【技术实现步骤摘要】
本专利技术涉及车辆驾驶状态判别方法，尤其涉及一种分心驾驶状态判别方法及系统领域。
技术介绍
1、现在生产生活中，车祸给人身与社会带来损失越来越大，驾驶过程中驾驶人员出现分心状态是车祸比较重要的原因之一。
2、如何在驾驶过程中及时发现驾驶人员出现分心状态，从而可以给予警告，成为现在驾驶状态判断领域亟需解决的问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种分心驾驶状态判别方法及系统，实现根据驾驶行为数据可以判断驾驶人员的分心状态。
2、根据本专利技术提供了一种分心驾驶状态判别方法，包括以下步骤：通过驾驶员模拟驾驶任务，获取驾驶行为数据、脑电信号数据；
3、所述模拟驾驶任务为驾驶主任务或驾驶次任务；
4、对所述驾驶行为数据进行驾驶分心状态分类标记并提取驾驶行为特征数据；
5、对脑电信号数据进行预处理，并进行驾驶分心状态分类标记后提取脑电信号特征数据；
6、将所述驾驶行为特征数据、脑电信号特征数据分为训练数据集、测试数据集；
7、所述训练集数据基于cnn-lstm神经网络训练得到分心驾驶状态分类模型；
8、通过所述分心驾驶状态分类模型对实时驾驶行为数据进行处理得到驾驶员的分心驾驶状态类别。
9、优选的，通过所述测试数据集对分心驾驶状态分类模型进行检验；
10、驾驶主任务为驾驶员按照驾驶习惯与前车保持一定的距离行进，全程遵守交通规则和限速要求，不允许驾驶
11、与现有技术相比，本专利技术具有以下有益效果：通过驾驶员模拟驾驶任务为驾驶主任务或驾驶次任务，同时获取了驾驶行为数据、脑电信号数据，实现获取了驾驶员正常驾驶状态时的驾驶行为数据以及其对应的脑电信号数据，以及驾驶员不同类别的分心驾驶状态时的驾驶行为数据以及对应的脑电信号数据；
12、通过获得的不同类别的驾驶状态的驾驶行为数据及其对应的脑电信号数据，基于cnn-lstm神经网络训练得到分心驾驶状态分类模型，此模型可以用于通过驾驶人员的驾驶行为数据可以判断得到其此对应的脑电状态，从而判断驾驶人员的分心驾驶状态类别；
13、实现最终判断的分心驾驶状态类别的准确率大于94％。
14、进一步的，对所述驾驶行为数据进行驾驶分心状态分类标记并提取驾驶行为特征数据具体过程为：
15、通过驾驶行为数据对应的模拟驾驶任务进行分段，并将每段驾驶行为数据标记与模拟驾驶任务相应的类别，得到不同类别的驾驶行为数据；
16、将分类后放入驾驶行为数据提取特征指标，得到驾驶行为特征数据；
17、所述特征指标包括：横向速度平均值、方向盘转角平均值、方向盘转角标准差、横向偏移距离平均值、横向偏移距离标准差、纵向速度平均值、跟车距离标准差、车头时距标准差、纵向加速度标准差、油门踏板平均值；
18、所述横向速度平均值为车辆行驶速度在法线方向上的平均值；
19、所述方向盘转角平均值为方向盘在提取时间窗内向左或向右转动角度的平均值；
20、所述方向盘转角标准差方向盘在提取时间窗内向左或向右转动角度的标准差；
21、所述横向偏移距离平均值为车辆偏离指定道路中线距离的平均值；
22、所述横向偏移距离标准差为车辆偏离指定道路中线距离的标准差；
23、所述车辆纵向速度平均值为车辆行驶速度在切线方向上的平均值；
24、所述跟车距离标准差为主车与前车在行驶过程中相隔的距离的标准差；
25、所述车头时距标准差等于前后两车的车头间距与后车车速的比值的标准差；
26、所述纵向加速度标准差指的是车辆行驶加速度在切线方向的加速度的标准差；
27、所述油门踏板平均值为在行驶过程中驾驶员踩踏油门角度的百分占比的平均值。
28、采用上述进一步方案的有益效果在于：通过所述指标既能够在行驶过程中有效获取，同时能有效反应车辆的驾驶状态，以及能够体现车辆在行驶过程中是否出现危险的有效指标。
29、进一步的，所述驾驶次任务包括：驾驶视觉次任务、驾驶认知次任务；所述驾驶主任务对应无分心驾驶状态；所述驾驶视觉次任务对应视觉分心驾驶状态；所述驾驶认知次任务对应认知分心驾驶状态。
30、采用上述进一步方案的有益效果在于：通过所述驾驶视觉次任务获取驾驶人员在驾驶过程中出现视觉分心状态时的驾驶行为数据以及相应的脑电信号数据；
31、通过所述驾驶认知次任务获取驾驶人员在驾驶过程中出现认知分心状态时的驾驶行为数据以及相应的脑电信号数据。
32、进一步的，将所述脑电信号数据通过波形预览、电极定位、滤波、重参考、删除无效电极、数据分段、剔除伪迹、基线校准八个步骤完成数据预处理；
33、通过对应的模拟驾驶任务进行分段，并将每段脑电信号数据标记与模拟驾驶任务相应的类别，得到不同类别的脑电信号数据；
34、将预处理后的脑电信号数据基于welch法进行功率谱分析，得到额、顶、枕、颞这四个脑区中δ波、θ波、α波、β波四种波段分别对应的功率谱密度，采用随机森林算法选取5-7个变量作为最终脑电特征量；即得到4×4组不同脑区不同波段的功率谱密度作为脑电信号数据特征，所述脑电信号数据特征通过随机森林算法进行特征指标选取，筛选5-7组功率谱密度特征作为最终脑电特征指标。
35、采用上述进一步方案的有益效果在于：实现从脑电信号数据中获取实际能够有效体现驾驶人员分心状态的脑电信号特征数据。
36、进一步的，将驾驶行为特征数据和脑电信号特征数据进行时间同步处理、合并，得到合并后的特征数据集；然后按7：3的比例分为训练数据集与测试数据集。
37、进一步的，所述cnn-lstm神经网络模型设计如下：
38、cnn设置3层卷积层、3层池化层，卷积层与池化层交叉排列；后连接lstm神经网络；再通过1层全连接层将得到的局部特征重新通过权值矩阵组成一张正式的特征图，同时为避免过拟合情况设置dropout层，通过softmax函数将全连接层的输出映射为概率分布，最终输出cnn-lstm模型的识别结果。
39、采用上述进一步方案的有益效果在于：具体实现分心驾驶状态分类模型的建立。
40、进一步的，所述测试数据集经5类评价指标检验分心驾驶状态分类模型；
41、所述5类评价指标为：准确度指标accuracy、精确度指标precision、灵敏度指标sensitivity、特异度指标specificity、f1分数指标f1score；
42、所述准确度指标accuracy的计算公式为：
43、
44、所述精确度指标precision的计算公式为：
45、
46、所述灵敏度指标sensitivity的计算公式为：
47、
本文档来自技高网...
【技术保护点】
1.一种分心驾驶状态判别方法，其特征在于，包括以下步骤：通过驾驶员模拟驾驶任务，获取驾驶行为数据、脑电信号数据；
2.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，对所述驾驶行为数据进行驾驶分心状态分类标记并提取驾驶行为特征数据具体过程为：
3.根据权利要求2所述的分心驾驶状态判别方法，其特征在于，所述驾驶次任务包括：驾驶视觉次任务、驾驶认知次任务；
4.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，
5.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，
6.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，所述CNN-LSTM神经网络模型设计如下：
7.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，所述视觉驾驶次任务包括：在规定时间内判断面前出现若干箭头图标中是否包括预设的标准箭头，如果有点击“是”，如果没有则点击“否”；测试是若干箭头图标出现的持续时间为4-6秒；然后重复若干次上述操作；所述视觉驾驶次任务时间为16-30s。
8.根据权利要求1所述的分心驾驶状
9.一种分心驾驶状态判别系统，其特征在于，包括：数据采集系统、数据处理系统；
...【技术特征摘要】
1.一种分心驾驶状态判别方法，其特征在于，包括以下步骤：通过驾驶员模拟驾驶任务，获取驾驶行为数据、脑电信号数据；
2.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，对所述驾驶行为数据进行驾驶分心状态分类标记并提取驾驶行为特征数据具体过程为：
3.根据权利要求2所述的分心驾驶状态判别方法，其特征在于，所述驾驶次任务包括：驾驶视觉次任务、驾驶认知次任务；
4.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，
5.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，
6.根据权利要求1所述的分心驾驶状态判别方法，其特征在于，所述cnn-lstm神经网络模型设计如下：
【专利技术属性】
技术研发人员：薛晴婉，鲁澜，王星月，赵祎，谭墍元，郭伟伟，
申请(专利权)人：北方工业大学，
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。