面向驾驶员里程焦虑的生理反应检测方法及系统

本发明属于人工智能，特别是涉及面向驾驶员里程焦虑的生理反应检测方法及系统。

背景技术：

1、随着我国城镇化和机动化进程发展，交通运输业的温室气体和污染排放问题日益严重。电动汽车作为一种清洁能源交通工具，在节能减排和环境保护方面具有显著的优势，因此备受关注。

2、相比于传统的燃油汽车，公共领域电动汽车面临着续航里程短、里程焦虑影响驾驶体验、充电速度慢、公共充电设施不足等问题，而且电动汽车有限的续航里程和途中充电行为等特征不仅影响出行者的选择行为，还给驾驶员增加了驾驶压力以及交通隐患。当前，在部分区域/时段，公共充电设施周期性出现集中充电排队拥堵，电动汽车充电负荷大规模接入电网后，接连出现“长期空置”与“短期不足”的矛盾现象。

3、造成上述问题的主要是因为现有数据颗粒度较粗，缺乏考虑驾驶员个人决策特征数据，对于现有驾驶员充电决策行为，大多假设用户为完全理性个体，导致预测不确定性高。而里程焦虑是指驾驶员对电动汽车电池在行驶途中动力耗尽的担忧，是作为预测驾驶员的充电行为的重要指标。现有的里程焦虑分析研究用到的数据颗粒度较粗，缺乏考虑驾驶员个人决策特征数据，大多假设用户为完全理性个体，导致预测不确定性高，难以进行精确的充电引导，缺乏对随机产生的用电高峰的对策，容易引发交通拥堵。

4、因此需要充分考虑驾驶员在面临里程焦虑时的个体差异，准确检测驾驶员的里程焦虑状态，在时空范围内进行准确分析，通过对驾驶人员的里程焦虑状态进行识别，能够根据驾驶人员的里程焦虑状态对驾驶员进行合理的充电引导，提高交通系统运行效率，提高充电服务保障质量，改善电动车辆出行体验，提升电网安全经济稳定运行水平。

技术实现思路

1、为了解决背景技术中存在的问题，本发明提供一种面向驾驶员里程焦虑的生理反应检测方法、系统及实验平台，用于对驾驶员在不同驾驶环境和驾驶条件下的里程焦虑状态检测评估，实现用户数据颗粒度的细化。

2、为了达到上述技术目的，本发明的一方面提供一种面向驾驶员里程焦虑的生理反应检测方法，包括：

3、s1：获取驾驶人员在预设环境状态下的驾驶状态数据；所述驾驶状态数据包括：驾驶人员在时间段t内的生理信号序列集；

4、s2：根据驾驶人员的驾驶状态数据提取驾驶人员的生理特征；

5、s3：将驾驶人员的生理特征输入训练好的里程焦虑状态评估模型，得到驾驶人员的里程焦虑状态，其中，所述里程焦虑状态评估模型包括：基于改进svm支持向量机的多分类模型。

6、优选地，所述生理信号序列集包括：脑电信号、眼电信号、皮电信号、体温信号、心电信号、呼吸信号、脉搏信号、血氧含量信号、血压信号或肌电信号中至少一种。

7、优选地，所述改进svm支持向量机的多分类模型包括：两个svm的支持向量机组成，用于对驾驶人员的里程焦虑状态进行识别；所述里程焦虑状态包括：正常驾驶的非焦虑状态a、决策充电状态b和剩余电量提醒状态c；

8、在训练改进svm支持向量机的多分类模型时，将状态a对应的驾驶状态数据集作为正样本，将状态b和状态c对应的驾驶状态数据集作为负样本，对一个svm支持向量进行训练；将状态b对应的驾驶状态数据集作为正样本，状态c对应的驾驶状态数据集作为负样本对另一个svm支持向量机进行训练；

9、svm支持向量机的分类函数包括：

10、f(x)＝sign(wφ(x)+b)

11、其中，w表示权重参数，b表示偏置参数，f(x)表示支持向量机的分类函数，φ(x)表示径向基函数，x表示驾驶人员的生理特征，sign表示数学符号函数。

12、优选地，所述提取驾驶人员的生理特征包括：

13、s21：利用陷波滤波器对驾驶状态数据中的生理信号序列进行过滤得到第一中间驾驶状态数据；

14、s22：对第一中间驾驶状态数据中的生理信号序列进行中值滤波得到第二中间驾驶状态数据；

15、s23：对第二中间驾驶状态数据中的生理信号序列进行小波降噪得到第三中间驾驶状态数据；

16、s24：通过时域分析、频域分析和时频分析，提取第三中间驾驶状态数据中生理信号序列的时域特征、频域特征和时频特征，从生理信号序列的时域特征、频域特征和时频特征中选择表征驾驶人员里程焦虑状态的最优特征；

17、s25：将第三中间驾驶状态数据中所有生理信号序列的最优特征进行特征融合得到驾驶人员的生理特征。

18、优选地，里程焦虑状态评估模型的训练过程包括：

19、s31：获取驾驶人员在预设环境状态下的原始驾驶状态数据集，其中，原始驾驶状态数据包括：驾驶人员在时间段t内的原始生理信号序列集和驾驶人员的里程焦虑状态标签；

20、s32：根据原始驾驶状态数据提取驾驶人员的原始生理特征；

21、s33：将驾驶人员的原始生理特征输入里程焦虑状态评估模型预测驾驶人员的里程焦虑状态；

22、s34：根据驾驶人员的里程焦虑状态标签和驾驶人员的里程焦虑状态预测结果构建目标函数；

23、s35：将目标函数作为智能搜索算法的适应度值计算函数，利用智能搜索算法找出里程焦虑状态评估模型的最优参数，完成里程状态评估模型的训练。

24、优选地，所述智能搜索算法包括：粒子群算法、鲸鱼算法和秃鹰算法中的一种。

25、优选地，当智能搜索算法为秃鹰算法时，利用如下步骤找出里程焦虑状态评估模型的最优参数包括：

26、s351：初始化最大迭代次数k，初始化秃鹰种群数n，搜索空间边界[ub,lb]，初始化每个秃鹰的位置pi＝rd，r表示实数集，d＝2表示秃鹰搜索空间的维度，其中，令秃鹰在一维空间的搜索位置和里程焦虑状态评估模型中svm支持向量机的权重参数相同，秃鹰在二维空间的搜索位置和里程焦虑状态评估模型中svm支持向量机的偏置参数相同；

27、所述初始化每个秃鹰的位置包括：

28、xi,j＝lbj+yi,j×(ubj-lbj)

29、

30、yk＝2rand

31、其中，xi,j表示第i个秃鹰在第j维搜索空间的位置，yi,j表示第i个秃鹰在第j维搜索空间的混沌值，lbj和ubj表示第j维搜索空间的位置边界，j＝{1，2}，a∈(0,1)表示混沌参数，yk为随机生成数，rand表示(0,1)之间的随机数；

32、s352：根据目标函数计算每个秃鹰的适应度值，更新秃鹰种群的群体历史最佳适应度值和群体历史最优解，其中，所述秃鹰种群的群体历史最优解为秃鹰种群的群体历史最佳适应度值对应的秃鹰位置；

33、s353：选择阶段，秃鹰根据秃鹰种群的群体历史最优解选择新位置，利用目标函数计算秃鹰在新位置的适应度值；若秃鹰在新位置的适应度值大于秃鹰在原位置的适应度值，则秃鹰飞行到新位置，反之则秃鹰待在原位置；

34、pi,new＝pbest+α*r(pmean-pi)

35、其中，pi,new表示第i个秃鹰选择的新位置；pbest表示秃鹰种群的群体历史最优解；α∈(1.5,2)表示控制位置变化参数，pmean表示当前秃鹰种群的平均位置，r表示(0,1)间的随机数，pi表示第i个秃鹰的位置；

36、s354：搜索阶段，秃鹰利用螺旋状进行搜索得到秃鹰的新位置，利用目标函数计算秃鹰在新位置的适应度值；若秃鹰在新位置的适应度值大于秃鹰在原位置的适应度值，则秃鹰飞行到新位置，反之则秃鹰待在原位置；

37、pi,new＝pi+x(i)*(pi-pmean)+y(i)*(pi-pi+1)

38、

39、xr(i)＝r(i)*sin(θ(i)),yr(i)＝r(i)*cos(θ(i))

40、θ(i)＝α*π*rand

41、r(i)＝θ(i)+r*rand

42、其中，pi,new表示第i个秃鹰的新位置，pi表示第i个秃鹰的位置，pmean表示当前秃鹰种群的平均位置，pi+1表示第i+1个秃鹰的位置，x(i)和y(i)表示第i个秃鹰在极坐标中的位置，xr(i)和yr(i)表示第i个秃鹰在直角坐标系中的位置，max(|xr|)与max(|yr|)表示直角坐标系中的边界值，θ(i)与r(i)分别为螺旋方程的极角与极径，a和r表示控制控制螺旋轨迹的参数，rand为(0,1)之间的随机数，π表示圆周率；

43、s355：俯冲阶段，秃鹰向猎物进行俯冲，更新秃鹰的位置：

44、pi,new＝rand*pbest+δx+δy

45、

46、

47、xr1(i)＝r1(i)*sinh[(θ(i))],yr1(i)＝r1(i)*cosh[(θ(i))]

48、θ(i)＝α*π*rand,r1(i)＝θ(i)

49、c1,c2∈[1,2]

50、其中，pi,new表示第i个秃鹰的新位置，pbest表示秃鹰种群的群体历史最优解，rand为(0,1)之间的随机数，δx和δy为秃鹰俯冲更新的位置，x1(i)和y1(i)表示第i个秃鹰在极坐标中的位置，pi表示第i个秃鹰的位置，c1和c2为常数，pmean表示当前秃鹰种群的平均位置，xr1(i)和yr1(i)表示第i个秃鹰在直角坐标系中的位置，max(|xr1|)与max(|yr1|)表示直角坐标系中的边界值，θ(i)与r1(i)表示螺旋方程的极角与极径，a控制控制螺旋轨迹的参数，π表示圆周率；

51、s356：判断是否达到预设的迭代次数k，若是则输出秃鹰种群的群体历史最优解，得到程焦虑状态评估模型的最优参数，反之则重复执行步骤s352～s356。

52、优选地，所述目标函数包括：

53、

54、其中，fit表示目标函数，yt表示程焦虑状态评估模型对原始驾驶状态数据集中原始驾驶状态数据正确分类的个数，yf表示程焦虑状态评估模型对原始驾驶状态数据集中原始驾驶状态数据错误分类的个数。

55、本发明的另一方面提供一种面向驾驶员里程焦虑的生理反应检测系统，所述系统应用于所述的一种面向驾驶员里程焦虑的生理反应检测方法，包括：

56、数据获取单元，用于获取预设环境状态下驾驶人员在时间段t内的驾驶状态数据；

57、模型训练模块，用于对里程焦虑状态评估模型进行训练；

58、特征提取模块，用于根据驾驶人员在时间段t内的驾驶状态数据提取驾驶人员的生理特征；

59、里程焦虑状态检测模块，用于将驾驶人员的生理特征输入训练好的里程焦虑状态评估模型，输出驾驶人员的里程焦虑状态。

60、本发明的再一方面提供一种面向驾驶员里程焦虑的生理反应检测实验平台，所述实验平台应用于所述的一种面向驾驶员里程焦虑的生理反应检测方法，包括：相互连接的封闭式智能座舱、生理信号传感器、里程焦虑诱发模块、数据处理单元和人机交互单元；

61、所述封闭式智能坐舱用于模拟驾驶人员的真实驾驶环境和在驾驶过程中的环境状态；

62、所述里程焦虑诱发模块用于向驾驶人员提示目的地距离当前车辆位置的里程和当前车辆的剩余电量，诱发驾驶人员的里程焦虑心理；

63、所述生理信号传感器用于采集驾驶人员在时间段t内的驾驶状态数据；

64、所述数据处理单元包括：模型训练模块、特征提取模块和里程焦虑状态检测模块；

65、所述模型训练模块用于对里程焦虑状态评估模型进行训练；

66、所述特征提取模块用于根据驾驶人员在时间段t内的驾驶状态数据提取驾驶人员的生理特征；

67、所述里程焦虑状态检测模块用于将驾驶人员的生理特征输入训练好的里程焦虑状态评估模型，输出驾驶人员的里程焦虑状态；

68、所述人机交互模块用于驾驶人员与里程焦虑状态评估实验台进行交互，对驾驶人员的里程焦虑状态进行显示。

69、本发明至少具有以下有益效果

70、本发明通过对驾驶员驾驶过程中里程焦虑状态的识别，可以优化智能驾驶系统，为智能驾驶系统提供有益信息，帮助优化车辆的自主驾驶行为。理解驾驶员在不同里程阶段可能面临的焦虑情绪，有助于系统更好地适应并提供相应的辅助措施，以提高行车安全性。在交通管理与规划方面，了解驾驶员在驾驶过程中的里程焦虑水平，可为城市交通管理和规划提供参考。例如，在城市设计中考虑驾驶者的心理感受，创造更友好的交通环境，对有里程焦虑的驾驶员进行提前诱导充电，有助于减轻驾驶员的焦虑，提高交通效率。最后在心理健康与安全方面，关注里程焦虑有助于提高驾驶员的心理健康水平，减少潜在的驾驶压力和焦虑。这对于降低交通事故的发生率和提高道路安全性具有积极作用。

71、总体而言，研究驾驶员在驾驶过程中的里程焦虑，不仅可以改进交通系统和汽车设计，提高交通安全性，还可以促进驾驶者的心理健康和舒适体验。这些方面的改进将为整个汽车产业和交通领域带来实质性的工业和社会价值。