一种基于驾驶人手环的驾驶安全监测方法与流程

本发明属于车辆驾驶安全监测预警技术领域，特别涉及一种基于驾驶人手环的驾驶安全监测方法。

背景技术：

目前的汽车主动安全技术，例如车道偏离预警系统、自适应巡航控制系统、胎压监测系统等都是采取车辆为中心的控制理念，没有很好的考虑驾驶人的因素。但其实驾驶人在驾驶过程中是具有绝对的主导地位的，驾驶人的驾车习惯、生理、心理状态等都会对行车安全造成巨大的影响。

当前，随着我国汽车保有量逐年增多，交通事故多发，导致到通事故频发大部分原因是驾驶人自身造成的，认为增加了影响驾驶安全的因素，例如不遵守交通规则、酒后驾车、驾驶时手离开方向盘、疲劳驾驶和一些突发疾病等。手离开方向盘可能是由于驾驶人驾驶习惯导致，也有可能是因为驾驶人疲劳驾驶或突发疾病。因此，驾驶人的手是否放在方向盘上，是判断驾驶人是否处于正常驾驶状态的重要依据。此外，根据人的体温、心率、血压、呼吸频率波动能够判断出驾驶人自身的精神状态及身体状态，并根据驾驶人自身状态的进一步可判断出驾驶人是否处于安全驾驶状态。而由于车内温度会对驾驶人的体温、心率、血压、呼吸频率有一定影响，因此需要考虑车内的温度因素。利用驾驶人手环作为监测装置，进行驾驶安全状态监测预警是较为方便的，而目前的手环一般只能直观的显示检测数据，并不能根据监测数据对驾驶状态进行判断及预警。

综上所述，提供一种基于驾驶人手环的驾驶状态安全监测方法是十分必要的。

技术实现要素：

本发明的目的是提供一种基于驾驶人手环的驾驶安全监测方法，在车辆行驶时，实时定位驾驶人的手部位置，判断驾驶人是否处于正常驾驶状态，检测结果比较准确。

本发明的另一个目的是提供一种监测驾驶人是否处于安全驾驶状态的方法，在驾驶人处于正常驾驶状态时，结合驾驶人的身体状态进一步判断驾驶人是否处于安全驾驶状态，提高驾驶安全监测结果的可靠性。

本发明提供的技术方案为：

一种基于驾驶人手环的驾驶安全监测方法，包括：

步骤一：车辆行驶时，按照采样周期，基于驾驶人手环对驾驶人的手部及方向盘中心进行定位；每个采样周期内，采集n个驾驶人手部的位置坐标(x1_i,y1_i,z1_i)，以及n个方向盘中心点的坐标(x0_i,y0_i,z0_i)，i＝1,2,……,n；

步骤二：计算每个采样周期内n个驾驶人手部与方向盘中心之间的距离

步骤三：剔除di中的10％最大值及10％最小值，计算剩余的80％的di的平均值

步骤四：将与车辆静止状态下驾驶人手环与方向盘中心之间的距离l进行比较；

当时，判断驾驶人的手放在方向盘上，即驾驶人处于正常驾驶状态；

当时，判断驾驶人的手离开方向盘，即驾驶人处于非正常驾驶状态。

每个采样周期分为n个分采样周期，每个分采样周期采集驾驶人手部的位置坐标及方向盘中心坐标。

优选的是，当车速大于25km/h时，对驾驶人是否处于正常驾驶状态进行监测。

优选的是，当驾驶人处于非正常驾驶状态时驾驶人手环发出报警。

优选的是，采用三轴加速器测定所述驾驶人手部位置坐标及方向盘中心点坐标。

优选的是，当驾驶人处于正常驾驶状态时，基于驾驶人手环对驾驶人的体温、心率、血压及呼吸频率进行监测，判断驾驶人是否处于安全驾驶状态。

优选的是，所述的判断驾驶人是否处于安全驾驶状态的方法，包括如下步骤：

步骤一：按照采样周期，传感器模块检测驾驶人的体温、心率、血压、呼吸频率以及车内温度；

步骤二：将采集的驾驶人的体温、心率、血压及呼吸频率，分别减去最近一时间段驾驶人体温、心率、血压及呼吸频率的平均值，得到驾驶人的体温、心率、血压及呼吸频率的波动值；

步骤三：确定三层bp神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5}；其中，x1为驾驶人体温波动值，x2为驾驶人心率波动值，x3为驾驶人血压波动值，x4为驾驶人呼吸频率波动值，x5为车内温度；

步骤四：所述输入层向量映射到隐层，隐层的神经元为m个；

步骤五：得到输出层神经元向量o＝{o1,o2,o3,o4,o5}；其中，o1为驾驶人状态好，处于安全驾驶状态；o2为驾驶人状态较好，处于较安全驾驶状态；o3为驾驶人状态一般，处于临界驾驶状态；o4为驾驶人状态较差，处于较危险驾驶状态；o5为驾驶人状态差，处于危险驾驶状态；所述输出层神经元值为s为输出层神经元序列号，s＝{1,2,3,4,5}，r为技术状态值，r＝{1,2,3,4,5}，当os为1时，此时驾驶人处于os对应的状态；

手环中的控制器对所述驾驶人状态监测数据进行实时分析处理，在驾驶人状态异常时进行报警。

优选的是，所述隐层神经元为10个。

优选的是，所述隐层及所述输出层的激励函数均采用s型函数fj(x)＝1/(1+e^-x)。

优选的是，所述驾驶人手环的报警方式为语音报警。

本发明的有益效果是：

本发明提供的基于驾驶人手环的驾驶安全监测方法，基于驾驶人手环采用三轴加速器对驾驶人的手部进行定位，判断驾驶人是否处于正常驾驶状态，并在非正常驾驶状态时进行报警，对驾驶人进行提醒，提高了驾驶安全性。

本发明提供的基于驾驶人手环的驾驶安全监测方法，在判断驾驶人处于正常驾驶状态时，结合驾驶人的身体状态进一步判断驾驶人是否处于安全驾驶状态，提高了驾驶安全监测方法的可靠性。

附图说明

图1为本发明所述的基于驾驶人手环的驾驶安全监测方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供了一种基于驾驶人手环的驾驶安全监测方法，其能够基于驾驶安全监测系统判断驾驶人是否处于正常驾驶状态，并在判断驾驶人处于正常驾驶状态时，结合车内温度和驾驶人的身体状态进一步判断驾驶人是否处于安全驾驶状态。

所述驾驶安全监测系统包括：设置于驾驶人手环中的第一三轴加速器模块、传感器模块、控制器、语音模块及第一无线通讯模块。第一三轴加速器模块用于定位驾驶人的手部，采集驾驶人的手部坐标。所述传感器模块包括第一温度传感器，用于监测驾驶人体温；心率监测传感器，用于监测驾驶人心率；呼吸频率检测传感器，用于监测驾驶人的呼吸频率；以及血压监测传感器，用于监测驾驶人的血压。此外，所述监测系统还包括设置在方向盘中心处的第二三轴加速器、第二无线通信模块以及第二温度传感器，所述第二三轴加速器用于监测方向盘中心点坐标，第二温度传感器用于监测车内温度。所述第一三轴加速器、传感器模块、语音传感器及第一无线通讯模块分别连接控制器。第二三轴加速器监测到的数据及第二温度传感器检测到的车内温度通过第二无线通讯模块传输到第一无线通讯模块，之后传输到控制器。

本发明提供的基于驾驶人手环的驾驶安全监测方法，包括如下步骤：

步骤一：车辆行驶时，按照采样周期，基于驾驶人手环对驾驶人的手部及方向盘中心进行定位；将每个采样周期等分为n个分采样周期，每个分采样周期第一三轴加速器采集驾驶人手部的位置坐标，第二三轴加速器采集方向盘中心坐标。所述控制器得到n个驾驶人手部的位置坐标(x1_i,y1_i,z1_i)，以及n个方向盘中心点的坐标(x0_i,y0_i,z0_i)，i＝1,2,……,n，。

步骤二：控制器计算每个采样周期内n个驾驶人手部与方向盘中心之间的距离

步骤三：剔除di中的10％最大值及10％最小值，计算剩余的80％的di的平均值

步骤四：将与车辆静止状态下驾驶人手环与方向盘中心之间的距离l进行比较；当时，判断在当前采样周期内，驾驶人的手放在方向盘上，即驾驶人处于正常驾驶状态；当时，判断在当前采样周期内，驾驶人的手离开方向盘，即驾驶人处于非正常驾驶状态；其中与l的单位均为cm。

在本实施例中，当车速大于25km/h时，对驾驶人是否处于正常驾驶状态进行监测，即开始进入采样周期。当驾驶人处于非正常驾驶状态时驾驶人手环中的控制器控制语音模块发出语音报警，对驾驶人进行提醒。

本发明提供的基于驾驶人手环的驾驶安全检测方法，还包括：当驾驶人处于正常驾驶状态时，基于驾驶人手环对驾驶人的体温、心率、血压及呼吸频率进行监测，结合车内温度，判断驾驶人是否处于安全驾驶状态。

所述的判断驾驶人是否处于安全驾驶状态的方法，包括如下步骤：

步骤一：建立bp神经网络模型。

bp模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为

opj＝fj(netpj)

其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为s型函数，即fj(x)＝1/(1+e^-x)。

本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该神经网络的数学模型为：

输入向量：x＝(x1,x2,...,xn)^t

中间层向量：y＝(y1,y2,...,ym)^t

输出向量：o＝(o1,o2,...,op)^t

本发明中，输入层节点数为n＝5，输出层节点数为p＝5，隐藏层节点数m＝10。

输入层5个参数分别表示为：x1为驾驶人体温波动值，x2为驾驶人心率波动值，x3为驾驶人血压波动值，x4为驾驶人呼吸频率波动值，x5为车内温度；

输入层参数的获得方法为传感器模块测得驾驶人体温、驾驶人心率、驾驶人血压及驾驶人呼吸频率，并将上述数值分别减去驾驶人驾驶人近一段时间的体温平均值、心率平均值、血压平均值及呼吸频率平均值，得到驾驶人体温波动值，驾驶人心率波动值，驾驶人血压波动值，为驾驶人呼吸频率波动值；车内温度为传感器直接测得。

输出层5个参数分别表示为：o1为驾驶人状态好，处于安全驾驶状态；o2为驾驶人状态较好，处于较安全驾驶状态；o3为驾驶人状态一般，处于临界驾驶状态；o4为驾驶人状态较差，处于较危险驾驶状态；o5为驾驶人状态差，处于危险驾驶状态；所述输出层神经元值为s为输出层神经元序列号，s＝{1,2,3,4,5}，r为技术状态值，r＝{1,2,3,4,5}，当os为1时，此时驾驶人处于os对应的状态；

步骤二、进行bp神经网络的训练。

建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。

表1网络训练用的输出样本

(2)训练算法

bp网络采用误差反向传播(backwardpropagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝l)，则有

且ej(n)＝xj(n)-oj(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

bp算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

δω＝(j^tj+μi)^-1j^te

其中j为误差对权值微分的雅可比(jacobian)矩阵，i为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

下面结合具体的实施例进一步的对本发明提供的判断驾驶人是否处于安全驾驶状态的方法进行说明。

选择了连续驾驶时间在0～4.5小时的驾驶人进行测试，并保证所有驾驶人行驶的路况相同。在试验中，按0.5小时为间隔，把驾驶人按连续驾驶时间分为10组，即0、0.5、1、1.5、2、2.5、3、3.5、4、4.5小时，每组选接近该驾驶时间的多个驾驶人作为试验样本。每个驾驶人均测得驾驶人体温波动值，驾驶人心率波动值，驾驶人血压波动值，驾驶人呼吸频率波动值以及车内温度，结果如表2所示。

表2驾驶人在不同驾驶时间的状态

根据前述建立的评价模型原理，对驾驶人是否处于安全驾驶状态评价，结论如表3所示。

表3驾驶状态结论

从表3可以看出，发动机技术状态评价结果与实际情况大致相同，在0～2.5小时内为“安全”或“较安全”，在2.5～3.5小时内基本为“较安全”或“临界”，在3.5～4.0小时内为“临界”或“较危险”，在4.0～4.5小时内为“较危险”或“危险”，从整体上看，反映了驾驶人的状态随连续驾驶时间的延长逐渐变差由安全状态变为危险状态的过程；由此，可以表明建立的驾驶人是否处于安全驾驶状态评价模型是可行的，通过监测系统不断地获取不同连续驾驶时间的驾驶人状态信息，进而不断完善评价模型，将实现可靠的驾驶人安全驾驶状态监测评估。

当驾驶人处于正常驾驶状态(手放在方向盘上)而驾驶人处于较危险或为危险驾驶状态是，驾驶人手环进行语音报警，提示当前状态为“危险”或“较危险”，还可以进一步提醒驾驶人停车休息。

本发明提供的基于驾驶人手环的驾驶安全监测方法，基于驾驶人手环采用三轴加速器对驾驶人的手部进行定位，判断驾驶人是否处于正常驾驶状态，并在非正常驾驶状态时进行报警，对驾驶人进行提醒，提高了驾驶安全性。在判断驾驶人处于正常驾驶状态时，结合驾驶人的身体状态进一步判断驾驶人是否处于安全驾驶状态，提高了驾驶安全监测方法的可靠性。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。