一种疲劳驾驶判断方法、系统、设备及计算机存储介质与流程

本申请涉及信息处理技术领域，更具体地说，涉及一种疲劳驾驶判断方法、系统、设备及计算机存储介质。

背景技术

在汽车的行驶过程中，如果驾驶员长时间处于驾驶状态，便会形成疲劳驾驶，这会严重危害驾驶员的安全。

为了避免驾驶员疲劳驾驶，现有的一种疲劳驾驶检测方法是基于语音个性特征和模型自适应的驾驶疲劳检测方法，首先，提取驾驶人语音样本的线性特征和非线性特征；其次，采用基于vq(voicequality，音量)的说话人识别算法判别驾驶人身份；随后，根据驾驶人的个体疲劳特征差异，采用relief(relevantfeatures，特征选择算法)算法筛选出能够充分反映其疲劳信息的语音特征，构建疲劳个体特征向量；最后，采用svm(supportvectormachine，支持向量机)分类算法建立驾驶人个体的自适应疲劳检测模型，并对模型进行样本训练以及驾驶疲劳检测。

然而，现有的基于语音个性特征和模型自适应的驾驶疲劳检测方法，步骤繁琐，耗时长，使得对驾驶人的疲劳检测的检测效率较低。

综上所述，如何提高对驾驶人疲劳驾驶检测的检测效率是目前本领域技术人员亟待解决的问题。

技术实现要素：

本申请的目的是提供一种疲劳驾驶判断方法，其能在一定程度上解决如何提高对驾驶人疲劳驾驶检测的检测效率的技术问题。本申请还提供了一种疲劳驾驶判断系统、设备及计算机可读存储介质。

为了实现上述目的，本申请提供如下技术方案：

一种疲劳驾驶判断方法，包括：

获取驾驶人的实时体征信息；

确定所述实时体征信息对应的疲劳度参数；

计算所述疲劳度参数在每个单位期间内的矢量变异系数，所述矢量变异系数为所述单位期间内所述疲劳度参数的标准差与所述疲劳度参数的平均值的比值；

确定所述矢量变异系数随所述单位期间的变化关系，以基于所述变化关系判断驾驶人是否疲劳驾驶。

优选的，所述确定所述实时体征信息对应的疲劳度参数，包括：

计算所述实时体征信息中每项体征数据与所述体征数据对应的比例系数的乘积；

确定所有的所述体征数据对应的乘积的和为所述疲劳度参数。

优选的，所述计算所述疲劳度参数在每个单位期间内的矢量变异系数，包括：

生成所述疲劳度参数对应的疲劳度矩阵，所述疲劳度矩阵的参数包括每个所述疲劳度参数以及所述疲劳度参数的确定时刻；

根据所述疲劳度矩阵计算所述疲劳度参数在每个所述单位期间内的矢量变异系数。

优选的，所述获取驾驶人的实时体征信息，包括：

获取驾驶人佩戴的智能穿戴设备采集的所述实时体征信息。

优选的，所述获取驾驶人的实时体征信息之后，所述确定所述实时体征信息对应的疲劳度参数之前，还包括：

判断获取的所述实时体征信息是否在相应的变化范围内，若否，则发出提示驾驶人判断所述智能穿戴设备是否正常工作的提示信息，并在预设时间段后重新获取驾驶人的实时体征信息。

优选的，所述确定所述矢量变异系数随所述单位期间的变化关系之后，还包括：

判断当前所述单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；若否，则根据所述变化关系预估下一个所述单位期间的矢量变异系数是否大于等于所述疲劳驾驶矢量变异系数，若是，则发出提示信息；

其中，所述疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。

优选的，所述实时体征信息包括实时心率、实时体温、实时心电、实时血压。

一种疲劳驾驶判断系统，包括：

获取模块，用于获取驾驶人的实时体征信息；

第一确定模块，用于确定所述实时体征信息对应的疲劳度参数；

第一计算模块，用于计算所述疲劳度参数在每个单位期间内的矢量变异系数，所述矢量变异系数为所述单位期间内所述疲劳度参数的标准差与所述疲劳度参数的平均值的比值；

第二确定模块，用于确定所述矢量变异系数随所述单位期间的变化关系，以基于所述变化关系判断驾驶人是否疲劳驾驶。

优选的，所述第一确定模块包括：

第一计算单元，用于计算所述实时体征信息中每项体征数据与所述体征数据对应的比例系数的乘积；

第一确定单元，用于确定所有的所述体征数据对应的乘积的和为所述疲劳度参数。

优选的，所述第一计算模块包括：

第一生成单元，用于生成所述疲劳度参数对应的疲劳度矩阵，所述疲劳度矩阵的参数包括每个所述疲劳度参数以及所述疲劳度参数的确定时刻；

第二计算单元，用于根据所述疲劳度矩阵计算所述疲劳度参数在每个所述单位期间内的矢量变异系数。

优选的，所述获取模块包括：

获取单元，用于获取驾驶人佩戴的智能穿戴设备采集的所述实时体征信息。

优选的，还包括：

第一判断模块，用于在所述获取单元获取驾驶人佩戴的智能穿戴设备采集的所述实时体征信息之后，所述第一确定模块确定所述实时体征信息对应的疲劳度参数之前，判断获取的所述实时体征信息是否在相应的变化范围内，若否，则发出提示驾驶人判断所述智能穿戴设备是否正常工作的提示信息，并在预设时间段后提示所述获取单元重新获取驾驶人佩戴的智能穿戴设备采集的所述实时体征信息。

优选的，还包括：

第二判断模块，用于在所述第二确定模块确定所述矢量变异系数随所述单位期间的变化关系之后，判断当前所述单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；若否，则根据所述变化关系预估下一个所述单位期间的矢量变异系数是否大于等于所述疲劳驾驶矢量变异系数，若是，则发出提示信息；

其中，所述疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。

优选的，所述实时体征信息包括实时心率、实时体温、实时心电、实时血压。

一种疲劳驾驶判断设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一所述的疲劳驾驶判断方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述的疲劳驾驶判断方法的步骤。

本申请提供的一种疲劳驾驶判断方法，获取驾驶人的实时体征信息；确定实时体征信息对应的疲劳度参数；计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值；确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。本申请提供的一种疲劳驾驶判断方法中所涉及到的算法仅仅是标准差、平均值以及标准差与平均值的比，其均是常规的简单算法，而现有技术中的提取线性特征与非线性特征、基于vq的说话人识别算法、relief算法、svm算法均是比较复杂的算法，所以与现有技术相比，本申请对数据进行处理所用的算法较为简单，可以在一定程度上提高对驾驶人疲劳驾驶检测的检测效率。本申请提供的一种疲劳驾驶检测系统、设备及计算机可读存储介质也在一定程度上解决了相应技术问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种疲劳驾驶方法的第一流程图；

图2为本申请实施例提供的一种疲劳驾驶方法的第二流程图；

图3为本申请实施例提供的一种疲劳驾驶方法的第三流程图；

图4为本申请实施例提供的一种疲劳驾驶方法的第四流程图；

图5为本申请实施例提供的一种疲劳驾驶判断系统的结构示意图；

图6为本申请实施例提供的一种疲劳驾驶判断设备的结构示意图；

图7为本申请实施例提供的一种疲劳驾驶判断设备的另一结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供的一种疲劳驾驶判断方法中各个步骤的动作执行主体可以为本申请实施例提供的一种疲劳驾驶判断系统，而该系统可以内置于计算机、服务器等中，所以本申请实施例提供的一种疲劳驾驶判断方法中各个步骤的动作执行主体可以为内置了该系统的计算机、服务器等。为了描述方便，这里将本申请实施例提供的一种疲劳驾驶判断方法中各个步骤的动作执行主体设为本申请实施例提供的一种疲劳驾驶判断系统，简称为判断系统。

现有的一种疲劳驾驶检测方法是基于语音个性特征和模型自适应的驾驶疲劳检测方法，首先，提取驾驶人语音样本的线性特征和非线性特征；其次，采用基于vq的说话人识别算法判别驾驶人身份；随后，根据驾驶人的个体疲劳特征差异，采用relief算法筛选出能够充分反映其疲劳信息的语音特征，构建疲劳个体特征向量；最后，采用svm分类算法建立驾驶人个体的自适应疲劳检测模型，并对模型进行样本训练以及驾驶疲劳检测。然而，现有的基于语音个性特征和模型自适应的驾驶疲劳检测方法，需要多次对数据进行处理，且处理所用的算法复杂、步骤繁琐，耗时长，使得对驾驶人的疲劳检测的检测效率较低。而本申请提供的一种疲劳驾驶判断方法的步骤简单，判断效率较高。

请参阅图1，图1为本申请实施例提供的一种疲劳驾驶方法的第一流程图。

本申请实施例提供的一种疲劳驾驶判断方法，可以包括如下步骤：

步骤s101：获取驾驶人的实时体征信息。

实际应用中，判断系统获取的驾驶人的实时体征信息可以包括驾驶人的实时心率、驾驶人的实时体温、驾驶人的实时心电、驾驶人的实时血压等。具体应用场景中，为了方便、准确的获取驾驶人的实时体征信息，又尽可能的避免对驾驶人的影响，可以获取佩戴于驾驶人手臂上的智能穿戴设备采集的实时体征信息，此种情况下，当判断系统内置于服务器等中时，判断系统可以接收由车载智能终端转发智能穿戴设备采集的实时体征信息，也即智能穿戴设备将自身采集的驾驶人的实时体征信息发送给车载智能终端，车载智能终端再将自身接收的实时体征信息发送至判断系统。本申请不对智能穿戴设备进行具体的限定，包括但不限于如手表、手环、眼镜、服饰等智能化的穿戴设备。此外，也可以是按照预先设定的时间间隔获取驾驶人的实时体征信息，预先设定的时间间隔可以根据实际需要确定，比如1分钟、5分钟等；也可以是按照不同的时间间隔获取驾驶人的实时体征信息，比如，在驾驶人开始驾车的第一时间段内，第一时间段可以为驾驶人保持正常驾驶状态的持续时间，以第一时间间隔获取驾驶人的实时体征信息，而在驾驶人开始驾车第二时间段后，以第二时间间隔获取驾驶人的实时体征信息，第一时间间隔大于第二时间间隔，其具体数值均可以根据实际需要确定；也可以是实时连续获取驾驶人的实时体征信息等，本申请在这里不做具体限定。

步骤s102：确定实时体征信息对应的疲劳度参数。

判断系统在获取到驾驶人的实时体征信息后，便可以确定实时体征信息对应的疲劳度参数，这里所说的疲劳度参数指的是能够反映驾驶人是否疲劳驾驶的参数。由于驾驶人疲劳驾驶时，驾驶人的各项身体机能可能会跟驾驶人非疲劳驾驶时的不同，所以这里可以根据实时体征信息确定其对应的疲劳度参数。具体的，可以先采集驾驶人非疲劳驾驶时的实时体征信息及其对应的疲劳度参数，采集驾驶人疲劳驾驶时的实时体征信息以及其对应的疲劳度参数，借助这两类参数确定实时体征信息与疲劳度参数的对应关系，之后根据该对应关系确定实时体征信息对应的疲劳度参数。

步骤s103：计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值。

判断系统在确定实时体征信息对应的疲劳度参数后，便可以计算疲劳度参数在每个单位期间内的矢量变异系数，这里所说的单位期间也即单位时间间隔，其具体数值可以根据实际需要确定，比如其可以为相邻两次获取实时体征信息的获取间隔，也可以是获取间隔的倍数，比如3倍、5倍等，此时，单位期间内的实时体征信息的数量可以为该倍数，比如，获取间隔为1分钟，也即每隔一分钟获取一次实时体征信息，单位期间为获取间隔的3倍，也即获取间隔为3分钟，也即单位期间内的实时体征信息的数量为3个，相应的，单位期间内的疲劳度参数的数量便为3个；这里所说的矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值，以单位期间内的疲劳度参数的数量为3举例，则单位期间内的矢量变异系数便为每3个疲劳度参数的标准差与该3个疲劳度参数的平均值的比值。具体应用场景中，为了加快计算疲劳度参数在每个单位期间内的矢量变异系数的计算速度，还可以借助矩阵来计算矢量变异系数，则本申请中计算疲劳度参数在每个单位期间内的矢量变异系数，具体可以为：生成疲劳度参数对应的疲劳度矩阵，疲劳度矩阵的参数包括每个疲劳度参数以及疲劳度参数的确定时刻，这里所说的疲劳度参数的确定时刻为得到该疲劳度参数的实时体征信息的获取时刻；根据疲劳度矩阵计算疲劳度参数在每个单位期间内的矢量变异系数。

步骤s104：确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。

判断系统在计算出疲劳度参数在每个单位期间内的矢量变异系数后，便可以确定矢量变异系数随单位期间的变化关系，由于矢量变异系数为跟疲劳度参数相关的系数，而疲劳度参数又为能够反映驾驶人是否疲劳驾驶的参数，所以可以根据矢量变异系数随单位期间的变化关系来判断驾驶人是否疲劳驾驶，具体的，可以判断当前单位期间内的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则判断出驾驶人出现疲劳驾驶，若否，则判断出驾驶人没有出现疲劳驾驶，这里所说的疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。具体应用场景中，为了得到驾驶人从当前坐车时刻为起始时刻的变化关系，可以根据矢量变异系数先计算初始疲劳量of，再计算疲劳累积量fc，最后计算驾驶疲劳累积量dfc，根据计算得到的初始疲劳量、疲劳累积量及驾驶疲劳累积量确定矢量变异系数随单位期间的变化变化，其中：

of＝rrvc初始值-rrvc理想值；

fc＝rrvci-rrvc理想值,i＝0,1,2……n；

dfc＝of+fc＝rrvci+rrvc初始值-2rrvc理想值；

其中，rrvc表示矢量变异系数；i表示当前被计算的单位期间的顺序；rrvc理想值表示由历史体征信息得到的驾驶人的理想矢量变异系数；rrvc初始值表示驾驶人刚开始驾车时的矢量变异系数；rrvci表示第i个单位期间的矢量变异系数。

本申请提供的一种疲劳驾驶判断方法，获取驾驶人的实时体征信息；确定实时体征信息对应的疲劳度参数；计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值；确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。本申请提供的一种疲劳驾驶判断方法中所涉及到的算法仅仅是标准差、平均值以及标准差与平均值的比，其均是常规的简单算法，而现有技术中的提取线性特征与非线性特征、基于vq的说话人识别算法、relief算法、svm算法均是比较复杂的算法，所以与现有技术相比，本申请对数据进行处理所用的算法较为简单，可以在一定程度上提高对驾驶人疲劳驾驶检测的检测效率。

请参阅图2，本申请实施例提供的一种疲劳驾驶判断方法，具体可以包括：

步骤s201：获取驾驶人的实时体征信息。

步骤s202：计算实时体征信息中每项体征数据与体征数据对应的比例系数的乘积。

实际应用中，实时体征信息中的每项体征数据对判断驾驶人是否疲劳驾驶的影响不同，所以可以预先确定出每项体征数据对判断驾驶人是否疲劳驾驶的比例系数，然后计算每项体征数据与体征数据对应的比例系数的乘积。

步骤s203：确定所有的体征数据对应的乘积的和为疲劳度参数。

判断系统在计算出实时体征信息中每项体征数据与体征数据对应的比例系数的乘积后，便可以将所有的体征数据对应的乘积的和作为疲劳度参数。采用这种疲劳度参数的计算方法可以使得确定疲劳度参数的过程简单，进而可以在一定程度上提高检测驾驶人是否疲劳驾驶的检测效率。

步骤s204：计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值。

步骤s205：确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。

关于其他步骤的相关描述请参阅上述中的相应内容，这里不再赘述。

请参阅图3，本申请实施例提供的一种疲劳驾驶判断方法，具体可以为：

步骤s301：获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

步骤s302：判断获取的实时体征信息是否在相应的变化范围内，若否，则执行步骤s303，若是，则执行步骤s304。

步骤s303：发出提示驾驶人判断智能穿戴设备是否正常工作的提示信息，并在预设时间段后重新获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

实际应用中，由于外界环境影响或者驾驶人与智能穿戴设备间的佩戴姿势不正确等因素的影响，可能出现获取的实时体征信息明显偏离驾驶人的历史体征信息的情况，这时，为了保证获取的实时体征信息的准确性，在获取到驾驶人的实时体征信息后，可以先判断获取的实时体征信息是否在相应的变化范围内，若是，则证明获取的实时体征信息是准确的，若否，则发出提示驾驶人判断智能穿戴设备是否正常工作的提示信息，并在预设时间段后重新获取驾驶人佩戴的智能穿戴设备采集的实时体征信息，这里的预设时间段为驾驶人判断智能穿戴设备是否正常工作，以及在智能穿戴设备非正常工作时将智能穿戴设备调整为正常工作的时间。

步骤s304：确定实时体征信息对应的疲劳度参数。

步骤s305：计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值。

步骤s306：确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。

关于其他步骤的描述请参阅前述实施例中的相关描述，这里不再赘述。

请参阅图4，本申请实施例提供的一种疲劳驾驶判断方法，具体可以为：

步骤s401：获取驾驶人的实时体征信息。

步骤s402：确定实时体征信息对应的疲劳度参数。

步骤s403：计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值。

步骤s404：确定矢量变异系数随单位期间的变化关系。

步骤s405：判断当前单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则执行步骤s407；若否，则执行步骤s406。

步骤s406：根据变化关系预估下一个单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则执行步骤s407。

步骤s407：发出提示信息；

其中，疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。

实际应用中，判断系统在确定矢量变异系数随单位期间的变化关系后，可以先判断当前单位期间内的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若否，则根据变化关系预估下一个单位期间内的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息，这里所说的提示信息可以为提示驾驶人即将疲劳驾驶的提示信息。具体应用场景中，判断系统在判断单位期间内的矢量变异系数小于疲劳驾驶矢量变异系数后，还可以根据变化关系预估达到疲劳驾驶矢量变异系数所需的时长，然后准确提示驾驶人出现疲劳驾驶的时间。

关于其他步骤的描述请参阅上述实施例中的相关内容，这里不再赘述。

本申请还提供了一种疲劳驾驶判断系统，其具有本申请实施例提供的一种疲劳驾驶判断方法具有的对应效果。请参阅图5，图5为本申请实施例提供的一种疲劳驾驶判断系统的结构示意图。

本申请实施例提供的一种疲劳驾驶判断系统，可以包括：

获取模块101，用于获取驾驶人的实时体征信息；

第一确定模块102，用于确定实时体征信息对应的疲劳度参数；

第一计算模块103，用于计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值；

第二确定模块104，用于确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。

本申请提供的一种疲劳驾驶判断系统中，第一确定模块可以包括：

第一计算单元，用于计算实时体征信息中每项体征数据与体征数据对应的比例系数的乘积；

第一确定单元，用于确定所有的体征数据对应的乘积的和为疲劳度参数。

本申请提供的一种疲劳驾驶判断系统中，第一计算模块可以包括：

第一生成单元，用于生成疲劳度参数对应的疲劳度矩阵，疲劳度矩阵的参数包括每个疲劳度参数以及疲劳度参数的确定时刻；

第二计算单元，用于根据疲劳度矩阵计算疲劳度参数在每个单位期间内的矢量变异系数。

本申请提供的一种疲劳驾驶判断系统中，获取模块可以包括：

获取单元，用于获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

本申请提供的一种疲劳驾驶判断系统中，还可以包括：

第一判断模块，用于在获取模块获取驾驶人佩戴的智能穿戴设备采集的实时体征信息之后，第一确定模块确定实时体征信息对应的疲劳度参数之前，判断获取的实时体征信息是否在相应的变化范围内，若否，则发出提示驾驶人判断智能穿戴设备是否正常工作的提示信息，并在预设时间段后提示获取单元重新获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

本申请提供的一种疲劳驾驶判断系统中，还可以包括：

第二判断模块，用于在第二确定模块确定矢量变异系数随单位期间的变化关系之后，判断当前单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；若否，则根据变化关系预估下一个单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；

其中，疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。

本申请提供的一种疲劳驾驶判断系统中，实时体征信息可以包括实时心率、实时体温、实时心电、实时血压。

本申请还提供了一种疲劳驾驶判断设备及计算机可读存储介质，其均具有本申请实施例提供的一种疲劳驾驶判断方法具有的对应效果。请参阅图6，图6为本申请实施例提供的一种疲劳驾驶判断设备的结构示意图。

本申请实施例提供的一种疲劳驾驶判断设备，可以包括存储器201，处理器202，处理器202执行存储器201中存储的计算机程序时实现如下步骤：

获取驾驶人的实时体征信息；

确定实时体征信息对应的疲劳度参数；

计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值；

确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。

本申请实施例提供的一种疲劳驾驶判断设备中，存储器201中存储有计算机子程序，处理器202执行存储器201中存储的计算机子程序时具体实现：计算实时体征信息中每项体征数据与体征数据对应的比例系数的乘积；确定所有的体征数据对应的乘积的和为疲劳度参数。

本申请实施例提供的一种疲劳驾驶判断设备中，存储器201中存储有计算机子程序，处理器202执行存储器201中存储的计算机子程序时具体实现：生成疲劳度参数对应的疲劳度矩阵，疲劳度矩阵的参数包括每个疲劳度参数以及疲劳度参数的确定时刻；根据疲劳度矩阵计算疲劳度参数在每个单位期间内的矢量变异系数。

本申请实施例提供的一种疲劳驾驶判断设备中，存储器201中存储有计算机子程序，处理器202执行存储器201中存储的计算机子程序时具体实现：获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

本申请实施例提供的一种疲劳驾驶判断设备中，存储器201中存储有计算机子程序，处理器202执行存储器201中存储的计算机子程序时具体实现：获取驾驶人佩戴的智能穿戴设备采集的实时体征信息之后，确定实时体征信息对应的疲劳度参数之前，判断获取的实时体征信息是否在相应的变化范围内，若否，则发出提示驾驶人判断智能穿戴设备是否正常工作的提示信息，并在预设时间段后重新获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

本申请实施例提供的一种疲劳驾驶判断设备中，存储器201中存储有计算机子程序，处理器202执行存储器201中存储的计算机子程序时具体实现：确定矢量变异系数随单位期间的变化关系之后，判断当前单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；若否，则根据变化关系预估下一个单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；其中，疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。

本申请实施例提供的一种疲劳驾驶判断设备中，实时体征信息包括实时心率、实时体温、实时心电、实时血压。

请参阅图7，本申请实施例提供的另一种疲劳驾驶判断设备中还可以包括：与处理器202连接的输入端口203，用于传输外界输入的命令至处理器202；与处理器202连接的显示单元204，用于显示处理器202的处理结果至外界；与处理器202连接的通信模块205，用于实现疲劳驾驶判断设备与外界的通信。显示单元202可以为显示面板、激光扫描使显示器等；通信模块205所采用的通信方式包括但不局限于移动高清链接技术(hml)、通用串行总线(usb)、高清多媒体接口(hdmi)、无线连接：无线保真技术(wifi)、蓝牙通信技术、低功耗蓝牙通信技术、基于ieee802.11s的通信技术。

本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：

获取驾驶人的实时体征信息；

确定实时体征信息对应的疲劳度参数；

计算疲劳度参数在每个单位期间内的矢量变异系数，矢量变异系数为单位期间内疲劳度参数的标准差与疲劳度参数的平均值的比值；

确定矢量变异系数随单位期间的变化关系，以基于变化关系判断驾驶人是否疲劳驾驶。

本申请实施例提供的一种计算机可读存储介质中，计算机可读存储介质中存储有计算机子程序，计算机子程序被处理器执行时具体实现：计算实时体征信息中每项体征数据与体征数据对应的比例系数的乘积；确定所有的体征数据对应的乘积的和为疲劳度参数。

本申请实施例提供的一种计算机可读存储介质中，计算机可读存储介质中存储有计算机子程序，计算机子程序被处理器执行时具体实现：生成疲劳度参数对应的疲劳度矩阵，疲劳度矩阵的参数包括每个疲劳度参数以及疲劳度参数的确定时刻；根据疲劳度矩阵计算疲劳度参数在每个单位期间内的矢量变异系数。

本申请实施例提供的一种计算机可读存储介质中，计算机可读存储介质中存储有计算机子程序，计算机子程序被处理器执行时具体实现：获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

本申请实施例提供的一种计算机可读存储介质中，计算机可读存储介质中存储有计算机子程序，计算机子程序被处理器执行时具体实现：获取驾驶人佩戴的智能穿戴设备采集的实时体征信息之后，确定实时体征信息对应的疲劳度参数之前，判断获取的实时体征信息是否在相应的变化范围内，若否，则发出提示驾驶人判断智能穿戴设备是否正常工作的提示信息，并在预设时间段后重新获取驾驶人佩戴的智能穿戴设备采集的实时体征信息。

本申请实施例提供的一种计算机可读存储介质中，计算机可读存储介质中存储有计算机子程序，计算机子程序被处理器执行时具体实现：确定矢量变异系数随单位期间的变化关系之后，判断当前单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；若否，则根据变化关系预估下一个单位期间的矢量变异系数是否大于等于疲劳驾驶矢量变异系数，若是，则发出提示信息；其中，疲劳驾驶矢量变异系数为根据驾驶人的历史体征信息确定的表示驾驶人疲劳驾驶的矢量变异系数的最小值。

本申请实施例提供的一种计算机可读存储介质中，实时体征信息包括实时心率、实时体温、实时心电、实时血压。

这里所说的计算机可读存储介质包括随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质。

本申请实施例提供的一种疲劳驾驶判断系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的一种疲劳驾驶判断方法中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。