辆状态变量时间序列信息中的疲劳特征进行深入挖掘，初步抽取出N个 疲劳判别指标，并利用单因子方差分析方法，对不同疲劳水平下指标的差异显著性进行检 验，然后对具有显著性差异的指标进行多重比较，最终在已抽取的N个指标中选出N1个显著 性指标构建疲劳判别指标作为建立驾驶人疲劳状态检测模型的基础。
[0038] 疲劳判别指标优化：W支持向量机算法的分类性能为评价准则，W序列浮动前向 选择算法为捜索策略，建立疲劳判别指标近似最优选择算法，从初选的N1个疲劳判别指标 中筛选N2个指标建立驾驶人疲劳状态检测的指标体系，结果如表1所示，表中SWA，SWAR， Yaw,LP分别指方向盘转角，方向盘转角速率，车辆横摆角和车辆横向位置。
[0039] 表 1
[0040]
[0041] 驾驶人疲劳状态检测模型的建立：WN2个指标体系为输入，基于支持向量机算法 建立驾驶人疲劳状态检测模型。如公式(1)所示：
[0042]
(1)
[0043] 其中，X为未知样本，（xi，yi)是fi、f2、f3的支持向量，l、m、n分别是fi、f2、f3的支持向 量的个数，〇1、扣、丫 1是对应支持向量的系数，bl、b2、b3分别是fl、f2、f3的常数项，Κ(Χ1，Χ)是 径向基核函数。fl、f2、f3是Ξ个二类分类器，其中，。是清醒-非常疲劳分类器，该分类器将 未知疲劳水平的样本分为清醒、非常疲劳两类;f2是清醒-疲劳分类器，该分类器对fl判别为 清醒的样本进一步检测，对该样本的疲劳水平是清醒还是疲劳做出最终判别;f3是疲劳-非 常疲劳分类器，该分类器对。判别为非常疲劳的样本进行辨识，输出该样本的疲劳水平是 疲劳还是非常疲劳的最终判别结果。利用样本库中的438个样本(清醒169个、疲劳158个、非 常疲劳111个），采用5重交叉验证法对驾驶人疲劳状态检测模型进行测试，测试结果表明， 该模型将驾驶人疲劳水平分为清醒、疲劳、非常疲劳Ξ级的识别准确率为86.1%。测试结果 如表2所示。
[0044] 表 2
[0045]
[0046] 影响疲劳关键因素提取与算法优化:针对驾驶人对车辆操作的个体差异性W及车 辆的转弯、换线等对转向操作和车辆状态变量产生影响，降低疲劳检测精确度的问题，本发 明采用个体差异性自学习方法，利用驾驶人开始驾驶后的一段清醒数据作为参考数据，对 个体的操作特性进行自学习，W参考数据中抽取的疲劳判别指标的均值为参考指标，然后 W疲劳判别指标和参考指标的比值获得个性指标，利用个性指标构建驾驶人疲劳模式分类 的特征空间，基于SVM算法建立考虑个体差异性的驾驶人疲劳状态检测模型，提高模型适用 于不同驾驶人的泛化能力和疲劳检测模型的识别准确率。同时，对于换线对驾驶人疲劳状 态检测的影响，将车辆偏出车道事件分为主动换线和疲劳导致的车道偏离两类模式，将车 辆偏出当前车道到回正到目标车道的过程划分为偏出和回正两个阶段，通过比较主动换线 和疲劳车道偏离在偏出阶段的操作特性差异，建立车辆偏出车道时的疲劳检测模型，结果 如表3所示。
[0047] 表 3 [004引
[0049]利用该模型在车辆偏出车道时对驾驶人的疲劳状态进行判别，进一步提高疲劳识 别准确率。结果如表4所示，该模型对主动换线和疲劳车道偏离的识别准确率为97.4%，可 W准确有效地在车辆偏出车道时对驾驶人的疲劳状态进行辨识。
[(K)加]表4
[0化1 ]
[0052]应当理解的是，本发明的上述【具体实施方式】仅仅用于示例性说明或解释本发明的 原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何 修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨 在涵盖落入所附权利要求范围和边界、或者运种范围和边界的等同形式内的全部变化和修 改例。
【主权项】
1. 一种面向疲劳驾驶检测的方向盘操作特征提取方法，其特征在于，包括以下步骤： SOI:疲劳操作特性分析及疲劳判别指标抽取:对驾驶人疲劳样本变量进行统计分析和 对比；根据分析结果，初步抽取N个疲劳判别指标，对不同疲劳水平下疲劳判别指标的差异 显著性进行检验，在已抽取的N个疲劳判别指标中选出N1个显著性指标构建疲劳判别指标； S02:疲劳判别指标优化：以支持向量机算法的分类性能为评价准则，以序列浮动前向 选择算法为搜索策略，建立疲劳判别指标近似最优选择算法，从初选的N1个疲劳判别指标 中筛选N2个指标建立驾驶人疲劳状态检测的指标体系； S03:驾驶人疲劳状态检测模型的建立：以筛选得到的驾驶人疲劳状态检测指标体系为 输入，基于支持向量机算法建立驾驶人疲劳状态检测模型； S04:影响疲劳关键因素提取与算法优化:基于SVM算法建立考虑个体差异性的驾驶人 疲劳状态检测模型；将车辆偏出车道事件分为主动换线和疲劳导致的车道偏离两类模式， 通过比较主动换线和疲劳导致的车道偏离在偏出阶段的操作特性差异，建立车辆偏出车道 时的疲劳检测模型。2. 根据权利要求1所述的面向疲劳驾驶检测的方向盘操作特征提取方法，其特征在于， 所述步骤S01中基于MATLAB建立数据分析平台，对驾驶人不同疲劳状态下的转向操作和车 辆状态变量的波动特性分析和频数分布比较。3. 根据权利要求1所述的面向疲劳驾驶检测的方向盘操作特征提取方法，其特征在于， 所述步骤S01中利用单因子方差分析方法检验疲劳判别指标的差异显著性，对具有显著性 差异的指标进行多重比较。4. 根据权利要求1所述的面向疲劳驾驶检测的方向盘操作特征提取方法，其特征在于， 所述步骤S04包括:利用驾驶人开始驾驶后的一段清醒数据作为参考数据，对个体的操作特 性进行自学习，以参考数据中抽取的疲劳判别指标的均值为参考指标，然后以疲劳判别指 标和参考指标的比值获得个性指标，利用个性指标构建驾驶人疲劳模式分类的特征空间， 基于SVM算法建立考虑个体差异性的驾驶人疲劳状态检测模型。5. -种面向疲劳驾驶检测的方向盘操作特征提取系统，其特征在于，包括： 一疲劳操作特性分析及疲劳判别指标抽取模块，对驾驶人疲劳样本变量进行统计分析 和对比；根据分析结果，初步抽取N个疲劳判别指标，对不同疲劳水平下疲劳判别指标的差 异显著性进行检验，在已抽取的N个疲劳判别指标中选出N1个显著性指标构建疲劳判别指 标； 一疲劳判别指标优化模块，以支持向量机算法的分类性能为评价准则，以序列浮动前 向选择算法为搜索策略，建立疲劳判别指标近似最优选择算法，从初选的N1个疲劳判别指 标中筛选N2个指标建立驾驶人疲劳状态检测的指标体系； 一疲劳状态检测模型建立模块，以筛选得到的驾驶人疲劳状态检测指标体系为输入， 基于支持向量机算法建立驾驶人疲劳状态检测模型； 一疲劳关键因素提取与算法优化模块，基于SVM算法建立考虑个体差异性的驾驶人疲 劳状态检测模型；将车辆偏出车道事件分为主动换线和疲劳导致的车道偏离两类模式，通 过比较主动换线和疲劳导致的车道偏离在偏出阶段的操作特性差异，建立车辆偏出车道时 的疲劳检测模型。6. 根据权利要求5所述的面向疲劳驾驶检测的方向盘操作特征提取系统，其特征在于， 所述疲劳操作特性分析及疲劳判别指标抽取模炔基于MATLAB建立数据分析平台，对驾驶人 不同疲劳状态下的转向操作和车辆状态变量的波动特性分析和频数分布比较。7. 根据权利要求5所述的面向疲劳驾驶检测的方向盘操作特征提取系统，其特征在于， 所述疲劳操作特性分析及疲劳判别指标抽取模块利用单因子方差分析方法检验疲劳判别 指标的差异显著性，对具有显著性差异的指标进行多重比较。8. 根据权利要求5所述的面向疲劳驾驶检测的方向盘操作特征提取系统，其特征在于， 所述疲劳关键因素提取与算法优化模块利用驾驶人开始驾驶后的一段清醒数据作为参考 数据，对个体的操作特性进行自学习，以参考数据中抽取的疲劳判别指标的均值为参考指 标，然后以疲劳判别指标和参考指标的比值获得个性指标，利用个性指标构建驾驶人疲劳 模式分类的特征空间，基于SVM算法建立考虑个体差异性的驾驶人疲劳状态检测模型。
【专利摘要】<b>本发明公开了一种面向疲劳驾驶检测的方向盘操作特征提取方法，包括对驾驶人疲劳样本变量进行统计分析和对比；根据分析结果，对不同疲劳水平下疲劳判别指标的差异显著性进行检验，选出显著性指标构建疲劳判别指标；以支持向量机算法的分类性能为评价准则，以序列浮动前向选择算法为搜索策略，建立疲劳判别指标近似最优选择算法，建立驾驶人疲劳状态检测的指标体系；以筛选得到的驾驶人疲劳状态检测指标体系为输入，基于支持向量机算法建立驾驶人疲劳状态检测模型；基于</b><b>SVM</b><b>算法建立考虑个体差异性的驾驶人疲劳状态检测模型以及建立车辆偏出车道时的疲劳检测模型。适用于不同驾驶人和多种操作状态的泛化能力，提升疲劳检测模型的识别准确率。</b>
【IPC分类】G06K9/62
【公开号】CN105631485
【申请号】CN201610182241
【发明人】陈睐
【申请人】苏州阿凡提网络技术有限公司
【公开日】2016年6月1日
【申请日】2016年3月28日