基于生理信号的驾驶疲劳综合评价方法试验研究

采用驾驶模拟舱对30名被试进行动态驾驶模拟试验,分析心电信号和脑电信号随驾驶时间的变化规律,验证心电信号和脑电信号作为驾驶疲劳评价指标的有效性.采用皮尔逊相关系数计算发现心电信号与脑电信号相关关系显著,并通过主成分分析法,建立脑电信号与心电信号之间的关系,确定驾驶疲劳评价的综合指标,可以排除干扰因素,减小数据的波动性,提高驾驶疲劳评价的准确性.     

基于BP神经网络的驾驶精神疲劳识别方法

为了对驾驶精神疲劳予以有效识别,基于行为绩效结合心电信号指标构建了一种驾驶精神疲劳识别方法．以驾驶行为绩效为客观测评指标,给出了驾驶精神疲劳状态的分级划分方法．在此基础上,以心率变异性的6项指标作为疲劳识别特征因子,采用BP神经网络模型,建立了驾驶精神疲劳状态分类器．最后结合实例,依据驾驶行为绩效,将疲劳状态划分为2级,采用10名驾驶员连续4 h的驾驶行为绩效(反应时)、心电数据,对模型、方法予以测算．结果表明,10名驾驶员平均正确识别率在71％～80％之间,且其平均正确识别率为73％．BP神经网络模型与心率变异性指标相结合可有效的识别疲劳．     

驾驶疲劳状态波动性特征的识别方法

针对疲劳状态变化的波动性特征,基于心率变异性指标构建了一种驾驶疲劳状态识别方法.以驾驶行为绩效为疲劳客观测评指标,给出了适应疲劳波动性特征的驾驶疲劳分级方法.以心率变异性的3项时域指标、5项频域指标为特征因子构建驾驶疲劳识别特征向量,结合支持向量机提出了一种适应小样本的驾驶疲劳状态识别模型.采用10名驾驶员连续4 h的驾驶行为绩效与心电数据,对模型方法予以了测试.测试结果表明:10名驾驶员1级、2级疲劳状态的正确识别率介于70%~82%,平均正确识别率为75%.     

基于脑电信号特征的驾驶疲劳检测方法研究

目前,疲劳驾驶已成为一种严重的社会问题,然而对于疲劳驾驶的检测与预防仍缺乏有效的技术手段.采用疲劳驾驶模拟实验、结合对象辨别实验和对被试面部表情变化分析,探索了脑电信号特征与驾驶疲劳状态间的相关性.提取脑电信号的δ波、θ波、α波、β波四种脑电节律的能量值作为疲劳驾驶的特征值,采用δ波能量值与θ波能量值之和与β波能量值的比值作为疲劳指数.结果显示,疲劳指数与被试疲劳程度呈正相关,验证了利用脑电信号检测疲劳程度的合理性与客观性,为疲劳检测提供了新的思路.     

基于心电和脑电的驾驶疲劳检测研究

驾驶疲劳是引发交通事故的重要原因。驾驶疲劳检测不仅具有重要的理论研究价值,同时也将产生重大的社会、经济效益。该文通过心电信号计算驾驶过程中的不同阶段的心率和脑电信号,经过功率谱估计后,计算得到功率谱频段比值,作为疲劳检测的指标。模拟驾驶实验中,对驾驶前后两个阶段的19位被试者的生理指标作统计显著性检验,实验结果表明,该文提出的心电和脑电指标可以有效地对驾驶的疲劳和清醒状态进行检测。     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

基于粒子群优化与支持向量机的驾驶员疲劳等级判别

为客观、准确地判别驾驶员的疲劳程度,采用多项驾驶员生理指标、基于粒子群与支持向量机（ SVM）算法建立驾驶疲劳等级判别模型,首先将驾驶员疲劳状态分为清醒、轻度疲劳、重度疲劳和睡意4个等级,然后将驾驶员的心电RR间期标准差、心率均值、呼吸潮气量、脑电的α波、β波和δ波功率谱密度积分等作为SVM的输入变量,驾驶疲劳等级作为输出变量,引入粒子群算法优化SVM的惩罚系数和核函数参数对判别模型进行标定,采用吉珲高速公路上的实车实验数据对模型有效性进行验证。结果表明：本模型对4项疲劳等级的判别准确率均高于85％,对于驾驶员疲劳预警具有重要意义。通过对模型各个输入变量的敏感性分析,证明基于多项生理指标的疲劳判别较基于单生理指标的疲劳判别更加有效。     

疲劳对驾驶员感知判断及操作特性的影响

在分析疲劳对行车安全影响的基础上,采用实验心理学测试与主观疲劳调查的方式,研究了不同疲劳程度下驾驶员的感知、判断及操作特性。分析了不同疲劳程度下驾驶特性测评指标的变化规律,确定了不同疲劳程度下的驾驶特性测评指标阈值。提出了基于驾驶员驾驶特性的最大连续驾驶时间建议,可为相关部门制定或修订驾驶服务时间提供参考依据。     

驾驶疲劳声音对策有效性的驾驶模拟

采用驾驶模拟实验,验证了声音刺激作为驾驶疲劳对策的有效性。通过声强、声频、持续时间和持续间隔4个因素合成不同类型的声音刺激源。选择容易出现驾驶疲劳的单调性场景和中午时分进行实验,采用眼动和驾驶员的面部特征作为驾驶疲劳的评价标准,当疲劳现象出现后启动声音刺激,分析不同类型的声音刺激前、后的脑电、心电、眼动等生理指标和驾驶操作水平的变化规律。结果表明:驾驶员在疲劳状态下,对单一声音刺激存在警觉反应,但刺激的效果不能持久,在声音刺激之后仅仅能够维持几分钟。同时发现声音类型对刺激的效果有显著影响。因此,需要进一步分析声音的各个因素对驾驶疲劳指标的影响程度,构建持续警觉的组合声音作为有效的驾驶疲劳对策。     

公路景观色彩对驾驶员脑电δ波成分的影响

为量化高速公路路侧景观色彩与驾驶员脑电δ波成分之间的关系,在吉珲高速公路进行道路试验,采集所需数据.首先基于幂函数建立景观色彩值与脑电δ波成分的关系模型,然后考虑驾驶时间对驾驶员脑电δ波的累积影响,基于高斯函数建立驾驶时间与脑电δ波成分的关系模型.最后采用联合建模的方式建立驾驶时间、景观色彩值对脑电δ波成分的影响关系模型.模型分析结果表明:路侧景观色彩均值与驾驶员脑电δ波成分呈负相关,而δ波多在驾驶疲劳时出现,即景观色彩越鲜亮,越能有效避免驾驶疲劳的加剧;驾驶员脑电的δ波成分随着驾驶时间t呈现波动,但是整体仍处于上升趋势,即驾驶员为规避因疲劳导致的行车危险而强制自己处于警醒状态,其自身会存在疲劳与抗拒疲劳的博弈过程.     

一种基于眼部状态的疲劳驾驶检测方法

针对传统的疲劳驾驶检测准确率低和实时性差的问题,提出了一种基于眼部状态的疲劳驾驶检测方法.利用CCD相机实时获取驾驶员的脸部图像,采用直方图均衡化增强图像的对比度;通过改进的cascade(Hear分类器)的人脸检测算法检测出脸部区域;利用OTSU阈值分割和形态学运算提取人眼区域,根据人眼的宽高比判定眼睛的闭合程度;依据PERCLOS-P80原理和眨眼频率判断驾驶员的疲劳状态.实验结果表明:改进的人脸检测算法对每帧图像的检测时间约为45ms,在人脸检测速度上提高了2.3倍,为整个疲劳驾驶检测节省了大量的时间.研究疲劳驾驶检测方法检测一帧图像的时间约为65ms,而且在不同的光照强度下的检测均有较高的准确率,满足疲劳驾驶检测对准确性和实时性的要求.     

基于脑电信号的驾驶疲劳预报关键参数选取

为了实现驾驶疲劳的及时预报,利用脑电仪在模拟驾驶中采集驾驶员的脑电数据.采用功率谱估计计算不同频段波能量分布情况,确定采用delta和alpha波实现驾驶疲劳预报是可行的.为此,采用BP神经网络构建预报系统,分别对delta波、alpha波单独输入和两者同时输入时预报精度进行验证,结果表明,两者同时输入时预报效果最理想,为车载实时驾驶疲劳预警系统开发提供依据.     

基于数据融合的疲劳驾驶检测算法

为减少交通事故,采用基于数据融合的疲劳检测技术以提高疲劳检测精度. 通过驾驶行为与车辆跟踪技术研究现状分析,选择眼睑遮住瞳孔的面积超过80%的P₈₀和眨眼次数指标作为眼部特征参数、车辆越线指标作为驾驶行为特征参数. 将两个特征参数分为3类,分别为:清醒状态、轻微疲劳状态、疲劳状态;最后通过支持向量机算法建立基于数据融合的疲劳检测模型. 实验结果分别为灵敏度为86.45%,检测准确率为85.79%,特异度为84.63%,较单一数据源的疲劳检测方式精准,建立的融合模型提高了疲劳检测的准确性.     

基于嘴唇色度Fisher分类的驾驶疲劳视觉检测

为提高驾驶疲劳检测的准确率和可靠性,利用唇色和肤色的色度分布差异,挑选3个典型颜色特征构建Fisher分类器用于提取唇色区域.采用区域连通算法对二值唇色区域进行滤波处理,运用改进积分投影算法确定嘴唇边界,根据嘴巴开合度及打呵欠频率判断驾驶员是否疲劳.实验结果表明:基于3个颜色特征构建的Fisher分类器在唇色提取效果上明显优于单一颜色特征的提取效果;改进的积分投影算法能提高嘴唇边界定位的精度和速度;基于打呵欠频率的驾驶疲劳检测方法具有更优的检测准确率和可靠性.融合多个典型颜色特征可改善唇色提取的鲁棒性和可靠性,有助于驾驶疲劳检测效果的提高.