一种基于软集合的疲劳驾驶检测方法技术

本发明专利技术公开了一种基于软集合的疲劳驾驶检测方法，包括以下步骤：S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；S2，提取并分析所述表面肌电信号的肌肉状态特征；S3，根据提取出来的肌电信号建立基于软集合的疲劳量化模型；S4，根据基于软集合的疲劳量化模型计算得出疲劳驾驶判定值。本发明专利技术通过采集驾驶者表面肌电信号，并对表面肌电信号进行分析预处理后，分析信号中的异常数据，对驾驶者的表面肌电信号进行决策分析，得出各时间段驾驶者的疲劳程度，从而可分析出驾驶者的疲劳下降速度；它实现了在保证关键信息保留时，对数据进行分析、简化和决策，能够大大降低对象的知识表达空间维数。对参数的选择无限制性。

Fatigue driving detection method based on soft set

The invention discloses a method for driving fatigue detection based on the soft set, which comprises the following steps: S1, driving the acquisition of surface EMG signal at a preset time preset muscles; S2, extraction and feature analysis of the muscle state of surface EMG signal; S3, according to the EMG signal is extracted to establish quantitative model of soft fatigue based on the set of S4, according to the driving fatigue; fatigue calculation to determine the value of quantitative model based on the soft set. The driver through the surface EMG signal acquisition, and the surface EMG signals were analyzed after pretreatment, analysis of abnormal data signals, decision-making analysis of surface EMG signals of the driver, the degree of fatigue that each time the driver, which can analyze the driver fatigue rate of decline; it realized the key to ensure information retention, analysis, and decision to simplify data, can greatly reduce the dimension of the space object knowledge representation. The choice of parameters is infinite.

【技术实现步骤摘要】
一种基于软集合的疲劳驾驶检测方法
本专利技术涉及一种基于软集合的疲劳驾驶检测方法，属于智能交通领域。
技术介绍
疲劳作为一种常见而复杂的生理现象将直接导致驾驶员的警觉性降低、反应迟缓，很容易造成交通事故，对驾驶员的生命安全造成了很大的威胁。但是，疲劳和非疲劳的分界点难以确定，在某种程度上可以说是不确定的，因人而异的。从这一点来说，疲劳检测比其他的经典模式识别问题如人脸检测等问题更加困难。除此之外，疲劳程度到底如何也难以确定，使得疲劳状态难于分类和度量。目前对疲劳驾驶检测的研究中，主要都是基于驾驶环境下人体生理信号的变化进行的，其主要目的是对驾驶员的清醒、疲劳、困倦等生理状态进行测量。表面肌电信号是人体运动时神经肌肉活动产生的生物电信号，可以在一定程度上反映人体的生理活动状态和功能状态。但是，当前疲劳驾驶检测技术的难点在于：采集到的信号具有一些不确定的因素，而当前的理论(比如概率论、盲数理论、模糊集理论、粗糙集理论、区间数学理论等都是用来处理不确定性的数学工具)中用于确定参数的工具非常少，导致大量参数无法确定，这一问题是使用这些理论的瓶颈。
技术实现思路
本专利技术的目的在于，提供一种基于软集合的疲劳驾驶检测方法，他可以解决当前技术中存在的问题，实现在保证关键信息保留的情况下，对数据进行分析、简化和决策，能够大大降低对象的知识表达空间维数。对参数的选择无限制性。为解决上述技术问题，本专利技术采用如下的技术方案：一种基于软集合的疲劳驾驶检测方法，包括以下步骤：S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；S2，提取并分析所述表面肌电信号的肌肉状态特征；S3，根据提取出来的肌电信号建立基于软集合的疲劳量化模型；S4，根据所述基于软集合的疲劳量化模型计算得出疲劳驾驶判定值。优选的，所述步骤S1中，所述预设肌肉部位包括颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌和腓肠肌。优选的，所述步骤S1中，利用小波去噪方法和经验模态分解阈值去噪方法对采集到的所述表面肌电信号进行预处理，从而去掉在信号的的采集、拾取、调理过程中因受外界的噪音干扰而产生的无效信息。优选的，所述步骤S2包括：采用均方根法、中位频率法或者模糊近似熵算法对所述表面肌电信号进行分析，得到表面肌电信号的肌肉状态特征。优选的，所述步骤S3包括：设定第一软集合(F，E)表征驾驶者的疲劳状态，其中，论域U是驾驶者在不同时刻的肌肉状态特征的集合，即U＝{h1,h2,h3,h4...h25}，E是参数集，参数为所述表面肌电信号的模糊近似熵值，熵算法统计值稳定，抗干扰能力强，对混合信号的适应能力强，而且结果曲线的变化与人体状态变化有较好的一致性。更优选的，所述步骤S3还包括：根据E中各参数与人体状态的相关度分别设置各参数的权重，根据所述各参数的权重和所述第一软集合得到第二软集合(T，E)。更优选的，采用直线拟合方法计算E中各参数与人体状态的相关度。更优选的，所述步骤S3还包括：判定所述第二软集合(T，E)中的异常数据，并对所述异常数据进行处理。更优选的，判定所述第二软集合(T，E)中的异常数据的公式为：并令所述异常数据hij＝*，得到第三软集合{T,E*}，从而避免使用一些超出正常范围的异常数据，导致决策失误或者应用错误等后果。更优选的，将所述第三软集合{T,E*}中的异常数据采用前后两组数据的平均值进行替换，得到第四软集合{G,E}，利用第四软集合{G,E}，得到最终的判定值，从而使用较少的数据得出期望的替换值，简化了算法。更优选的，所述步骤S4中：所述判定值的具体计算方法为：di＝e1′+e2′+e3′+e4′+e5′+e6′，根据所述判定值设置疲劳预警阈值，当判定值达到所述疲劳预警阈值时，输出报警信息，从而可以以分析出身体的疲劳下降的速度，建议驾驶员及时休息，可有效避免交通事故的发生。与现有技术相比，本专利技术通过采集驾驶者六种表面肌电信号，并对表面肌电信号进行分析预处理后，利用软集合方法分析信号中的异常数据，对驾驶者的表面肌电信号进行决策分析，得出各时间段驾驶者的疲劳程度，从而可分析出驾驶者的疲劳下降速度。它实现了在保证关键信息保留的情况下，对数据进行分析、简化和决策，能够大大降低对象的知识表达空间维数；对参数的选择无限制性，即我们检测疲劳驾驶的参数可以是任意的，体现在参数的选择形式上不拘泥于对象的某一特征，如本专利技术中我们选择的六个参数，参数值为表面肌电信号的一个归一化处理的值，从而检测的手段可以根据实际情况适当调整，更多样实用。附图说明图1是本专利技术实施例所测量的表面肌示意图；图2是本专利技术实施例提供的的背阔肌、股直肌和上斜方肌相关度的直线拟合图，其中圆形表示背阔肌、五角星表示上斜方肌、三角表示背阔肌；图3是本专利技术实施例的流程示意图；图4是驾驶状态中人体肌肉受力示意图；图5是驾驶状态中人体肌肉受力分析示意图。下面结合附图和具体实施方式对本专利技术作进一步的说明。具体实施方式本专利技术的实施例：一种基于软集合的疲劳驾驶检测方法，如图3所示，包括以下步骤：S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；包括颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌和腓肠肌，并利用小波去噪方法和经验模态分解阈值去噪方法对采集到的所述表面肌电信号进行预处理。在驾驶过程中，人的头部、手臂、颈部以及上部躯干的重量都是由背部隆起、坐骨部位及其附着的肌肉承受的，如图4和图5所示。臀部肌肉及大腿区域位于坐骨下方，在驾驶时，臀部及大腿周围肌肉由于受到静态负荷压力而变形，循环系统的营养输入及代谢物的排除受到影响，随着驾驶时间的增加乳酸集聚，导致肌肉疲劳和酸痛。驾驶过程中，颈部的运动最为频繁，颈部的运动性及稳定性的维持主要靠肌肉和关节韧带完成，颈部关节主要起支撑作用，因此对颈部肌肉进行检测是极为必要的。三角肌位于肩部和上肢的连接处，可以使肩关节外展，其前部肌纤维收缩可使肩关节前屈并略旋内；后部肌纤维收缩可使肩关节后伸并略旋外。驾驶时，人体双臂外展控制方向盘，三角肌时刻处于工作状态，三角肌的疲劳程度对驾驶员的状态有较大影响，所以三角肌是sEMG采集的目标部位之一。本实施例共选取六个强相关部位的肌肉用来采集表面肌电信号，分别为颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌及腓肠肌，肌肉分布情况如图1所示。通过融合信息的方法，评估人体的一个整体状态，这样得出的结论比较精确可靠，不容易受外界环境影响，鲁棒性强。由于表面肌电信号是一种非线性非稳定、具有较高复杂度且自然混沌的信号。基于小波分解的去噪方法可以较好保持原信号的能量特征，通过阈值设定可以消除一定的高频干扰和低频干扰，但仍然存在许多毛刺，说明高频噪声有一定残留。经验模态分解滤波后去除了固定噪音，信号对高频噪声去噪效果较为明显，但是EMD(EmpiricalModeDecomposition经验模态分解)存在一定的模式混叠现象。两个方法同时使用，进行预处理，同时用的话，对高频和低频噪声都有过滤效果。就是一种权衡，结合使用效果更好。S2，提取并分析所述表面肌电信号的肌肉状态特征，包括：采用均方根法、中位频率法或者模糊近似熵算法对所述表面肌电信号进行分析，得到表面肌电信号的肌肉状态特征。S3，根据提取出来的肌电信本文档来自技高网...

【技术保护点】
一种基于软集合的疲劳驾驶检测方法，其特征在于，包括以下步骤：S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；S2，提取并分析所述表面肌电信号的肌肉状态特征；S3，根据提取出来的肌电信号建立基于软集合的疲劳量化模型；S4，根据所述基于软集合的疲劳量化模型计算得出疲劳驾驶判定值。

【技术特征摘要】
1.一种基于软集合的疲劳驾驶检测方法，其特征在于，包括以下步骤：S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；S2，提取并分析所述表面肌电信号的肌肉状态特征；S3，根据提取出来的肌电信号建立基于软集合的疲劳量化模型；S4，根据所述基于软集合的疲劳量化模型计算得出疲劳驾驶判定值。2.根据权利要求1所述的一种基于软集合的疲劳驾驶检测方法，其特征在于，所述步骤S1中，所述预设肌肉部位包括颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌和腓肠肌。3.根据权利要求1或2所述的一种基于软集合的疲劳驾驶检测方法，其特征在于，所述步骤S1中，采用小波去噪方法和经验模态分解阈值去噪方法对采集到的所述表面肌电信号进行预处理。4.根据权利要求3所述的一种基于软集合的疲劳驾驶检测方法，其特征在于，所述步骤S2包括：采用均方根法、中位频率法或者模糊近似熵算法对所述表面肌电信号进行分析，得到表面肌电信号的肌肉状态特征。5.根据权利要求4所述的一种基于软集合的疲劳驾驶检测方法，其特征在于，所述步骤S3包括：设定第一软集合(F，E)表征驾驶者的疲劳状态，其中，论域U是驾驶者在不同时刻的肌肉状态特征的集合，即U＝{h1,h2,h3,h4...h25}，E是参数集，参数为所述表面肌电信号的模糊近似熵值。6...

【专利技术属性】
技术研发人员：王立夫，孔芝，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：河北,13