1.一种基于腕带仪器的驾驶员疲劳检测方法,其特征在于,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。
2.根据权利要求1所述的基于腕带仪器的驾驶员疲劳检测方法,其特征在于,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。
3.根据权利要求1所述的基于腕带仪器的驾驶员疲劳检测方法,其特征在于,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。
4.根据权利要求1所述的基于腕带仪器的驾驶员疲劳检测方法,其特征在于,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,NX是测试样本数,nX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。
5.根据权利要求1所述的基于腕带仪器的驾驶员疲劳检测方法,其特征在于,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,NX是测试样本数,nX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)。