基于多源异构数据感知的疲劳驾驶安全预警系统的制作方法

本发明属于驾驶安全技术领域，特别涉及一种疲劳驾驶安全预警系统。

背景技术：

疲劳驾驶是引发交通事故的主要原因之一，严重威胁着道路交通安全。疲劳驾驶状态下发生事故或接近发生事故的风险是清醒驾驶状态下的4至6倍。驾驶疲劳是一个生理、心理的状态变化过程，难以像酒驾一样用定量的生理指标进行衡量，因此驾驶人疲劳状态检测成为驾驶疲劳的研究重点。疲劳驾驶较难通过立法执法进行监管，车载疲劳预警设备被认为是最重要的疲劳驾驶预防手段。

驾驶疲劳检测指标可以划分为侵入测量、无侵入测量两种指标。无侵入测量指标(驾驶行为指标、眼动指标等)对正常驾驶的干扰较小，对驾驶疲劳测量精度较低。侵入测量(脑电指标、心电指标等)对于实验结果的验证有保证，能够最大限度保证算法的识别正确率。但随着传感器部件、智能手环、蓝牙传输等技术的普及，呼吸频率、心率等侵入测量指标已经变得无侵入性。此外，研究发现驾驶员方向盘压力、心率可作为检测成为驾驶疲劳的有效指标。

关于驾驶疲劳判别算法国内外目前常用的人工智能方法主要包括：动态贝叶斯网络、神经网络、支持向量机(supportvectormachine,svm)等。通过对驾驶疲劳判别算法文献分析发现：目前各类疲劳检测算法中，基于多传感器的信息融合技术能够克服单一监测方案的片面性与不稳定性，可以较为准确地识别驾驶人疲劳状态，是驾驶疲劳自动判别算法的发展方向。

技术实现要素：

本发明的目的是提供一种基于多源异构数据感知的疲劳驾驶安全预警系统，选取生理特征参数中的心率特征参数和压力特征参数，借助相关向量机(relevancevectormachine，简称rvm)的基于主动相关决策理论移除不相关数据点、降低数据随机波动性对其驾驶状态变化态势影响的优势，开发一种基于多源异构数据感知的疲劳驾驶安全预警系统，以期实现疲劳驾驶预警功能，为疲劳驾驶预警提供了切实可行的技术解决方案。

为实现上述目的，本发明采用的技术方案为：

一种基于多源异构数据感知的疲劳驾驶安全预警系统，包括握于驾驶员手中的压力传感器和固定于驾驶员小手指上的脉搏传感器，所述压力传感器采集驾驶员驾驶过程中对方向盘的压力，所述脉搏传感器采集驾驶员驾驶过程中脉搏的变化，所述压力传感器通过电压转换模块连接控制板，所述压力传感器、脉搏传感器和pc端均通过无线传输模块与控制板进行数据传输，pc端对压力传感器和脉搏传感器采集的数据进行存储、分析和处理，所述pc端还连接预警装置。

进一步的，所述压力传感器采用rfp602薄膜压力传感器，所述脉搏传感器为pulsesensor脉搏传感器，所述控制板的型号为cc2530，所述无线传输模块采用zigbee，所述预警装置为扬声器报警器。

进一步的，所述压力传感器和脉搏传感器采集数据的单位时间跨度为60s。

进一步的，脉搏传感器采集的脉搏参数进行标准差处理，

基于脉搏参数的脉搏标准差：

其中σh为脉搏标准差，tt为时间间隔(s)，h(t)为t时刻实际脉搏值，为tt内脉搏均值；

压力传感器采集的压力参数进行标准差处理，

基于压力参数的压力标准差：

其中σr为压力标准差，tt为时间间隔(s)，r(t)为t时刻实际压力值，为tt内压力均值。

进一步的，基于相关向量机的疲劳驾驶检测系统模型构建：

步骤1：驾驶状态划分，将调查数据分为非疲劳和疲劳两种驾驶状态；

步骤2：建立驾驶状态特征参数数据矩阵

式中：tn(n＝0,1...,n),tn∈(0，1)为驾驶状态值，非疲劳为1，疲劳为0；

步骤3：将数据集划分为训练数据矩阵tx和测试数据矩阵ty；

首先构建如式(3)的rvm基本判别式，然后将训练样本xn(n＝1,2.…,n；x∈(σh,σr))，驾驶状态结果tn(n＝1,2,…,n；t∈{0,1})输入；

式中：y(xn)由核函数φi≡k(x,xi)决定，ωi是模型的权值；

步骤4：选择不同核函数k和不同核函数参数从而将特征参数向高维映射；

步骤5：对n+1维超参数α实行初始化，由于模型p(w|t,α)∝p(t|w)p(w|α)，w＝(ω0,...ωn)^t，t＝(t1,...,tn)^t所以当对α的值进行固定；

步骤6：计算μ(即wmp)和∑；

求权重wmp最可能值的过程就等价于找到式(4)的最小值，其中wmp利用最小平方迭代求出；

式中：yn＝σ{y(xn；w)}，a＝diag(α0,α1,…,αn)为对角线矩阵，，；

采用laplace方法，将式(4)进行两次求导，得出：

式中：b＝diag(β1,β2,…,βn)为对角线矩阵，其中βn＝σ(y(xn))[1-σ(y(xn))]，φ是n×(n+1)的结构矩阵，φ＝[φ(x1),φ(x2),...,φ(xn)]^t，φ(xn)＝[1,k(xn,x1),k(xn,x2),...,k(xn,xn)]^t；对于gaussian逼近来说，wmp是权重的主要聚集点，并且对式(5)右边取相反数在再求逆矩阵，协方差矩阵∑就可求出；

步骤7：对α进行新的估计；

∑和μ可以对超参数α进行重新赋值

式中：μ为wmp的gaussian逼近，γi＝1-αi∑ii，其中∑ii为∑＝(φ^tbφ+a)^-1的第i个对角元素；

步骤8：核查收敛尺度，如未到达则回到步骤(5)，如达到则模型构建完毕；

步骤9：将测试数据集ty加载到受过训练的rvm模型中，得到一个tn值，预警系统会对其进行判断，如为1则非疲劳，如为0则疲劳。

进一步的，所述步骤1中，非疲劳驾驶状态的状态值为0，特征包括：眼睛正常睁开，眨眼迅速，眼球活跃，精神集中，对外界保持注意力，头部端正；疲劳驾驶状态的状态值为1，特征包括：眼睛出现闭合趋势，眼球活跃程度下降，目光呆滞，打哈欠、下意识点头的动作。

与现有技术相比，本发明具有以下有益效果：

本发明将人体身体信息通过压力传感器与脉搏传感器转换为电信号，此时身体信息被转变为了传感器信息，通过无线传输技术，及阈值过滤处理数据，最后输入到rvm算法进行处理判别，判断结果为正常时，系统将继续运行。判断结果为疲劳时，判断结果将会以无线信号的形式传输至预警装置中，通过预警装置的物理信号进行预警，从而在一定的时间内改变驾驶者的人体身体信息。

附图说明

图1是本发明的逻辑流程图；

图2是本发明的硬件模块框图；

图3是本发明的硬件模块连接图；

图4是本发明中压力传感器和脉搏传感器的工作安装位置示意图；

图5是本发明中电压转换模块实物图；

图6是本发明中基于rvm驾驶疲劳状态识别算法的流程图；

图7是本发明中实车实验路线图；

图8是本发明中实车实验中数据显示窗口；

图9是本发明中模拟驾驶平台；

图10是本发明中不同核函数的最优分类。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

一种基于多源异构数据感知的疲劳驾驶安全预警系统，包括握于驾驶员手中的压力传感器和固定于驾驶员小手指上的脉搏传感器，所述压力传感器采集驾驶员驾驶过程中对方向盘的压力，所述脉搏传感器采集驾驶员驾驶过程中脉搏的变化，所述压力传感器和脉搏传感器采集数据的单位时间跨度为60s，所述压力传感器通过电压转换模块连接控制板，所述压力传感器、脉搏传感器和pc端均通过无线传输模块与控制板进行数据传输，pc端对压力传感器和脉搏传感器采集的数据进行存储、分析和处理，所述pc端还连接预警装置。

具体地讲，所述压力传感器采用rfp602薄膜压力传感器，所述脉搏传感器为pulsesensor脉搏传感器，所述控制板的型号为cc2530，所述无线传输模块采用zigbee，所述预警装置为扬声器报警器。

作为一个优选方案，如图1所示，本发明将人体身体信息通过压力传感器与脉搏传感器转换为电信号，此时身体信息被转变为了传感器信息，通过无线传输技术及阈值过滤处理数据，最后输入到通过rvm算法进行驾驶员状态处理判断，判断结果为非疲劳(正常)时，系统将继续运行。判断结果为疲劳时，判断结果将会以无线信号的形式传输至预警装置中，通过预警装置的物理信号进行预警，从而在一定的时间内改变驾驶者的人体生理信息。

如图2和3所示，本发明中疲劳驾驶的检测主要通过传感器(压力传感器和脉搏传感器)、控制板、pc端和预警装置实现。首先，驾驶员在驾驶过程中手部的压力传感器和脉搏传感器通过无线传输模块将所采集的数据传输到同一个cc2530控制板(主控制板)中；然后pc端对接收到的压力及脉搏进行数据的存储、分析、处理，最后依据结果判断驾驶员是否疲劳，若判断结果为疲劳，则触发预警装置。

如图3所示，rfp薄膜压力传感器固定在驾驶员手中，用来采集驾驶过程中驾驶员对方向盘的压力；当压力施加在压力传感器的敏感区域时，它的阻值会减小；再通过电阻到电压的转换电路，传感器阻值的变化转变成电位的变化；脉搏传感器固定在驾驶员小手指上，利用光学原理，采集驾驶员驾驶过程中的脉搏变化。

其中：rfp薄膜压力传感器专用电阻-电压转换模块，电阻-电压转换模块将压力传感器的电阻信号转换为模拟电压信号或高低电平。外观尺寸：1.4*3.2cm(±1mm)，供电电源：3.3-5v，输出电压范围：0-5v。具体连接说明如下：vcc外接3.3v-5v电压(可以直接与5v单片机或者3.3v单片机相连)、gnd外接gnd、do高低电平输出接口、ao模拟量输出接口。

如图6所示，本发明中基于rvm驾驶疲劳状态识别算法，包括以下步骤：首先对数据进行预先分类，然后建立数据训练、测试矩阵，随后输入数据训练测试矩阵，再选择核函数和核函数参数，初始化α，计算μ和∑，进行判断，是否达到收敛尺度，若未达到收敛尺度，则重新计算α，若达到收敛尺度，则对测试数据分类并计算相关结果参数。

具体地，本发明中基于rvm驾驶疲劳状态识别算法，首先对采取的数据进行事先判断及预先分类，驾驶状态的分类如表1所示，

表1驾驶状态行为特征

将脉搏和压力数据作为特征参数，其中数据采集的单位时间跨度为60s。压力参数和脉搏参数对于实验结果的验证有保证，能够最大限度保证算法的识别正确率。为了排除由于检测器的随机噪声对判定结果影响，本文对60s内所采集的脉搏参数和压力参数进行标准差处理，具体如下：

脉搏传感器采集的脉搏参数进行标准差处理，

基于脉搏参数的脉搏标准差：

其中σh为脉搏标准差，tt为时间间隔(s)，h(t)为t时刻实际脉搏值，为tt内脉搏均值；

压力传感器采集的压力参数进行标准差处理，

基于压力参数的压力标准差：

其中σr为压力标准差，tt为时间间隔(s)，r(t)为t时刻实际压力值，为tt内压力均值。

基于相关向量机的疲劳驾驶检测系统模型构建：

步骤1：驾驶状态划分，将调查数据分为非疲劳和疲劳两种驾驶状态；

步骤1中，非疲劳驾驶状态的状态值为0，特征包括：眼睛正常睁开，眨眼迅速，眼球活跃，精神集中，对外界保持注意力，头部端正；疲劳驾驶状态的状态值为1，特征包括：眼睛出现闭合趋势，眼球活跃程度下降，目光呆滞，打哈欠、下意识点头的动作。

步骤2：建立驾驶状态特征参数数据矩阵

式中：tn(n＝0,1...,n),tn∈(0，1)为驾驶状态值，非疲劳为1，疲劳为0；

步骤3：将数据集划分为训练数据矩阵tx和测试数据矩阵ty；

首先构建如式(3)的rvm基本判别式，然后将训练样本xn(n＝1,2.…,n；x∈(σh,σr))，驾驶状态结果tn(n＝1,2,…,n；t∈{0,1})输入；

式中：y(xn)由核函数φi≡k(x,xi)决定，ωi是模型的权值；

步骤4：选择不同核函数k和不同核函数参数从而将特征参数向高维映射；

步骤5：对n+1维超参数α实行初始化，由于模型p(w|t,α)∝p(t|w)p(w|α)，w＝(ω0,...ωn)^t，t＝(t1,...,tn)^t所以当对α的值进行固定；

步骤6：计算μ(即wmp)和∑；

求权重wmp最可能值的过程就等价于找到式(4)的最小值，其中wmp利用最小平方迭代求出；

式中：yn＝σ{y(xn；w)}，a＝diag(α0,α1,…,αn)为对角线矩阵，，；

采用laplace方法，将式(4)进行两次求导，得出：

式中：b＝diag(β1,β2,…,βn)为对角线矩阵，其中βn＝σ(y(xn))[1-σ(y(xn))]，φ是n×(n+1)的结构矩阵，φ＝[φ(x1),φ(x2),...,φ(xn)]^t，φ(xn)＝[1,k(xn,x1),k(xn,x2),...,k(xn,xn)]^t；对于gaussian逼近来说，wmp是权重的主要聚集点，并且对式(5)右边取相反数在再求逆矩阵，协方差矩阵∑就可求出；

步骤7：对α进行新的估计；

∑和μ可以对超参数α进行重新赋值

式中：μ为wmp的gaussian逼近，γi＝1-αi∑ii，其中∑ii为∑＝(φ^tbφ+a)^-1的第i个对角元素；

步骤8：核查收敛尺度，如未到达则回到步骤(5)，如达到则模型构建完毕；

步骤9：将测试数据集ty加载到受过训练的rvm模型中，得到一个tn值，预警系统会对其进行判断，如为1则非疲劳，如为0则疲劳。

在本发明的结果验证中，测试矩阵将会载入实际调查采集的tn值，将模型预测结果与之比较，从而进行准确性评估。

针对本发明提出的疲劳驾驶安全预警系统，进行实车实验、模拟驾驶实验。

实车实验的主要目的是获取驾驶过程中准确真实的压力、脉搏等实验数据，对模拟实验的数据进行校核与标定；

实车实验选取盐城交院驾驶培训学校科目三培训路段，驾驶员在不同的时间段和天气条件进行实验，采集获得一系列的数据，选取的路段如图7所示。

模拟实验的目的是为了从某种程度上避免实车实验的危险性，实现大量样本数据的采集可能性。模拟实验采用的模拟驾驶软件是俄国开发的具有havok引擎3d导师软件，此软件创造了一个超大的和不可分割的虚拟世界。天气条件的不同时间：早晨，下午，傍晚，夜晚。天气：清晰，干燥，阴天和潮湿，多雨，多雾。此软件采用先进的物理模拟器最新的物理引擎，可以感受到逼真的驾驶。并且模拟驾驶器的最大速度相当于汽车的原型。汽车发动机的一个数学模型，考虑到摩擦力，惯性和其他许多细微之处。当发生碰撞是所有汽车都得到明显的损坏，真实感极强。

模拟实验，选择20位男性作为实验数据采集对象，其中年龄23～33岁，驾龄3～6a，驾驶前至少拥有12h高质量睡眠，实验前精神状况良好。模拟场景为一条长为20km的双向四车道环形高速公路，设置车流密度为10％，天气晴朗，驾驶员连续驾车240min，不准超车，车速需控制在80km/h以下，且中途无休息。数据通过相应传感器采集采集，界面如图8，最后存储到电脑的磁盘中。其中：驾驶员达到如表1所示的疲劳特征时，将采集的数据标记为非疲劳和疲劳，模拟驾驶平台如图9所示。

模拟实验中所获得的数据中选取500组驾驶状态数据(非疲劳和疲劳各一半)作为训练数据，选取1000组驾驶状态数据(非疲劳和疲劳各一半)作为测试数据。在计算机运行内存为4g、主频为2.5ghz、处理器为因特尔i5的硬件系统下，以matlab软件为环境，首先对整个训练数据集进行rvm分类器训练，并在测试数据集上进行测试。对不同核函数(kernel)和核函数长度尺度参数(width)的rvm分类器进行训练。核函数选自gauss核、laplace核、spline核和cauchy核，选取合适参数进行测试。

表2不同rvm分类器参数设置及分类结果比较

根据表2和图10可以看出：(1)不同rvm分类器的平均分类正确率均高于90％，说明所设计算法具有良好的识别性能，且所选择的压力参数和脉搏参数确实与驾驶状态有密切关联。(2)不同rvm分类器驾驶状态分类测试正确率的均值排序为：cauchy核函数>gauss核函数>laplace函数>spline核函数。(3)不同的rvm分类器完成分类的时间均值排序为：laplace核函数>cauchy核函数>gauss函数>spline核函数。(4)不同rvm分类器的最优分类中，非零点数(non-zeroparameters)即相关样本量点数(rvs)均较小，其中gauss核函数4个，laplace核函数9个，spline核函数2个，cauchy核函数4个，这样就减少了计算非相关向量所对应的核函数的计算量，即驾驶状态识别算法完成迅速，另外说明其他的样本点对数据得集的分类影响甚小，即驾驶状态识别算法具有高鲁棒性。

本发明提供了一种基于多源异构数据感知的疲劳驾驶安全预警系统，实现了疲劳驾驶预警功能，为疲劳驾驶预警提供了切实可行的技术解决方案；疲劳驾驶较难通过立法执法进行监管，基于多源异构数据感知的疲劳驾驶安全预警系统作为一种车载疲劳预警设备，其具有很强的市场应用与推广前景；经过市场调查，各线城市嵌入式或非嵌入式普及率不高，同类产品中易凭借优势脱颖而出。

本发明对驾驶疲劳驾驶安全预警系统逻辑框架、物理框架进行了详细设计，其次对疲劳驾驶检测系统zigbee无线模块功能、基于相关向量机的驾驶疲劳判定算法等进行了构建，最后通过实车实验、模拟实验验证了该系统的有效性。研究结果表明：不同核函数rvm驾驶状态分类器的识别正确率均高于90％，本作品开发的系统可有效实现疲劳驾驶预警功能，为疲劳驾驶预警提供了切实可行的技术解决方案。

以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。