基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法，屬于駕駛員疲勞駕駛 檢測(cè)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著現(xiàn)代交通運(yùn)輸業(yè)的飛速發(fā)展，交通事故已成為當(dāng)前全球所面臨的嚴(yán)重問(wèn)題。 據(jù)統(tǒng)計(jì)，全世界每年因交通事故導(dǎo)致的死亡人數(shù)達(dá)60萬(wàn)，直接經(jīng)濟(jì)損失約125億美元，這些 事故中57%的災(zāi)難性事故與駕駛員疲勞駕駛有關(guān)。疲勞雖然是一個(gè)很正常的生理現(xiàn)象，但 每年導(dǎo)致的交通事故給世界各國(guó)造成巨大的經(jīng)濟(jì)損失和人員傷亡，增加了社會(huì)的不安定因 素。因此，針對(duì)疲勞駕駛預(yù)測(cè)的研究具有十分重要的現(xiàn)實(shí)意義。
[0003] 目前駕駛員疲勞度的預(yù)測(cè)是通過(guò)生物學(xué)的方法來(lái)檢測(cè)駕駛員的生理參數(shù)，比如分 析腦電圖（EEG)、心電圖（ECG)的信號(hào)變換等，繼而進(jìn)行駕駛?cè)藛T疲勞度的預(yù)測(cè)，但是這種 基于駕駛員生理預(yù)測(cè)的方法需要將檢測(cè)設(shè)備與駕駛員身體相接觸，有一定的局限性。由此 可見(jiàn)目前的駕駛員疲勞度預(yù)測(cè)方法上還存在一定的不足。

【發(fā)明內(nèi)容】
：
[0004] 本發(fā)明基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法。
[0005] 本發(fā)明的具體技術(shù)方案如下：
[0006] 本發(fā)明公開(kāi)了基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法，首先根據(jù)歷史眨眼次數(shù) 分別建立卡爾曼濾波預(yù)測(cè)模型以及徑向基函數(shù)（RBF)神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行下一時(shí)刻眨眼 次數(shù)的預(yù)測(cè)，其次考慮眨眼次數(shù)之間的關(guān)聯(lián)度，根據(jù)灰熵分析計(jì)算預(yù)測(cè)眨眼次數(shù)與歷史眨 眼次數(shù)的關(guān)聯(lián)度等級(jí)，并選取關(guān)聯(lián)度等級(jí)較高的歷史眨眼次數(shù)作為預(yù)測(cè)模型的輸入數(shù)據(jù)， 根據(jù)輸入數(shù)據(jù)獲得每個(gè)預(yù)測(cè)模型的預(yù)測(cè)值，接著結(jié)合傳統(tǒng)貝葉斯融合的方法及最相關(guān)的歷 史眨眼次數(shù)，計(jì)算每個(gè)預(yù)測(cè)模型在預(yù)測(cè)該時(shí)刻眨眼次數(shù)時(shí)的權(quán)重，獲得該時(shí)刻的預(yù)測(cè)眨眼 次數(shù)，最后通過(guò)設(shè)定閾值，比較閾值與預(yù)測(cè)眨眼次數(shù)的大小，最終實(shí)現(xiàn)駕駛員是否為疲勞駕 駛的判定。
[0007] 本發(fā)明具有如下優(yōu)點(diǎn)：
[0008] 1、本發(fā)明所構(gòu)建的預(yù)測(cè)模型能充分利用卡爾曼濾波預(yù)測(cè)模型和徑向基（RBF)神 經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)，能夠最大程度地適應(yīng)復(fù)雜變化的疲勞度預(yù)測(cè)?？柭鼮V波預(yù)測(cè)模型在 眨眼次數(shù)變化不大的條件下預(yù)測(cè)較為準(zhǔn)確，而徑向基（RBF)神經(jīng)網(wǎng)絡(luò)模型在眨眼次數(shù)變化 較大的條件下預(yù)測(cè)較為準(zhǔn)確，比如下午的1點(diǎn)到4點(diǎn)，綜合二者的優(yōu)點(diǎn)，本發(fā)明可以在眨眼 次數(shù)復(fù)雜變化的條件下取得良好的疲勞程度預(yù)測(cè)效果。
[0009] 2、本發(fā)明考慮歷史眨眼次數(shù)與預(yù)測(cè)眨眼次數(shù)的關(guān)聯(lián)度，選取最相關(guān)的歷史眨眼次 數(shù)來(lái)作為輸入數(shù)據(jù)，克服了傳統(tǒng)貝葉斯融合中將所有歷史眨眼次數(shù)作為輸入數(shù)據(jù)的問(wèn)題而 導(dǎo)致的計(jì)算量過(guò)大和預(yù)測(cè)精確性不高的問(wèn)題。
【附圖說(shuō)明】：
[0010] 圖1基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法流程圖。
【具體實(shí)施方式】：
[0011] 如圖1所示，本發(fā)明的基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法，具體過(guò)程如下： [0012] 首先，通過(guò)對(duì)某時(shí)刻之前一段時(shí)間內(nèi)駕駛員連續(xù)幾次眨眼次數(shù)的預(yù)測(cè)來(lái)判斷該時(shí) 刻駕駛員是否疲勞駕駛，規(guī)定t時(shí)刻的眨眼次數(shù)表示t時(shí)刻前5分鐘的眨眼次數(shù)之和，每隔 5分鐘采集一次，則t-Ι時(shí)刻的眨眼次數(shù)表示t時(shí)刻前10到前5分鐘之間的眨眼次數(shù)之和， 一般情況下，t時(shí)刻的眨眼次數(shù)與之最近的幾個(gè)時(shí)間段內(nèi)的眨眼次數(shù)關(guān)聯(lián)性較大，
[0013] 步驟1 :根據(jù)觀測(cè)得到的歷史數(shù)據(jù)，建立預(yù)測(cè)模型
[0014] 第一，建立卡爾曼濾波預(yù)測(cè)模型進(jìn)行預(yù)測(cè)
[0015] 將集合V(t) = [yt，JV1，…，yt_4]作為卡爾曼濾波預(yù)測(cè)模型的輸入數(shù)據(jù)，其中5^表 示t時(shí)刻的眨眼次數(shù)，5^表示t-Ι時(shí)刻的眨眼次數(shù)，y t_4表示t-4時(shí)刻的眨眼次數(shù)，
[0016] 1)建立線(xiàn)性預(yù)測(cè)模型：.?'(汗丨⑴·〗(〇，其中，j)(什1)為卡爾曼濾波預(yù)測(cè)模型 下計(jì)算所得的t+ι時(shí)刻預(yù)測(cè)眨眼次數(shù)，為狀態(tài)向量，
[0017] 2)利用卡爾曼濾波理論，計(jì)算狀態(tài)向量J⑴：
【主權(quán)項(xiàng)】
1.基于眨眼次數(shù)的駕駛員疲勞駕駛預(yù)測(cè)方法，其特征在于，通過(guò)對(duì)某時(shí)刻之前一段時(shí) 間內(nèi)駕駛員連續(xù)幾次眨眼次數(shù)的預(yù)測(cè)來(lái)判斷該時(shí)刻駕駛員是否疲勞駕駛，規(guī)定t時(shí)刻的眨 眼次數(shù)表示t時(shí)刻前5分鐘的眨眼次數(shù)之和，每隔5分鐘采集一次，則t-1時(shí)刻的眨眼次數(shù) 表示t時(shí)刻前10分鐘到前5分鐘之間的眨眼次數(shù)之和； 步驟1 ;根據(jù)觀測(cè)得到的歷史數(shù)據(jù)，建立預(yù)測(cè)模型 第一，建立卡爾曼濾波預(yù)測(cè)模型進(jìn)行預(yù)測(cè) 將V(t) = [y。yt_i，…，yt_4]作為卡爾曼濾波預(yù)測(cè)模型的輸入數(shù)據(jù)，其中yt表示t時(shí)刻 的眨眼次數(shù)，表示t-1時(shí)刻的眨眼次數(shù)，y t_4表示t-4時(shí)刻的眨眼次數(shù)， 1) 建立線(xiàn)性預(yù)測(cè)模型：，其中，別川)為卡爾曼濾波預(yù)測(cè)模型下計(jì) 算所得的t+1時(shí)刻預(yù)測(cè)眨眼次數(shù)，/的為狀態(tài)向量， 2) 利用卡爾曼濾波理論，計(jì)算狀態(tài)向;
其中，B(t)為狀態(tài)轉(zhuǎn)移矩陣，其初始值設(shè)為單位矩陣，R為測(cè)量噪聲>'(、0-則/)的自 相關(guān)矩陣，該矩陣中元素服從[0，1]之間的正態(tài)分布，W為過(guò)程噪聲公的 自相關(guān)矩陣，該矩陣中元素服從[0, 1]之間的正態(tài)分布，其中，式為t時(shí)刻的狀態(tài)向量， 7(/-1)為t-1時(shí)刻的狀態(tài)向量，p(t|t-l)為V(t)在t時(shí)刻預(yù)測(cè)估計(jì)誤差的自相關(guān)矩陣，其 初始值p(l|0) = 0， 第二，建立徑向基函數(shù)（RB巧神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè) 隨機(jī)選取7個(gè)時(shí)刻記錄下駕駛員的預(yù)測(cè)眨眼次數(shù)（觀測(cè)得到）W及該時(shí)刻前5個(gè)時(shí)刻 的歷史眨眼次數(shù)，該樣獲得預(yù)測(cè)眨眼次數(shù)集合Z = {z (a)，a = 1，2, 3, 4, 5, 6, 7}，表示7個(gè)時(shí) 刻的預(yù)測(cè)眨眼次數(shù)，與每個(gè)預(yù)測(cè)眨眼次數(shù)相對(duì)應(yīng)的前5個(gè)時(shí)刻的歷史眨眼次數(shù)集合為X = 找(a), a = 1，2, 3, 4, 5, 6, 7}，其中 X(a) = (xi(a)，X2(a), X3(a), X4(a), Xs(a)}，表示預(yù)測(cè)眨 眼次數(shù)z(a)之前5個(gè)時(shí)刻歷史眨眼次數(shù)，將觀測(cè)到的前5個(gè)時(shí)刻的歷史眨眼次數(shù)作為輸 入數(shù)據(jù)，則RBF神經(jīng)網(wǎng)絡(luò)的輸入層由5個(gè)神經(jīng)元組成，每組歷史眨眼次數(shù)對(duì)應(yīng)一個(gè)預(yù)測(cè)眨眼 次數(shù)，則RBF神經(jīng)網(wǎng)絡(luò)的輸出層由1個(gè)神經(jīng)元組成， 1)根據(jù)K-均值聚類(lèi)算法求取徑向基函數(shù)的中也，首先從歷史眨眼次數(shù)集合X中選取 3個(gè)樣本數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的初始聚類(lèi)中也c,(e = 1，2, 3)，其次把輸入數(shù)據(jù)X按照最 鄰近原則分配給聚類(lèi)中也C。的聚類(lèi)集合0。(6 = 1，2, 3)，該種分配原則滿(mǎn)足W下條件；屯 =mini |X(a)-c」I，（a = 1, 2, 3, 4, 5, 6, 7, e = 1, 2, 3)，de表示輸入數(shù)據(jù)與聚類(lèi)中也的最小
距離，接著計(jì)算每個(gè)聚類(lèi)集合e e中數(shù)據(jù)的平均值作為新的聚類(lèi)中也，
黃中 C"。表示新的聚類(lèi)中也，M。表示聚類(lèi)集合0。中輸入數(shù)據(jù)X(a)的個(gè)數(shù)，最后根據(jù)C"。的 值是否變化來(lái)判斷聚類(lèi)中也位置是否變化，如果聚類(lèi)中也位置變化則繼續(xù)按照最近鄰原則 分配輸入數(shù)據(jù)，計(jì)算新的聚類(lèi)中也直至聚類(lèi)中也位置不再發(fā)生變化，得到最終的聚類(lèi)中也C =(C。〇2, 〇3) T, 2)根據(jù)平均距離法計(jì)算RBF網(wǎng)絡(luò)的徑向基函數(shù)的寬度向量F = (fi，f2, fs)T，其中fi = min{ I I C1-C21 I，II C1-C3I I}，表示第1類(lèi)聚類(lèi)中也與其最近鄰聚類(lèi)中也的距離，f2= min{ I c廠Cl I I，I I C2-C3II}，表示第2類(lèi)聚類(lèi)中也與其最近鄰聚類(lèi)中也的距離，fs= min{ I I c 3-C11 ，I IC3-C2II}，表示第3類(lèi)聚類(lèi)中也與其最近鄰聚類(lèi)中也的距離， 扣計(jì)算RBF神經(jīng)網(wǎng)絡(luò)隱含層的徑向基向量H=化。h2，h3)T，
， 其中，e = 1，2, 3, I I ? I I表示歐式范數(shù)，X(a)表示輸入數(shù)據(jù)，C。表示徑向基函數(shù)的中也，f。 表示徑向基函數(shù)的寬度， 4)通過(guò)最小二乘法計(jì)算RBF網(wǎng)絡(luò)的權(quán)值向量W，W =姐巧-itfz (a)，其中H表示RBF神 經(jīng)網(wǎng)絡(luò)隱含層的徑向基向量，z(a)表示與輸入數(shù)據(jù)相對(duì)應(yīng)的輸出數(shù)據(jù)（即與歷史眨眼次數(shù) X(a)相對(duì)應(yīng)的預(yù)測(cè)眨眼次數(shù)）， 步驟2 ;計(jì)算預(yù)測(cè)眨眼次數(shù)與歷史眨眼次數(shù)的灰關(guān)聯(lián)度 規(guī)定t時(shí)刻的眨眼次數(shù)yt為預(yù)測(cè)眨眼次數(shù)，其前10個(gè)時(shí)刻的歷史眨眼次數(shù)集合 為{心，yt_2,…，，根據(jù)灰賭分析理論，構(gòu)建參考序列Yt和比較序列{Y……，Yt_i，… ，，參考序列為預(yù)測(cè)眨眼次數(shù)，Yt = [y t (1)，yt(2)，yt (3)，yt(4)，yt 巧)，yt 化)，Yt(7)]，定 義為t時(shí)刻之前7個(gè)時(shí)刻的眨眼次數(shù)，比較序