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Viola-Jones框架人脸检测算法的汽车疲劳驾驶检测

疲劳驾驶导致汽车交通事故逐年增加,为了提升驾车的安全性,需对驾驶员疲劳状态实时监测并及时提醒.为了提高疲劳驾驶判断效率及准确率,本文运用Viola-Jones框架特征矩阵进行人脸预判断;预判断过程中为了减少Haar值计算量并提高人脸识别速度,采用Adaboost算法和级联分析,剔除非人脸的Haar特征值,实现快速人脸识...     

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.     

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。     

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.     

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。     

基于轻量化网络的疲劳驾驶检测

针对疲劳驾驶检测要求精度高、实时性、鲁棒性等特点,提出一种基于轻量化网络的疲劳驾驶检测模型.采用Faceboxes进行人脸定位,通过PFLD(praclical facial landmark detector)检测人脸关键点以获取眼部、嘴部区域图像和头部姿态;然后,基于Xception的模块化思想,设计眼、嘴状态分类网络,准确率分别达到99.61%、97.58%;最后,分别计算基于时间序列的眼部、嘴部及头部疲劳表征参数,采用支持向量机（Support Vector Machine,SVM）进行疲劳判定.经实验表明：疲劳检测准确率达到98.3%,速率为47 fp/s,模型大小为7.1 Mb.在保留整个模型轻量化的同时,兼顾准确率和实时性,可应用在嵌入式系统或低算力设备中.     

基于DSP的疲劳驾驶实时检测算法实现

针对基于DSP的疲劳驾驶实时检测系统,利用Adaboost算法训练人脸与人眼分类器,在分析了基于Hough找圆法与灰度投影法的人眼状态分析算法各自的优缺点后,提出了一种新的基于区域灰度特征的人眼状态分析算法,该算法不需要精确几何模型,利用基于区域特征的灰度均值,具有很强的鲁棒性。将疲劳驾驶检测算法移植到DSP中后,检测算法的帧速率达到18帧/秒,满足了实时检测的性能要求。     

疲劳驾驶时的车速变化特征

通过驾驶模拟实验研究疲劳驾驶时的车速变化特征.模拟实验场景设计为单调的高速公路环境,有15名被试者参加实验,得到14组有效数据.实验实时采集了车速、加速度、车辆位置坐标及时间信息,采集频率为8Hz,并截取了3个不同线形路段上的数据进行分析.实验结果表明,疲劳驾驶时车速偏高,容易超速,但车速高低没有明显变化规律;车速标准差随疲劳程度上升有显著差异(α=0.05),疲劳时的车速标准差较小;疲劳驾驶时加速度频谱由低频成分为主逐渐转变为高频成分为主,或者加速度幅度和能量值显著减小.     

基于函数性数据分析的数控机床瞬时可用度建模

借助于函数性数据分析方法,提出了一种求解数控机床瞬时可用度方法。首先以四次Bernstein多项式为基函数对可靠度估计值进行平滑,并采用最小二乘法估计基函数拟合参数。其次,对维修度估计值按照故障发生时间截面进行跨截面套准,按维修度套准后的变化趋势,选择傅里叶基函数对其进行平滑处理,并采用非线性最小方差法求解拟合系数。最后,通过构建基于函数性线性回归模型建立了数控机床瞬时可用度模型,并以18台加工中心为实例进行分析。实例分析表明,该建模方法瞬时可用度拟合相关系数达到0.9641,能有效地对数控机床的瞬时可用度进行评估。     

基于隶属函数的疲劳寿命预测模型

针对传统疲劳寿命预测误差较大的问题,提出了将隶属函数应用于疲劳寿命预测的新方法,并建立了基于隶属函数的疲劳寿命预测模型。该摸型考虑了低于疲劳极限的应力所带来的损伤作用,实例对比分析表明：所建立的预测模型具有精度高、适用性强、使用方便的特点,是一种实用有效的预测方法。     

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．     

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DSP/BIOS的疲劳驾驶实时监测系统的设计

疲劳驾驶引起的交通事故在交通事故总数中占了很大的比重.文中提出利用DSP构建疲劳驾驶实时监测系统,利用TMS320DM642的实时操作系统内核DSP/BIOS,借助PERCLOS方法实现疲劳程度监测,预防和减少交通事故的发生.同时利用接口技术,实现PC与DSP的通讯联系与实时数据交换.     

基于安全人机工程学的驾驶疲劳因素及其产生机理分析

在当今各种重大伤亡事故中,交通事故所占比例最大.其中驾驶疲劳已经成为引发交通事故的主要原因,但驾驶疲劳的产生受交通标志、环境、驾驶员自身素质等诸多因素交互作用,成因复杂,表现特征呈现出多维度、多侧面.基于安全人机工程学的原理分析了驾驶疲劳的各种影响因素及其相互关系,归纳出其形成过程分为感知、判断决策和动作3个阶段,提出疲劳驾驶的行为模式,并探讨其内在机理,这对于预防驾驶疲劳,保障车辆安全畅行具有十分重要的理论及现实意义.     

基于马尔科夫过程的驾驶疲劳监测装置效能分析

提出一种驾驶疲劳监测装置效能的定量评估模型, 用于分析该装置对降低交通事故发生率的作用.首先运用连续马尔科夫过程为工具, 建立了装有驾驶疲劳监测装置的车辆事故发生过程的动态模型, 并用系统平均正常工作时间(MTTF)来衡量驾驶疲劳监测装置的效能;随后对模型进行了求解, 得到了系统平均正常工作时间与驾驶疲劳监测装置各项性能指标之间的关系并进行分析;最后对驾驶疲劳监测装置的使用与发展提出了若干建议.本模型经过参数标定后可直接用于具体问题的分析.     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。