基于脑电“微状态”的驾驶员脑负荷研究

驾驶疲劳影响驾驶员的警觉度和注意能力,同时严重影响道路交通安全。该文在实验室驾驶平台中模拟疲劳驾驶的基础上,提出了一种评估驾驶过程中大脑工作负荷的方法。实验结果表明,当大脑工作负荷较小时,在theta频段左前额高电势微状态出现的频率升高;当大脑工作负荷较大时频率降低。以此为指标,可以对驾驶员的放松和警觉状态进行检测。     

心率变异性与驾驶疲劳相关性研究

为获取与驾驶疲劳程度相关性较高的、可以量化的、客观的心电指标,对10名成年男性司机在驾驶仿真平台上进行心率变异性(HRV)检测与眼动跟踪同步实验研究.对HRV信号指标与评估疲劳的客观指标——PER-CLOSp80值进行相关性分析.结果表明,在HRV信号的线性指标中,表征交感-副交感神经张力平衡状态的频谱低频与高频部分比值与PERCLOSp80值的相关程度最大,皮尔逊相关系数达到0.728,可以作为实时监测驾驶疲劳的量化心电指标.为进一步解释HRV信号的混沌特性,采用非线性动力学方法进行R-R间期C0复杂度计算,该非线性指标与疲劳累积过程相关,可以用来衡量驾驶员在遇到应急危险状况下的控制能力.     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

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%.     

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。     

驾驶行为多重分形特征在驾驶疲劳检测中的应用

本文旨在分析驾驶行为多重分形特征对驾驶疲劳检测模型的提升作用.利用UC-win/Road驾驶模拟软件采集行驶速度、加速度、方向盘转角和方向盘角速度等数据,并计算数据的均值、标准差和多重分形特征,比较不同特征的使用是否会对支持向量机(SVM)驾驶疲劳检测模型的精度造成影响.研究表明:在多重分形特征指标中,加速度的奇异强度与驾驶员疲劳状态相关性显著,且受时间窗宽度影响较小;加速度的奇异强度能帮助提高驾驶疲劳检测模型的精度,具有一定的应用价值.     

基于眼动特征的疲劳驾驶检测方法

为了提高疲劳驾驶检测模型准确率和实时性,基于驾驶模拟实验,利用Smart Eye系统提取了驾驶人不同驾驶状态下眼动数据。基于眼动参数协议,提出了眨眼频率、PERCLOS、注视方向和注视时间4个特征参数的计算方法。分析了各特征参数的最优时窗,针对不同特征参数最优时窗差异,提出了滑移时窗的数据融合方法。基于支持向量机,搭建了疲劳驾驶检测模型。实验结果表明,该模型可以有效地进行疲劳状态检测,准确率能够达到83.84%。     

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。     

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.     

城市快速路高架桥段行驶视觉空间的结构特征与行车安全

视觉疲劳是驾驶人在高速行车过程中致命的交通安全隐患,对驾驶人行驶视觉空间的结构特征进行数量化分析,是研究驾驶视觉和行车安全的重要途径.针对城市快速路高架桥比例高和视觉环境单一等特点,用车载等距变距自动成像技术对高架桥段驾驶人行驶视觉空间进行还原模拟实验,采用数值计算对普通高架桥段和特殊零界面高架桥段行驶视觉空间的结构特征进行分析比对,确定两种典型空间的视觉要素构成与变化频率.实验结果表明,除天际背景外城市高架路行驶视觉空间内的视觉要素均低于普通城市道路;普通高架桥段的主要视觉要素为空旷天际背景的桥面,其次为右侧沿街建筑,且分布均衡单一,易导致驾驶人视觉疲劳;零界面高架桥段的视觉要素较长时间处于匮乏状态,易引发驾驶人焦虑、恐慌和不稳定感等负面驾驶心理.通过交通安全设施的合理设计引导驾驶员视线适时收放可有效缓解驾驶人的视觉疲劳,增加视觉对象作为高程参照是消除零界面桥段负面驾驶心理的最直接手段.     

基于眼动分析的车内信息显示位置设计

为了提高车内信息显示设计的安全性,针对车内信息显示的位置设计进行研究. 研究选取5个常见的车内信息显示设备的安放位置,依据驾驶员视觉行为与驾驶安全之间的关系,设计模拟驾驶员驾驶汽车时信息读取任务的眼动实验. 通过实验数据的分析比较可知,不同的车内信息显示位置会对驾驶员读取信息时的注视频率、注视数据在兴趣区域（AOI）内的分布产生显著影响. 分析和比较被试者完成信息读取任务时的注视频率、AOI内注视时间百分比、AOI内注视点百分比的均值可知,在实验选取的5个车内信息显示位置中位置3的数据均最高. 说明被试者读取实验位置3的信息时精力更集中,实验位置3对被试者产生视线偏离的影响最小. 由于驾驶员视线偏离会造成分心驾驶,威胁驾驶安全,车内信息显示位置设计会对驾驶安全产生一定的影响.     

驾驶员疲劳度的实时检测

驾驶员疲劳驾驶是机动车事故发生的一个重要原因,基于驾驶员疲劳度检测方法的疲劳度检测系统可以减少交通事故的发生率。然而很多算法在实现上太复杂或者难以实现。产生睡意的情况下,眼睛睁开幅度比正常情况下要小,而且每次睁开的幅度很固定。根据这种特点,设计了一种实时检测驾驶员疲劳时眼部状态的方法,采用红外线CCD摄像头采集图像,在DSPTMS3206416芯片的基础上实时处理。可以不受光线干扰,快速实时有效地识别出驾驶员疲劳时眼部状态。     

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.     

疲劳驾驶检测中的快速人眼定位方法

为了减少因疲劳驾驶所引发的交通事故的发生,人眼定位在疲劳驾驶检测技术中起着重要的作用．对人眼定位的过程中,采用多摄像头获取图像并对这些图像进行筛选,将检测到的人脸面积最大,将能够完整检测到双眼状态的图像做为最佳输入图像,采用Adaboost（迭代级联分类器）算法对其进行人脸定位以减小检测区域,再对其进行灰度投影将检测范围缩小在眉眼区域,然后进行一种新的LMS（最小均方误差）模板匹配,精确定位眼睛区域．在人脸成功定位的基础上,该算法经过二次眼睛定位,较传统的模板匹配方法,平均模板匹配检测时间提高到了30．5ms,准确率提高到了97％．实验表明：将灰度投影法和改进的LMS（最小均方误差）模板匹配两种人眼定位的方法相结合来进行人眼的定位,与传统的模板匹配相比,提高了检测的效率和检测的准确率,使得疲劳驾驶检测系统能更准确地进行实时检测,该方法能适用于疲劳驾驶检测等需要快速人眼定位的场合．