一种基于眼动指标数据的驾驶疲劳检测系统及识别方法技术方案

本发明专利技术公开了一种基于眼动指标数据的驾驶疲劳检测系统及识别方法，由数据采集模块按200HZ的频率采集四种眼动数据；然后数据分析处理模块将眼动数据传入计算程序进行预处理；然后采集驾驶人的眼动指标数据以及每一条数据对应驾驶人疲劳程度作为原始数据建立随机森林模型，通过随机森林模型中每一棵决策树对驾驶人的眼动数据进行分类判断，给出结果；最后综合各个决策树给出的分类结果，利用随机森林模型进行投票，综合投票概率高的即为本次分类的最终结果。采用机器学习的随机森林模型，训练速度快，分类预测性能优异，能快速识别驾驶人当前的是否疲劳，并且随机森林模型随着数据量不断增加和更新，能够不断优化提升判别性能。

【技术实现步骤摘要】
一种基于眼动指标数据的驾驶疲劳检测系统及识别方法
本专利技术属于智能交通领域，涉及机器学习领域，具体为利用随机森林算法挖掘驾驶人的眼动行为数据而快速识别驾驶人驾驶疲劳状态的系统及识别方法。
技术介绍
近年来，机动车的保有量逐年增加，道路交通安全问题也日益严峻。在驾驶过程中，当驾驶人长时间从事驾驶活动时，易进入疲劳状态，影响其感知判断及驾驶操作，极端情况下甚至会引发交通事故。在中国，2014发生在136386起机动车事故，并造成42847人死亡、141718人受伤，其中约14.3％由驾驶人的驾驶疲劳所引发。尽管驾驶疲劳产生的后果极其严重，相关理论研究亦较多，但现实中却缺乏一种简单易操作且精确可靠的装备或方法能准确监测/检测驾驶人的疲劳情况。目前来说，针对驾驶人是否处于驾驶疲劳状态的检测方法主要有以下两类：一、检测车辆的状态，如转向角、车辆横向位置、横摆率、车辆速度等。然而，这些参数可能因不同的车型、司机的经验、道路的几何特征与状态的不同而有所变化，往往会导致较高的误警率。二、检测人体的相关指标，如血压、心率、心电、身体行为、生理变化等。但由于脑电、心率数据的采集对驾驶人来说有较强的侵入性，因此在实际驾驶环境中往往不易被驾驶人接受，此外不同的车辆状态所造成的差别较大。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于眼动行为数据的驾驶疲劳快速检测系统及识别方法。眼动行为指标与疲劳程度相关性强，数据获取相对容易，同时疲劳最直接的反应便是在驾驶人眼睛的变化。本专利技术采用以下技术方案：一种基于眼动指标数据的驾驶疲劳识别方法，包括以下步骤：S1、数据采集模块按200Hz的频率采集闭眼时间、眨眼频率、眨眼时间和瞳孔直径四种眼动数据；S2、数据分析处理模块接收步骤S1所述眼动数据，并将所述眼动数据传入计算程序，程序对数据进行预处理，对缺省、数据为空的数据弃置；S3、采集驾驶人的眼动指标数据以及每一条数据对应驾驶人疲劳程度作为原始数据建立随机森林模型。通过随机森林模型对采集的驾驶人实时眼动数据进行处理，随机森林模型中每一棵决策树对驾驶人的眼动数据进行分类判断，给出结果；S4、综合步骤S3中各个决策树给出的分类结果，利用所述随机森林模型进行投票，综合投票概率高的一类即为本次分类的最终结果。优选的，步骤S3中，建立所述随机森林模型的步骤如下：S31、取原始数据中80％作为原始训练数据，利用通过自助法从训练样本集S中通过放回地重复随机地抽取N个样本组合成一个新的训练样本集合，重复此流程以生成K个子样本集，S1，S2……SK；S32、对于步骤S1中每个所述子样本集，从所有的特征变量M中随机选出m个特征作为子特征向量集，即每个样本集对应一个子特征向量集M1，M2……MK，其中m<M；S33、根据步骤S1选择的所述子样本集及其对应的子特征向量，生成K棵决策树Tree1，Tree2……Treek；S34、所有的决策树组合在一起成为随机森林，其对数据的判定为所有决策树的投票结果，最终的分类结果为综合决策树分类器的投票概率高的一类决定；S35、利用原始数据剩余的20％作为模型的测试集，利用建立好的随机森林模型对这部分数据测试，并将测试结果与真实结果对比，确定模型的分类性能；S36、根据评价结果对步骤S5所述随机森林模型进行参数调优，提高准确率，所述参数包括树的最大深度max_depth、根据属性划分节点时，设置每个划分最少的样本数min_samples_split、叶子节点最少的样本数min_samples_leaf、叶子树的最大样本数max_leaf_nodes和选择最适属性时划分的特征数不能超过此值max_features。优选的，步骤S33中，所述决策树的纯度度量采用Gini指数，Gini指数越大表示纯度越低，集合Ki包括n类样本记录，每一类的概率为p1，p2，……pn，则Gini指数为：优选的，步骤S34中，每一棵分类树为二叉树，其生成遵循自顶向下的递归分裂原则，即从根节点开始依次对训练集进行划分，在二叉树中，根节点包含全部训练数据，按照节点纯度最小原则，分裂为左节点和右节点，分别包含训练数据的一个子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长。优选的，步骤S35中，所述模型的分类性能利用混淆矩阵与ROC曲线进行评价，所述混淆矩阵采用识别准确率Accuracy、召回率Recall和识别精确度Precision三个指标来评价模型的准确度。优选的，所述模型识别准确率Accuracy为：其中，TP为被模型正确预测为正的正样本；TN为被模型正确预测为负的负样本；FP为被模型错误预测为正的负样本；FN为被模型错误预测为负的正样本。优选的，所述召回率Recall为：其中，TP为被模型正确预测为正的正样本；TN为被模型正确预测为负的负样本；FP为被模型错误预测为正的负样本；FN为被模型错误预测为负的正样本。优选的，所述识别精度Precision为：其中，TP为被模型正确预测为正的正样本；TN为被模型正确预测为负的负样本；FP为被模型错误预测为正的负样本；FN为被模型错误预测为负的正样本。优选的，步骤S4中，清醒状态类别的投票概率vp1为：疲劳状态类别的投票概率vp0为：其中，v0表示清醒状态类别的投票数，v1表示疲劳状态类别的投票数。一种基于眼动指标数据的驾驶疲劳检测系统，包括数据采集模块、数据传输模块和数据分析处理模块，其中，所述数据采集模块通过所述数据传输模块与所述数据分析处理模块连接，所述数据采集模块内设置有视觉追踪装置，所述视觉追踪装置设置在驾驶人斜上方，用于采集眼动指标数据，所述数据传输模块用于将所述眼动指标数据传输给所述数据分析处理模块，所述数据分析处理模块接收所述眼动指标数据并通过数据比较进行驾驶疲劳检测。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术识别方法易用高，数据采集相比其他技术方案更加容易，采用机器学习的随机森林模型，模型训练速度快，不易产生过拟合情况，分类预测性能优异，能快速识别驾驶人当前的是否疲劳，并且随机森林模型随着数据量不断增加和更新，能够不断优化提升判别性能。进一步的，随机森林(randomforest)是一种利用多个分类树对数据进行判别与分类的方法，学习速度快；不需要考虑自变量的共线性问题，能够处理很高维度的数据，并且不用做特征选择；对数据集的适应能力强，既能处理离散型数据，也能处理连续型数据，数据集无需规范化。它在对数据进行分类的同时，还可以给出各个变量的重要性评分。本专利技术还公开一种基于眼动指标数据的驾驶疲劳检测系统，由数据采集模块、数据传输模块和数据分析处理模块组成，系统结构简单，通过获取眼动指标实现眼部状态的全天候实时监控，数据采集简单直观，对驾驶人影响小，易于为广大驾驶人所接受，可以有效减少交通事故的发生，为人民的生命财产安全提供有力保障。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为本专利技术的模块结构图；图2为随机森林模型建立原图；图3为创建的随机森林模型中某棵决策树判断过程示例；图4为模型数据处理分析流程图；图5为随机森林对采集的驾驶人数据判别结果的部分实例图。具体实施方式请参阅图1，一种基于眼动指标数据的本文档来自技高网...

【技术保护点】
一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，包括以下步骤：S1、数据采集模块按200Hz的频率采集闭眼时间、眨眼频率、眨眼时间和瞳孔直径四种眼动数据；S2、数据分析处理模块接收步骤S1所述眼动数据，并将所述眼动数据传入计算程序，程序对数据进行预处理，对缺省、数据为空的数据弃置；S3、采集驾驶人的眼动指标数据以及每一条数据对应驾驶人疲劳程度作为原始数据建立随机森林模型，通过随机森林模型对实时采集的所述眼动数据进行处理，随机森林模型中每一棵决策树对驾驶人的眼动数据进行分类判断，给出结果；S4、综合步骤S3中各个决策树给出的分类结果，利用所述随机森林模型进行投票，综合投票概率高的一类即为本次分类的最终结果。

【技术特征摘要】
1.一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，包括以下步骤：S1、数据采集模块按200Hz的频率采集闭眼时间、眨眼频率、眨眼时间和瞳孔直径四种眼动数据；S2、数据分析处理模块接收步骤S1所述眼动数据，并将所述眼动数据传入计算程序，程序对数据进行预处理，对缺省、数据为空的数据弃置；S3、采集驾驶人的眼动指标数据以及每一条数据对应驾驶人疲劳程度作为原始数据建立随机森林模型，通过随机森林模型对实时采集的所述眼动数据进行处理，随机森林模型中每一棵决策树对驾驶人的眼动数据进行分类判断，给出结果；S4、综合步骤S3中各个决策树给出的分类结果，利用所述随机森林模型进行投票，综合投票概率高的一类即为本次分类的最终结果。2.根据权利要求1所述的一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，步骤S3中，建立所述随机森林模型的步骤如下：S31、取原始数据中80％作为原始训练数据，利用通过自助法从训练样本集S中通过放回地重复随机地抽取N个样本组合成一个新的训练样本集合，重复此流程以生成K个子样本集，S1，S2……SK；S32、对于步骤S1中每个所述子样本集，从所有的特征变量M中随机选出m个特征作为子特征向量集，即每个样本集对应一个子特征向量集M1，M2……MK，其中m<M；S33、根据步骤S1选择的所述子样本集及其对应的子特征向量，生成K棵决策树Tree1，Tree2……Treek；S34、所有的决策树组合在一起成为随机森林，其对数据的判定为所有决策树的投票结果，最终的分类结果为综合决策树分类器的投票概率高的一类决定；S35、利用原始数据剩余的20％作为模型的测试集，利用建立好的随机森林模型对这部分数据测试，并将测试结果与真实结果对比，确定模型的分类性能；S36、根据评价结果对步骤S5所述随机森林模型进行参数调优，提高准确率，所述参数包括树的最大深度max_depth、根据属性划分节点时，设置每个划分最少的样本数min_samples_split、叶子节点最少的样本数min_samples_leaf、叶子树的最大样本数max_leaf_nodes和选择最适属性时划分的特征数不能超过此值max_features。3.根据权利要求2所述的一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于：步骤S33中，所述决策树的纯度度量采用Gini指数，Gini指数越大表示纯度越低，集合Ki包括n类样本记录，每一类的概率为p1，p2，……pn，则Gini指数为：4.根据权利要求2所述的一种基于眼动指标数据的驾驶疲劳识别方...

【专利技术属性】
技术研发人员：王永岗，马成喜，李岩辉，马景峰，常旭，张兴雨，朱浩，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61