函数,LMTG表示特征相似性损失函数,表示第i次融合时第一卷积单元对应的标准卷积层的输出特征(即本发明优选只选择一个特征提取网络与其连接特征融合网络的输入、输出特征值计算损失,在其他实施例中,可以选择一或多个特征提取网络与其连接特征融合网络的特征),/>表示特征融合网络第i个卷积层的输入,即卷积单元融合后的特征,/>表示特征融合网络第i个卷积层输出的通道数减半后的特征,a、b表示设定的第一参数、第二参数,n表示分类的类别个数,zj表示样本划分到真实类型的得分,zj*表示样本没有划分到真实类型的得分,Ximage、Xtext、Xpda分别表示图像数据、文本数据、生理传感数据对应的特征融合网络输出的拼接特征,S()表示相似性函数,d、e、f分别表示图像数据、文本数据、生理传感数据对应的相似性阈值。
S500,根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
在本实施例中,疲劳程度检测模型包括全连接层和分类器;其中,所述全连接层产生相应维度的特征值,输入到分类器,得到疲劳程度。其中,在本发明中,不同的疲劳类型,同样的特征表现(即同样的融合特征),判定的疲劳程度不同,即根据疲劳类型对疲劳表现进行加权,进而获取不同的疲劳程度。
同样,在使用疲劳程度检测模型前,先对模型进行预训练,训练过程可以参考现有文献,在训练过程中,疲劳程度检测模型的损失函数为:
其中,k表示疲劳程度的等级个数,yi表示疲劳程度检测模型输出的疲劳程度,表示疲劳程度的真值标签,Wi表示第i个疲劳程度对应的特征均值,α、β表示设定的正则化参数,x表示疲劳程度检测模型输入的融合特征。
S500后还包括S600:计算所述目标对象的疲劳程度与历史统计的该目标对象的总精力值的比值;根据所述比值,结合预设的比值与设定排班时长的映射表,获取所述目标对象的排班时长,进而进行驾驶排班安排,保证持续飞行时不会增加飞行员的疲劳。
本发明第二实施例的一种基于多模态信息融合的疲劳驾驶检测系统,如图2所示,该系统包括:
数据采集模块100,配置为采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
预处理模块200,配置为对所述输入数据进行预处理,得到预处理数据;
疲劳状态检测模块300,配置为对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
疲劳类型检测模块400,配置为若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
疲劳程度检测模块500,配置为根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于多模态信息融合的疲劳驾驶检测系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的一种基于多模态信息融合的疲劳驾驶检测方法。
本发明第四实施例的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指令,所述计算机指令用于被所述计算机执行以实现上述的一种基于多模态信息融合的疲劳驾驶检测方法。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的电子设备、可读存储介质的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图4,其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)401,其可以根据存储在只读存储器(ROM,Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM,Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O,Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,该方法包括:
S100,采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
S200,对所述输入数据进行预处理,得到预处理数据;
S300,对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
S400,若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
S500,根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
2.根据权利要求1所述的一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果,其方法为:
计算重新构建后与重新构建前的广置矩阵之间的差值,基于所述差值计算所述目标对象在设定的疲劳状态阈值下的检测结果;所述广置矩阵为基于历史数据构建当前状态下的目标对象疲劳状态的矩阵。
3.根据权利要求1所述的一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,所述预构建的无监督神经网络模型基于编码器、解码器构建;所述编码器、所述解码器均基于递归神经网络构建。
4.根据权利要求1所述的一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征,其方法为:
通过所述疲劳类型检测模型中的三输入特征提取与融合网络,得到融合特征;所述疲劳类型检测模型基于依次连接的三输入特征提取与融合网络、多层感知器和softmax分类器构建;
其中,所述三输入特征提取与融合网络包括三个特征提取网络;每个特征提取网络后连接一个特征融合网络;每个特征提取网络均包括并联的第一卷积单元、第二卷积单元、第三卷积单元;所述第一卷积单元为N个级联不同尺度的标准卷积层,N>6;所述第二卷积单元与所述第一卷积单元最后N-2个标准卷积层相同;所述第三卷积单元所述第一卷积单元最后N-4个标准卷积层相同;所述第二卷积单元、所述第三卷积单元中的第一个标准卷积层的输入为与所述第一卷积单元对应的标准卷积层的输入;
所述特征融合网络包含2N-6个并行的卷积层;将所述第一卷积单元与所述第二卷积单元对应的标准卷积层的输出特征进行融合,将所述第一卷积单元与所述第三卷积单元对应的标准卷积层的输出特征进行融合;融合后,分别输入所述特征融合网络对应的卷积层沿通道数进行减半处理,处理后,将所述特征融合网络各卷积层输出的特征进行拼接;
将三个特征融合网络输出的拼接特征进行融合,作为融合特征。
5.根据权利要求4所述的一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,所述疲劳类型检测模型,其在训练过程中的损失函数为:
L=LFEN+LCFY+LMTG
LMTG=[d-S(Ximage,Xtext)]+[e-S(Xtext,Xpda)]+[f-S(Xpda,Ximage)]
其中,L为总损失函数,LFEN表示特征融合损失函数,LCFY表示分类损失函数,LMTG表示特征相似性损失函数,表示第i次融合时第一卷积单元对应的标准卷积层的输出特征,表示特征融合网络第i个卷积层的输入,即卷积单元融合后的特征,/>表示特征融合网络第i个卷积层输出的通道数减半后的特征,a、b表示设定的第一参数、第二参数,n表示分类的类别个数,zj表示样本划分到真实类型的得分,zj*表示样本没有划分到真实类型的得分,Ximage、Xtext、Xpda分别表示图像数据、文本数据、生理传感数据对应的特征融合网络输出的拼接特征,S()表示相似性函数,d、e、f分别表示图像数据、文本数据、生理传感数据对应的相似性阈值。
6.根据权利要求1所述的一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,所述疲劳程度检测模型包括全连接层和分类器;其中,所述全连接层产生相应维度的特征值,输入到分类器,得到疲劳程度;
所述疲劳程度检测模型,其在训练过程中的损失函数为:
其中,k表示疲劳程度的等级个数,yi表示疲劳程度检测模型输出的疲劳程度,表示疲劳程度的真值标签,Wi表示第i个疲劳程度对应的特征均值,α、β表示设定的正则化参数,x表示疲劳程度检测模型输入的融合特征。
7.根据权利要求1所述的一种基于多模态信息融合的疲劳驾驶检测方法,其特征在于,S500后还包括:
计算所述目标对象的疲劳程度与历史统计的该目标对象的总精力值的比值;根据所述比值,结合预设的比值与设定排班时长的映射表,获取所述目标对象的排班时长,进而进行驾驶排班安排。
8.一种基于多模态信息融合的疲劳驾驶检测系统,其特征在于,该系统包括:
数据采集模块,配置为采集待疲劳驾驶检测的目标对象的多模态数据,作为输入数据;所述多模态数据包括文本数据、图像数据、生理传感数据;
预处理模块,配置为对所述输入数据进行预处理,得到预处理数据;
疲劳状态检测模块,配置为对预处理后的生理传感数据按照设定时间长度划分,划分后,构建所述目标对象当前状态下的广置矩阵;通过预构建的无监督神经网络模型对所述广置矩阵进行重新构建;基于重新构建后与重新构建前的广置矩阵,获取所述目标对象的疲劳状态检测结果;所述疲劳状态检测结果包括是否处于疲劳状态;
疲劳类型检测模块,配置为若所述疲劳状态检测结果为处于疲劳状态,则对所述预处理数据中的多个模态的数据分别进行特征提取,并进行特征融合,得到融合特征;将所述融合特征输入预构建的疲劳类型检测模型的多层感知器和softmax分类器中,获取所述目标对象的疲劳类型;所述疲劳类型包括生理性疲劳、病理性疲劳;
疲劳程度检测模块,配置为根据所述疲劳类型,结合所述融合特征,通过预构建的疲劳程度检测模型,获取所述目标对象的疲劳程度。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及与至少一个所述处理器通信连接的存储器;
其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的一种基于多模态信息融合的疲劳驾驶检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的一种基于多模态信息融合的疲劳驾驶检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310800807.2A CN116842475A (zh) | 2023-06-30 | 2023-06-30 | 基于多模态信息融合的疲劳驾驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310800807.2A CN116842475A (zh) | 2023-06-30 | 2023-06-30 | 基于多模态信息融合的疲劳驾驶检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842475A true CN116842475A (zh) | 2023-10-03 |
Family
ID=88164756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310800807.2A Pending CN116842475A (zh) | 2023-06-30 | 2023-06-30 | 基于多模态信息融合的疲劳驾驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842475A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079255A (zh) * | 2023-10-17 | 2023-11-17 | 江西开放大学 | 一种基于人脸识别和语音交互的疲劳驾驶检测方法 |
CN117392396A (zh) * | 2023-12-08 | 2024-01-12 | 安徽蔚来智驾科技有限公司 | 跨模态目标状态的检测方法、设备、智能设备和介质 |
CN117611924A (zh) * | 2024-01-17 | 2024-02-27 | 贵州大学 | 一种基于图文子空间联合学习的植物叶片表型病害分类方法 |
-
2023
- 2023-06-30 CN CN202310800807.2A patent/CN116842475A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079255A (zh) * | 2023-10-17 | 2023-11-17 | 江西开放大学 | 一种基于人脸识别和语音交互的疲劳驾驶检测方法 |
CN117079255B (zh) * | 2023-10-17 | 2024-01-05 | 江西开放大学 | 一种基于人脸识别和语音交互的疲劳驾驶检测方法 |
CN117392396A (zh) * | 2023-12-08 | 2024-01-12 | 安徽蔚来智驾科技有限公司 | 跨模态目标状态的检测方法、设备、智能设备和介质 |
CN117392396B (zh) * | 2023-12-08 | 2024-03-05 | 安徽蔚来智驾科技有限公司 | 跨模态目标状态的检测方法、设备、智能设备和介质 |
CN117611924A (zh) * | 2024-01-17 | 2024-02-27 | 贵州大学 | 一种基于图文子空间联合学习的植物叶片表型病害分类方法 |
CN117611924B (zh) * | 2024-01-17 | 2024-04-09 | 贵州大学 | 一种基于图文子空间联合学习的植物叶片表型病害分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842475A (zh) | 基于多模态信息融合的疲劳驾驶检测方法 | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN111785380B (zh) | 传染性疾病患病风险等级的预测方法及装置、介质、设备 | |
CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
CN113486938B (zh) | 基于多分支时间卷积网络的重着陆的分析方法和装置 | |
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
CN108523907B (zh) | 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 | |
CN112164448B (zh) | 免疫治疗疗效预测模型训练方法、预测系统及方法和介质 | |
JP2018524750A (ja) | ストレス状態をモニターするための方法およびシステム | |
CN112699998B (zh) | 一种时间序列预测方法、装置、电子设备及可读存储介质 | |
CN113297994B (zh) | 一种飞行员行为分析方法及系统 | |
EP3201845A1 (en) | Vibration signatures for prognostics and health monitoring of machinery | |
CN112633361A (zh) | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 | |
CN113671917A (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
CN111259949A (zh) | 飞机环控系统故障识别模型构建方法、模型及识别方法 | |
CN111951637A (zh) | 一种任务情景相关联的无人机飞行员视觉注意力分配模式提取方法 | |
CN113576481A (zh) | 一种脑力负荷评估方法、装置、设备、介质 | |
CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
Ma et al. | Structural fault diagnosis of UAV based on convolutional neural network and data processing technology | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN116046396A (zh) | 一种轴承故障诊断方法、装置、设备及介质 | |
CN115579069A (zh) | scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备 | |
CN114743690A (zh) | 传染病的预警方法、装置、介质及电子设备 | |
CN113693578A (zh) | 一种心率估计方法、装置、设备、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |