基于进似熵模板匹配的驾驶状态辨识方法与流程
本发明属于驾驶状态辨识技术领域，尤其是涉及一种基于进似熵模板匹配的驾驶状态辨识方法。
背景技术：
道路上发生的交通事故是人、车、路、环境等因素相互作用的结果，而驾驶员是影响交通安全最活跃的因素。交通事故表面上看是一偶然突发现象，但其实质是驾驶员-车辆-环境形成的闭环系统因无法响应遇到的突变工况而导致的失稳现象。通过对大量交通事故现场遗留的碰撞痕迹、车辆遗骸等证据进行勘验，并结合幸存者的问卷调查，美国印第安纳大学的研究者得出了约有90％的恶性交通事故与驾驶状态有关的结论，而驾驶员的驾驶状态主要由其精神状态决定。因而，驾驶员精神状态信息的监测具有非常重要的研究意义。
目前，对驾驶员精神状态的估计方法主要有以下几类：一类是基于调查问卷式的离线评估形式，该方法通过对驾驶员进行问询的方式调查驾驶员的精神状态信息，该方法能够研究外界环境、驾驶员心理与生理因素对驾驶行为影响的统计规律，对险态驾驶行为的形成机制有显著的理论意义，但对解决险态驾驶行为的在线动态辨识就显得无能为力；第二类是基于图像处理技术的驾驶员精神状态评估方法，为了实现对险态驾驶行为的动态在线辨识，有的学者提出用机器视觉、图像处理、模式识别等人工智能理论和技术，对眼睛动作特征、脸部运动特征进行识别，从而实现对驾驶员行为状态的动态监测；基于图像处理技术的驾驶员行为在线动态辨识虽然可以实现，但是环境因素对其影响较大，且驾驶员本人的习惯动作对驾驶行为的辨识准确性影响很大，其应用普适性较差；第三类基于生理电信号的驾驶员心理状态评测方法，该方法是直接测量，评估结果最为准确，但电生理信息采集需要在人体上安装许多电极，用于实际的在线监测显然不合适。由此可见现有的关于驾驶员精神状态的在线估计方法具有一定的局限性。
另外，对驾驶员驾驶状态进行辨识时，通常需借助对应的分类模型进行辨识，通过分类模型对驾驶员处于正常驾驶状态或险态驾驶状态进行辨识，其中正常驾驶状态是指驾驶员处于完全清醒且精神状态正常的驾驶状态，而险态驾驶状态(也称非正常驾驶状态或异常驾驶状态)是指驾驶员处于疲劳、醉酒、病痛、吸毒等非正常的驾驶状态且此时驾驶员的驾驶行为是险态驾驶行为。因而，分类模型的建立和训练至关重要。由于驾驶员的驾驶状态不仅受驾驶员的精神状态与操作习惯影响，同时受道路环境的影响也较大。驾驶员操作习惯蕴含的个性信息是驾驶员长期驾驶过程中形成的，它在方向盘转角信号中表现出一定的节律。而道路环境信息(以下简称道路信息)对驾驶员来说完全是即时信息，是无法事先预料的信息。虽然驾驶员可能知道下一路段的宏观情况，但是却不可能预知下一时刻的即时路况，道路的即时信息决定驾驶员的操作动作，进而决定车辆行驶状态信息。因而，道路信息具有伪随机干扰信号的特性。如何去除或者减弱蕴含在行驶状态信息中的道路信息，是基于车辆行驶状态信息的驾驶行为特征提取及其分类研究的关键步骤。
技术实现要素：
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于进似熵模板匹配的驾驶状态辨识方法，其方法步骤简单、设计合理且实现简便、使用效果好，能简便、快速对驾驶员的驾驶状态进行准确辨识，并且辨识精度高。
为解决上述技术问题，本发明采用的技术方案是：一种基于进似熵模板匹配的驾驶状态辨识方法，其特征在于，该方法包括以下步骤：
步骤一、样本库建立：采用数据处理器建立样本库，所建立的样本库内存储有两类样本，一类样本为正常驾驶状态样本且该类样本中包括被监测驾驶员正常驾驶状态下测得的多个方向盘转角信号，另一类样本为险态驾驶状态样本且该类样本中包括被监测驾驶员险态驾驶状态下的多个方向盘转角信号；
步骤二、基于进似熵模板匹配的道路信息剥离：采用数据处理器且调用基于进似熵模板匹配的信号矫正模块对所述样本库内的各方向盘转角信号分别进行矫正，所有方向盘转角信号的矫正方法均相同；对任一个所述方向盘转角信号x(t)进行矫正时，过程如下：
步骤201、方向盘转角信号经验模态分解：调用经验模态分解模块对方向盘转角信号x(t)进行经验模态分解，获得n个本征模态函数分量和一个趋势项；n个本征模态函数分量和一个趋势项均为离散函数；
其中，方向盘转角信号x(t)为被监测驾驶员所驾驶车辆的方向盘转角随时间变化的函数；方向盘转角信号x(t)的经验模态分解结果为：式(1-1)中ci(t)为方向盘转角信号x(t)经验模态分解后获得的第i个本征模态函数分量，i为正整数且其本征模态函数分量的编号，i＝1、2、…、n；rn(t)为方向盘转角信号x(t)经验模态分解后获得的趋势项；
步骤202、本征模态函数分量有效性识别：调用本征模态函数分量有效性识别模块，且根据预先建立的白噪声近似熵分布区间模板，对步骤201中分解出的方向盘转角信号x(t)的n个本征模态函数分量分别进行有效性识别；n个本征模态函数分量的有效性识别方法均相同；
对所述白噪声近似熵分布区间模板进行建立时，采用所述数据处理设备进行建立，过程如下：
步骤Ⅰ、样本获取：产生多个随机白噪声信号作为样本，多个所述白噪声信号的数据长度均相同；
其中，产生的第j个随机白噪声信号，记作ζj(t)；j为随机白噪声信号的编号且其为正整数，j＝1、2、…、N；N为本步骤中所产生随机白噪声信号的总数量；
步骤Ⅱ、经验模态分解：调用所述经验模态分解模块，对步骤Ⅰ中各白噪声信号分别进行经验模态分解，获得各白噪声信号的n个本征模态函数分量和一个趋势项；n个本征模态函数分量和一个趋势项均为离散函数；
其中，ζj(t)的经验模态分解结果为：式(1-2)中ci,j(t)为ζj(t)经验模态分解后获得的第i个本征模态函数分量，rn,j(t)为ζj(t)经验模态分解后获得的趋势项；
步骤Ⅲ、近似熵与平均周期自然对数计算：调用近似熵计算模块，对步骤Ⅱ中各白噪声信号的n个本征模态函数分量的近似熵分别进行计算；同时，调用平均周期计算模块，对各白噪声信号的n个本征模态函数分量的平均周期分别进行计算，并求解出各白噪声信号的n个本征模态函数分量的平均周期对数；其中，平均周期对数为平均周期的自然对数；
步骤Ⅳ、二维联合概率密度函数确定：根据步骤Ⅲ中计算得出的各白噪声信号的n个本征模态函数分量的近似熵和平均周期对数，调用二维联合概率密度函数确定模块，获取白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数；
其中，根据步骤Ⅲ中计算得出的N个所述白噪声信号的第i个本征模态函数分量的近似熵和平均周期对数，且调用所述二维联合概率密度函数确定模块，得出白噪声信号的第i个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，记作f(pi,ti)；其中，pi和ti分别表示白噪声信号的第i个本征模态函数分量的近似熵与平均周期对数；
步骤Ⅴ、白噪声近似熵分布区间模板获取：根据步骤Ⅳ中获得的白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，获得白噪声信号的n个本征模态函数分量的置信区间；所述置信区间的置信水平为c％，其中c％＝92％～99％；
其中，白噪声信号的n个本征模态函数分量的置信区间组成所述白噪声近似熵分布区间模板；
对步骤201中分解出的第i个本征模态函数分量ci(t)进行有效性识别时，包括以下步骤：
步骤2021、近似熵与平均周期自然对数计算：调用步骤Ⅲ中所述近似熵计算模块，计算得出ci(t)的近似熵；同时，调用步骤Ⅲ中所述平均周期计算模块，计算得出ci(t)的平均周期对数；
步骤2022、有效性识别：根据步骤2021中计算得出的ci(t)的近似熵与平均周期自然对数，判断ci(t)是否落入步骤Ⅴ中获得的白噪声信号的第i个本征模态函数分量的置信区间内：当落入步骤Ⅴ中获得的白噪声信号的第i个本征模态函数分量的置信区间内时，说明ci(t)为有效本征模态函数分量；否则，说明ci(t)为虚假本征模态函数分量；
步骤2023、多次重复步骤2021至步骤2022，直至完成步骤201中分解出的n个本征模态函数分量的有效性识别过程，获得方向盘转角信号x(t)经验模态分解后的所有有效本征模态函数分量；
步骤203、信号重构：利用步骤2023中获得的方向盘转角信号x(t)经验模态分解后的所有有效本征模态函数分量和步骤201中分解出的趋势项，重构出方向盘转角信号x'(t)；x'(t)为对方向盘转角信号x(t)进行矫正后获得的信号且其为将方向盘转角信号x(t)中的道路信息剥离后的信号；
步骤204、多次重复步骤201至步骤203，直至完成所述样本库中所有方向盘转角信号的矫正过程，矫正后的所有方向盘转角信号组成矫正后样本库；
步骤三、特征提取：采用数据处理器从步骤204中所述矫正后样本库中的各方向盘转角信号中分别提取出能代表并区别该方向盘转角信号的一组特征参数，且该组特征参数包括W个特征量，并对W个所述特征量进行编号，W个所述特征量组成一个特征向量，其中W≥2；所提取出的每个所述方向盘转角的特征向量均为一个训练样本，步骤104中所述样本库中所有方向盘转角信号的特征向量组成训练样本集；
步骤四、二分类模型建立与训练：采用数据处理器建立二分类模型，所述二分类模型为支持向量机模型；再采用数据处理器将步骤三中所述训练样本集中的各训练样本分别输入到所建立的二分类模型进行训练；
步骤五、行驶状态信息采集及同步分类：按照预先设定的采样频率对被监测驾驶员驾驶过程中所驾驶车辆的方向盘转角进行采集，并将当前时刻所采集的方向盘转角信号同步输入至步骤四中所建立的二分类模型中，并自动输出被监测驾驶员当前的驾驶状态，所输出的驾驶状态为正常驾驶状态或险态驾驶状态。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤四中采用数据处理器建立二分类模型时，选用径向基函数作为所述二分类模型的核函数。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤五中将当前时刻所采集的方向盘转角信号同步输入至所述二分类模型时，先按照步骤二中所述的基于进似熵模板匹配的道路信息剥离方法对当前时刻所采集的方向盘转角信号进行矫正，再按照步骤三中所述的特征提取方法对矫正后的方向盘转角信号进行特征提取，再将提取出的特征向量输入至所述二分类模型中。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤三中进行特征提取时，对步骤104中所述样本库中的各方向盘转角信号分别进行特征提取；每个所述方向盘转角信号的特征提取方法均相同；
对任一个所述方向盘转角信号进行特征提取时，先采用数据处理器且调用小波包分解模块或多小波包分解模块对该方向盘转角信号分别进行小波包分解，并对小波包分解后的各层小波包分解系数分别进行重构，获得各频带信号；之后，采用数据处理器且调用能量谱分析模块对所获得的各频带信号分别进行能量谱分析并获得各频带信号的能量，再从所获得的各频带信号能量中选取W个能代表并区别该方向盘转角信号的频带信号能量组成该方向盘转角信号的所述特征向量。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：从所获得的各频带信号能量中选取W个能代表并区别该方向盘转角信号的频带信号能量组成该方向盘转角信号的所述特征向量时，采用t检验法或核主成分分析法从所获得的各频带信号能量中选取W个所述频带信号的能量；
其中，采用t检验法选取W个所述频带信号的能量时，先采用数据处理器且调用概率密度计算模块，计算得出步骤104中所述样本库中每个所述方向盘转角信号进行小波包分解后的各频带信号能量的概率密度；再根据计算得出的各频带信号能量的概率密度，采用数据处理器且调用t检验模块进行分析，找出能将所述样本库中两类样本区分开的W个所述频带信号的能量；
采用核主成分分析法选取W个所述频带信号的能量时，采用数据处理器且调用核主成分分析模块从所获得的各频带信号能量中选取W个所述频带信号的能量。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤201中进行方向盘转角信号经验模态分解之前，先调用归一化处理模块，对方向盘转角信号x(t)进行归一化处理；再调用所述经验模态分解模块，对归一化处理后的方向盘转角信号x(t)进行经验模态分解；
步骤Ⅱ中进行经验模态分解之前，先调用所述归一化处理模块，对步骤Ⅰ中各白噪声信号分别进行归一化处理；再调用所述经验模态分解模块，对归一化处理后的各白噪声信号分别进行经验模态分解。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤Ⅲ中调用所述近似熵计算模块对各白噪声信号的n个本征模态函数分量的近似熵进行计算时，所有本征模态函数分量的近似熵的计算方法均相同；
其中，ci,j(t)的近似熵，记作IMF-ApEni,j；对ci,j(t)的近似熵进行计算时，过程如下：
步骤Ⅲ-1、排列组成m维向量O(k)：按照ci,j(t)中的各数据先后顺序，将ci,j(t)中的m个数据排列组成M0-m+1个m维矢量；
其中，ci,j(t)中包含M0个数据且M0个数据分别为ci,j(1)、ci,j(2)、…、ci,j(M0)，M0为ci,j(t)的数据长度且其为正整数；m为预先设定的嵌入维数，m为正整数且m≥2；
M0-m+1个m维矢量中第k个m维矢量，记作O(k)；
并且，O(k)＝[ci,j(k),ci,j(k+1),…,ci,j(k+m-1)] (2-0)，其中k为正整数且k＝1、2、…、M0-m+1；
步骤Ⅲ-2、Hausdorff空间距离计算：调用Hausdorff空间距离计算模块，计算得出M0-m+1个所述m维矢量中任一个m维矢量与其它M0-m个m维矢量之间的Hausdorff空间距离；
其中，m维矢量O(k)与m维矢量O(g)之间的Hausdorff空间距离，记作d[O(k),O(g)]；m维矢量O(g)为步骤Ⅲ-1中M0-m+1个m维矢量中第g个m维矢量，g为正整数且g＝1、2、…、M0-m+1，g≠k；
步骤Ⅲ-3、m维矢量间相似度计算：根据预先限定的相似容限r，计算得出M0-m+1个所述m维矢量中任一个m维矢量与其它M0-m个m维矢量之间的相似度；
其中，m维矢量O(k)与其它M0-m个m维矢量之间的相似度，记作根据公式进行计算；r＞0；
式(2-2)中，
步骤Ⅲ-4、Φm(r)计算：根据步骤Ⅲ-3中计算得出的M0-m+1个所述m维矢量中任一个m维矢量与其它M0-m个m维矢量之间的相似度，并按照公式计算得出Φm(r)；
步骤Ⅲ-5、Φm+1(r)计算：按照步骤Ⅲ-1至步骤Ⅲ-4中所述的方法，计算得出Φm+1(r)；
步骤Ⅲ-6、近似熵计算：根据公式IMF-ApEni,j＝Φm(r)-Φm+1(r) (2-5)，计算得出IMF-ApEni,j。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤一中进行样本库建立时，过程如下：
步骤101、正常驾驶状态下行驶状态信息获取：采用行驶状态信息监测装置且按照预先设计的监测频率，对被监测驾驶员按照预先设计的路线驾驶过程中所驾驶车辆的行驶状态信息进行监测，并将所监测信息同步传送至数据处理器，获得多个监测时刻的行驶状态信息；
所述行驶状态信息监测装置包括对所驾驶车辆的方向盘转角进行检测的方向盘转角检测单元和对所驾驶车辆的侧向加速度进行检测的侧向加速度检测单元，所述方向盘转角检测单元和侧向加速度检测单元均与数据处理器连接；每个监测时刻的行驶状态信息均包括该时刻方向盘转角检测单元所检测的方向盘转角和侧向加速度检测单元所检测的侧向加速度；
步骤102、车辆动力学模型参数确定：所述数据处理器根据步骤101中所获得的多个监测时刻的行驶状态信息，得出方向盘转角函数δsw(t)和侧向加速度函数其中，δsw(t)为步骤101中驾驶过程中所驾驶车辆的方向盘转角随时间变化的函数，为步骤101中驾驶过程中所驾驶车辆的侧向加速度随时间变化的函数；所述数据处理器再根据公式并结合步骤101中被监测驾驶员所驾驶车辆的车辆动力学模型的传递函数对车辆动力学模型参数Gay、Ty1、Ty2、T1和T2分别进行确定；
公式(2)中，δsw(s)为方向盘转角函数δsw(t)的拉普拉斯变换，为侧向加速度函数的拉普拉斯变换；
步骤103、险态驾驶状态下行驶状态信息获取，过程如下：
步骤1031、随机数生成：采用数据处理器且调用随机数生成模块，生成神经反应时间随机数组或动作反应时间随机数组；
所述神经反应时间随机数组为调用所述随机数生成模块生成的一组平均数为td0且方差为σd的随机数；其中，td0＝0.25～0.5；当被监测驾驶员为男性驾驶员时，σd＞7.5；当被监测驾驶员为女性驾驶员时，σd＞8；
所述动作反应时间随机数组为调用所述随机数生成模块生成的一组平均数为Th0且方差为σh的随机数；其中，Th0＝0.12～0.2；当被监测驾驶员为男性驾驶员时，σh＞2.6；当被监测驾驶员为女性驾驶员时，σd＞1.95；
步骤1032、随机数筛选：先根据预先设定的疲劳度判断阈值Ntm，采用数据处理器计算得出神经反应时间判断阈值tdm或动作反应时间判断阈值Thm，其中，Ntm＝0.7～0.9；再根据计算得出的tdm或Thm，对步骤1031中生成的所述神经反应时间随机数组或所述动作反应时间随机数组进行筛选，获得险态驾驶状态下的神经反应时间数组或动作反应时间随机数组；所述神经反应时间数组中包括险态驾驶状态下神经反应时间的多个随机数，所述动作反应时间随机数组中包括险态驾驶状态下动作反应时间的多个随机数；公式(3)中tda和tdb分别为预先测试得出的被监测驾驶员神经反应时间的上限值和下限值，公式(4)中Tha和Thb分别为预先测试得出的被监测驾驶员动作反应时间的上限值和下限值，tdm、Thm、tda、tdb、Tha和Thb的单位均为s；
对所述神经反应时间随机数组进行筛选时，根据计算得出的tdm，采用数据处理器对所述神经反应时间随机数组中的各随机数分别进行判断；对所述神经反应时间随机数组中的任一个随机数进行判断时，判断该随机数是否大于tdm，且当该随机数＞tdm时，判断为该随机数为险态驾驶状态下神经反应时间的随机数；
对所述动作反应时间随机数组进行筛选时，根据计算得出的Thm，采用数据处理器对所述动作反应时间随机数组中的各随机数分别进行判断；对所述动作反应时间随机数组中的任一个随机数进行判断时，判断该随机数是否大于Thm，且当该随机数＞Thm时，判断为该随机数为险态驾驶状态下动作反应时间的随机数；
步骤1033、驾驶员反应时间数组获取：采用数据处理器对步骤1032中所述神经反应时间数组或所述动作反应时间随机数组进行时间数据对计算，获取驾驶员反应时间数组；所述驾驶员反应时间数组中包括险态驾驶状态下的多个驾驶员反应时间数据对，每个所述驾驶员反应时间数据对均包括一个神经反应时间和一个动作反应时间；
其中，对所述神经反应时间数组进行时间数据对计算时，采用数据处理器对所述神经反应时间数组中的各随机数分别进行时间数据对计算；对所述神经反应时间数组中的任一个随机数tdi进行时间数据对计算时，先根据公式计算得出神经反应时间tdi对应的疲劳度Nti；再根据公式计算得出神经反应时间tdi对应的动作反应时间Thi，所述的tdi和Thi组成一个驾驶员反应时间数据对；i为正整数且i＝1、2、…、Nd，Nd为所述神经反应时间数组中所包括随机数的总数量；
对所述动作反应时间数组进行时间数据对计算时，采用数据处理器对所述动作反应时间数组中的各随机数分别进行时间数据对计算；对所述动作反应时间数组中的任一个随机数tdi进行时间数据对计算时，先根据公式计算得出动作反应时间Thj对应的疲劳度Ntj；再根据公式计算得出动作反应时间Thj对应的神经反应时间tdj，所述的tdj和Thj组成一个驾驶员反应时间数据对；j为正整数且j＝1、2、…、Nh，Nh为所述动作反应时间数组中所包括随机数的总数量；
步骤1034、行驶状态信息获取：根据预先建立的驾驶员模型，采用数据处理器对步骤1033中所述驾驶员反应时间数组中的多个所述驾驶员反应时间数据对分别进行行驶状态信息计算，获得Nk组险态驾驶状态下的行驶状态信息；其中，Nk为正整数且其为所述驾驶员反应时间数组中所包括驾驶员反应时间数据对的总数量，Nk＝Nd或Nh；
步骤101中多个所述监测时刻被监测驾驶员所驾驶车辆所处的位置均为监测位置，每组险态驾驶状态下的行驶状态信息均包括险态驾驶状态下的多个方向盘转角信号，多个所述方向盘转角信号分别为险态驾驶状态下被监测驾驶员所驾驶车辆在多个不同监测位置处的方向盘转角信号；
所述驾驶员模型的输入量为步骤102中所述的输出量为险态驾驶状态下被监测驾驶员按照步骤101中预先设计的路线驾驶过程中所驾驶车辆的方向盘转角随时间变化的函数；所述驾驶员模型的传递函数为公式(9)中，Tp、td和Th分别为驾驶过程中同一时刻被监测驾驶员的预瞄时间、神经反应时间和动作反应时间；所述驾驶员模型与步骤102中所述车辆动力学模型组成闭环驾驶模型；所述驾驶员模型与步骤102中所述车辆动力学模型组成闭环驾驶模型；
采用数据处理器对步骤1033中所述驾驶员反应时间数组中的任一个所述驾驶员反应时间数据对进行行驶状态信息计算时，根据公式(9)，并结合步骤101中所获得的多个监测时刻的侧向加速度以及该驾驶员反应时间数据对中的神经反应时间和动作反应时间，获得与该驾驶员反应时间数据对对应的险态驾驶状态下被监测驾驶员所驾驶车辆在多个不同监测位置处的方向盘转角信号；
步骤104、样本库建立：采用数据处理器建立样本库，所建立的样本库内存储有两类样本，一类样本为正常驾驶状态样本且该类样本中包括步骤101中所获得的多个监测时刻的方向盘转角信号，另一类样本为险态驾驶状态样本且该类样本中包括步骤1034中获得的险态驾驶状态下的多个方向盘转角信号。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤101中所述行驶状态信息监测装置还包括对所驾驶车辆的位移进行实时检测的位移检测单元，所述位移检测单元与数据处理器连接；
步骤101中每个监测时刻的行驶状态信息均还包括该时刻位移检测单元所检测的位移；
步骤101中进行正常驾驶状态下行驶状态信息获取之前，先建立平面直角坐标系；所述位移检测单元包括对所驾驶车辆在X轴方向上的位移进行检测的X轴方向位移检测单元和对所驾驶车辆在Y轴方向上的位移进行检测的Y轴方向位移检测单元，所述X轴方向位移检测单元和所述Y轴方向位移检测单元均布设在所驾驶车辆的质心上；
步骤101中所述侧向加速度检测单元布设在所驾驶车辆的质心上；
步骤101中获得M个监测时刻的行驶状态信息，其中M为正整数且M≥50，步骤104中所述样本库中存储的所述正常驾驶状态样本的数量为M个，每个所述正常驾驶状态样本均为步骤101中所获得的一个监测时刻的方向盘转角信号；步骤104中所述样本库中存储的所述险态驾驶状态样本的数量不小于M个，每个所述险态驾驶状态样本均为步骤1034中获得的险态驾驶状态下的一个方向盘转角信号。
上述基于进似熵模板匹配的驾驶状态辨识方法，其特征是：步骤1034中进行险态驾驶状态下行驶状态信息获取之前，采用数据处理器获取步骤101中预先设计的路线中多个不同监测位置处的道路曲率ρp；
步骤1034中对与该驾驶员反应时间数据对对应的险态驾驶状态下被监测驾驶员所驾驶车辆在多个不同监测位置处的方向盘转角进行计算时，根据公式(9)，并结合步骤101中所获得的该监测位置处的侧向加速度、该监测位置处的道路曲率ρp以及该驾驶员反应时间数据对中的神经反应时间和动作反应时间进行计算；公式(9)中，公式(10)中，Kp为修正系数且Kp＝110～150，ρp为该监测位置处的道路曲率，为该驾驶员反应时间数据对对应的最优预瞄时间且公式(11)中，td和Th分别为该驾驶员反应时间数据对中的神经反应时间和动作反应时间。
本发明与现有技术相比具有以下优点：
1、方法步骤简单、设计合理且实现方便，辨识速度快，辨识精度高。
2、所采用的样本库建立方法步骤简单、设计合理且实现方便，投入成本较低。
3、所采用的险态驾驶状态下行驶状态信息获取方法步骤简单、设计合理且实现简便、使用效果好，主要包括随机数生成、随机数筛选、驾驶员反应时间数组获取和行驶状态信息获取这四个步骤，能简便、快速获取险态驾驶状态下被监测驾驶员的行驶状态信息。
4、所采用的驾驶员模型设计合理，能简便、快速获取不同驾驶状态下(也称不同精神状态下)被监测驾驶员的行驶状态信息，该驾驶员模型中综合考虑预瞄时间、神经反应时间、动作反应时间等参数，因而能准确计算出不同驾驶状态下被监测驾驶员的行驶状态信息。
5、所采用的驾驶员模型与车辆动力学模型形成闭环系统(即闭环驾驶模型)，其中驾驶员模型以车辆行驶状态信息(正常驾驶状态下的行驶状态信息)为输入量，以当前驾驶状态下的方向盘转角为输出量；而车辆动力学模型以方向盘转角(驾驶员模型的输出量)为输入量，以行驶状态信息为输出量，形成一个驾驶员-车辆-环境(也成为人-车-路)的闭环驾驶系统，驾驶员在闭环驾驶系统中看做一个自适应智能控制器，当驾驶员处于险态驾驶状态潜伏期，该控制器表现为自适应能力降低，不能对外界的变化作出有效的响应，表现为延时和迟钝，并且使车辆动力学模型输出的行驶状态信息更偏离正常驾驶状态下的行驶状态信息。因而，采用本发明能够通过采集正常驾驶状态下的行驶状态信息推演出险态驾驶状态下的样本信息，并且采用上述驾驶员模型能简便、快速且准确获取险态驾驶状态下被监测驾驶员的行驶状态信息，所建立的样本库使驾驶员的驾驶状态能简便、准确进行辨识。
6、所采用的基于进似熵模板匹配的道路信息剥离方法步骤简单、设计合理且实现方便、使用效果好，能在短时间内(具体是几分钟内)完成信号矫正过程，即道路信息剥离过程。
7、利用白噪声近似熵分布区间模板作为“筛子”提取方向盘转角信号经EMD分解后的有效信息分量，由于经验模态(EMD)分解能保留原信号的非线性、非平稳性的特征，因而先对待矫正信号进行EMD分解；由于EMD分解由于噪声干扰会引起的过分解现象，因而利用预先获取的白噪声近似熵分布区间模板识别出有效本征模态函数分量，这样能够在待矫正信号的先验特征未知的条件下提取信号的有效信号分量，因而信号矫正结果准确、可靠，并且实现简便，数据处理速度快。
8、采用基于白噪声统计特征的有效量提取方法对方向盘转角信号进行矫正，能进一步保证矫正方向盘转角信号的准确性和可靠性。
9、所采用的基于进似熵模板匹配的道路信息剥离方法使用效果好且实用价值高，由于道路信息具有伪随机干扰信号的特性，而近似熵是评价时间序列复杂度的指标，熵值越大说明序列复杂度越高，也就是无序性越高。本发明以白噪声信号EMD分解后各个IMF分量的近似熵为模板(即归一化白噪声IMF近似熵模板)，对归一化方向盘转角转角的各个IM分量的F近似熵进行对比分析，落在模板之外的认为该IMF分量为含驾驶员驾驶动态行为(也称为驾驶行为信息，包括驾驶习惯、精神状态等信息)的有效分量，落在归一化白噪声IMF近似熵模板之内的IMF分量是不含驾驶动态行为的无效分量。因而，采用本发明实现了车辆行驶状态数据(即方向盘转角信号)中驾驶行为信息的有效分离，消弱道路信息对驾驶员精神状态分量的影响，提高了驾驶员精神状态分类器的准确性，能有效提高驾驶状态辨识精度。
10、所采用的样本库建立方法实现简便，只需在所驾驶车辆上布设对应的检测单元，即可实现在对驾驶员“零干扰”状态下驾驶员精神状态(也称驾驶状态)的在线监测。
11、通过闭环驾驶系统直接提取行驶状态信息，上述闭环驾驶系统根据驾驶员所驾驶车型和环境建立，然后调整影响驾驶员精神状态的参数(包括神经反应时间、动作反应时间等参数)来生成车辆行驶状态数据(即行驶状态信息)，该处理为驾驶员精神状态特征的寻找提供了计算数据支撑，大幅提高了驾驶员精神状态判断的准确性、简便性和快速性。
12、所采用的样本库建立方法使用效果好且实用价值高，能够通过采集正常驾驶状态下的行驶状态信息推演出险态驾驶状态下的样本信息，能有效解决险态驾驶状态下行驶状态信息的获取难题，具有快速组建险态驾驶辨识用样本库、所针对的车型不限、险态驾驶状态样本库获取简便等特点，并且能满足不同驾驶员、不同车型的个性化驾驶状态辨识需求，使驾驶员的驾驶状态辨识变得更加简便、实用和合理。
13、所采用的特征提取方法步骤简单、设计合理且实现简便、使用效果好，采用小波包分解方法或多小波包分解方法进行特征量提取，再采用核主成分分析(KPCA)法作为高维特征的约简方法，以减少特征维数提高计算效率，利用KPCA的方法对原始样本向量进行预处理，能消除特征参数间的冗余及噪声对特征的干扰，达到凝炼特征的目的，采用核主成分分析(KPCA)法不仅可以减少输入向量的维数，而且提高了分类器的泛化能力，加快了识别速度。同时，也可以采用t检验法选取特征量，起到对高维特征进行约简的目的，并且所选取的特征量对于正常驾驶状态样本与险态驾驶状态样本而言差异非常明显，由于被监测驾驶员正常驾驶与险态驾驶时所选取特征量的概率密度重叠度很小，因而不仅有效加快了识别(也称辨识)速度，同时大幅提高了识别精度。
14、由于驾驶操纵行为的复杂、耦合和动态性，车辆行驶状态信息具有多态性的特点，提出基于多小波包分解的时频特征提取方法，克服小波包分解的局限性，基于多小波包分解的特征提取方法所提取特征量的可靠性大幅提高，被监测驾驶员正常驾驶与险态驾驶时所提取特征量的概率密度重叠度非常小，更有利于驾驶状态准确、快速辨识。
15、所采用的分类方法设计合理、实现方便且分类速度快、分类精度高，能有效解决目前驾驶员驾驶状态无法准确、快速辨识的难题。
16、方法设计合理、使用效果好且实用价值高，通过训练好的二分类模型能实时对驾驶员的驾驶状态进行准备判断、辨识。
综上所述，本发明方法步骤简单、设计合理且实现简便、使用效果好，能简便、快速对驾驶员的驾驶状态进行准确辨识，并且辨识精度高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图1-1为本发明的样本库建立方法流程框图。
图2为本发明行驶状态信息监测装置与数据处理器的电路原理框图。
图3-1为本发明采用多小波包分解模块对方向盘转角信号进行小波包分解后获得的第8频带能量的概率密度对比图。
图3-2为本发明采用多小波包分解模块对方向盘转角信号进行小波包分解后获得的第11频带能量的概率密度对比图。
图3-3为本发明采用小波包分解模块对方向盘转角信号进行小波包分解后获得的第8频带能量的概率密度对比图。
图3-4为本发明采用小波包分解模块对方向盘转角信号进行小波包分解后获得的第11频带能量的概率密度对比图。
图4为本发明需矫正方向盘转角信号的示意图。
图5为本发明矫正后方向盘转角信号的示意图。
图6为本发明从需矫正方向盘转角信号中剥离出的道路信息示意图。
图6-1为本发明被监测驾驶员所驾驶车辆的质心轨迹曲率示意图。
图7-1为本发明所构建模拟信号经EMD分解后的IMF1的近似熵和平均周期对数分布示意图。
图7-2为本发明所构建模拟信号经EMD分解后的IMF2的近似熵和平均周期对数分布示意图。
图7-3为本发明所构建模拟信号经EMD分解后的IMF3的近似熵和平均周期对数分布示意图。
图7-4为本发明所构建模拟信号经EMD分解后的IMF4的近似熵和平均周期对数分布示意图。
图7-5为本发明所构建模拟信号经EMD分解后的IMF5的近似熵和平均周期对数分布示意图。
图7-6为本发明所构建模拟信号经EMD分解后的IMF6的近似熵和平均周期对数分布示意图。
图7-7为本发明所构建模拟信号经EMD分解后的IMF7的近似熵和平均周期对数分布示意图。
图7-8为本发明所构建模拟信号经EMD分解后的IMF8的近似熵和平均周期对数分布示意图。
附图标记说明:
1—行驶状态信息监测装置； 1-1—方向盘转角检测单元；
1-2—侧向加速度检测单元； 1-3—位移检测单元；
1-4—侧偏角检测单元； 2—数据处理器；
具体实施方式
如图1所示的一种基于进似熵模板匹配的驾驶状态辨识方法，包括以下步骤：
步骤一、样本库建立：采用数据处理器2建立样本库，所建立的样本库内存储有两类样本，一类样本为正常驾驶状态样本且该类样本中包括被监测驾驶员正常驾驶状态下测得的多个方向盘转角信号，另一类样本为险态驾驶状态样本且该类样本中包括被监测驾驶员险态驾驶状态下的多个方向盘转角信号；
步骤二、基于进似熵模板匹配的道路信息剥离：采用数据处理器2且调用基于进似熵模板匹配的信号矫正模块对所述样本库内的各方向盘转角信号分别进行矫正，所有方向盘转角信号的矫正方法均相同；对任一个所述方向盘转角信号x(t)进行矫正时，过程如下：
步骤201、方向盘转角信号经验模态分解：调用经验模态分解模块对方向盘转角信号x(t)进行经验模态分解，获得n个本征模态函数分量和一个趋势项；n个本征模态函数分量和一个趋势项均为离散函数；
其中，方向盘转角信号x(t)为被监测驾驶员所驾驶车辆的方向盘转角随时间变化的函数；方向盘转角信号x(t)的经验模态分解结果为：式(1-1)中ci(t)为方向盘转角信号x(t)经验模态分解后获得的第i个本征模态函数分量，i为正整数且其本征模态函数分量的编号，i＝1、2、…、n；rn(t)为方向盘转角信号x(t)经验模态分解后获得的趋势项；
步骤202、本征模态函数分量有效性识别：调用本征模态函数分量有效性识别模块，且根据预先建立的白噪声近似熵分布区间模板，对步骤201中分解出的方向盘转角信号x(t)的n个本征模态函数分量分别进行有效性识别；n个本征模态函数分量的有效性识别方法均相同；
对所述白噪声近似熵分布区间模板进行建立时，采用所述数据处理设备进行建立，过程如下：
步骤Ⅰ、样本获取：产生多个随机白噪声信号作为样本，多个所述白噪声信号的数据长度均相同；
其中，产生的第j个随机白噪声信号，记作ζj(t)；j为随机白噪声信号的编号且其为正整数，j＝1、2、…、N；N为本步骤中所产生随机白噪声信号的总数量；
步骤Ⅱ、经验模态分解：调用所述经验模态分解模块，对步骤Ⅰ中各白噪声信号分别进行经验模态分解，获得各白噪声信号的n个本征模态函数分量和一个趋势项；n个本征模态函数分量和一个趋势项均为离散函数；
其中，ζj(t)的经验模态分解结果为：式(1-2)中ci,j(t)为ζj(t)经验模态分解后获得的第i个本征模态函数分量，rn,j(t)为ζj(t)经验模态分解后获得的趋势项；
步骤Ⅲ、近似熵与平均周期自然对数计算：调用近似熵计算模块，对步骤Ⅱ中各白噪声信号的n个本征模态函数分量的近似熵分别进行计算；同时，调用平均周期计算模块，对各白噪声信号的n个本征模态函数分量的平均周期分别进行计算，并求解出各白噪声信号的n个本征模态函数分量的平均周期对数；其中，平均周期对数为平均周期的自然对数；
步骤Ⅳ、二维联合概率密度函数确定：根据步骤Ⅲ中计算得出的各白噪声信号的n个本征模态函数分量的近似熵和平均周期对数，调用二维联合概率密度函数确定模块，获取白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数；
其中，根据步骤Ⅲ中计算得出的N个所述白噪声信号的第i个本征模态函数分量的近似熵和平均周期对数，且调用所述二维联合概率密度函数确定模块，得出白噪声信号的第i个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，记作f(pi,ti)；其中，pi和ti分别表示白噪声信号的第i个本征模态函数分量的近似熵与平均周期对数；
步骤Ⅴ、白噪声近似熵分布区间模板获取：根据步骤Ⅳ中获得的白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，获得白噪声信号的n个本征模态函数分量的置信区间；所述置信区间的置信水平为c％，其中c％＝92％～99％；
其中，白噪声信号的n个本征模态函数分量的置信区间组成所述白噪声近似熵分布区间模板；
对步骤201中分解出的第i个本征模态函数分量ci(t)进行有效性识别时，包括以下步骤：
步骤2021、近似熵与平均周期自然对数计算：调用步骤Ⅲ中所述近似熵计算模块，计算得出ci(t)的近似熵；同时，调用步骤Ⅲ中所述平均周期计算模块，计算得出ci(t)的平均周期对数；
步骤2022、有效性识别：根据步骤2021中计算得出的ci(t)的近似熵与平均周期自然对数，判断ci(t)是否落入步骤Ⅴ中获得的白噪声信号的第i个本征模态函数分量的置信区间内：当落入步骤Ⅴ中获得的白噪声信号的第i个本征模态函数分量的置信区间内时，说明ci(t)为有效本征模态函数分量；否则，说明ci(t)为虚假本征模态函数分量；
步骤2023、多次重复步骤2021至步骤2022，直至完成步骤201中分解出的n个本征模态函数分量的有效性识别过程，获得方向盘转角信号x(t)经验模态分解后的所有有效本征模态函数分量；
步骤203、信号重构：利用步骤2023中获得的方向盘转角信号x(t)经验模态分解后的所有有效本征模态函数分量和步骤201中分解出的趋势项，重构出方向盘转角信号x'(t)；x'(t)为对方向盘转角信号x(t)进行矫正后获得的信号且其为将方向盘转角信号x(t)中的道路信息剥离后的信号；
步骤204、多次重复步骤201至步骤203，直至完成所述样本库中所有方向盘转角信号的矫正过程，矫正后的所有方向盘转角信号组成矫正后样本库；
步骤三、特征提取：采用数据处理器2从步骤204中所述矫正后样本库中的各方向盘转角信号中分别提取出能代表并区别该方向盘转角信号的一组特征参数，且该组特征参数包括W个特征量，并对W个所述特征量进行编号，W个所述特征量组成一个特征向量，其中W≥2；所提取出的每个所述方向盘转角的特征向量均为一个训练样本，步骤104中所述样本库中所有方向盘转角信号的特征向量组成训练样本集；
步骤四、二分类模型建立与训练：采用数据处理器2建立二分类模型，所述二分类模型为支持向量机模型；再采用数据处理器2将步骤三中所述训练样本集中的各训练样本分别输入到所建立的二分类模型进行训练；
步骤五、行驶状态信息采集及同步分类：按照预先设定的采样频率对被监测驾驶员驾驶过程中所驾驶车辆的方向盘转角进行采集，并将当前时刻所采集的方向盘转角信号同步输入至步骤四中所建立的二分类模型中，并自动输出被监测驾驶员当前的驾驶状态，所输出的驾驶状态为正常驾驶状态或险态驾驶状态。
本实施例中，步骤四中采用数据处理器2建立二分类模型时，选用径向基函数作为所述二分类模型的核函数。
其中，所选用的径向基函数为RBF核函数。
本实施例中，步骤五中将当前时刻所采集的方向盘转角信号同步输入至所述二分类模型时，先按照步骤三中所述的特征提取方法，对当前时刻所采集的方向盘转角信号进行特征提取，再将提取出的当前时刻所采集方向盘转角信号的特征向量输入至所述二分类模型中。
实际使用时，步骤三中进行特征提取时，对步骤104中所述样本库中的各方向盘转角信号分别进行特征提取；每个所述方向盘转角信号的特征提取方法均相同；
对任一个所述方向盘转角信号进行特征提取时，先采用数据处理器2且调用小波包分解模块或多小波包分解模块对该方向盘转角信号分别进行小波包分解，并对小波包分解后的各层小波包分解系数分别进行重构，获得各频带信号；之后，采用数据处理器2且调用能量谱分析模块对所获得的各频带信号分别进行能量谱分析并获得各频带信号的能量(也称各频带的能量，简称频带能量)，再从所获得的各频带信号能量中选取W个能代表并区别该方向盘转角信号的频带信号能量组成该方向盘转角信号的所述特征向量。
其中，采用调用小波包分解模块或多小波包分解模块对该方向盘转角信号分别进行小波包分解时，所采用的小波包分解方法均为常规的小波包分解方法或多小波包分解方法。
本实施例中，对任一个所述方向盘转角信号进行特征提取时，采用数据处理器2且调用多小波包分解模块对该方向盘转角信号分别进行小波包分解。
正如小波包分析(也称小波包分解)是小波分析的进一步扩展一样，多小波包分析(也称多小波包分解)也是多小波分析的进一步深化与推广，对比小波包的定义可以类推出多小波包的定义。多小波分解仅在尺度空间Vj进行了不同分辨率的空间分解，对其补空间Wj不再分解，这就造成在信号的高频段时间分辨率越高频率分辨率越低的问题，多小波包通过对空间Wj继续进行多尺度分解，更加精细的分析方法克服了上述缺点，多小波包分析能够得到信号任意细节的频带信息。下面给出平方可积空间L2(R)中关于正交多小波的正交分解：
设U0(t)＝Φ(t)，U1(t)＝Ψ(t)，多小波包变化用一新的子空间将尺度子空间Vj和小波子空间Wj统一起来。设根据多小波的多分辨率空间分解的相关定义，得到下列多小波重构公式：
同理，应用多分辨率分析(MRA)关系：能推演出多小波子空间的分解层次关系式：由此多小波包分解一般表达式能写成
多小波具有正交性的特点决定多小波包分解后的信号是相互独立的，换而言之多小波包分解后的信号是原信号在小波空间内的映射，正交性保证了不同分量之间的内积为零，也就是说多小波包分解后的信号只能保留自身的平方项，物理定律能量守恒原理能恰当表示该关系，其数学表达式如下：式中为计算时间序列能量的运算符，其含义为时间序列的平方和的平均值，xk,m(i)为在分辨率为j水平下的子空间中的离散序列。假设待分析信号x(t)的数据长度为N，根据多小波包分解的Mallet算法可知，xk,m(i)的数据长度将会因向下抽样而缩短，设k表示分解次数，那么经过k次分解后它的长度将变为2-kN，由能量运算符的定义可知，xk,m(i)的能量表示为：参考小波包能量监测都是用归一化相对能量的做法，定义第m频带相对能量(也称第m频带信号的能量)为：根据能量守恒原理，显然有
实际使用时，多小波包分解方法也可以参考1999年《吉林大学自然科学学报》03期中公开的戴宇、周蕴时发表的《L2(R)的多小波包分解》一文；并且，也可以参考《电力自动化设备》2009年第1月公开的李东敏、刘志刚、苏玉香、蔡军发表的《基于多小波包和人工神经网络的电力系统故障类型识别》一文。
实际使用时，W≥10。
本实施例中，从所获得的各频带信号能量中选取W个能代表并区别该方向盘转角信号的频带信号能量组成该方向盘转角信号的所述特征向量时，采用t检验法或核主成分分析法从所获得的各频带信号能量中选取W个所述频带信号的能量；
其中，采用t检验法选取W个所述频带信号的能量时，先采用数据处理器2且调用概率密度计算模块，计算得出步骤104中所述样本库中每个所述方向盘转角信号进行小波包分解后的各频带信号能量的概率密度；再根据计算得出的各频带信号能量的概率密度，采用数据处理器2且调用t检验模块进行分析，找出能将所述样本库中两类样本区分开的W个所述频带信号的能量；
采用核主成分分析法选取W个所述频带信号的能量时，采用数据处理器2且调用核主成分分析模块从所获得的各频带信号能量中选取W个所述频带信号的能量。
其中，采用核主成分分析法选取W个所述频带信号的能量时，所采用的核主成分分析法为常规的核主成分分析法。
本实施例中，采用数据处理器2且调用t检验模块进行分析时，采用常规的t检验法。
t检验，亦称student t检验(Student's t test)，主要用于样本含量较小，总体标准差σ未知的正态分布资料。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。
其中，t检验分为单总体t检验和双总体t检验。本实施例中，采用单总体t检验。
并且，采用数据处理器2且调用t检验模块进行分析时，对所述正常驾驶状态样本和所述险态驾驶状态样本中进行特征提取后的各频带信号能量(也称各频带能量)分别进行t检验。其中，对所述正常驾驶状态样本和所述险态驾驶状态样本中进行特征提取后的任一个频带信号能量(也称任一个频带能量)进行t检验时，判断所述正常驾驶状态样本和所述险态驾驶状态样本中进行特征提取后的该频带信号能量(该频带能量)的概率密度之间是否存在差异。待对所述正常驾驶状态样本和所述险态驾驶状态样本中进行特征提取后的各频带信号能量(也称各频带能量)分别进行t检验后，根据t检验结果，从中选取所述正常驾驶状态样本和所述险态驾驶状态样本中进行特征提取后存在显著差异的W个频带信号能量。本实施例中，W＝21。实际使用时，可根据具体需要，对W的取值大小进行相应调整。
其中，对所述正常驾驶状态样本和所述险态驾驶状态样本中进行特征提取后的任一个频带信号能量(也称任一个频带能量)进行t检验时，检验水平α＝0.05作为显著水平，从输出结果查看t检验的P值，是否达到显著水平：是，接受H1(H1表示两类样本之间存在差异)，拒绝H0(H0表示两类样本之间不存在差异)；否，接受H0，拒绝H1。
本实施例中，t检验的P值的含义是从H0规定的总体随机抽样等于或者大于现有样本获得的检验统计量的概率：若P≤α，按所取检验水平，拒绝H0，接受H1，并得出两类样本间有显著差异的结论。
实际使用时，步骤101中预先设计的监测频率为3Hz～10Hz。
并且，步骤五中预先设定的采样频率与步骤101中预先设计的监测频率相同，步骤五中预先设定的采样频率为3Hz～10Hz。
本实施例中，步骤101中所述的监测频率为5Hz。并且，步骤五中预先设定的采样频率fs＝5Hz。
实际使用时，可根据具体需要，对所述监测频率和所述采样频率进行相应调整。
本实施例中，对调用多小波包分解模块对所述方向盘转角信号进行小波包分解时，6层多小波包分解，得到64个频带能量，并且计算得出频带宽度＝fs/(64×2)＝0.039Hz。并且，小波基函数选择为Db6小波。
为比较小波包分解与多小波包分解的辨识结果，以下对11名被监测驾驶员驾驶过程中(包括正常驾驶状态和险态驾驶状态，具体为疲劳驾驶状态)的方向盘转角信号进行小波包分解后的各频带能量进行对比，频带能量在疲劳驾驶状态(即险态驾驶状态)与正常驾驶状态之间有显著差异不少于21个。通过t检验分析从中选择最具代表性的且与被监测驾驶员的精神状态关联性最强的21个频带能量构成特征向量。其中，频带能量也称为相对频带能量指标或频带相对能量指标。此处，以第8频带(0.274Hz～0313Hz)与第11频带(0.390Hz～0.430Hz)的能量为例，详见图3-1、图3-2、图3-3和图3-4。
通过对比能发现：多小波包分解后获得的频带能量的疲劳驾驶状态特征比较明显，正常驾驶状态与疲劳驾驶状态的差异性大，这表明多小波包分解更适合提取车辆行驶状态信息中的疲劳驾驶特征。经过t检验(水平α＝0.05)证明在正常驾驶状态和疲劳驾驶状态下，不论是多小波包分解和还是小波包分解，第8频带与第11频带的小波包分解后获得的频带能量指标均具有显著差异；并且，从图3-1、图3-2、图3-3和图3-4能明显看出，多小波包分解后获得频带能量的的方法所获得的特征指标的可靠性要高的多，因为正常驾驶状态与疲劳驾驶状态下能量特征指标的概率密度重叠度很小，更加便于辨识。
本实施例中，c％＝95％。
实际使用时，可根据具体需要，对c％的取值大小进行相应调整。
经验模态分解后，获得的n个本征模态函数分量(即IMF分量)的频率分辨率是不同的，这点不同于小波分析中时间与频率相互影响特性。因而，经验模态(EMD)分解保留了原信号的非线性、非平稳性的特征。
本实施例中，步骤201中进行方向盘转角信号经验模态分解之前，先调用归一化处理模块，对方向盘转角信号x(t)进行归一化处理；再调用所述经验模态分解模块，对归一化处理后的方向盘转角信号x(t)进行经验模态分解；
步骤Ⅱ中进行经验模态分解之前，先调用所述归一化处理模块，对步骤Ⅰ中各白噪声信号分别进行归一化处理；再调用所述经验模态分解模块，对归一化处理后的各白噪声信号分别进行经验模态分解。
本实施例中，步骤2021中对ci(t)的近似熵和平均周期对数进行计算时，所采用的近似熵和平均周期对数的计算方法与步骤Ⅲ中采用的计算方法相同。
其中，近似熵(Approximate Entropy，ApEn)是由Steve Pincus提出的一种从统计学角度反映随机时间序列复杂度的指标。
本实施例中，步骤Ⅲ中调用所述近似熵计算模块对各白噪声信号的n个本征模态函数分量的近似熵进行计算时，所有本征模态函数分量的近似熵的计算方法均相同；
其中，ci,j(t)的近似熵，记作IMF-ApEni,j；对ci,j(t)的近似熵进行计算时，过程如下：
步骤Ⅲ-1、排列组成m维向量O(k)：按照ci,j(t)中的各数据先后顺序，将ci,j(t)中的m个数据排列组成M0-m+1个m维矢量；
其中，ci,j(t)中包含M0个数据且M0个数据分别为ci,j(1)、ci,j(2)、…、ci,j(M0)，M0为ci,j(t)的数据长度且其为正整数；m为预先设定的嵌入维数，m为正整数且m≥2；
M0-m+1个m维矢量中第k个m维矢量，记作O(k)；
并且，O(k)＝[ci,j(k),ci,j(k+1),…,ci,j(k+m-1)] (2-0)，其中k为正整数且k＝1、2、…、M0-m+1；
步骤Ⅲ-2、Hausdorff空间距离计算：调用Hausdorff空间距离计算模块，计算得出M-m+1个所述m维矢量中任一个m维矢量与其它M-m个m维矢量之间的Hausdorff空间距离；
其中，m维矢量O(k)与m维矢量O(g)之间的Hausdorff空间距离，记作d[O(k),O(g)]；m维矢量O(g)为步骤Ⅲ-1中M-m+1个m维矢量中第g个m维矢量，g为正整数且g＝1、2、…、M-m+1，g≠k；
步骤Ⅲ-3、m维矢量间相似度计算：根据预先限定的相似容限r，计算得出M-m+1个所述m维矢量中任一个m维矢量与其它M-m个m维矢量之间的相似度；
其中，m维矢量O(k)与其它M-m个m维矢量之间的相似度，记作根据公式进行计算；r＞0；
式(2-2)中，
步骤Ⅲ-4、Φm(r)计算：根据步骤Ⅲ-3中计算得出的M-m+1个所述m维矢量中任一个m维矢量与其它M-m个m维矢量之间的相似度，并按照公式计算得出Φm(r)；Φm(r)为平均值；
步骤Ⅲ-5、Φm+1(r)计算：按照步骤Ⅲ-1至步骤Ⅲ-4中所述的方法，计算得出Φm+1(r)；
步骤Ⅲ-6、近似熵计算：根据公式IMF-ApEni,j＝Φm(r)-Φm+1(r) (2-5)，计算得出IMF-ApEni,j。
其中，步骤Ⅲ-2中所述的Hausdorff空间距离，简称“Hausdorff距离”，即豪斯多夫距离，是豪斯多夫距离量度度量空间中真子集之间的距离。豪斯多夫距离量度度量空间中真子集之间的距离。
由上述近似熵的计算过程可知，近似熵的计算值与嵌入维度m和相似容限r有关，若相似容限r减少，则满足相似条件的模式就会减少，其近似熵的估计准确度就会变差；相反，如果相似容限r增加，其相似模式过多，时间序列的细节信息又会丢失。因而，嵌入维度m和相似容限r的取值至关重要。
本实施例中，所述的m＝2。
并且，r＝c0×Std[ci,j(t)]；其中，c0＝0.1～0.25，Std[ci,j(t)]为ci,j(t)的标准差。ci,j(t)为一个时间序列。本实施例中，c0＝0.2。
实际使用时，可根据具体需要，对m和c0的取值进行相应调整。
由于白噪声或分形高斯噪声的经验模态分解(即EMD分解)相当于一组二分滤波器组，其各IMF分量的傅里叶变化谱图沿着周期或频率的对数近似为单一的形状。考虑到尺度丢失效应，白噪声的IMF分量个数应该小于N0为噪声序列的长度。IMF分量(即本征模态函数分量)被定义为由局部极大值和极小值形成的包络函数，其极值数目与过零点相同。IMF分量的平均周期从其定义上可以看出是由其局部峰值的个数决定。此处，通过快速傅里叶变换(Fast Fourier Transform，FFT)方法对平均周期进行计算。其中，平均周期也称为平均时间周期。
本实施例中，步骤Ⅲ中调用所述平均周期计算模块，对各白噪声信号的n个本征模态函数分量的平均周期进行计算时，所有本征模态函数分量的平均周期的计算方法均相同；
其中，对ci,j(t)的平均周期进行计算时，采用快速傅里叶变换方法且按照公式进行计算；其中，F[ci,j(t)]表示ci,j(t)的快速傅里叶变换。
本实施例中，所述的
ci,j(t)中包含M个数据，M为ci,j(t)的数据长度且其为正整数；M个数据中第h个数据，记作ci,j(h)；其中，h为正整数且h＝1、2、…、M。
本实施例中，步骤Ⅰ中多个所述随机白噪声信号的数据长度均与方向盘转角信号x(t)的数据长度相等。其中，宽信号的时宽也称数据长度。
并且，步骤Ⅰ中所述的N≥200。实际使用时，N的取值越大，步骤Ⅳ中所确定的二维联合概率密度函数的精度越高。
步骤Ⅳ中进行二维联合概率密度函数确定时，所确定的二维联合概率密度函数为二维随机变量的联合概率密度函数，具体是近似熵和平均周期对数的联合概率密度函数。
步骤Ⅳ中进行二维联合概率密度函数确定时，样本为根据步骤Ⅲ中计算得出的各白噪声信号的n个本征模态函数分量的近似熵和平均周期对数，并且需对计算得出的各白噪声信号的n个本征模态函数分量的近似熵和平均周期对数分别进行编号；
并且，根据公式进行确定，其中n0为样本数量，h0为核估计窗宽，K()表示二维核函数，x和y分别表示近似熵，为样本中第个近似熵，为第个平均周期对数。其中，i0为正整数且i0＝1、2、…、n0。
由于EMD分解将信号自适应地分解为一系列IMF分量，但是其中有一部分IMF分量并没有从物理上解释信号的特征，该分量被称之为虚假分量。EMD分解利用信号的局部极值信息筛选IMF分量是导致虚假模态产生的一个原因，另外，由于信号中混入噪声干扰，使得真实信号中出现虚假极值点，同样导致了一些高频噪声和低频分量等虚假模式。
由上述内容可知，采用基于白噪声统计特征的有效量提取方法，对方向盘转角信号x(t)进行矫正时，待步骤Ⅳ中白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数确定后，获得白噪声信号的n个本征模态函数分量的置信区间组成所述白噪声近似熵分布区间模板，并利用白噪声近似熵分布区间模板作为“筛子”提取方向盘转角信号x(t)经EMD分解后的有效信息分量，从而完成方向盘转角信号x(t)的矫正过程。
并且，利用白噪声近似熵分布区间模板作为“筛子”提取方向盘转角信号x(t)经EMD分解后的有效信息分量时，先用对方向盘转角信号x(t)进行归一化处理，再对方向盘转角信号x(t)进行EMD分解，得到不同时间尺度下的信号模态分量(即IMF分量)，再计算各IMF分量的近似熵和平均周期对数，其中近似熵记作ApEn，平均周期对数记作Log-M-P；然后，再根据所获得的白噪声近似熵分布区间模板，比较方向盘转角信号x(t)经EMD分解后的各IMF分量的近似熵和平均周期对数，以判别方向盘转角信号x(t)中各IMF分量中是否包含有虚假模式分量，其中落在白噪声近似熵分布区间模板内的IMF分量为高频噪声IMF分量与低频虚假IMF分量，落在白噪声近似熵分布区间模板外的IMF分量为方向盘转角信号x(t)的有效信号分量(effective intrinsic mode functions，EIMF)。
如图7-1、图7-2、图7-3、图7-4、图7-5、图7-6、图7-7和图7-8所示，对归一化后的方向盘转角信号x(t)进行EMD分解后，各IMF分量的近似熵和平均周期对数分布能看出：如图4所示的方向盘转角信号x(t)的IMF2、IMF3、IMF4和IMF5分量均落在白噪声近似熵分布区间模板(具体是白噪声信号的对应本征模态函数分量的置信区间)外，属于有效本征模态函数分量(即EIMF)，IMF2、IMF3、IMF4和IMF5分量的叠加量为包含驾驶员的驾驶习惯、驾驶精神状态等有效分量，详见图5；方向盘转角信号x(t)的IMF1、IMF6、IMF7和IMF8分量落在白噪声近似熵分布区间模板(具体是白噪声信号的对应本征模态函数分量的置信区间)内，IMF1、IMF6、IMF7和IMF8分量均为驾驶行为信息的无效模态分量，其形成的原因可能是噪声干扰和道路信息低频干扰引起的，主要反映的是噪声干扰和道路信息低频干扰引起的虚假分量，详见图6。由图6-1可以看出，上述虚假分量与道路曲率具有强相关性，采用本发明能有效地剥离方向盘转角信号中蕴含的道路信息。
本实施例中，对步骤102中所述车辆动力学模型的传递函数V(s)进行计算时，对δsw(t)和分别进行拉普拉斯变换，得到为计算简便取
因而，对所述车辆动力学模型的传递函数V(s)进行计算时，传递函数V(s)的计算过程为常规的传递函数计算过程，并且所述车辆动力学模型的传递函数V(s)为常规车辆动力学模型的传递函数。
其中，车辆动力学模型参数Gay、Ty1、Ty2、T1和T2车辆的型号和车速有关。并且，Gay为所述车辆动力学模型的稳态增益且式中V为车辆的行驶速度，l为车辆的轴距，K为车辆的稳定性因数与车辆的车型有关；式中a和b分别为车辆质心到车辆前后轴之间的距离，Iz为车辆绕Z轴(即竖直方向)的转动惯量，C1和C2分别为车辆前后轮的侧偏系数，T2＝0。
由于对分类模型进行建立时，需建立样本库，所建立的样本库中包括两类样本，一类样本是驾驶员处于正常驾驶状态下的行驶状态信息，另一类是驾驶员处于险态驾驶状态下的行驶状态信息。行驶状态信息包括方向盘转角、侧向加速度等驾驶状态参数中的一个或多个驾驶状态参数。其中，驾驶员处于正常驾驶状态下的行驶状态信息获取比较简便，采用监测装置对驾驶过程中驾驶员的行驶状态信息进行监测即可；但驾驶员处于险态驾驶状态下的行驶状态信息的获取难度非常大，几乎不可能真实实现险态驾驶状态，因而行驶状态信息的监测更无从谈起。本发明采用以下方法建立样本库，能有效解决上述难题。
本实施例中，步骤一中进行样本库建立时，过程如下：
步骤101、正常驾驶状态下行驶状态信息获取：采用行驶状态信息监测装置1且按照预先设计的监测频率，对被监测驾驶员按照预先设计的路线驾驶过程中所驾驶车辆的行驶状态信息进行监测，并将所监测信息同步传送至数据处理器2，获得多个监测时刻的行驶状态信息；
所述行驶状态信息监测装置1包括对所驾驶车辆的方向盘转角进行检测的方向盘转角检测单元1-1和对所驾驶车辆的侧向加速度进行检测的侧向加速度检测单元1-2，所述方向盘转角检测单元1-1和侧向加速度检测单元1-2均与数据处理器2连接；每个监测时刻的行驶状态信息均包括该时刻方向盘转角检测单元1-1所检测的方向盘转角和侧向加速度检测单元1-2所检测的侧向加速度；
步骤102、车辆动力学模型参数确定：所述数据处理器2根据步骤101中所获得的多个监测时刻的行驶状态信息，得出方向盘转角函数δsw(t)和侧向加速度函数其中，δsw(t)为步骤101中驾驶过程中所驾驶车辆的方向盘转角随时间变化的函数，为步骤101中驾驶过程中所驾驶车辆的侧向加速度随时间变化的函数；所述数据处理器2再根据公式并结合步骤101中被监测驾驶员所驾驶车辆的车辆动力学模型的传递函数对车辆动力学模型参数Gay、Ty1、Ty2、T1和T2分别进行确定；
公式(2)中，δsw(s)为方向盘转角函数δsw(t)的拉普拉斯变换，为侧向加速度函数的拉普拉斯变换；
步骤103、险态驾驶状态下行驶状态信息获取，过程如下：
步骤1031、随机数生成：采用数据处理器2且调用随机数生成模块，生成神经反应时间随机数组或动作反应时间随机数组；
所述神经反应时间随机数组为调用所述随机数生成模块生成的一组平均数为td0且方差为σd的随机数；其中，td0＝0.25～0.5；当被监测驾驶员为男性驾驶员时，σd＞7.5；当被监测驾驶员为女性驾驶员时，σd＞8；
所述动作反应时间随机数组为调用所述随机数生成模块生成的一组平均数为Th0且方差为σh的随机数；其中，Th0＝0.12～0.2；当被监测驾驶员为男性驾驶员时，σh＞2.6；当被监测驾驶员为女性驾驶员时，σd＞1.95；
步骤1032、随机数筛选：先根据预先设定的疲劳度判断阈值Ntm，采用数据处理器2计算得出神经反应时间判断阈值tdm或动作反应时间判断阈值Thm，其中，Ntm＝0.7～0.9；再根据计算得出的tdm或Thm，对步骤1031中生成的所述神经反应时间随机数组或所述动作反应时间随机数组进行筛选，获得险态驾驶状态下的神经反应时间数组或动作反应时间随机数组；所述神经反应时间数组中包括险态驾驶状态下神经反应时间的多个随机数，所述动作反应时间随机数组中包括险态驾驶状态下动作反应时间的多个随机数；公式(3)中tda和tdb分别为预先测试得出的被监测驾驶员神经反应时间的上限值和下限值，公式(4)中Tha和Thb分别为预先测试得出的被监测驾驶员动作反应时间的上限值和下限值，tdm、Thm、tda、tdb、Tha和Thb的单位均为s；
对所述神经反应时间随机数组进行筛选时，根据计算得出的tdm，采用数据处理器2对所述神经反应时间随机数组中的各随机数分别进行判断；对所述神经反应时间随机数组中的任一个随机数进行判断时，判断该随机数是否大于tdm，且当该随机数＞tdm时，判断为该随机数为险态驾驶状态下神经反应时间的随机数；
对所述动作反应时间随机数组进行筛选时，根据计算得出的Thm，采用数据处理器2对所述动作反应时间随机数组中的各随机数分别进行判断；对所述动作反应时间随机数组中的任一个随机数进行判断时，判断该随机数是否大于Thm，且当该随机数＞Thm时，判断为该随机数为险态驾驶状态下动作反应时间的随机数；
步骤1033、驾驶员反应时间数组获取：采用数据处理器2对步骤1032中所述神经反应时间数组或所述动作反应时间随机数组进行时间数据对计算，获取驾驶员反应时间数组；所述驾驶员反应时间数组中包括险态驾驶状态下的多个驾驶员反应时间数据对，每个所述驾驶员反应时间数据对均包括一个神经反应时间和一个动作反应时间；
其中，对所述神经反应时间数组进行时间数据对计算时，采用数据处理器2对所述神经反应时间数组中的各随机数分别进行时间数据对计算；对所述神经反应时间数组中的任一个随机数tdi进行时间数据对计算时，先根据公式计算得出神经反应时间tdi对应的疲劳度Nti；再根据公式计算得出神经反应时间tdi对应的动作反应时间Thi，所述的tdi和Thi组成一个驾驶员反应时间数据对；i为正整数且i＝1、2、…、Nd，Nd为所述神经反应时间数组中所包括随机数的总数量；
对所述动作反应时间数组进行时间数据对计算时，采用数据处理器2对所述动作反应时间数组中的各随机数分别进行时间数据对计算；对所述动作反应时间数组中的任一个随机数tdi进行时间数据对计算时，先根据公式计算得出动作反应时间Thj对应的疲劳度Ntj；再根据公式计算得出动作反应时间Thj对应的神经反应时间tdj，所述的tdj和Thj组成一个驾驶员反应时间数据对；j为正整数且j＝1、2、…、Nh，Nh为所述动作反应时间数组中所包括随机数的总数量；
步骤1034、行驶状态信息获取：根据预先建立的驾驶员模型，采用数据处理器2对步骤1033中所述驾驶员反应时间数组中的多个所述驾驶员反应时间数据对分别进行行驶状态信息计算，获得Nk组险态驾驶状态下的行驶状态信息；其中，Nk为正整数且其为所述驾驶员反应时间数组中所包括驾驶员反应时间数据对的总数量，Nk＝Nd或Nh；
步骤101中多个所述监测时刻被监测驾驶员所驾驶车辆所处的位置均为监测位置，每组险态驾驶状态下的行驶状态信息均包括险态驾驶状态下的多个方向盘转角信号，多个所述方向盘转角信号分别为险态驾驶状态下被监测驾驶员所驾驶车辆在多个不同监测位置处的方向盘转角信号；
所述驾驶员模型的输入量为步骤102中所述的输出量为险态驾驶状态下被监测驾驶员按照步骤101中预先设计的路线驾驶过程中所驾驶车辆的方向盘转角随时间变化的函数；所述驾驶员模型的传递函数为公式(9)中，Tp、td和Th分别为驾驶过程中同一时刻被监测驾驶员的预瞄时间、神经反应时间和动作反应时间；所述驾驶员模型与步骤102中所述车辆动力学模型组成闭环驾驶模型；所述驾驶员模型与步骤102中所述车辆动力学模型组成闭环驾驶模型；
采用数据处理器2对步骤1033中所述驾驶员反应时间数组中的任一个所述驾驶员反应时间数据对进行行驶状态信息计算时，根据公式(9)，并结合步骤101中所获得的多个监测时刻的侧向加速度以及该驾驶员反应时间数据对中的神经反应时间和动作反应时间，获得与该驾驶员反应时间数据对对应的险态驾驶状态下被监测驾驶员所驾驶车辆在多个不同监测位置处的方向盘转角信号；
步骤104、样本库建立：采用数据处理器2建立样本库，所建立的样本库内存储有两类样本，一类样本为正常驾驶状态样本且该类样本中包括步骤101中所获得的多个监测时刻的方向盘转角信号，另一类样本为险态驾驶状态样本且该类样本中包括步骤1034中获得的险态驾驶状态下的多个方向盘转角信号。
本实施例中，步骤五中按照预先设定的采样频率对被监测驾驶员驾驶过程中所驾驶车辆的方向盘转角进行采集时，采用行驶状态信息监测装置1进行采集。
实际使用时，步骤五中也可以采用角度检测装置按照预先设定的采样频率对被监测驾驶员驾驶过程中所驾驶车辆的方向盘转角进行采集。
本实施例中，步骤101中所述行驶状态信息监测装置1还包括对所驾驶车辆的位移进行实时检测的位移检测单元1-3，所述位移检测单元1-3与数据处理器2连接；
步骤101中每个监测时刻的行驶状态信息均还包括该时刻位移检测单元1-3所检测的位移；
步骤101中进行正常驾驶状态下行驶状态信息获取之前，先建立平面直角坐标系；所述位移检测单元1-3包括对所驾驶车辆在X轴方向上的位移进行检测的X轴方向位移检测单元和对所驾驶车辆在Y轴方向上的位移进行检测的Y轴方向位移检测单元，所述X轴方向位移检测单元和所述Y轴方向位移检测单元均布设在所驾驶车辆的质心上。
本实施例中，步骤1034中进行险态驾驶状态下行驶状态信息获取之前，采用数据处理器2获取步骤101中预先设计的路线中多个不同监测位置处的道路曲率ρp；
步骤1034中对与该驾驶员反应时间数据对对应的险态驾驶状态下被监测驾驶员所驾驶车辆在多个不同监测位置处的方向盘转角进行计算时，根据公式(9)，并结合步骤101中所获得的该监测位置处的侧向加速度、该监测位置处的道路曲率ρp以及该驾驶员反应时间数据对中的神经反应时间和动作反应时间进行计算；公式(9)中，公式(10)中，Kp为修正系数且Kp＝110～150，ρp为该监测位置处的道路曲率，为该驾驶员反应时间数据对对应的最优预瞄时间且公式(11)中，td和Th分别为该驾驶员反应时间数据对中的神经反应时间和动作反应时间。
实际对预先设计的路线中多个不同监测位置处的道路曲率ρp进行计算时，预先设计的路线为实际道路经过图像预处理后得到的理想路径，不同监测位置处的道路曲率通过ρp对车辆上前置摄像头获取的道路图像信息进行处理得到。
为计算简便，步骤101中预先设计的路线为直线形路线或圆弧形路线，预先设计的路线中多个不同监测位置处的道路曲率均相同。也就是说，实际道路的路线为直线形路线或圆弧形路线。
其中，当预先设计的路线为直线形路线，多个不同监测位置处的道路曲率均为零；预先设计的路线为圆形路线，多个不同监测位置处的道路曲率均为R为圆形路线的半径。
本实施例中，步骤101中所述侧向加速度检测单元1-2布设在所驾驶车辆的质心上。
实际使用时，所述侧向加速度检测单元1-2也可以不布设在所驾驶车辆的质心上，根据侧向加速度检测单元1-2与所驾驶车辆质心的位置关系，通过对侧向加速度检测单元1-2的测量值进行换算得出所驾驶车辆质心处的侧向加速度。
本实施例中，步骤101中获得M个监测时刻的行驶状态信息，其中M为正整数且M≥50，步骤104中所述样本库中存储的所述正常驾驶状态样本的数量为M个，每个所述正常驾驶状态样本均为步骤101中所获得的一个监测时刻的方向盘转角信号；步骤104中所述样本库中存储的所述险态驾驶状态样本的数量不小于M个，每个所述险态驾驶状态样本均为步骤1034中获得的险态驾驶状态下的一个方向盘转角信号。
本实施例中，步骤1034中采用数据处理器2对所述驾驶员反应时间数组中的任一个所述驾驶员反应时间数据对进行行驶状态信息计算时，均获得与该驾驶员反应时间数据对对应的险态驾驶状态下被监测驾驶员所驾驶车辆在M个不同监测位置处的方向盘转角信号；Nk组险态驾驶状态下的行驶状态信息包括险态驾驶状态下的Nk×M个所述方向盘转角信号。
并且，步骤104中所述样本库中存储的所述险态驾驶状态样本的数量为M个～Nk×M个。
本实施例中，步骤101中所述行驶状态信息监测装置1还包括对所驾驶车辆的侧偏角进行实时检测的侧偏角检测单元1-4，所述侧偏角检测单元1-4与数据处理器2连接；所述侧偏角检测单元1-4布设在所驾驶车辆的质心上；
步骤101中每个监测时刻的行驶状态信息均还包括该时刻侧偏角检测单元1-4所检测的侧偏角。
本实施例中，步骤101中所述行驶状态信息监测装置1为所驾驶车辆自带的监测装置，所述行驶状态信息监测装置1与所驾驶车辆的ECU控制器连接；所述数据处理器2与所述ECU控制器连接，所述行驶状态信息监测装置1通过所述ECU控制器与数据处理器2连接。
因而，实际接线非常简便。
本实施例中，步骤1032中所述的Ntm＝0.8。
实际使用时，可根据具体需要，对Ntm的取值大小进行相应调整。
反应时间(reactiontime，RT)简称反应时，是指从接受刺激到机体做出反应动作所需的时间，也就是从刺激到反应之间的时距。刺激引起了感觉器官的活动，经由神经系统传递给大脑，经过加工，再从大脑传递给效应器，作用于外界的某种客体。反应时也叫反应潜伏期，它包括感觉器官所需要的时间，大脑加工消耗的时间，神经传导的时间以及肌肉反应的时间。因而，反应时主要反映人体神经与肌肉系统的协调性和快速反应能力。
反应时包括3个时相。第一时相：刺激使感受器引起神经冲动并传递到大脑神经元的时间；第二时相：神经冲动从感觉神经元传递到大脑皮层的感觉中枢和运动中枢，又从中枢经运动神经传递到达效应器官的时间；第三时相：效应器官接受冲动引起运动的时间。以上3个时间的总合即为反应时间。本发明中所述的神经反应时间是上述前两个时间的总和，即刺激使感受器引起神经冲动并传递到大脑神经元的时间与神经冲动从感觉神经元传递到大脑皮层的感觉中枢和运动中枢，又从中枢经运动神经传递到达效应器官的时间之和。本发明中所述的动作反应时间是指上述第三个时间，即效应器官接受冲动引起运动的时间。
简单反应时是指呈现一个刺激，要求被测试者从看到或听到刺激到立即作出反应的这段时间间隔；又称A反应时。
本实施例中，对被监测驾驶员的反应时进行测试时，采用常规的简单反应时测试方法，并且采用视觉反应时测试方法，即所采用的刺激为视觉刺激。
并且，根据被监测驾驶员的反应时测试结果，对步骤1032中所述的tda、tdb、Tha和Thb分别进行确定。
本实施例中，采用神经反应时间测定计对步骤1032中所述的tda和tdb分别进行测试。
同时，结合被监测驾驶员的反应时测试结果，并结合测试得出的tda和tdb，对步骤1032中所述的Tha和Thb分别进行确定。
实际使用时，被监测驾驶员的反应时测试结果中，测试得出的反应时为被监测驾驶员的神经反应时间与动作反应时间之和。同时，反应时测试过程中，采用神经反应时间测定计对被监测驾驶员的神经反应时间进行测试，并相应对被监测驾驶员的动作反应时间进行测试。这样，通过多次测试，能得出步骤1032中所述的tda、tdb、Tha和Thb。
本实施例中，步骤101中所述的监测频率为5Hz。实际使用时，可根据具体需要，将所述监测频率在3Hz～10Hz之间进行相应调整。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！