基于人工神经网络和证据理论的疲劳驾驶评价方法
【技术领域】
[0001] 本发明涉及一种基于人工神经网络和证据理论的疲劳驾驶评价方法，属于驾驶员 疲劳驾驶评价技术领域。
【背景技术】
[0002] 疲劳驾驶检测和评价已成为汽车主动安全领域中的研究热点，其中基于物理传感 器的非接触式疲劳驾驶检测方法在理论研究和应用领域近年来引起广泛重视。但现有的疲 劳驾驶评价方法大都只针对驾驶员某一方面的单一疲劳特征，如频繁的眨眼和打呵欠，头 部转动异常，或车辆行驶状态异常等。随着信息融合技术的发展，不少评价方法虽然已开始 考虑融合多个疲劳特征，但它们大多只融合驾驶员面部的几个疲劳特征，而对于间接反应 驾驶员是否疲劳的车辆行为特征，如因疲劳驾驶而产生的车辆异常偏离车道，方向盘转动 和车速变化异常等却被忽略，导致目前这些方法的评价效果不够理想，容易造成误评，漏评 等。同时，疲劳驾驶是一个非常复杂的生理现象，存在诱发原因多，症状复杂，难以检测和评 价等问题，这些都给传统的疲劳驾驶评价方法带来了极大地挑战。
【发明内容】
[0003] 为了解决上述技术问题，本发明提供了一种基于人工神经网络和证据理论的疲劳 驾驶评价方法。
[0004] 为了达到上述目的，本发明所采用的技术方案是：
[0005] 基于人工神经网络和证据理论的疲劳驾驶评价方法，包括以下步骤，
[0006] 步骤一，采集疲劳特征数据样本，用以人工神经网络训练；
[0007] 步骤二，构建人工神经网络，利用样本数据确定人工神经网络参数；
[0008] 步骤三，实时计算疲劳特征参数；
[0009] 步骤四，基于人工神经网络的特征级融合；
[0010] 步骤五，基于D-S证据理论的决策级融合；
[0011] 步骤六，根据决策规则进行驾驶状态辨识。
[0012] 疲劳特征数据样本采集过程为，
[0013] Al)招募若干受试驾驶员，并根据疲劳状态进行自我评价；
[0014] A2)对受试驾驶员的疲劳特征参数进行采集；
[0015] 所述疲劳特征参数包括面部行为特征信号和车辆行为特征信号；
[0016] 所述面部行为特征信号包括眨眼信号、打哈欠信号和眼睛持续闭合信号；
[0017] 所述车辆行为特征信号包括车辆前方车道标志线信号、方向盘转动信号和车辆车 速信号；
[0018] A3)根据面部行为特征信号计算出眨眼频率Xlil、打哈欠频率\2和眼睛持续闭合 时间均值W根据车辆行为特征信号计算出车辆横向偏离频率x 2il、方向盘零速转动百分 比x2,2和车辆纵向车速方差X 2,3;
[0019] A4)利用EEG检测装置同步采集受试驾驶员脑电信号，记录当前时刻受试驾驶员 是否疲劳的指标ra,
[0020] ra_ OiP= (P α+Ρθ)/Ρβ
[0021] 其中，Pa，Pe和P e分别为脑电波在a，θ和β三个波段的功率谱；
[0022] Α5)根据r 的大小对受试驾驶员的驾驶状态进行分类；
[0023] 当r a, e, e < s #寸，受试驾驶员的驾驶状态为"清醒"；
[0024] 当S1Sr < s 2时，受试驾驶员的驾驶状态为"轻度疲劳"；
[0025] 当r n e彡s 2时，受试驾驶员的驾驶状态为"重度疲劳"；
[0026] S1S s 2, sJP s 2均为设定的阈值；
[0027] A6)将受试驾驶员的自我评价和步骤A5中获得的分类情况进行比较，当两者相同 时，则将该受试驾驶员的疲劳特征参数作为有效样本数据存入样本数据集中，否则，作为无 效数据剔除。
[0028] 构建的人工神经网络有两个，第一个人工神经网络用ANN-I表示，第二个人工神 经网络用ANN-2表示；
[0029] ANN-I结构为：将眨眼频率Xlil、打哈欠频率Xli2和眼睛持续闭合时间均值X 1ι3作 为ANN-I输入层三个神经元的输入向量，ANN-I输出层神经元用yul、y li2和y 1ι3表示，分别 对应"清醒"、"轻度疲劳"和"重度疲劳"三种驾驶状态的概率值，ANN-I隐含层神经元个数
，其中，&1为ANN-I输入层的神经元个数，b Λ ANN-I输出层神经元个数， C1为一个常数；
[0030] ΑΝΝ-2结构为：将车辆横向偏离频率X2il、方向盘零速转动百分比X2i2和车辆纵向 车速方差x 2,3作为ΑΝΝ-2输入层三个神经元的输入向量，ΑΝΝ-2输出层神经元用y 和 y2i3表示，分别对应"清醒"、"轻度疲劳"和"重度疲劳"三种驾驶状态的概率值，ANN-2隐含 层神经元个数
，其中，a2SANN-2输入层的神经元个数，b 2SANN-2输出 层神经元个数，C2为一个常数。
[0031] ANN-I和ANN-2的网络参数利用样本参数，通过BP算法训练确定；
[0032] ANN-I的网络参数通过BP算法训练确定的过程为：
[0033] BDANN-I网络参数初始化；
[0034] 定义W1li j为ANN-I输入层与隐含层之间的连接权值，Θ 1 ;为ANN-I输入层与隐含 层之间的连接阈值，ΛΑΑΝΝ-1隐含层与输出层之间的连接权值，γ 1^ANN-I隐含层与 输出层之间的连接阈值，ε Λ ANN-I训练的误差精度，η Μ为最大迭代次数；
[0035] 其中，i、t、j 均为整数，i e [l，3]，t e [l，3]，j e [l，ni];
[0036] Β2)从样本数据集I中选取受试驾驶员面部行为特征样本数据I1k;
[0037]
[0038] XkU为第k个受试驾驶员的面部行为特征中的眨 眼频率，Xk12为第k个受试驾驶员的面部行为特征中的打哈欠频率，X 为第k个受试驾驶 员的面部行为特征中的眼睛持续闭合时间均值；
[0039] Yik= [y L，Λ,2, y\3]，Λ,ρ八2和y \,3分别表示第k个数据样本在"清醒"，"轻 度疲劳"和"重度疲劳"三种驾驶状态下的3个概率值；
[0040] B3)将作为ANN-I的输入向量，将Y114作为ANN-I的期望输出向量输到ANN-I 中；
[0041] B4)定义N = 1，w^l)为第一次迭代ANN-I输入层与隐含层之间的连接权值， Θ、(1)为第一次迭代ANN-I输入层与隐含层之间的连接阈值，八"1)为第一次迭代ANN-I 隐含层与输出层之间的连接权值，Y1t(I)为第一次迭代ANN-I隐含层与输出层之间的连接 阈值；
[0042] B5)执行输入模式的正向传播过程；
[0043] 正向传播过程如下：
[0044] al)计算ANN-I隐含层各个神经元的输出/;
[0045]
[0046] a2)计算ANN-I输出层各个神经元的实际输出;
[0047]
[0048] a3)计算ANN-I期望输出跟实际输出的误差< ;
[0049]
[0050] Β6)执行误差的逆向传播过程；
[0051] 逆向传播过程如下：
[0052] bl)计算ANN-I输出层各个单元的校正误差< ;
[0053]
[0054] b2)计算ANN-I隐含层各个单元的校正误差?
[0055]
[0056] Β7)计算下一次迭代时ANN-I输入层与隐含层之间的新连接权值w^N+1)和新 阈值 Θ\(Ν+1);
[0057] ，
[0058]
[0059] 其中，β丨为ANN-I的学习系数；
[0060] B8)计算下一次迭代时ANN-I隐含层与输出层之间的新连接权值V^JN+I)和新 阈值 γ\(Ν+ι);
[0061]
[0062]
[0063] 其中，α为ANN-I的学习系数；
[0064] Β9)判断At是否小于等于ε i，或者Ν+1是否等于ηΜ，若满足，则训练结束，转至步 骤Β10,否则，N = Ν+1，转至步骤Β5 ;
[0065] Β10)将满足步骤Β9条件时，训练获得的连接权值和阈值作为ANN-I的最优网络参 数；
[0066] 其中，作为ANN-I的最优网络参数的连接权值分别记作和，作为ANN-I的 最优网络参数的连接阈值分别记作$和;；
[0067] ΑΝΝ-2的网络参数通过BP算法训练确定的过程为：
[0068] Cl)ANN-2网络参数初始化；
[0069] 定义w\ 为ΑΝΝ-2输入层与隐含层之间的连接权值，Θ公为ΑΝΝ-2输入层与隐 含层之间的连接阈值，V2j^t为ANN-2隐含层与输出层之间的连接权值，γ 2tSANN-2隐含 层与输出层之间的连接阈值，ε 2为ANN-2训练的误差精度；
[0070] 其中，j'为整数，j' e [l，n2];
[0071] C2)从样本数据集I中选取受试驾驶员车辆行为特征样本数据I2k;
[0072]
[0073] , Xk2il为第k个受试驾驶员的车辆行为特征中的车 辆横向偏离频率，Xk2i2为第k个受试驾驶员的车辆行为特征中的方向盘零速转动百分比， Xk2i3为第k个受试驾驶员的车辆行为特征中的车辆纵向车速方差；
[0074]
yk2il，人2和y 1V3分别表示第k个数据样本在"清醒"， "轻度疲劳"和"重度疲劳"三种驾驶状态下的3个概率值；
[0075] C3)将1|作为ANN-2的输入向量，将'作为ANN-2的期望输出向量输到ANN-2 中；
[0076] C4)定义N = 1，（1)为第一次迭代ANN-2输入层与隐含层之间的连接权值， 0公（1)为第一次迭代ANN-2输入层与隐含层之间的连接阈值，为第一次迭代 ANN-2隐含层与输出层之间的连接权值，Y2t(I)为第一次迭代ANN-2隐含层与输出层之间 的连接阈值；
[0077] C5)执行输入模式的正向传播过程；
[0078] 正向传播过程如下：
[0079] cl)计算ANN-2隐含层各个神经元的输出; CN 105139070 A 下i b/lb 贝
[0080]
[0081] c2)计算ANN-2输出层各个神经元的实际输出;
[0082]
[0083] c3)计算ANN-2期望输出跟实际输出的误差《；
[0084]
；
[0085] C6)执行误差的逆向传播过程；
[0086] 逆向传播过程如下：
[0087] dl)计算ANN-2输出层各个单元的校正误差6?^;
[0088]
[0089] d2)计算ANN-2隐含层各个单元的校正误差
[0090]
:
[0091] C7)计算下一次迭代时ΑΝΝ-2输入层与隐含层之间的新连接权值W21^ (Ν+1)和新 阈值 Θ 2r (Ν+1);
[0092]
[0093]
[0094] 其中，β 2为ΑΝΝ-2的学习系数；
[0095] C8)计算下一次迭代时ΑΝΝ-2隐含层与输出层之间的