基于EMG与ECG信号的电动汽车疲劳驾驶评价方法技术

本发明专利技术公开了基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，涉及人因工程领域，该方法基于真实驾驶环境下主驾驶员的心电信号和肌电信号，以及主观疲劳状态，采用PCA主分析方法对肌电信号进行降维处理获得有效特征值，并融合心电信号特征值，共同输入疲劳驾驶评价模型中获得主驾驶员的疲劳驾驶状态。该方法的准确度达到了94.4％，为电动汽车驾驶安全提供了有力支持。有力支持。有力支持。

【技术实现步骤摘要】
基于EMG与ECG信号的电动汽车疲劳驾驶评价方法


[0001]本专利技术涉及人因工程领域，具体为基于EMG与ECG信号的电动汽车疲劳驾驶评价方法。

技术介绍

[0002]随着全球对环境保护和能源危机日益关注，电动汽车作为一种具有低碳排放、环境友好和节能特点的交通方式受到广泛关注与采纳。众多国家和地区纷纷出台政策，大力支持电动汽车产业发展，以促进交通工具向电动化方向演变。但是，伴随着电动汽车数量的持续增长，相关的交通事故也呈现逐年上升的趋势。相较于传统燃油汽车，电动汽车在行驶过程中的噪音水平较低，振动和震动也相对较少。这些优势为主驾驶员带来了更为舒适的驾驶体验，然而，较低的噪音和振动可能导致主驾驶员注意力不集中和疲劳程度增加，从而增加事故发生的风险。因此，在电动汽车领域，深入研究主驾驶员在驾驶过程中的疲劳状态对提高电动汽车的安全性能具有重要意义。然而现有技术中，往往通过单一信号进行疲劳程度的评价，准确度较低。

技术实现思路

[0003]为了解决现有技术问题，本专利技术的目的在于克服已有技术存在的不足，提供基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，该方法是一种从主驾驶员的肌肉信号的心电信号出发，经过有效特征值的筛选，将心电信号特征值和肌电有效特征值进行融合，输入疲劳驾驶评价模型中进行分析，获得主驾驶员的疲劳程度，该评估方法具有较高的准确性和可行性。
[0004]本专利技术目的之一，提供基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，技术方案具体如下：
[0005]基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，包括如下四个步骤：
[0006]S11步骤，对心电信号和肌电信号进行采样；
[0007]S12步骤，确定所述心电信号特征值和所述肌电信号特征值；
[0008]S13步骤，对所述肌电信号特征值进行降维处理，并提取出与驾驶疲劳相关的主要的肌电信号特征，确定有效特征值，以提高后续驾驶疲劳监测的准确度；
[0009]S14步骤，将所述有效特征值和所述心电特征值相结合，作为特征向量输入疲劳驾驶评价模型中用于主驾驶员疲劳评价。
[0010]优选的，S11步骤之后，需要对所述肌电信号进行降噪预处理，获得降噪预处理后的肌电信号，用于S12步骤的所述肌电信号特征值确定。
[0011]优选的，S12步骤中，所述心电信号特征值为：心率平均值和心跳间隔平均值，所述肌电信号特征值为：最大值、最小值、均方根值、平均绝对值、波形长度、斜率符号变化、方差、频率幅值平均值、重心频率、频率方差、均方频率、平均频率、中值频率和平均功率。
[0012]进一步优选的，S13步骤中，采用主成分分析的方法(PCA)对所述肌电信号特征值
进行降维处理，将所挑选的肌电信号特征值作为所述有效特征值用于下一步的疲劳驾驶评价，以减少数据的复杂度，减少算法的计算开销。
[0013]优选的，S14步骤中，所述疲劳驾驶评价模型是经过训练和全局优化后的三核支持向量机分类器。
[0014]本专利技术目的之二，提供一种疲劳驾驶评价模型的构建方法，所构建的疲劳驾驶评价模型应用于上述基于EMG与ECG信号的电动汽车疲劳驾驶评价方法中，技术方案具体如下：
[0015]一种疲劳驾驶评价模型的形成方法，包括如下步骤：
[0016]S21步骤，对心电信号和肌电信号进行采样；
[0017]S22步骤，确定所述心电信号特征值和所述肌电信号特征值；
[0018]S23步骤，对所述肌电信号特征值进行降维处理，并提取出与驾驶疲劳相关的主要的肌电信号特征，确定有效特征值，以提高后续驾驶疲劳监测的准确度；
[0019]S24步骤，将所述有效特征值和所述心电特征值输入三核支持向量机分类器进行训练，经过训练后的三核支持向量机分类器利用贝叶斯算法进行全局优化，优化后所获得的三核支持向量机分类器即为所述疲劳驾驶评价模型。
[0020]优选的，S21步骤之后，需要对所述肌电信号进行降噪预处理，获得降噪预处理后的肌电信号，用于S12步骤的所述肌电信号特征值确定。
[0021]优选的，S22步骤中，所述心电信号特征值为：心率平均值和心跳间隔平均值，所述肌电信号特征值为：最大值、最小值、均方根值、平均绝对值、波形长度、斜率符号变化、方差、频率幅值平均值、重心频率、频率方差、均方频率、平均频率、中值频率和平均功率。
[0022]进一步优选的，S23步骤中，采用主成分分析的方法(PCA)对所述肌电信号特征值进行降维处理，将所挑选的肌电信号特征值作为所述有效特征值用于下一步的疲劳驾驶评价，以减少数据的复杂度，减少算法的计算开销。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]本专利技术提出了基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，通过结合PCA降维后的肌电信号与心电信号并使用BOA
‑
SVM进行疲劳评价在真实驾驶环境中实现了94.4％的准确度，并且其AUC值(0.5
‑
1)达到0.95，这一结果证实了本专利技术提出的方法在电动汽车驾驶疲劳评价方面具有较高的准确性和可行性，为电动汽车应急环境下的疲劳驾驶评估提供了新的研究方法。
[0025]本专利技术提供了基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，通过监测肌电信号，可以实时评价主驾驶员手臂和背部肌肉的状态，从而及早发现疲劳迹象，例如，驾驶员的手部肌肉可能在疲劳时出现颤抖，影响对方向盘的稳定控制，从而影响驾驶的反应灵敏性。心电信号在疲劳驾驶评价中则可以用于评估驾驶员的心脏状态和心率变异性，疲劳驾驶可能导致驾驶员心率不稳定，心脏负担加重，进而影响驾驶员的注意力和反应能力。通过心电信号的实时监测和分析，可以发现心率的异常变化，及时预警驾驶员的疲劳状态，防止因心脏问题引起的驾驶不安全情况。通过综合分析肌电信号和心电信号，可以更全面地了解驾驶员的生理状态和疲劳程度、以及和身体自我调节能力，这些信号在驾驶疲劳评价模型中融合，可以提高评价准确度，在实际驾驶中，利用这些信息，疲劳驾驶评价系统可以及时发出警告，提醒驾驶员休息或采取措施，避免因疲劳导致的驾驶不安全行为和交通事故。
因此，肌电信号和心电信号在疲劳驾驶评价中的应用为提高驾驶安全性和预防交通事故提供了有效的手段。
附图说明
[0026]图1为本专利技术中提供的基于EMG与ECG信号的电动汽车疲劳驾驶评价方法的流程图；
[0027]图2为本专利技术中的四块肌肉所对应的采集的原始肌电信号和经过巴特沃斯滤波器预处理后所获得的肌电信号对比示意图。；
[0028]图3为本专利技术中的四块肌肉所对应的前四个主要成分及其所对应的累积贡献率；
[0029]图4为本专利技术中的疲劳驾驶评价模型的形成流程图；
[0030]图5为本专利技术中的疲劳驾驶评价模型进行受试者工作特征曲线测试。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于EMG与ECG信号的电动汽车疲劳驾驶评价方法其特征在于，包括如下四个步骤：S11步骤，对心电信号和肌电信号进行采样；S12步骤，确定所述心电信号特征值和所述肌电信号特征值；S13步骤，对所述肌电信号特征值进行降维处理，并提取出与驾驶疲劳相关的主要的肌电信号特征，确定有效特征值，以提高后续驾驶疲劳监测的准确度；S14步骤，将所述有效特征值和所述心电特征值相结合，作为特征向量输入疲劳驾驶评价模型中用于主驾驶员疲劳评价。2.根据权利要求1所述的基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，其特征在于，S11步骤之后，需要对所述肌电信号进行降噪预处理，获得降噪预处理后的肌电信号，用于S12步骤的所述肌电信号特征值确定。3.根据权利要求1所述的基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，其特征在于，S12步骤中，所述心电信号特征值为：心率平均值和心跳间隔平均值，所述肌电信号特征值为：最大值、最小值、均方根值、平均绝对值、波形长度、斜率符号变化、方差、频率幅值平均值、重心频率、频率方差、均方频率、平均频率、中值频率和平均功率。4.根据权利要求2所述的基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，其特征在于，S13步骤中，采用主成分分析的方法(PCA)对所述肌电信号特征值进行降维处理，将所挑选的肌电信号特征值作为所述有效特征值用于下一步的疲劳驾驶评价，以减少数据的复杂度，减少算法的计算开销。5.根据权利要求1所述的基于EMG与ECG信号的电动汽车疲劳驾驶评价方法，其特征在于，S14步骤中，所述疲劳驾驶评价模型是经过训练和全局优化后的三核支...

【专利技术属性】
技术研发人员：任彬，李奇兵，
申请(专利权)人：上海大学，
类型：发明
国别省市：