一种愤怒驾驶状态检测方法技术

本发明专利技术公开了一种愤怒驾驶状态检测方法，针对目前愤怒驾驶状态的检测机制普遍存在着检测准确率不高、硬件成本较高、设备佩戴不易、受环境因素影响较大等缺陷，通过对驾驶员在正常驾驶和愤怒驾驶状态下脉搏变化情况的观察以及相关对比实验，确定了与愤怒情绪相关的三个特征：脉搏幅值的变化率、主波到重搏波的降幅以及脉率的变化率。基于这些特征数据，训练出驾驶员愤怒驾驶状态的学习评估模型，包括脉搏数据采集与预处理、特征提取、特征训练、状态调节等模块，基于学习评估模型有效地实现愤怒驾驶状态的检测。本发明专利技术公开的愤怒驾驶状态检测方法可以在低硬件成本的情况下，获得较高的愤怒驾驶状态识别率。

【技术实现步骤摘要】

本专利技术涉及驾驶状态检测方法，尤其涉及一种愤怒驾驶状态检测方法，属于移动计算、传感技术和信号处理的交叉技术应用领域。
技术介绍
攻击性驾驶行为指受行驶压力的加重以及在心理上所产生的潜在影响，故意对驾驶环境中的其他人进行身体、心理或情感伤害的行为，分为低级别、中等级别和高级别三种攻击级别。包括故意追尾、抢闯红灯、有意堵截、超速驾驶、闪大灯、大声鸣笛等，攻击性驾驶行为对道路交通有着巨大的危害。驾驶人的愤怒驾驶状态是产生攻击性驾驶行为的重要原因，一旦处于愤怒驾驶状态，驾驶人的言行将难以自制。愤怒驾驶造成的交通事故时有发生，严重危害交通安全。2013年2月10日年初一，在京沪高速公路上，刘某驾驶私家车外出游玩，遇前车一直占用超车道，几次鸣笛欲超越前车未果，结果大怒，遂加大油门从前车右侧超越；前车不甘示弱，也加速超越刘车，在你追我赶的高速竞驶中，两车相撞，造成刘某死亡、前车驾驶人受伤的重大交通事故。及时、快速地检测出驾驶人的愤怒驾驶状态并及时予以调节是避免由于攻击性驾驶行为而导致的交通事故的关键。目前愤怒驾驶状态的检测机制已经有了一系列研究成果。有研究人员提出了基于连续人脸图像愤怒驾驶情绪检测机制，应用互子空间方法识别驾驶员的面部表情变化，进而评估驾驶员的愤怒驾驶情绪的级别，但这类方法局限于驾驶室光线良好的情况，无法应用于夜间行车的情况，有较大的局限性。对于攻击性驾驶检测相关的众多参数中，有研究人员提出选择最合适的参数来检测驾驶员的攻击性驾驶行为，有效降低了检测系统的时空复杂度。有研究人员提出一种基于驾驶事件的攻击性驾驶状态检测算法，基于时间序列的符号集近似算法(SymbolicAggregateApproximation,SAX)，从智能手机的传感器上分析数据，以有效地组合时间序列数据，算法的检测准确率达到50％～66.7％。基于智能手机的驾驶员行为评估系统JoinDriving可帮助驾驶员注意到自己的驾驶行为是否有攻击性，由驾驶检测评估模块并基于驾驶事件分析模型分析加速度传感器、方向传感器和GPS传感器采集到的数据，然后应用评分系统评估驾驶员的驾驶是否有攻击性，这类方法属于间接检测策略，容易导致较大的检测误差。基于血压、脑电图、心阻抗、面部肌电图等多个指标分析人的愤怒情绪的方法硬件成本较高，且佩戴不易。还有研究人员研究驾驶员个体因素驾驶员愤怒驾驶状态的影响，在特定时间特定路线的驾驶任务中，实时记录驾驶员愤怒等级，发现性别、年龄和不同驾驶类型对驾驶员愤怒情绪都有较大的影响。总之，目前愤怒驾驶状态检测机制的研究成果普遍存在着检测准确率不高、硬件成本较高、设备佩戴不易、受环境因素影响较大等缺陷。针对上述问题，本专利技术采用易于佩戴的脉搏传感器采集用户脉搏信号，通过对比实验提取出驾驶员愤怒驾驶状态相关的脉率的变化、主波的幅值和主波到重搏波之间的下降幅度这三个特征，训练出愤怒驾驶状态的学习评估模型，提出了一种愤怒驾驶状态检测方法，可以在低硬件成本的情况获得较高的愤怒驾驶状态识别率。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
的不足提供了一种愤怒驾驶状态检测方法。本专利技术为解决上述技术问题采用以下技术方案一种愤怒驾驶状态检测方法，具体包含如下步骤：步骤1，预先采集驾驶员在愤怒状态下的脉搏数据参数；步骤2，对步骤1获取的脉搏数据参数进行特征提取；步骤3，对步骤2提取的特征参数进行特征训练，利用信号正向传播和误差反向调节的学习机制，通过多次迭代学习进而搭建出学习评估模型；步骤4，实时采集驾驶员脉搏数据参数；步骤5，将步骤4采集的驾驶员脉搏数据参数输入步骤3建立的学习评估模型，进而得出驾驶员是否处于愤怒驾驶状态，若为愤怒驾驶状态，则提醒驾驶员进行状态调整，反之，则返回步骤4。作为本专利技术一种愤怒驾驶状态检测方法的进一步优选方案，步骤2所述特征提取包含提取脉搏幅值的变化率、主波到重搏波的降幅和脉率的变化率。作为本专利技术一种愤怒驾驶状态检测方法的进一步优选方案，所述学习评估模型包含输入层、隐藏层和输出层。作为本专利技术一种愤怒驾驶状态检测方法的进一步优选方案，所述步骤3具体包含如下步骤：步骤3.1：输入步骤2提取的特征参数：脉搏幅值的变化率、主波到重搏波的降幅以及脉率的变化率；步骤3.2：根据接收的特征参数分别计算输入层到隐藏层的输出以及隐藏层到输出层的输出；步骤3.3：根据Vk=12Σj(Okj-^Okj)2δANN,V=ΣkVk≤δANN]]>分别计算输出层到隐藏层的各层分量输出误差以及隐藏层到输出层的输出误差，如果所用的分量误差满足误差要求，则学习过程结束，否则进入步骤3.4；其中，δANN代表误差阈值，Vk代表使用k个样本学习产生的误差，Okj代表第j层网络的第k个样本学习的实际输出结果，^Okj代表第j层网络的第k个样本的期望输出结果，V代表样本集的总误差；步骤3.4：根据ΔWij+1=aφiOj+∂ΔWij,Oj=f(Σi=0N-1WijXi-θ1)]]>依次计算输出层、隐藏层和输入层节点的误差，其中：ΔWij+1代表第i个样本在第j+1层网络的连接权值的修正量，a代表学习因子，φi代表输出节点的误差，Oj代表隐藏层第j个节点的输出值，代表修正因子，Xi代表输出层第i个节点的输出，Wij代表隐藏层第j个节点与输出层第i个节点的权重，Oj隐藏层第j个节点的阈值，j＝0,1,...,M-1，N代表输入层的数量，M代表隐藏层的数量；步骤3.5：根据步骤3.4计算出的输出层、隐藏层和输入层节点的误差，进而依次调整输出层、隐藏层和输入层节点之间的连接权值；进而通过多次迭代学习进而搭建出学习评估模型，直到所有的训练样本都训练完毕。作为本专利技术一种愤怒驾驶状态检测方法的进一步优选方案，在步骤3.4中，所述修正因子取值在0到1之间。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术愤怒状态检测准确率较高，实验表明可以达到66.7％的准确率：驾驶员实际处于不愤怒驾驶状态时，系统检测准确率为83.33％，驾驶员实际处于愤怒驾驶状态时，系统检测准确率为50％；2、本专利技术系统响应时间短，驾驶员愤怒驾驶状态检测系统有1s左右的延迟，主要花费在脉搏数据采集与传输上；3、本专利技术时空复杂度低，方法的时间复杂度为O(n)；系统内存消耗，系统内存消耗在50-60M之间。附本文档来自技高网...

【技术保护点】
一种愤怒驾驶状态检测方法，其特征在于：具体包含如下步骤：步骤1，预先采集驾驶员在愤怒状态下的脉搏数据参数；步骤2，对步骤1获取的脉搏数据参数进行特征提取；步骤3，对步骤2提取的特征参数进行特征训练，利用信号正向传播和误差反向调节的学习机制，通过多次迭代学习进而搭建出学习评估模型；步骤4，实时采集驾驶员脉搏数据参数；步骤5，将步骤4采集的驾驶员脉搏数据参数输入步骤3建立的学习评估模型，进而得出驾驶员是否处于愤怒驾驶状态，若为愤怒驾驶状态，则提醒驾驶员进行状态调整，反之，则返回步骤4。

【技术特征摘要】
1.一种愤怒驾驶状态检测方法，其特征在于：具体包含如下步骤：
步骤1，预先采集驾驶员在愤怒状态下的脉搏数据参数；
步骤2，对步骤1获取的脉搏数据参数进行特征提取；
步骤3，对步骤2提取的特征参数进行特征训练，利用信号正向传播和误差反向调节的
学习机制，通过多次迭代学习进而搭建出学习评估模型；
步骤4，实时采集驾驶员脉搏数据参数；
步骤5，将步骤4采集的驾驶员脉搏数据参数输入步骤3建立的学习评估模型，进而得出
驾驶员是否处于愤怒驾驶状态，若为愤怒驾驶状态，则提醒驾驶员进行状态调整，反之，则
返回步骤4。
2.根据权利要求1所述的一种愤怒驾驶状态检测方法，其特征在于：步骤2所述特征提
取包含提取脉搏幅值的变化率、主波到重搏波的降幅和脉率的变化率。
3.根据权利要求1所述的一种愤怒驾驶状态检测方法，其特征在于：所述学习评估模型
包含输入层、隐藏层和输出层。
4.根据权利要求1所述的一种愤怒驾驶状态检测方法，其特征在于：所述步骤3具体包
含如下步骤：
步骤3.1：输入步骤2提取的特征参数：脉搏幅值的变化率、主波到重搏波的降幅以及脉
率的变化率；
步骤3.2：根据接收的特征参数分别计算输入层到隐藏层的输出以及隐藏层到输出层
的输出；
步骤3.3：根据Vk=12Σj(Okj-^Okj)2<δANN,V=ΣkVk≤δANN...

【专利技术属性】
技术研发人员：徐小龙，李硕，李荣志，李涛，徐佳，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32