一种基于隐马尔可夫模型的驾驶负荷分级评估方法技术

本发明专利技术公开的一种基于隐马尔可夫模型的驾驶负荷分级评估方法，属于人机协同驾驶领域。本发明专利技术实现方法为：采用便携式生理记录仪，采集驾驶人在预定驾驶负荷等级场景下的心电信号，通过对心电信号序列样本数据集分割，获取各驾驶负荷等级下的样本数据集，并从时域、频域、非线性域角度对心电信号进行特征提取及标准化处理，基于隐马尔可夫模型(HMM)及网格寻优方法对模型进行参数寻优及训练，实现对驾驶人驾驶负荷分级评估监测，以提醒驾驶人保持适度的工作负荷水平。本发明专利技术能够应用于人机协同驾驶领域，有助于驾驶人适应人机协同任务情境演变的多样性，辅助驾驶人进行安全高效的车辆接管与操控，确保人机交互有效性。确保人机交互有效性。确保人机交互有效性。

【技术实现步骤摘要】
一种基于隐马尔可夫模型的驾驶负荷分级评估方法


[0001]本专利技术涉及一种基于隐马尔可夫模型的驾驶负荷分级评估方法，属于人机协同驾驶领域。

技术介绍

[0002]随着自动驾驶技术的快速发展，可以预见在未来一段时期内有条件自动驾驶(CAD)将实现全面普及。在具有条件自动化的车辆中，驾驶人不需要全程监视车辆的行为和交通状况，因此可以从事非驾驶任务(NDRT)。然而，将驾驶人排除在驾驶循环外也存在着一定风险。当驾驶自动化系统处于限制状态，驾驶人需要能够适当及时切换到手动驾驶来重新控制车辆完成车辆驾驶权接管，这就要求驾驶人需要较高的视觉、认知和身体资源来感知和理解系统触发的接管任务，并做出反应以准备适合手动驾驶的姿势，这在很大程度上取决于驾驶人的工作负荷水平，高工作负荷(超载
‑
接管任务需求超过可用资源)和低工作负荷(欠载
‑
由于低任务需求和自动化过程中的单调而导致驾驶人的注意力减少)都会导致接管表现下降。为了在驾驶任务中获得最佳接管表现，减少控制转换期间的性能下降，这就要求有条件自动驾驶车辆实时获取驾驶人的工作负荷水平并提醒驾驶人保持适度的工作负荷水平。
[0003]现有的工作负荷评价方法主要可分为两类，一类是基于主观信息开发的评估方法，此类方法多为离线评估，无法应用于监测实际驾驶场景下工作负荷的波动变化；一类方法是基于生理信号(心电、脑电、眼电)、车辆运动信息等客观指标所开发的评估方法。由于车辆运动学指标只有在驾驶负荷波动的中后期阶段才有明显变化，因此模型评估实时性较差，同时随着现在自动驾驶系统对车辆的控制与定位，基于车辆运动信息的指标已无法继续用于工作负荷评估；而基于脑电信号和眼电信号的采集设备均具有强侵入性，会影响或限制驾驶人正常行为，同时易受环境光照等因素影响，可靠性低，导致难以大规模普及应用。而随着可穿戴设备的快速发展，使得心电信号在实际驾驶条件中易于捕获，具备非常可观的应用价值。
[0004]因此开发可用于对驾驶人工作负荷的实时、非侵入和持续评估的算法尤为关键。以心电信号为基础的算法成为在线实时测量驾驶人工作负荷最好的评估算法。当驾驶人的工作负荷出现过高或过低的情况时，能够可以及时发现，通过振动方式提醒驾驶人将其驾驶负荷调整为适度水平。这对于降低因自动化接管造成的交通事故发生率，提升我国道路交通安全性具有重大意义。

技术实现思路

[0005]针对现有驾驶负荷评估方法在实际驾驶条件中受环境影响较大，信号采集设备易干扰驾驶人正常行为且评估方法结果的实时性及可靠性较差等问题，本专利技术主要目的是提供一种基于隐马尔可夫模型的驾驶负荷分级评估方法，采用便携式生理记录仪，采集驾驶人在预定驾驶负荷等级场景下的心电信号，通过对心电信号序列样本数据集分割，获取各
驾驶负荷等级下的样本数据集，并从时域、频域、非线性域角度对心电信号进行特征提取及标准化处理，基于隐马尔可夫模型(HMM)及网格寻优方法对模型进行参数寻优及训练，实现对驾驶人驾驶负荷分级评估监测，以提醒驾驶人保持适度的工作负荷水平。本专利技术能够应用于人机协同驾驶领域。
[0006]本专利技术的目的是通过下述技术方案实现的：
[0007]本专利技术公开的一种基于隐马尔可夫模型的驾驶负荷分级评估方法，包括如下步骤：
[0008]步骤一：设定高负荷、中负荷、低负荷三种驾驶场景任务，即在自动驾驶时驾驶人进行视觉资源、认知资源、身体资源要求很高的NDRT时，驾驶人处于高负荷状态；当驾驶人始终手动控制车辆时，驾驶人处于中负荷状态；当车辆自动驾驶时驾驶人仅监控驾驶环境时，驾驶人处于低负荷状态；
[0009]步骤二：采集驾驶人在上述三种驾驶场景任务下的心电信号数据作为原始样本数据集合，按照场景类型对原始样本数据集合进行标定，将原始样本数据集合划分为高负荷原始样本数据集、中负荷原始样本数据集和低负荷原始样本数据集三类；
[0010]步骤三：采用滑动时间窗移动的方法对步骤二中所采集的高负荷原始样本数据集进行切割，取每个时间窗的宽度为T
L
，滑动步长为t
s
，即每个时间窗的起点为当前时刻t0，每个时间窗的终点t0+T
L
，下一时刻相邻时间窗起点为t0+t
s
，下一时刻相邻时间窗终点为t0+t
s
+T
L
，以获取W
H
个时间窗，即获取W
H
个高负荷原始数据样本；
[0011]采用滑动时间窗移动的方法对步骤二中所采集的中负荷原始样本数据集进行切割，以获取W
M
个时间窗，即获取W
M
个中负荷原始数据样本；
[0012]采用滑动时间窗移动的方法对步骤二中所采集的低负荷原始样本数据集进行切割，以获取W
L
个时间窗，即获取W
L
个低负荷原始数据样本，共获取时间窗总个数为W＝W
H+
W
M
+W
L
个；
[0013]步骤四：对任一时间窗内的心电信号进行特征提取，从心电信号的时域、频域、非线性域提取S个反映驾驶人驾驶负荷的心电特征指标；
[0014]从心电信号的时域、频域、非线性域，对剩余所有W
‑
1个时间窗的心电信号进行特征提取；
[0015]得到每个时间窗的特征集合S
i
和每个时间窗所标定的负荷类别L
i
＝{高负荷,中负荷,低负荷}，i＝1,
…
,W；其中S
i
代表在第i个时间窗中所计算得到的特征集合，L
i
代表第i个时间窗所标定的负荷类别；
[0016]步骤五：采用公式(1)对每个时间窗的特征集合S
i
中的每个特征参数进行标准化处理，得到标准化后的特征集合
[0017][0018]式中，x
ij
为特征集合S
i
中第j个特征，即标准化前的特征参数；μ
j
为特征集合S
i
中第j个特征的平均值；σ
j
为特征集合S
i
中第j个特征的标准差；为标准化后的特征参数，即标准化后的特征集合中第j个特征；
[0019]步骤六：将步骤五得到的所有标准化后的特征集合按照其时间窗所标定的负荷
类别L
i
划分为高负荷样本数据集、中负荷样本数据集和低负荷样本数据集三类；将高负荷样本数据集划分为训练集、验证集和测试集三个部分，用于高负荷评估模型λ
g
的建立；
[0020]分别将中负荷样本数据集和低负荷样本数据集进行相同划分，分别用于中负荷评估模型λ
z
和低负荷评估模型λ
d
的建立；
[0021]步骤七：通过隐马尔可夫模型(HMM)对高负荷样本数据训练集进行参数训练、测试，直至得到训练好的高负荷模型参数λ
g<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫模型的驾驶负荷分级评估方法，其特征在于：包括如下步骤，步骤一：设定高负荷、中负荷、低负荷三种驾驶场景任务，即在自动驾驶时驾驶人进行视觉资源、认知资源、身体资源要求很高的NDRT时，驾驶人处于高负荷状态；当驾驶人始终手动控制车辆时，驾驶人处于中负荷状态；当车辆自动驾驶时驾驶人仅监控驾驶环境时，驾驶人处于低负荷状态；步骤二：采集驾驶人在上述三种驾驶场景任务下的心电信号数据作为原始样本数据集合，按照场景类型对原始样本数据集合进行标定，将原始样本数据集合划分为高负荷原始样本数据集、中负荷原始样本数据集和低负荷原始样本数据集三类；步骤三：采用滑动时间窗移动的方法对步骤二中所采集的高负荷原始样本数据集进行切割，取每个时间窗的宽度为T
L
，滑动步长为t
s
，即每个时间窗的起点为当前时刻t0，每个时间窗的终点t0+T
L
，下一时刻相邻时间窗起点为t0+t
s
，下一时刻相邻时间窗终点为t0+t
s
+T
L
，以获取W
H
个时间窗，即获取W
H
个高负荷原始数据样本；采用滑动时间窗移动的方法对步骤二中所采集的中负荷原始样本数据集进行切割，以获取W
M
个时间窗，即获取W
M
个中负荷原始数据样本；采用滑动时间窗移动的方法对步骤二中所采集的低负荷原始样本数据集进行切割，以获取W
L
个时间窗，即获取W
L
个低负荷原始数据样本，共获取时间窗总个数为W＝W
H
+W
M
+W
L
个；步骤四：对任一时间窗内的心电信号进行特征提取，从心电信号的时域、频域、非线性域提取S个反映驾驶人驾驶负荷的心电特征指标；从心电信号的时域、频域、非线性域，对剩余所有W
‑
1个时间窗的心电信号进行特征提取；得到每个时间窗的特征集合S
i
和每个时间窗所标定的负荷类别L
i
＝{高负荷,中负荷,低负荷}，i＝1,
…
,W；其中S
i
代表在第i个时间窗中所计算得到的特征集合，L
i
代表第i个时间窗所标定的负荷类别；步骤五：采用公式(1)对每个时间窗的特征集合S
i
中的每个特征参数进行标准化处理，得到标准化后的特征集合得到标准化后的特征集合式中，x
ij
为特征集合S
i
中第j个特征，即标准化前的特征参数；μ
j
为特征集合S
i
中第j个特征的平均值；σ
j
为特征集合S
i
中第j个特征的标准差；为标准化后的特征参数，即标准化后的特征集合中第j个特征；步骤六：将步骤五得到的所有标准化后的特征集合按照其时间窗所标定的负荷类别L
i
划分为高负荷样本数据集、中负荷样本数据集和低负荷样本数据集三类；将高负荷样本数据集划分为训练集、验证集和测试集三个部分，用于高负荷评估模型λ
g
的建立；分别将中负荷样本数据集和低负荷样本数据集进行相同划分，分别用于中负荷评估模型λ
z
和低负荷评估模型λ
d
的建立；步骤七：通过隐马尔可夫模型(HMM)对高负荷样本数据训练集进行参数训练、测试，直至得到训练好的高负荷模型参数λ
g
＝(A,B,π)；
步骤a：将获取的高负荷样本数据训练集定义为长度为T的原始观测数据O
old
＝(o1,o2,
…
,o
T
)；步骤b：采用kmeans聚类方法将原始观测数据O
old
聚类为M类，将高负荷样本数据训练集中每个时间窗聚类后的类标签替代原始观测数据成为新的观测数据O
new
；步骤c：构建待训练的初始模型参数为公式(2)所示：初始模型中各参数表达式由公式(3)所示：式中，h为训练迭代次数，在初始模型中h为0；v
k
为HMM模型中所有可能的观测的集合V＝{v1,v2,
…
,v
M
}中的元素，其中M是可能的观测数；q

【专利技术属性】
技术研发人员：王武宏，司仪豪，蒋晓蓓，张浩东，谭海秋，孙栋先，张杰，石健，谢丽君，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：