基于腕带仪器的驾驶员疲劳检测方法与流程

本发明涉及传感器技术领域，特别是指一种基于腕带仪器的驾驶员疲劳检测方法。

背景技术：

传感器技术从出现以来已经成为了自控等领域的基础，是一切控制机械的“眼睛”，而一切智能控制都需要依靠传感器技术。以环境感知系统为例，其是先进驾驶辅助系统(Advanced Automotive Driving System，ADAS)、智能汽车和无人驾驶汽车的基础。目前，环境感知的主要方法是通过顶置旋转激光雷达、激光雷达、毫米波雷达、摄像头、超声波传感器等传感器系统对环境进行感知，尤其是对环境中的静态和动态目标物进行定位和跟踪。

随着现代社会汽车行业的高速发展，无论是家用轿车还是长途运输货车，对汽车行驶安全都提出了更高层次的要求。现有的车辆行驶安全检测方法是对驾驶员的驾驶状态、车辆运行状态及环境信息等进行实时监测，分析并预测驾驶危险状态并及时予以提醒，必要时主动干预或控制车辆运动。

疲劳驾驶是威胁车辆行驶安全，导致交通事故的一个主要原因。研究表明，很多交通事故都是源于疲劳驾驶。对2894例道路交通伤害调查分析结果表明，9.68％的事故发生源于驾驶员的疲劳驾驶。美国卡内基梅隆大学在驾驶模拟器上研究表明：机动车辆重大事故率9.1％归因于疲劳驾驶。驾驶疲劳的巨大危害性使它早在70年前就引起了社会的重视，美国政府在1939年就将驾驶人不得连续驾驶4小时写进了法律，以避免因长时驾驶而导致的疲劳驾驶事故。我国法律明确规定驾驶人不得连续驾驶机动车超过4小时未停车休息或者停车休息时间少于20分钟。

疲劳驾驶造成的交通事故一般来说影响巨大，造成极大的人员伤 亡和财产损失。2013年，我国发生交通事故198394起，造成213724人受伤，58539人死亡，直接财产损失103896.6万元。驾驶疲劳不仅危害巨大而且普遍存在。Loughborough大学的研究人员对996名载重汽车和4621名轿车男驾驶员跟踪调查，发现29％的驾驶员在开车时打瞌睡，其中10％的驾驶员因为疲劳导致事故。美国的Tilley等通过对随机选取的1500名驾驶人进行问卷调查发现，其中64％的人承认在驾驶过程中经历过驾驶疲劳，大于7％的人因为深度疲劳而在驾驶过程中出现过短暂的睡着，10％的人曾因驾驶疲劳而发生交通事故。Seko在日本也进行了类似的研究，在他的研究中高达75％的驾驶人有过疲劳驾驶的经历。

基于驾驶疲劳具有严重危害性，普遍存在性以及依靠法律法规及自我克制难以约束性，利用技术手段开发驾驶人疲劳状态识别预警装置变得尤为重要。驾驶人疲劳状态的检测技术已成为先进汽车安全技术领域的一个重要发展方向。研究疲劳驾驶实时检测方法，对改善交通安全状况意义重大。

为降低疲劳驾驶导致的交通事故，提高道路交通安全，各国积极开展疲劳驾驶检测方法的研究，如美国的SAVE-IT项目、欧洲的AWAKE项目、日本的ASV项目等。开发高性能的驾驶人疲劳状态检测技术已成为先进汽车安全技术领域的一个重要发展方向。现今较为成熟的疲劳预警技术一般是基于机器视觉的，但识别算法相对复杂，且数据获取时容易受到外界因素干扰。从目前汽车使用疲劳预警系统情况看，一般都应用在中高档车型上，对一般车辆而言，成本成为制约是否安装疲劳预警系统的关键因素。

技术实现要素：

针对现有技术中存在的对疲劳驾驶监测不利的问题，本发明要解决的技术问题是提供一种成本低、安装方便、对驾驶员驾驶车辆过程中没有任何干扰且能对疲劳驾驶状态进行准确报警的基于腕带仪器的驾驶员疲劳检测方法。

为了解决上述问题，本发明实施例提出了一种基于腕带仪器的驾驶员疲劳检测方法，包括：

步骤1、获取方向盘转角速度信号；

步骤2、根据方向盘转角速度信号计算疲劳特征指标，其中所述疲劳特征指标包括至少包括：方向盘转角速度均值、方向盘转角速度标准差、方向盘转角速度一阶矩、方向盘转角速度极大值、方向盘转角速度四分位值、大于75％分位值的方向盘转角速度均值；还包括方向盘持续不动次数、方向盘持续不动时间、方向盘往复修正频数；

步骤3、对提取的疲劳特征指标进行优化，以从疲劳判别指标全集中筛选出最优指标子集；

步骤4、利用所述最优指标子集作为输入，建立用于进行疲劳检测的基于SVM的疲劳检测模型。

其中，所述步骤1具体包括：

步骤11、通过佩戴在驾驶员手腕上的腕带仪器中的加速度传感器采集方向盘运动的加速度信号；

步骤12、对接收到的方向盘运动的加速度信号对时间积分来得到方向盘转角速度信号。

其中所述步骤2具体包括：

步骤21、将获取到的方向盘转角速度信号切分为预定时间间隔的数据段；

步骤22、获取每一数据段中2s内方向盘转动低于0.5°/s、1°/s、1.5°/s的数据，以及每一数据段中4s内方向盘转动低于0.5°/s、1°/s、1.5°/s的数据；

步骤23、获取每一数据段中方向盘修正阈值大于1°/s、3°/s、5°/s、10°/s、15°/s、20°/s的数据；

步骤24、利用双时间窗指标提取法提取了最大角度标准差和最大零速百分比，其中所述滑动窗宽及对应步长分别取15s和5s、10s 和5s、12s和4s、16s和4s、18s和3s、15s和3s。

其中所述步骤3具体包括：

步骤31、建立的疲劳特征指标优化选择公式：

其中，Y是疲劳判别指标全集，X是Y的非空子集，J(X)是准则函数，即疲劳判别模型的识别准确率，N_X是测试样本数，n_X是测试样本中疲劳检测模型正确识别的样本数；

步骤32、利用SFFS算法从疲劳判别指标全集Y中搜索出非空子集X以求解公式(1)；然后将非空子集X为输入，利用训练样本基于SVM算法建立驾驶人疲劳状态检测模型，再利用测试样本测试模型的分类性能，求取准则函数的值J(X)；其中满足J(X)值最大的子集X就是公式(1)的最优解；

其中，SFFS算法是指从空集开始，每轮在未选择的特征中选择一个子集x，使加入子集x后评价函数达到最优，然后在已选择的特征中选择子集z，使剔除子集z后评价函数达到最优，获得最优指标子集X。

其中，所述步骤4包括：

步骤41、以最优指标子集X作为输入，为减小大值指标分量对小值指标分量产生的支配作用，提高疲劳检测模型的识别准确率，对指标数量级进行归一化；

步骤42、利用最优指标子集X训练基于SVM的疲劳检测模型，其中所述SVM的核函数为径向基核函数，对惩罚系数C和核变量σ进行优化

以模型在测试集上的识别准确率作为变量优化的目标函数，利用网格搜索法网格搜索Grid-Search算法搜寻最优的变量组合(C,σ)，其中C为惩罚系数，σ为核变量；具体公式为：

J(X)是准则函数，即疲劳判别模型的识别准确率，N_X是测试样本数，n_X是测试样本中疲劳检测模型正确识别的样本数，C是惩罚系数，σ是核变量。

利用交叉验证法求取模型变量优化和指标评价准则的目标函数值J(X)。

本发明的上述技术方案的有益效果如下：

本发明的技术方案通过腕带式装置中的加速度传感器采集方向盘转角加速度信息，避开了基于生理特征检测的数据的获取方式对驾驶员正常驾驶侵入性较强的缺点，同时规避了基于面部特征检测中的数据获取时容易受到外界因素干扰及识别算法相对复杂等问题。本发明实施例的方法信号采集容易，可信度高，只需要通过腕带式装置中简单的、低成本的加速度传感器以及通过车辆和腕带式装置间的蓝牙传输车速信号，即可实现驾驶人疲劳预警的目的，可显著提高疲劳预警的普适程度。本发明实施例解决因外界环境(如光照)的差异导致检测数据不准确，以及因预警提醒系统的存在导致干扰驾驶的问题。本发明应用于驾驶员车载疲劳检测，能够实时提醒驾驶员的疲劳状态，最大程度的避免因疲劳导致的交通事故的发生；还可应用于驾驶员疲劳状态事后评价报告及反馈。

附图说明

图1为本发明实施例中的方法流程图；

图2为指标优化选择算法SFFS的流程图；

图3为指标评价准则的建立流程图；

图4为指标优化选择算法的精度曲线。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明实施例中通过如图1所示的方法来进行驾驶员疲劳检测。具体包括：

步骤1、数据采集步骤：

通过佩戴在驾驶员手腕上的腕带仪器采集方向盘运动信号，并采集车速信号。在本发明的一个实施方式中，在该腕带仪器内设有加速度传感器以采集方向盘运动的加速度信号；然后通过蓝牙装置来采集车速信息。

步骤2、数据预处理步骤：

根据得到的方向盘运动信号获得方向盘转角速度信号，具体的可以采用对加速度传感器采集到的方向盘加速度信号对时间积分来得到方向盘转角速度信号。

步骤3、根据方向盘转角速度信号计算疲劳特征指标：

在研究中发现，方向盘转角速度的波动范围及频率是驾驶员得主要疲劳特征，本发明实施例中以预定时间内的方向盘转角速度信号作为一个样本(例如采用60s内的数据为一个样本)，然后从每个样本的方向盘转角速度中提取了均值(Mean)、标准差(Std)、一阶矩(FOM)、极大值(Max)、四分位值(Q1、Q2、Q3)以及大于75％分位值的均值(Mean_Q3)等基本统计量作为统计类指标。

除了统计类指标，本发明实施例还提取了方向盘不动次数(NMRHOLD)、方向盘持续不动时间(THRSHLD)、方向盘往复修正频数等经验类指标。

(1)、方向盘不动次数和时间是指方向盘转动的阈值分别取0.5°/s、1°/s、1.5°/s，持续时间分别取2s和4s两个时间，如此则 共提取这两类特征共2×3×2＝12个指标。

(2)、方向盘往复修正频数，取往复修正幅值阈值为1°/s、3°/s、5°/s、10°/s、15°/s、20°/s，如此共6个指标。

(3)、利用双时间窗指标提取法提取了最大角度标准差(MSDA)和最大零速百分比两个指标(MPNS)，滑动窗宽及对应步长分别取15s和5s、10s和5s、12s和4s、16s和4s、18s和3s、15s和3s，如此共2×6＝12个指标。共计8+12+6+12＝38个指标。

步骤4、对步骤3提取的疲劳特征指标进行优化选择，并建立基于SVM(Support Vector Machine，支持向量机)的疲劳检测模型：

不加选择地增加判别指标的维数，并不能提高模式识别系统的判别结果。实际问题中，一，疲劳判别指标之间具有较强的相关性，存在大量冗余信息；二，疲劳判别指标数量繁多，影响疲劳检测模型的运算效率和结构复杂度；三，受冗余、低效指标的干扰，以指标全集构建特征空间的方法往往会劣化疲劳检测模型的分类性能。因此，指标优化选择的目的即为：从繁多、冗余、关联的疲劳判别指标中，选取一组最优的指标来构建疲劳模式分类的特征空间，实现优化疲劳检测系统性能的目的。

指标优化选择的目的是从数量为D的疲劳判别指标全集中筛选出数量为d(D>d)的子集，使建立的疲劳检测模型的分类性能达到最优。为此需要解决两个问题，一是构建一种搜索策略，确定指标选入和剔除的规则，以便在允许的时间内选出最优指标组合；二是建立一种评价准则，能够对不同疲劳判别指标组合的分类能力进行准确地评价。

通过分析对比，本发明采用Wrapper法评价准则结合启发式搜索策略建立近似最优的指标选择算法。即步骤4具体包括：

步骤41、建立的指标优化选择公式：

其中，Y是疲劳判别指标全集，X是Y的非空子集，J(X)是准则函数，即疲劳判别模型的识别准确率，N_X是测试样本数，n_X是测试样本中疲劳检测模型正确识别的样本数。

步骤42、利用SFFS算法从指标全集Y中搜索出非空子集X以求解公式(1)；然后将非空子集X为输入，利用训练样本基于SVM算法建立驾驶人疲劳状态检测模型，再利用测试样本测试模型的分类性能，求取准则函数的值J(X)；其中满足J(X)值最大的子集X就是公式(1)的最优解；该子集能够使基于SVM建立的驾驶人疲劳状态检测模型的识别准确率最高。

启发式搜索策略采用前向序列浮动选择(SFFS)算法，SFFS算法从空集开始，每轮在未选择的特征中选择一个子集x，使加入子集x后评价函数达到最优，然后在已选择的特征中选择子集z，使剔除子集z后评价函数达到最优，获得最优指标子集；如图2所示。

步骤43、以最优指标子集作为输入，建立基于SVM建立驾驶人疲劳状态检测模型。

以模型在测试集上的分类精度作为衡量指标分类性能的评价准则。准则函数的计算流程，包括三个环节：一，输入环节，以筛选的疲劳判别指标子集X为输入，为减小大值指标分量对小值指标分量产生的支配作用，提高疲劳检测模型的识别准确率，对指标数量级进行归一化；二，模型训练环节，利用指标子集X训练基于SVM的疲劳检测模型，本发明选用径向基核函数作为SVM的核函数，需要对惩罚系数C和核变量σ进行优化。其中惩罚系数C控制驾驶人疲劳检测模型的识别准确率和泛化能力，核变量σ决定了原始空间的非线性问题变换到高维空间后的线性可分性。变量优化的目的就是确定合适的C和σ，以保证疲劳检测模型的识别准确率和泛化能力。以模型在测试集 上的识别准确率作为变量优化的目标函数，利用网格搜索法网格搜索(Grid-Search)法搜寻最优的变量组合(C,σ)，如公式(2)所示；三，模型测试环节，利用交叉验证法求取模型变量优化和指标评价准则的目标函数值J(X)。

J(X)是准则函数，即疲劳判别模型的识别准确率，N_X是测试样本数，n_X是测试样本中疲劳检测模型正确识别的样本数，C是惩罚系数，σ是核变量。

本实例中指标优化选择算法的精度曲线如图4所示。

步骤5、利用所述基于SVM的疲劳检测模型对接收到的实时数据进行疲劳预测。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。