CN117100271A - 一种驾驶员压力事件监测方法、装置、车辆及存储介质 - Google Patents
一种驾驶员压力事件监测方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN117100271A CN117100271A CN202311078310.0A CN202311078310A CN117100271A CN 117100271 A CN117100271 A CN 117100271A CN 202311078310 A CN202311078310 A CN 202311078310A CN 117100271 A CN117100271 A CN 117100271A
- Authority
- CN
- China
- Prior art keywords
- pressure
- driver
- data
- event
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 124
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 73
- 230000001133 acceleration Effects 0.000 claims description 111
- 230000006399 behavior Effects 0.000 claims description 62
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 abstract description 11
- 230000035882 stress Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000037328 acute stress Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 210000001097 facial muscle Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- 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
-
- 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
-
- 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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0872—Driver physiology
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2540/22—Psychological state; Stress level or workload
-
- 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
本发明涉及智能驾驶技术领域,特别涉及一种驾驶员压力事件监测方法、装置、车辆及存储介质,所述方法包括:在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据;基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件;基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。本发明可在实际驾驶过程中自动监测驾驶员的压力情况,无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种驾驶员压力事件监测方法、装置、车辆及存储介质。
背景技术
随着城市交通状况的复杂化、汽车保有量的增加,在城市环境中驾驶变得越来越有压力。交通拥堵、复杂且具有挑战性的道路设计、以及与其他道路使用者发生的潜在冲突,成为大量驾驶员会面对的急性压力源。为了顺利完成驾驶任务,驾驶员需要持续分配注意力,检查复杂环境中的变化,并寻在潜在的危险。当驾驶员感受到自身驾驶能力与驾驶任务需求之间的不平衡时,便会感受到压力。驾驶压力会进一步对驾驶行为和个人身心健康产生负面的影响,需要有效的措施能实现对驾驶压力状态的持续监测,以支持压力干预和车内交互方式调整的应用。
目前常见的是驾驶压力的监测一般都是采用口头询问的方式,按照一定的时间间隔询问驾驶员当前的压力水平,当驾驶员感受到压力的时候执行特定的操作来记录压力事件。但是,目前这会对驾驶人员造成干扰,从而容易导致事故的发生。
因此,现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种驾驶员压力事件监测方法、装置、车辆及存储介质,旨在解决现有技术中的驾驶员压力监测方式容易对驾驶人员造成干扰,从而容易导致事故的发生的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
第一方面,本发明提供一种驾驶员压力事件监测方法,其中,所述方法包括:
在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据;
基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件;
基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。
根据上述技术方案,本发明可在实际驾驶过程中自动监测驾驶员的压力情况,无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
在本申请的一个实施例中,所述在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据,包括:
基于预设在车辆上的移动终端,获取所述车辆运动数据,其中,所述车辆运动数据用于反映所述车辆的运动状态;
基于所述移动终端上的图像采集装置,获取所述驾驶行为数据,其中,所述驾驶行为数据用于反映所述驾驶员在驾驶过程中的操作行为;
基于预设的穿戴设备,获取所述实时生理数据,其中,所述实时生理数据用于反映所述驾驶员在驾驶过程中的心率数据、皮肤电活动数据以及呼吸数据中的任意一种或多种。
根据上述技术方案,本发明基于移动终端(比如手机)以及穿戴设备(比如智能手表以及心率带)来实现车辆运动数据、驾驶行为数据以及实时生理数据的采集,有利于实现本发明的推广性与扩展性。
在本申请的一个实施例中,所述基于预设在车辆上的移动终端,获取所述车辆运动数据之前,还包括:
对所述移动终端的加速度坐标系进行校准。
根据上述技术方案,本发明在进行数据采集之前,先对移动终端的加速度坐标系进行校准,以确保校准后的所述移动终端的加速度坐标系与所述车辆的加速度坐标系保持一致,便于后续步骤中采集到的数据更为准确。
在本申请的一个实施例中,所述对所述移动终端的加速度坐标系进行校准,包括:
接收校准指令,并基于所述校准指令控制所述车辆直线行驶;
在所述车辆直线行驶过程中,对所述移动终端上的加速度计进行校准,以使校准后的所述移动终端的加速度坐标系与所述车辆的加速度坐标系保持一致。
根据上述技术方案,本发明利用车辆直线行驶的过程来对移动终端上的加速度计进行校准,校准方式比较简单易操作,且也保证了数据采集的准确性。
在本申请的一个实施例中,所述基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件,包括:
基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件;
基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件;
若所述车辆在行驶过程中存在急刹车事件或者交通拥堵事件,和/或,若所述驾驶员存在心率异常事件,则确定所述潜在压力事件为将所述急刹车事件、所述交通拥堵事件以及所述心率异常事件中的一种或者多种。
根据上述技术方案,本发明分别根据实时驾驶数据和实时生理数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件以及驾驶员是否存在心率异常事件,只要存在上述任何一种情况就可以确定出潜在压力事件,以便准确地分析出潜在压力事件。
在本申请的一个实施例中,所述基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件,包括:
基于所述车辆运动数据,确定车辆的加速度数据集合;
基于所述加速度数据集合,确定所述车辆的刹车记录信息;
根据所述刹车记录信息与所述驾驶行为数据,筛选出急刹车事件,并确定所述车辆在行驶过程中存在急刹车事件。
根据上述技术方案,本发明可通过分析车辆加速度来分析车辆的刹车记录信息,进而筛选出急刹车事件,该急刹车事件即为驾驶员的潜在压力事件,实现对潜在压力事件的精准分析。
在本申请的一个实施例中,所述基于所述实时驾驶数据,判断车辆在行驶过程中是否存在交通拥堵事件,包括:
基于所述车辆运动数据,确定所述车辆在预设时间段内的速度记录信息、加速度记录信息;
基于所述速度记录信息,确定所述车辆在行驶过程中的低速占比;
基于所述加速度记录信息,确定所述车辆的加速度峰值;
基于所述低速占比、所述加速度峰值以及所述驾驶行为数据,判断车辆在行驶过程中是否存在交通拥堵事件。
根据上述技术方案,本发明可是基于分析车辆的低速占比和加速度峰值来精准地定位交通拥堵事件,从而准确地判断出潜在压力事件。
在本申请的一个实施例中,所述基于所述低速占比、所述加速度峰值以及所述驾驶行为数据,判断车辆在行驶过程中是否存在交通拥堵事件,包括:
将所述低速占比与预设值进行比较,若所述低速占比大于预设值,则获取所述加速度峰值的数量;
若所述加速度峰值的数量大于预设数量,则确定所述预设时间段为拥堵时段;
若所述拥堵时段大于预设时长时,则结合所述驾驶行为数据确定所述车辆在所述预设时间段内的行驶过程中存在交通拥堵事件。
根据上述技术方案,本发明在确定交通拥堵事件时,首先基于低速占比与所述加速度峰值来定位出拥堵时段,进而基于拥堵时段的时长来确定出交通拥堵事件,以便准确地确定出交通拥堵事件。在本申请的一个实施例中,所述基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件,包括:
基于所述实时生理数据,统计每隔预设时间间隔对应的实时心率数据,得到若干心率数据组;
计算每一心率数据组对应的心率均值,并根据所述心率均值筛选出目标心率数据组;
基于所述目标心率数据组,确定所述驾驶员存在心率异常事件。
根据上述技术方案,本发明可通过分析心率均值来准确地确定出心率异常事件,该心率异常事件为潜在压力事件,便于后续步骤中来进行压力分析。
在本申请的一个实施例中,所述基于所述潜在压力事件,生成压力报告,包括:
获取预设的压力量化表,所述压力量表用于反映各种压力事件所对应的压力值;
将所述潜在压力事件与所述压力量化表进行匹配,得到最终压力值;
获取所述潜在压力事件所对应的驾驶场景数据,并将所述潜在压力事件、所述驾驶场景数据以及所述最终压力值关联,生成所述压力报告。
根据上述技术方案,本发明基于压力量化表来对潜在压力事件进行压力量化,并输出压力报告,整个压力报告的生成不需要驾驶员进行任何的互动,避免对驾驶员的干扰,保证了驾驶安全。
在本申请的一个实施例中,所述方法还包括:
根据所述压力报告,确定所述潜在压力事件对应的压力标签信息,所述压力标签信息用于反映驾驶员的压力水平;
将所述车辆运动数据、所述驾驶行为数据、所述实时生理数据、对应的所述潜在压力事件以及对应的所述压力标签信息输入至预设的机器学习模型中进行训练,得到压力监测模型,所述压力监测模型用于实现驾驶员压力水平的自动监测。
根据上述技术方案,本发明可训练出压力监测模型,该压力监测模型可用于实现驾驶员压力水平的自动监测,便于在驾驶过程中对的驾驶员的压力水平进行实时监测。
第二方面,本发明实施例还提供一种驾驶员压力事件监测装置,所述装置包括:
数据获取模块,用于在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据;
压力分析模块,用于基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件;
报告生成模块,用于基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。
根据上述技术方案,本发明的驾驶员压力事件监测装置可在实际驾驶过程中自动监测驾驶员的压力情况,无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
在本申请的一个实施例中,所述数据获取模块包括:
运动数据获取单元,用于基于预设在车辆上的移动终端,获取所述车辆运动数据,其中,所述车辆运动数据用于反映所述车辆的运动状态;
行为数据获取单元,用于基于所述移动终端上的图像采集装置,获取所述驾驶行为数据,其中,所述驾驶行为数据用于反映所述驾驶员在驾驶过程中的操作行为;
生理数据获取单元,用于基于预设的穿戴设备,获取所述实时生理数据,其中,所述实时生理数据用于反映所述驾驶员在驾驶过程中的心率数据、皮肤电活动数据以及呼吸数据中的任意一种或多种。
在本申请的一个实施例中,所述装置还包括:
校准模块,用于对所述移动终端的加速度坐标系进行校准。
在本申请的一个实施例中,所述校准模块包括:
车辆控制单元,用于接收校准指令,并基于所述校准指令控制所述车辆直线行驶;
校准控制单元,用于在所述车辆直线行驶过程中,对所述移动终端上的加速度计进行校准,以使校准后的所述移动终端的加速度坐标系与所述车辆的加速度坐标系保持一致。
在本申请的一个实施例中,所述压力分析模块包括:
第一事件分析单元,用于基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件;
第二事件分析单元,用于基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件;
事件确定单元,用于若所述车辆在行驶过程中存在急刹车事件或者交通拥堵事件,和/或,若所述驾驶员存在心率异常事件,则确定所述潜在压力事件为将所述急刹车事件、所述交通拥堵事件以及所述心率异常事件中的一种或者多种。
在本申请的一个实施例中,所述第一事件分析单元包括:
数据集合确定子单元,用于基于所述车辆运动数据,确定所述车辆的加速度数据集合;
刹车记录确定子单元,用于基于所述加速度数据集合,确定所述车辆的刹车记录信息;
急刹车事件确定子单元,用于根据所述刹车记录信息与所述驾驶行为数据,筛选出急刹车事件,并确定所述车辆在行驶过程中存在急刹车事件。
在本申请的一个实施例中,所述第一事件分析单元包括:
数据分析子单元,用于基于所述车辆运动数据,确定所述车辆在预设时间段内的速度记录信息、加速度记录信息;
低速占比确定子单元,用于基于所述速度记录信息,确定所述车辆在行驶过程中的低速占比;
加速度峰值确定子单元,用于基于所述加速度记录信息,确定所述车辆的加速度峰值;
拥堵事件确定单子元,用于基于所述低速占比、所述加速度峰值以及所述驾驶行为数据,判断车辆在行驶过程中是否存在交通拥堵事件。
在本申请的一个实施例中,所述拥堵事件确定子单元包括:
数量确定子单元,用于将所述低速占比与预设值进行比较,若所述低速占比大于预设值,则获取所述加速度峰值的数量;
拥堵确定子单元,用于若所述加速度峰值的数量大于预设数量,则确定所述预设时间段为拥堵时段;
事件确定子单元,用于若所述拥堵时段大于预设时长时,则结合所述驾驶行为数据确定所述车辆在所述预设时间段内的行驶过程中存在交通拥堵事件。
在本申请的一个实施例中,所述第二事件分析单元包括:
心率数据分析子单元,用于基于所述实时生理数据,统计每隔预设时间间隔对应的实时心率数据,得到若干心率数据组;
心率均值计算子单元,用于计算每一心率数据组对应的心率均值,并根据所述心率均值筛选出目标心率数据组;
心率异常事件确定子单元,用于基于所述目标心率数据组,确定所述驾驶员存在心率异常事件。
在本申请的一个实施例中,所述报告生成模块包括:
量化表获取单元,用于获取预设的压力量化表,所述压力量表用于反映各种压力事件所对应的压力值;
压力值匹配单元,用于将所述潜在压力事件与所述压力量化表进行匹配,得到最终压力值;
报告生成单元,用于获取所述潜在压力事件所对应的驾驶场景数据,并将所述潜在压力事件、所述驾驶场景数据以及所述最终压力值关联,生成所述压力报告。
在本申请的一个实施例中,所述装置还包括:
标签确定模块,用于根据所述压力报告,确定所述潜在压力事件对应的压力标签信息,所述压力标签信息用于反映驾驶员的压力水平;
模型训练模块,用于将所述车辆运动数据、所述驾驶行为数据、所述实时生理数据、对应的所述潜在压力事件以及对应的所述压力标签信息输入至预设的机器学习模型中进行训练,得到压力监测模型,所述压力监测模型用于实现驾驶员压力水平的自动监测。
第三方面,本发明实施例还提供一种车辆,其中,所述车辆包括存储器、处理器及存储在存储器中并可在处理器上运行的驾驶员压力事件监测程序,处理器执行驾驶员压力事件监测程序时,实现上述方案中任一项的驾驶员压力事件监测方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质上存储有驾驶员压力事件监测程序,所述驾驶员压力事件监测程序被处理器执行时,实现上述方案中任一项所述的驾驶员压力事件监测方法的步骤。
有益效果:与现有技术相比,本发明提供了一种驾驶员压力事件监测方法,本发明在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据。然后,基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件。最后,基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。本发明可在实际驾驶过程中自动监测驾驶员的压力情况,整个过程无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
本发明还基于压力量化表来对潜在压力事件进行压力量化,并输出压力报告,整个压力报告的生成不需要驾驶员进行任何的互动。此外,本发明还可训练出压力监测模型,该压力监测模型可用于实现驾驶员压力水平的自动监测,便于在驾驶过程中对的驾驶员的压力水平进行实时监测。
附图说明
图1为本申请提供的驾驶员压力事件监测方法的具体实施方式的流程图;
图2为本申请提供的驾驶员压力事件监测方法的原理框架图;
图3为本申请提供的驾驶员压力事件监测方法的应用场景示意图;
图4为本申请提供的驾驶员压力事件监测方法中数据采集软件界面的示意图;
图5为本申请提供的驾驶员压力事件监测装置的功能原理图;
图6为本申请提供的车辆的原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
由于现有技术中基本是采用口头询问的方式来监测驾驶员的压力状态,如按照一定的时间间隔询问驾驶员当前的压力水平,当驾驶员感受到压力的时候执行特定的操作来记录压力事件。但是,目前这会对驾驶人员造成干扰,从而容易导致事故的发生。基于此,本发明提供一种驾驶员压力事件监测方法,通过本实施例的方法可全自动化地实现对驾驶员的压力状态分析与监测,并且是处于实车实路的环境下实现压力状态的检测,保证压力监测的真实性与准确性。具体地,本实施例首先在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据。然后,基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件。最后,基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。可见,本实施例可在实际驾驶过程中自动监测驾驶员的压力情况,无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
本实施例的驾驶员压力事件监测方法可应用于终端设备,所述终端设备可为车载控制器,比如车载中控电脑。或者,所述终端设备也可以为用户的移动终端,比如手机,该移动终端可与车载终端连接,以接收车载终端传输的数据并进行相应的分析处理。具体地,如图1中所示,本实施例的驾驶员压力事件监测方法包括如下步骤:
步骤S100、在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据。
为了实现对驾驶员在实际驾驶过程中的压力状态的分析,本实施例是在实车实路的环境下进行的,当驾驶员在驾驶车辆时,开始获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据。该车辆运动数据反映的是车辆的运动状态,比如是加速、减速还是匀速等。驾驶行为数据反映的是驾驶员在驾驶过程中的操作行为,比如脚踩刹车、拉手刹等操作。实时生理数据反映的是驾驶员在驾驶过程中的生理数据,比如心率、呼吸以及皮肤电活动等数据。
在一种实现方式中,本实施例在获取上述数据时,包括如下步骤:
步骤S101、基于预设在车辆上的移动终端,获取所述车辆运动数据,其中,所述车辆运动数据用于反映所述车辆的运动状态;
步骤S102、基于所述移动终端上的图像采集装置,获取所述驾驶行为数据,其中,所述驾驶行为数据用于反映所述驾驶员在驾驶过程中的操作行为;
步骤S103、基于预设的穿戴设备,获取所述实时生理数据,其中,所述实时生理数据用于反映所述驾驶员在驾驶过程中的心率数据、皮肤电活动数据以及呼吸数据中的任意一种或多种。
具体地,如图2中所示,图2为本实施例的驾驶员压力事件的监测方法的原理框架,该原理框架为应用本实施例的驾驶员压力事件的监测方法的系统的整体架构。为了拓展本实施例的应用,本实施例的数据采集是基于移动终端(比如手机)以及穿戴设备(比如智能手表以及心率带)来实现的。在具体应用时,本实施例的移动终端可设置在车辆内,如图3中所示,当移动终端为手机时,手机可通过手机支架设置在车内。当车辆在行驶过程中,就可以基于该移动终端来采集车辆运动数据。
在一种实现方式中,移动终端中内置有加速度计、陀螺仪等装置,当移动终端为手机,手机中就内置有图2中所示的手机加速度计、手机陀螺仪以及手机GPS。因此,移动终端可实现车辆运动数据的采集。为了提高数据采集的准确性,在进行数据采集之前,本实施例需要对移动终端的加速度坐标系进行校准,以使校准后的所述移动终端的加速度坐标系与所述车辆的加速度坐标系保持一致。具体地,驾驶员需要乘坐在车上,在平坦道路上,按照校准操作引导的语音提示进行相关操作,校准安装在车上的移动终端的加速度坐标系。驾驶员输出校准指令,终端设备就可以提示驾驶员开始进行加速度计的校准,此时,终端设备就可以基于校准指令提示驾驶员笔直的往前行驶,在行驶的过程中对移动终端的加速度计进行校准。如此重复三次操作,当校准参数稳定即表示校准完成。本实施例的校准参数是三个旋转角度,计算公式如下:
θ=cos-1-z (3)
其中,ax,ay,az分别为移动终端采集到的三个方向的原始加速度,经过一个旋转变换(由三个旋转角度参数α,θ,ψ确定)后,便可以得到车辆在行进方向、侧向和竖直方向的加速度aX,aY,aZ。本实施例利用车辆直线行驶的过程来对移动终端上的加速度计进行校准,校准方式比较简单易操作,且也保证了数据采集的准确性。
当移动终端校准完成后,就可以基于该移动终端来采集车辆运动数据,车辆运动数据包括三轴加速度数据和绕z轴旋转的角加速度等。具体地,移动终端(比如手机)上设置有开始继续数据采集的按钮,当驾驶员点击该按钮后,就可以开始进行车辆运动数据的采集,如图4中所示,图4中的a图、b图、c图以及d图均数据采集的界面显示。本实施例的车辆运动数据可包括车辆速度、加速度、GPS数据等。此外,本实施例的移动终端上还可设置有图像采集装置,比如当移动终端为手机,则图像采集装置就为设置在手机上的前/后内置摄像头,当驾驶员在驾驶过程中,可通过前/后内置摄像头采集驾驶员的图像信息,进而基于图像识别技术确定驾驶员的驾驶行为数据,比如是否转动方向盘、是否拉手刹等操作。此外,本实施例还可以基于穿戴设备来采集驾驶过程中驾驶员的实时生理数据。穿戴设备可手表心率传感器、心率带心率传感器、心率带呼吸传感器以及心率带皮肤点传感器,如图3中所示,驾驶员佩戴智能手表,身上佩戴可穿戴心率带,基于智能手表和可穿戴心率带来采集驾驶员的实时生理数据,为了方便数据分析,采集到的实时生理数据均采用归一化(转换值=(原始值-均值)/方差)的方式进行标准化。本实施例中,采集到的数据可存储在本地存储数据库中,也可以存储在后端服务器数据库中,以便对数据进行调用。
步骤S200、基于所述实时驾驶数据或所述实时生理数据,确定所述驾驶员的潜在压力事件。
当采集到车辆运动数据、驾驶行为数据以及实时生理数据后,终端设备就可以基于这些数据来判断驾驶员是否遇到潜在压力事件,如果遇到潜在压力事件,驾驶员的驾驶能力就会受到影响,进而影响车辆的状态。在本实施例中,潜在压力事件包括:急刹车事件、猛打方向盘事件、道路颠簸事件、交通拥堵事件以及心率异常事件。每一种潜在压力事件的筛选算法均不相同,基于上述采集到数据并匹配相应的筛选算法就可以筛选出潜在压力事件。
在一种实现方式中,本实施例中的步骤S200具体包括如下步骤:
步骤S201、基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件;
步骤S202、基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件;
步骤S203、若所述车辆在行驶过程中存在急刹车事件或者交通拥堵事件,和/或,若所述驾驶员存在心率异常事件,则确定所述潜在压力事件为将所述急刹车事件、所述交通拥堵事件以及所述心率异常事件中的一种或者多种。
本实施例分别根据实时驾驶数据和实时生理数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件以及驾驶员是否存在心率异常事件,只要存在上述任何一种情况就可以确定出潜在压力事件,以便准确地分析出潜在压力事件。
在一种实现方式中,在筛选急刹车事件时,本实施例基于采集到的车辆运动数据,确定所述车辆的加速度数据集合。然后基于所述加速度数据集合,确定所述车辆的刹车记录信息。接着,本实施例根据所述刹车记录信息并结合驾驶行为数据,筛选出急刹车事件,并确定所述车辆在行驶过程中存在急刹车事件。具体应用时,本实施例设置两个数组用于存储刹车记录信息和真正的急刹车记录信息,分别是ps和v。接着对加速度数据集合中的所有的加速记录进行遍历,筛选出符合规则(车辆坐标系y方向(即车辆前进方向)加速度小于t1,z方向加速度绝对值小于t2)的数据,存储在ps中,也就是筛选出刹车记录信息。接着,终端设备遍历ps中的加速度记录,判断每一条记录是否是局部最小值。局部最小值的判定规则为:对某条加速度记录,其左右两侧各10条记录均大于此条加速度记录,且左右两侧各50条记录范围内,以5作为步长的加速度记录也均大于此条加速度记录。基于此判定规则,如果某条加速度记录是局部最小值,则进一步判断该加速度记录的index与临时变量i之间的差值是否大于t3,如果是大于t3,则将该加速度记录后插入数组v(即确定急刹车),且将临时变量i的值替换成插入记录的index,此时就确定出一个急刹车事件。而如果不是大于t3,则将v中最后一条加速度记录在y方向的加速度与当前待判断的加速度记录在y方向的加速度进行比较,如果待判断的加速度记录的y方向加速度小于v中最后一条加速度记录,则将v中最后一条加速度记录替换成此条待判断的加速度记录,并将临时变量i更新成待插入记录的index;否则,跳过此待插入记录,继续判断下一条加速度记录。当ps中所有加速度记录遍历完成后,v中存储的便是所有的急刹车事件下的加速度记录,对v中加速度记录进行排序,排序规则为按照y方向加速度大小依此递增,最后选择前3条加速度记录对应的事件作为最紧迫的急刹车事件。本实施例检测急刹车事件时,具体的算法伪代码如下所示:
Algorithm 1:检测急刹车事件
Output:hard brake events
1:ps←[],v←[],i=0//ps is a buffer for potential peaks,v is abuffer for the detected peaks
2:for record in records do
3:if record.accy<t1&&abs(record.accz)<t2 then
4:ps←(ps,record)
5:end if
6:end for
7:for p in ps do
8:if localMin(p)==true then
9:if p.index–i>t3 then
10:v←(v,p),i=p.index
11:else if v.last().accY<records[i].accy then
12:v.pop()//Remove the last element in v
13:v←(v,p),i=p.index
14:end if
15:end if
16:end for
17:v←v.sorted()//Sort according to accy
18:return v
此外,本实施例还可进一步基于驾驶行为数据对筛选出的急刹车事件作最终确认,比如,基于该驾驶行为数据来确定驾驶员是否突然身体前倾或者点头,因为驾驶员突然身体前倾或者点头,即表示此时车辆突然刹车,即为急刹车事件,这样就可以保证最终筛选出的急刹车事件是准确的,便于实现对潜在压力事件的精准分析。基于此,实现对急刹车事件的判定。而对于猛打方向盘事件和道路颠簸事件的检测算法与上述急刹车事件的检测算法类似,此处不再赘述。
在一种实现方式中,在筛选交通拥堵事件时,本实施例的终端设备可基于所述车辆运动数据,确定所述车辆在预设时间段内的速度记录信息、加速度记录信息。然后,基于所述速度记录信息,确定所述车辆在行驶过程中的低速占比,以及基于所述加速度记录信息,确定所述车辆的加速度峰值。接着,本实施例将所述低速占比与预设值进行比较,若所述低速占比大于预设值,则获取所述加速度峰值的数量。若所述加速度峰值的数量大于预设数量,则确定所述预设时间段为拥堵时段。而如果所述拥堵时段大于预设时长时,则结合驾驶行为数据就可以确定所述车辆在所述预设时间段内的行驶过程中存在交通拥堵事件。具体应用时,本实施例首先持续采集预设时间段(比如30秒)内的速度记录的buffer,s,以及车辆坐标系y方向加速度记录的buffer,a,以及一个记录出现拥堵时刻的变量pT。当产生一条新的速度记录后,该速度记录会被插入s的尾部,当s内速度记录超过30秒时,会将头部的速度记录移除,保证s内为30秒时间窗内的速度记录。在每次加入新的速度记录后,同时会计算低速占比ratio(速度大于t1),并对该预设时间段内的y方向加速度记录的峰值进行统计,得到加速度峰值的数量p。如果低速占比ratio小于0.1,则将存储y方向加速度记录的buffer,a清空,判定此时车辆为正常驾驶阶段;否则的话,则开始往a中添加新的加速度记录,并进一步判断低速占比ratio。如果低速占比ratio大于0.7,则继续判断当前的加速度峰值的数量p是否大于t2,如果满足,则就确定上述预设时间段为拥堵时段。接着继续判断是否当前时刻大于pT+t3,如果为真,也就确定拥堵时段大于预设时长,则认为当前车辆处于交通拥堵阶段,并将pT更新为当前的时间。具体的算法伪代码如下所示:
Algorithm 2:检测交通拥堵事件
Input:speed buffer,s;accy buffer,a;time variable,pT
Output:traffic state
1:while true do
2:s←(s,speed)//Add new speed sample in the buffer.
3:pT=now//now is the current time
4:
5:p=findPeak(a)
6:if ratio<0.1then
7:a←[]//Clear the acc buffer.
8:type=“Normal driving”
9:else
10:a←(a,accy)//Add new accy in the buffer.
11:if ratio>0.7then
12:if now>pT+t2 and p>t3 then
13:type=“traffic congestion”
14:pT=now
15:end if
16:end if
17:end while
18:return type
可见,本实施例在确定交通拥堵事件时,首先基于低速占比与所述加速度峰值来定位出拥堵时段,进而基于拥堵时段的时长来确定出交通拥堵事件,以便准确地确定出交通拥堵事件。同样地,本实施例也可结合驾驶行为数据对筛选出的交通拥堵事件作最终确认,比如,基于该驾驶行为数据来确定驾驶员是否频繁的身体前倾或者点头,因为驾驶员频繁的身体前倾或者点头,即表示此时车辆频繁的刹车,也就可以判断车辆发生拥堵,就可以确定交通拥堵事件,便于实现对潜在压力事件的精准分析。
在一种实现方式中,在确定心率异常事件时,本实施例可基于所述实时生理数据,统计每隔预设时间间隔对应的实时心率数据,得到若干心率数据组。然后计算每一心率数据组对应的心率均值,并根据所述心率均值筛选出目标心率数据组。接着,基于所述目标心率数据组,确定所述驾驶员存在心率异常事件。具体应用时,本实施例可将采集到的实时生理数据中的实时心率数据按照每隔30秒进行划分,得到若干心率数据组。然后针对每一个心率数据组,分析前30%的心率数据,并且计算这前30%心率数据的心率均值,将计算出的心率均值作为整个心率数据组的心率代表。基于此计算所有心率数据组的心率代表,每个心率代表都是对应心率数据组的前30%心率数据的心率均值。将所有的心率代表由小至大进行排序,然后筛选出最高的3个心率代表,将这3个心率代表对应的心率数据组作为目标心率数据组。当得到目标心率数据组后,就可以将该目标数据组对应的时间段作为驾驶员发生心率异常事件的时间段,由此确定出心率异常事件。由此可见,本发明可通过分析心率均值来准确地确定出心率异常事件,该心率异常事件为潜在压力事件,便于后续步骤中来进行压力分析。
步骤S300、基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。
当确定出潜在压力事件后,终端设备就可以基于该潜在压力事件来生成压力报告,该压力报告可反映所述驾驶员在驾驶过程中的压力状态。在整个压力事件的采集以及上报的过程中,驾驶员无需与车内终端进行任何的交互,保证了驾驶员的驾驶安全,并且避免驾驶员分心,提高了驾驶安全性。
在一种实现方式中,本实施例在生成压力报告时,包括:
步骤S301、获取预设的压力量化表,所述压力量表用于反映各种压力事件所对应的压力值;
步骤S302、将所述潜在压力事件与所述压力量化表进行匹配,得到最终压力值;
步骤S303、获取所述潜在压力事件所对应的驾驶场景数据,并将所述潜在压力事件、所述驾驶场景数据以及所述最终压力值关联,生成所述压力报告。
具体地,本实施例可在终端设备上呈现压力量化表,该压力量化表反映了每一种压力事件所对应的压力值,比如,交通拥堵事件的压力值为30,急刹车事件的压力值为45。当确定出驾驶员在实际驾驶过程中的潜在压力事件后,分别基于潜在压力事件中的具体压力事件类型和压力量化表匹配,得到各个压力事件类型对应的压力值,进而得到最终压力值。本实施例的最终压力值可直接通过将各个压力事件类型的压力值相加得到,也可以通过设置各个压力事件类型的权重,然后基于权重和对应的压力值进行加权求和得到。当得到最终压力值后,本实施例可进一步基于最终压力值确定驾驶员的压力水平,比如,当最终压力值为90以上,则确定驾驶员在驾驶过程中处于高压力;当最终压力值为60~90,则确定驾驶员在驾驶过程中处于中度压力;当最终压力值60以下,则确定驾驶员在驾驶过程中处于无压力。接着,终端设备进一步获取每一个潜在压力事件对应的驾驶场景视频,该驾驶场景视频可基于车辆上设置的前视摄像头和移动终端(如手机)的摄像头采集得到,反映的是当出现压力事件后的场景视频,包括驾驶员的面部表情和执行的操作动作以及车辆的行驶状态等。然后,终端设备将潜在压力事件、对应的驾驶场景数据以及所述最终压力值进行关联,生成所述压力报告,并且该压力报告反映了驾驶员的压力水平。可见,本实施例中整个压力报告的生成不需要驾驶员进行任何的互动,避免对驾驶员的干扰,保证了驾驶安全。当然,该压力报告还可以电子问卷的形式呈现,基于驾驶员主观汇报进行生成,以拓展本实施例的应用场景。
在其他实现方式中,本实施例为了方便对所有采集到的数据进行分析,可对数据进行标准化处理,并且进行数据分析时,统一选取30秒内的数据进行分析。此外,本实施例除了采集车辆运动数据、驾驶行为数据以及实时生理数据以外,还可以采集驾驶员的面部表情数据,面部表情数据包含52个特征,对应面部肌肉的紧张程度,取值范围在0~1之间,以及头部的空间姿态,包括3个平动特征和3个转动特征,以及视线朝向的三维向量。
在另一个实现方式中,本实施例害可以根据所述压力报告,确定所述潜在压力事件对应的压力标签信息,所述压力标签信息用于反映驾驶员的压力水平。由于压力报告直接反应了每一个潜在压力事件的压力值,因此就可以基于该压力值为对应的潜在压力事件打上对应的压力标签信息,比如当某个潜在压力事件的压力值超过40,则就可以确定该潜在压力事件的压力标签信息为高压标签。当某个潜在压力事件的压力值20-40,则就可以确定该潜在压力事件的压力标签信息为中压标签。接着,本实施例将所述车辆运动数据、所述驾驶行为数据、所述实时生理数据、对应的所述潜在压力事件以及对应的所述压力标签信息输入至预设的机器学习模型中进行训练,得到压力监测模型,所述压力监测模型用于实现驾驶员压力水平的自动监测。具体应用时,机器学习模型的输入为经过预处理后和标签化的多模态数据,因此,本实施例采用五折交叉验证法对机器学习模型进行评估和超参数选择,进而得到压力监测模型。后续应用中,该压力监测模型可直接部署至终端设备中,当实时监测模块持续采集最新的数据(车辆运动数据、驾驶行为数据以及实时生理数据)后,可将采集到的数据输入至压力监测模型中,就可以自动分类出潜在压力事件以驾驶员的压力水平,实现自动对驾驶员的压力水平进行检测。
由此可见,本实施例是在实车实路的环境下实现对驾驶员压力事件的监测以及压力水平的评估,拓展了应用,并且采用的设备是常见的智能手机和智能手表这样的移动设备,因此具有很高的推广性。此外,本实施例在生成压力报告的过程中,无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
基于上述实施例,本发明还提供一种驾驶员压力事件监测装置,如图5中所示,所述驾驶员压力事件监测装置100包括:数据获取模块10、压力分析模块20以及报告生成模块30。具体地,所述数据获取模块10,用于在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据。所述压力分析模块20,用于基于所述实时驾驶数据或所述实时生理数据,确定所述驾驶员的潜在压力事件。所述报告生成模块30,用于基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。
在本申请的一个实施例中,所述数据获取模块10包括:
运动数据获取单元,用于基于预设在车辆上的移动终端,获取所述车辆运动数据,其中,所述车辆运动数据用于反映所述车辆的运动状态;
行为数据获取单元,用于基于所述移动终端上的图像采集装置,获取所述驾驶行为数据,其中,所述驾驶行为数据用于反映所述驾驶员在驾驶过程中的操作行为;
生理数据获取单元,用于基于预设的穿戴设备,获取所述实时生理数据,其中,所述实时生理数据用于反映所述驾驶员在驾驶过程中的心率数据、皮肤电活动数据以及呼吸数据中的任意一种或多种。
在本申请的一个实施例中,所述装置还包括:
校准模块,用于对所述移动终端的加速度坐标系进行校准。
在本申请的一个实施例中,所述校准模块包括:
车辆控制单元,用于接收校准指令,并基于所述校准指令控制所述车辆直线行驶;
校准控制单元,用于在所述车辆直线行驶过程中,对所述移动终端上的加速度计进行校准,以使校准后的所述移动终端的加速度坐标系与所述车辆的加速度坐标系保持一致。
在本申请的一个实施例中,所述压力分析模块20包括:
第一事件分析单元,用于基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件;
第二事件分析单元,用于基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件;
事件确定单元,用于若所述车辆在行驶过程中存在急刹车事件或者交通拥堵事件,和/或,若所述驾驶员存在心率异常事件,则确定所述潜在压力事件为将所述急刹车事件、所述交通拥堵事件以及所述心率异常事件中的一种或者多种。
在本申请的一个实施例中,所述第一事件分析单元包括:
数据集合确定子单元,用于基于所述车辆运动数据,确定所述车辆的加速度数据集合;
刹车记录确定子单元,用于基于所述加速度数据集合,确定所述车辆的刹车记录信息;
急刹车事件确定子单元,用于根据所述刹车记录信息与所述驾驶行为数据,筛选出急刹车事件,并确定所述车辆在行驶过程中存在急刹车事件。
在本申请的一个实施例中,所述第一事件分析单元包括:
数据分析子单元,用于基于所述车辆运动数据,确定所述车辆在预设时间段内的速度记录信息、加速度记录信息;
低速占比确定子单元,用于基于所述速度记录信息,确定所述车辆在行驶过程中的低速占比;
加速度峰值确定子单元,用于基于所述加速度记录信息,确定所述车辆的加速度峰值;
拥堵事件确定单子元,用于基于所述低速占比、所述加速度峰值以及所述驾驶行为数据,判断车辆在行驶过程中是否存在交通拥堵事件。
在本申请的一个实施例中,所述拥堵事件确定子单元包括:
数量确定子单元,用于将所述低速占比与预设值进行比较,若所述低速占比大于预设值,则获取所述加速度峰值的数量;
拥堵确定子单元,用于若所述加速度峰值的数量大于预设数量,则确定所述预设时间段为拥堵时段;
事件确定子单元,用于若所述拥堵时段大于预设时长时,则结合所述驾驶行为数据确定所述车辆在所述预设时间段内的行驶过程中存在交通拥堵事件。
在本申请的一个实施例中,所述第二事件分析单元包括:
心率数据分析子单元,用于基于所述实时生理数据,统计每隔预设时间间隔对应的实时心率数据,得到若干心率数据组;
心率均值计算子单元,用于计算每一心率数据组对应的心率均值,并根据所述心率均值筛选出目标心率数据组;
心率异常事件确定子单元,用于基于所述目标心率数据组,确定所述驾驶员存在心率异常事件。
在本申请的一个实施例中,所述报告生成模块30包括:
量化表获取单元,用于获取预设的压力量化表,所述压力量表用于反映各种压力事件所对应的压力值;
压力值匹配单元,用于将所述潜在压力事件与所述压力量化表进行匹配,得到最终压力值;
报告生成单元,用于获取所述潜在压力事件所对应的驾驶场景数据,并将所述潜在压力事件、所述驾驶场景数据以及所述最终压力值关联,生成所述压力报告。
在本申请的一个实施例中,所述装置还包括:
标签确定模块,用于根据所述压力报告,确定所述潜在压力事件对应的压力标签信息,所述压力标签信息用于反映驾驶员的压力水平;
模型训练模块,用于将所述车辆运动数据、所述驾驶行为数据、所述实时生理数据、对应的所述潜在压力事件以及对应的所述压力标签信息输入至预设的机器学习模型中进行训练,得到压力监测模型,所述压力监测模型用于实现驾驶员压力水平的自动监测。
本实施例的驾驶员压力事件监测装置100中各个模块的工作原理与上述方法实施例中各个步骤的原理相同,此处不再赘述。
根据本实施例的驾驶员压力事件监测装置100可在实际驾驶过程中自动监测驾驶员的压力情况,无需驾驶员进行任何车内互动,不但实现了压力事件的自动监测,而且还避免了在压力监测过程中对驾驶人员的干扰,保证了驾驶安全。
图6为本申请实施例提供的车辆的结构示意图。该车辆可以包括:存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。处理器502执行程序时实现上述实施例中提供的驾驶员压力事件监测方法。
进一步地,车辆还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Periphera lComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。处理器502可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的驾驶员压力事件监测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种驾驶员压力事件监测方法,其特征在于,所述方法包括:
在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据;
基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件;
基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。
2.根据权利要求1所述的驾驶员压力事件监测方法,其特征在于,所述在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据,包括:
基于预设在车辆上的移动终端,获取所述车辆运动数据,其中,所述车辆运动数据用于反映所述车辆的运动状态;
基于所述移动终端上的图像采集装置,获取所述驾驶行为数据,其中,所述驾驶行为数据用于反映所述驾驶员在驾驶过程中的操作行为;
基于预设的穿戴设备,获取所述实时生理数据,其中,所述实时生理数据用于反映所述驾驶员在驾驶过程中的心率数据、皮肤电活动数据以及呼吸数据中的任意一种或多种。
3.根据权利要求2所述的驾驶员压力事件监测方法,其特征在于,所述基于预设在车辆上的移动终端,获取所述车辆运动数据之前,还包括:
对所述移动终端的加速度坐标系进行校准。
4.根据权利要求3所述的驾驶员压力事件监测方法,其特征在于,所述对所述移动终端的加速度坐标系进行校准,包括:
接收校准指令,并基于所述校准指令控制所述车辆直线行驶;
在所述车辆直线行驶过程中,对所述移动终端上的加速度计进行校准,以使校准后的所述移动终端的加速度坐标系与所述车辆的加速度坐标系保持一致。
5.根据权利要求1所述的驾驶员压力事件监测方法,其特征在于,所述基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件,包括:
基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件或者交通拥堵事件;
基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件;
若所述车辆在行驶过程中存在急刹车事件或者交通拥堵事件,和/或,若所述驾驶员存在心率异常事件,则确定所述潜在压力事件为将所述急刹车事件、所述交通拥堵事件以及所述心率异常事件中的一种或者多种。
6.根据权利要求5所述的驾驶员压力事件监测方法,其特征在于,所述基于所述实时驾驶数据,判断车辆在行驶过程中是否存在急刹车事件,包括:
基于所述车辆运动数据,确定车辆的加速度数据集合;
基于所述加速度数据集合,确定所述车辆的刹车记录信息;
根据所述刹车记录信息与所述驾驶行为数据,筛选出急刹车事件,并确定所述车辆在行驶过程中存在急刹车事件。
7.根据权利要求6所述的驾驶员压力事件监测方法,其特征在于,所述基于所述实时驾驶数据,判断车辆在行驶过程中是否存在交通拥堵事件,包括:
基于所述车辆运动数据,确定所述车辆在预设时间段内的速度记录信息、加速度记录信息;
基于所述速度记录信息,确定所述车辆在行驶过程中的低速占比;
基于所述加速度记录信息,确定所述车辆的加速度峰值;
基于所述低速占比、所述加速度峰值以及所述驾驶行为数据,判断车辆在行驶过程中是否存在交通拥堵事件。
8.根据权利要求7所述的驾驶员压力事件监测方法,其特征在于,所述基于所述低速占比、所述加速度峰值以及所述驾驶行为数据,判断车辆在行驶过程中是否存在交通拥堵事件,包括:
将所述低速占比与预设值进行比较,若所述低速占比大于预设值,则获取所述加速度峰值的数量;
若所述加速度峰值的数量大于预设数量,则确定所述预设时间段为拥堵时段;
若所述拥堵时段大于预设时长时,则结合所述驾驶行为数据确定所述车辆在所述预设时间段内的行驶过程中存在交通拥堵事件。
9.根据权利要求1所述的驾驶员压力事件监测方法,其特征在于,所述基于所述实时生理数据,判断所述驾驶员是否存在心率异常事件,包括:
基于所述实时生理数据,统计每隔预设时间间隔对应的实时心率数据,得到若干心率数据组;
计算每一心率数据组对应的心率均值,并根据所述心率均值筛选出目标心率数据组;
基于所述目标心率数据组,确定所述驾驶员存在心率异常事件。
10.根据权利要求1所述的驾驶员压力事件监测方法,其特征在于,所述基于所述潜在压力事件,生成压力报告,包括:
获取预设的压力量化表,所述压力量表用于反映各种压力事件所对应的压力值;
将所述潜在压力事件与所述压力量化表进行匹配,得到最终压力值;
获取所述潜在压力事件所对应的驾驶场景数据,并将所述潜在压力事件、所述驾驶场景数据以及所述最终压力值关联,生成所述压力报告。
11.根据权利要求1所述的驾驶员压力事件监测方法,其特征在于,所述方法还包括:
根据所述压力报告,确定所述潜在压力事件对应的压力标签信息,所述压力标签信息用于反映驾驶员的压力水平;
将所述车辆运动数据、所述驾驶行为数据、所述实时生理数据、对应的所述潜在压力事件以及对应的所述压力标签信息输入至预设的机器学习模型中进行训练,得到压力监测模型,所述压力监测模型用于实现驾驶员压力水平的自动监测。
12.一种驾驶员压力事件监测装置,其特征在于,所述装置包括:
数据获取模块,用于在驾驶过程中,获取实时驾驶数据以及驾驶员的实时生理数据,其中,所述实时驾驶数据包括:车辆运动数据以及所述驾驶员的驾驶行为数据;
压力分析模块,用于基于所述实时驾驶数据和所述实时生理数据,确定所述驾驶员的潜在压力事件;
报告生成模块,用于基于所述潜在压力事件,生成压力报告,所述压力报告用于反映所述驾驶员在驾驶过程中的压力状态。
13.一种车辆,其特征在于,所述车辆包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的驾驶员压力事件监测程序,所述处理器执行驾驶员压力事件监测程序时,实现如权利要求1-11任一项所述的驾驶员压力事件监测方法的步骤。
14.一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上存储有驾驶员压力事件监测程序,所述驾驶员压力事件监测程序被处理器执行时,实现如权利要求1-11任一项所述的驾驶员压力事件监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311078310.0A CN117100271A (zh) | 2023-08-24 | 2023-08-24 | 一种驾驶员压力事件监测方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311078310.0A CN117100271A (zh) | 2023-08-24 | 2023-08-24 | 一种驾驶员压力事件监测方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117100271A true CN117100271A (zh) | 2023-11-24 |
Family
ID=88808695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311078310.0A Pending CN117100271A (zh) | 2023-08-24 | 2023-08-24 | 一种驾驶员压力事件监测方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117100271A (zh) |
-
2023
- 2023-08-24 CN CN202311078310.0A patent/CN117100271A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7283056B2 (en) | Method and computer program for identification of inattentiveness by the driver of a vehicle | |
US9676395B2 (en) | Incapacitated driving detection and prevention | |
Brombacher et al. | Driving event detection and driving style classification using artificial neural networks | |
US7394393B2 (en) | Adaptive driver workload estimator | |
JP3593502B2 (ja) | 車両の運転技術診断システム及びその構成用品、運転技術診断方法 | |
US7912796B2 (en) | System and method for real-time recognition of driving patterns | |
RU2549578C1 (ru) | Устройство предоставления информации для использования в транспортном средстве | |
US20190012907A1 (en) | Driving analysis device and driving behavior analysis system | |
CN109716411A (zh) | 用以监测驾驶员的活动水平的方法和设备 | |
US10740634B1 (en) | Detection of decline in concentration based on anomaly detection | |
WO2021212274A1 (zh) | 疲劳驾驶状态检测方法、装置、计算机设备和存储介质 | |
CN107924626B (zh) | 增强的碰撞避免 | |
WO2019209370A1 (en) | Driver profiling and identification | |
CN115349865A (zh) | 驾驶员心电信号分析方法、装置及存储介质 | |
CN109191789A (zh) | 疲劳驾驶检测方法、装置、终端和存储介质 | |
CN117100271A (zh) | 一种驾驶员压力事件监测方法、装置、车辆及存储介质 | |
CN109000932B (zh) | 用于汽车动态性能测评的可穿戴装置及动态性能测评方法 | |
CN114435373B (zh) | 疲劳驾驶检测方法、装置、计算机设备和存储介质 | |
EP3859650A1 (en) | Information processing device, information processing method, and non-transitory storage medium storing program | |
CN115447616B (zh) | 车辆驾驶客观指标的生成方法及装置 | |
Waltereit et al. | Online Driving Behavior Scoring using Wheel Speeds. | |
JP2020194206A (ja) | 学習方法、運転支援方法、学習プログラム、運転支援プログラム、学習装置、運転支援システム及び学習システム | |
WO2023203725A1 (ja) | 情報分析装置及び情報分析方法 | |
US20210233398A1 (en) | Information processing apparatus, information processing method, and computer readable storage medium | |
US10493913B2 (en) | Enhanced rear obstacle detection |
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 |