基于语音个性特征和模型自适应的驾驶疲劳检测方法技术

本发明专利技术提出了一种基于语音个性特征和模型自适应的驾驶疲劳检测方法。包含以下步骤：首先，提取驾驶人语音样本的线性特征和非线性特征；其次，采用基于VQ的说话人识别算法判别驾驶人身份；随后，根据驾驶人的个体疲劳特征差异，采用Relief算法筛选出能够充分反映其疲劳信息的语音特征，构建疲劳个性特征向量；最后，采用SVM分类算法建立驾驶人个体的自适应疲劳检测模型，并对模型进行样本训练以及驾驶疲劳检测。本发明专利技术将语音线性特征和非线性特征进行互补结合，同时针对驾驶人的个体差异，从中筛选出能够充分反映驾驶人疲劳信息的语音个性特征用于驾驶疲劳检测，有效降低了驾驶人个体发音差异对疲劳检测的影响，提高了检测的准确性。

【技术实现步骤摘要】

本专利技术涉及语音处理及交通安全监测控制领域，特别涉及一种应用语音个性特征和模型自适应来检测驾驶疲劳的方法。
技术介绍
在交通运输领域，驾驶人的疲劳现象直接危害着生命财产的安全。据悉，约有80％的重大交通事故与驾驶员的疲劳驾驶有关，驾驶疲劳现象及其所引发的交通安全隐患已然引起社会的高度重视，围绕其检测手段的研究也一直是令人关注的热门问题。目前对驾驶疲劳的检测主要有主观和客观两种方法，主观检测法主要依据主观调查表、自我记录表、睡眠记录表等来评测人体的疲劳程度。虽然这类主观方法使用简单，但不具备实时性，且十分易受个体主观评分差异的影响，其结果往往并不准确。客观检测法是借助仪器设备，对人体的脑电、心电等生理指标进行测量；或对人体的眨眼频率、眼睛闭合度、点头动作等行为特征指标进行测量；或对车辆的行车加速度、方向盘角速度、侧位移等运行特征指标进行测量；随后，从上述各指标中提取出能够反映疲劳状态的特征量，通过分析和实验设定评价标准，将实测数据和评价标准经行比较，判断疲劳状态。从实际实施效果来看，现有的这些疲劳客观检测方法大多难以满足实时性、环境适应性、非接触性和便捷性的要求。例如，基于生理指标的疲劳检测，设备昂贵，测量方法复杂，大多需要接触式测量而无法实际应用；基于驾驶员行为特征的检测方法，其图像采集设备易受角度、光线和遮挡等环境因素的干扰；基于车辆运行特征的疲劳检测，受个体驾驶习惯差异及车辆道路情况等因素影响的程度较大。因此，现有的这三类客观检测方法均因其检测条件的限制及复杂环境的影响，检测效果不能完全令人满意。考虑到铁路及航空等高安全等级的交通运输领域，均要求驾驶人员采用标准作业用语，这些语音中涵盖着大量与人体疲劳相关的生理和心理信息，其采集手段比其他指标更为简单便捷，并且语音处理系统的环境适应性强，降噪技术成熟，成本低廉。近些年，应用语音信号来检测人体疲劳的研究也逐渐兴起，然而大多数研究或局限于部分传统的语音线性特征参数，或局限于语音信号的混沌、分形等非线性特征，对语音信号中所包含的疲劳信息体现得不够全面：一方面，如果特征取得较多，会使得计算量急剧增大，乃至“维数灾难”所引起的检测效率低下问题，同时易受其他因素干扰的语音特征还会影响到疲劳检测的准确性和客观性；另一方面，较少的语音特征又难以保证疲劳检测的全面性和普适性。更为重要的是，说话人的个体发音差异对疲劳检测的效果又有着较大的影响，尤其是不同说话人的各个语音特征对其疲劳状态的敏感性不同，如果对所有驾驶人均采用相同的语音特征组合以及相同的疲劳检测模型，势必是不够合理和客观的。因此，现有同类方法在不同个体的疲劳特征差异以及疲劳检测模型的自适应性方面做得还不够理想，检测效果也距实际应用存在一定差距。
技术实现思路
本专利技术的目的就是针对现有方法的不足，提供一种基于语音个性特征和模型自适应的驾驶疲劳检测方法，力求针对不同驾驶人个体在疲劳时的语音特点，更加客观准确地检测其疲劳状态，在实现驾驶疲劳实时检测的前提下，进一步提高检测的精度和效率。本专利技术是通过以下技术方案实现的：一种基于语音个性特征和模型自适应的驾驶疲劳检测方法，包括以下四个步骤：S1、提取驾驶人语音样本的语音线性特征和语音非线性特征；S2、采用基于VQ的说话人识别算法，得到驾驶人的身份标签，并据此从所有驾驶人的历史语音样本库中检索该名驾驶人的历史语音样本库，用于后续的疲劳个性特征筛选；S3、采用Relief特征选择算法从所提取的语音线性特征和语音非线性特征中筛选可以充分反映该驾驶人个体疲劳信息的语音特征参数，构建其语音疲劳个性特征向量；S4、建立自适应疲劳检测模型，应用驾驶人的历史语音样本对其自适应疲劳检测模型进行训练，并将训练好的模型用于待测驾驶人语音样本的驾驶疲劳模式识别，得出驾驶疲劳检测结果。在步骤S1中，所述的语音线性特征包括：基音频率、前三共振峰及其带宽、短时能量、短时过零率、清浊音比率、谐波噪声比、线性预测倒谱系数、梅尔频标倒谱系数，及上述特征参数的均值、方差、最大值、最小值、中值、上四分位值及下四分位值。在步骤S1中，所述的语音非线性特征包括：李雅普诺夫指数、关联维数、广义赫斯特指数、二阶熵，及上述特征参数的均值、方差、最大值、最小值、中值、上四分位值及下四分位值。在步骤S2中，所述的基于VQ的说话人识别算法，包括如下步骤：a、从所有N个驾驶人的历史语音样本库S＝{S1,S2,…,SN本文档来自技高网...

【技术保护点】
基于语音个性特征和模型自适应的驾驶疲劳检测方法，其特征在于包含以下步骤：步骤S1、提取驾驶人语音样本的语音线性特征和语音非线性特征；步骤S2、采用基于矢量量化(VQ)的说话人识别算法，得到驾驶人的身份标签，并据此从所有驾驶人历史语音样本库中检索该驾驶人的历史语音样本库，用于后续的疲劳个性特征筛选；步骤S3、采用Relief特征选择算法从所提取的语音特征中筛选可以充分反映该驾驶人个体疲劳信息的语音特征参数，构建其语音疲劳个性特征向量；步骤S4、建立自适应疲劳检测模型，应用驾驶人的历史语音样本对其自适应疲劳检测模型进行训练，并将训练好的模型用于待测驾驶人语音样本的驾驶疲劳模式识别，得出驾驶疲劳检测结果。

【技术特征摘要】
1.基于语音个性特征和模型自适应的驾驶疲劳检测方法，其特征在于包含以下步骤：步骤S1、提取驾驶人语音样本的语音线性特征和语音非线性特征；步骤S2、采用基于矢量量化(VQ)的说话人识别算法，得到驾驶人的身份标签，并据此从所有驾驶人历史语音样本库中检索该驾驶人的历史语音样本库，用于后续的疲劳个性特征筛选；步骤S3、采用Relief特征选择算法从所提取的语音特征中筛选可以充分反映该驾驶人个体疲劳信息的语音特征参数，构建其语音疲劳个性特征向量；步骤S4、建立自适应疲劳检测模型，应用驾驶人的历史语音样本对其自适应疲劳检测模型进行训练，并将训练好的模型用于待测驾驶人语音样本的驾驶疲劳模式识别，得出驾驶疲劳检测结果。2.根据权利要求1所述的基于语音个性...

【专利技术属性】
技术研发人员：李响，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西;36