System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及驾驶员警觉度状态在线识别,特别是涉及一种基于虚拟现实的驾驶员状态在线识别系统及方法。
技术介绍
1、驾驶员警觉度状态在线识别系统在交通事故预防方面的发展前景而受到各国高度的重视,研究人员根据驾驶员疲劳时在生理和操作的特征进行多方面的研究,驾驶员警觉度状态的检测方法可大致分为基于驾驶员生理信号、基于驾驶员驾驶行为特征、基于驾驶员反应时间和基于面部表情特征的检测方法。
2、基于生理信号特征对驾驶员状态进行识别,主要是通过对采集的驾驶员的脑电、心电、眼电等信号进行分析。脑电信号一直被认为是检测警觉度变化的“金标准”,通过分析脑电信号中δ,θ,α,β波的变化来检测驾驶员警觉度状态。研究表明,出现警觉度下降状态时,脑电信号中对应的低频段信号活动增加,事件相关电位的波幅会相应的下降。
3、基于驾驶行为特征对驾驶员状态进行识别,主要是根据驾驶员在行驶过程中车辆的参数变化进行分析。当驾驶员警觉度状态降低时,对外界的感知能力下降,当车辆发生偏移时,驾驶员操作方向盘迟缓不能及时对车辆的偏移进行调整。因此驾驶员对车辆的控制精度下降,导致车辆状态参数变化较大,研究车辆状态参数变化能对驾驶员状态进行推测。
4、国内外研究学者基于疲劳状态下驾驶员的感知能力下降,对驾驶员的反应时间进行研究。每个被试者的反应时间都不尽相同,反应时间是每个人所固有的,不同的人对同一事件的应激反应不同。因此需要研究每个驾驶员反应时间与其脑电信号之间的规律才能对驾驶员警觉度状态进行整体判断。
5、基于面部表情特征的驾驶员
技术实现思路
1、本专利技术的目的是针对现有技术中存在的技术缺陷,而提供一种基于虚拟现实的驾驶员状态在线识别方法。
2、本专利技术的另一个目的,是提供一种基于所述识别方法的驾驶员状态在线识别系统。
3、为实现本专利技术的目的所采用的技术方案是:
4、一种基于虚拟现实的驾驶员状态在线识别方法,包括以下步骤:
5、步骤1,使用unity 3d引擎和虚拟现实设备搭建虚拟现实驾驶系统;
6、步骤2,使用脑电采集设备和unity 3d引擎采集驾驶员在步骤1中虚拟现实环境下的原始脑电信号和驾驶行为数据;
7、步骤3,对步骤2采集的原始脑电信号和驾驶行为数据进行预处理,提高数据的可信度;
8、步骤4,根据预处理后的驾驶行为数据通过聚类k-means算法划分不同的警觉度状态,提取不同警觉度状态下的脑电信号时频特征和变异系数特征,得到提取特征后的脑电数据;
9、步骤5,使用机器学习算法对提取特征后的脑电数据训练得出分类准确率高的分类模型;
10、步骤6,将实时采集的脑电信号数据进行分析处理后放入分类模型中,得出在线识别的驾驶员警觉度状态。
11、在上述技术方案中,所述步骤1中,虚拟现实驾驶系统的搭建方法,包括以下步骤:
12、s111,使用unity 3d引擎搭建完整的汽车驾驶环境;
13、s112,通过inspector面板对道路模型进行渲染和拼接,构成直行道路模型,在道路上添加直行标识和人行道标志线,并进行道路两旁环境景色的筛选和放置;
14、s113,使用unity 3d天空盒进行天气系统创建;
15、s114,实验场景为虚拟现实模拟驾驶环境,被试者佩戴脑电采集设备进行驾驶任务,通过模拟驾驶系统的gui展示界面,在界面右上角实时展现被试者的警觉度状态;
16、s115,模拟驾驶设备中的方向盘通过usb接口与计算机相连,利用所述方向盘来控制模拟车辆的运行方向;
17、s116,虚拟现实设备通过串流盒与电脑连接起来,两基站捕捉头显设备运动,将头显设备的运动信息传递至unity 3d,steam vr再根据头部旋转信息切换人眼实时所见画面,输出至头显设备,实现场景的3d立体显示。
18、在上述技术方案中,所述步骤2中,脑电采集设备采集p8、t7、t8及p7四个导联处的原始脑电信号,作为优选的,原始脑电信号的采样频率为500hz;所述驾驶行为数据包括实时时间、车辆左右偏移量和方向盘角度大小,作为优选的,驾驶行为数据采样率为30hz。
19、在上述技术方案中,所述步骤3中,原始脑电信号的预处理方法为:在0.5hz~40hz范围进行带通滤波,将采样率从500hz降为256hz,选取固定时长的脑电数据进行后续分析,作为优选的,所述固定时长为60min,经过固定窗长和步长的数据滑动窗处理后,得到m个样本的脑电数据,作为优选的,m=1200;
20、在上述技术方案中,所述步骤3中,驾驶行为数据的预处理方法为:选取固定时长的驾驶行为数据进行后续分析,驾驶行为数据与脑电数据的每个数据段一一对应,驾驶行为数据设置滑动窗的窗长和步长与脑电数据相同,分别计算驾驶行为每个窗内的车辆左右偏移量和方向盘角度大小的均值作为统计类指标,最终得到m个样本的驾驶行为变量作为优选的,m=1200。
21、在上述技术方案中,所述步骤4中,k-means算法对驾驶行为数据进行聚类,将驾驶员状态警觉度划分为三类:高警觉度、半警觉度、低警觉度,聚类过程为:
22、
23、其中,px为驾驶行为数据中的每个数据点,n为数据点个数,k为聚类中心个数,为j次迭代后的聚类中心。
24、在上述技术方案中,所述步骤4中,脑电信号时频特征的提取选用d3子频带;变异系数特征提取时,其中σ表示样本的d3子频带的标准差;μ表示样本的d3子频带的平均值,cv为提取特征后的脑电数据。
25、在上述技术方案中,所述步骤5中,利用支持向量机算法,采用提取特征后的脑电数据训练分类模型:
26、yi[(w·xi)+b]≥1i=1,2,…,l
27、其中,(xi,yi)为训练样本,l为样本个数,w和b分别为支持向量机这个算法构建超平面的法向量和截距。
28、在上述技术方案中,所述步骤6中,分析处理方法为:在0.5hz~40hz范围进行带通滤波,将采样率从500hz降为256hz,然后进行离散小波变换后选取d3子频带,再通过变异系数提取cv特征。
29、本专利技术的另一方面,一种基于虚拟现实的驾驶员状态在线识别系统,包括脑电采集设备、分析模块和利用上述方法得到的分类模型,所述脑电采集设备采集到原始脑电信号,并通过局域网无线实时传输信号,分析模块接收原始脑电信号后进行预处理滤波降采样,提取警觉度相关的特征,由所述分类模型进行分析,得到驾驶员警觉度状态。
30、与现有技术相比,本专利技术的有益效果是:
31、1.本专利技术提供的基于虚拟现实的驾驶员状态在线识别方法能够对驾驶本文档来自技高网...
【技术保护点】
1.一种基于虚拟现实的驾驶员状态在线识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤1中,虚拟现实驾驶系统的搭建方法,包括以下步骤:
3.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤2中,脑电采集设备采集P8、T7、T8及P7四个导联处的原始脑电信号,作为优选的,原始脑电信号的采样频率为500Hz;所述驾驶行为数据包括实时时间、车辆左右偏移量和方向盘角度大小,作为优选的,驾驶行为数据采样率为30Hz。
4.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤3中,原始脑电信号的预处理方法为:在0.5Hz~40Hz范围进行带通滤波,将采样率从500Hz降为256Hz,选取固定时长的脑电数据进行后续分析,作为优选的,所述固定时长为60min,经过固定窗长和步长的数据滑动窗处理后,得到m个样本的脑电数据,作为优选的,m=1200。
5.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤3中
6.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤4中,K-means算法对驾驶行为数据进行聚类,将驾驶员状态警觉度划分为三类:高警觉度、半警觉度、低警觉度,聚类过程为:
7.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤4中,脑电信号时频特征的提取选用d3子频带;变异系数特征提取时,其中σ表示样本的d3子频带的标准差;μ表示样本的d3子频带的平均值,CV为提取特征后的脑电数据。
8.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤5中,利用支持向量机算法,采用提取特征后的脑电数据训练分类模型:
9.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤6中,分析处理方法为:在0.5Hz~40Hz范围进行带通滤波,将采样率从500Hz降为256Hz,然后进行离散小波变换后选取d3子频带,再通过变异系数提取CV特征;
10.一种基于虚拟现实的驾驶员状态在线识别系统,其特征在于,包括脑电采集设备、分析模块和利用如权利要求1-9中任一项所述方法得到的分类模型,所述脑电采集设备采集到原始脑电信号,并通过局域网无线实时传输信号,分析模块接收原始脑电信号后进行预处理滤波降采样,提取警觉度相关的特征,由所述分类模型进行分析,得到驾驶员警觉度状态。
...【技术特征摘要】
1.一种基于虚拟现实的驾驶员状态在线识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤1中,虚拟现实驾驶系统的搭建方法,包括以下步骤:
3.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤2中,脑电采集设备采集p8、t7、t8及p7四个导联处的原始脑电信号,作为优选的,原始脑电信号的采样频率为500hz;所述驾驶行为数据包括实时时间、车辆左右偏移量和方向盘角度大小,作为优选的,驾驶行为数据采样率为30hz。
4.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤3中,原始脑电信号的预处理方法为:在0.5hz~40hz范围进行带通滤波,将采样率从500hz降为256hz,选取固定时长的脑电数据进行后续分析,作为优选的,所述固定时长为60min,经过固定窗长和步长的数据滑动窗处理后,得到m个样本的脑电数据,作为优选的,m=1200。
5.如权利要求1所述的基于虚拟现实的驾驶员状态在线识别方法,其特征在于,所述步骤3中,驾驶行为数据的预处理方法为:选取固定时长的驾驶行为数据进行后续分析,驾驶行为数据与脑电数据的每个数据段一一对应,驾驶行为数据设置滑动窗的窗长和步长与脑电数据相同,分别计算驾驶行为每个窗内的车辆左右偏移量和方向盘角度大小的均值作为统计类指标,最终得到m个样本的驾...
【专利技术属性】
技术研发人员:韩春晓,郭凤娟,车艳秋,秦迎梅,李珊珊,秦晴,
申请(专利权)人:天津职业技术师范大学中国职业培训指导教师进修中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。