基于CNN-LSTM驾驶员压力水平分类方法、电子设备及存储介质技术

本发明专利技术公开了基于CNN‑LSTM驾驶员压力水平分类方法、电子设备及存储介质，属于疲劳驾驶检测技术领域，本发明专利技术要解决的技术问题为如何对驾驶员的压力进行分类，进而准确的判断驾驶员的驾驶状态，采用的技术方案为：通过驾驶模拟器或自然驾驶车采集ECG信号、车辆动态数据及环境数据；对ECG信号、车辆动态数据及环境数据进行预处理，得到预处理后的ECG信号、车辆动态数据及环境数据；将预处理后的ECG信号、车辆动态数据及环境数据馈送到单独的CNN网络中进行特征学习；使用滑动窗口策略将ECG信号进行分割，使窗口大小和重叠程度相等，并将分割窗口后的数据作为训练集，该训练集标签和原始实验标签相同。

【技术实现步骤摘要】

本专利技术涉及疲劳驾驶检测，具体地说是一种基于cnn-lstm驾驶员压力水平分类方法、电子设备及存储介质。

技术介绍

1、疲劳驾驶是指由于驾驶人超强度、长时间的开车，因体力消耗过大造成反应和操控水平降低，进而影响驾驶操作的情况。由于司机全靠注意力来处理感知到的路况，情境意识对于驾驶显得至关重要，长时间的连续行车是造成疲劳驾驶的主要原因，会导致驾驶员的生理机能出现衰退，同时心理机能也会出现失调，客观上表现为反应时间明显延长，操控不灵活，造成驾驶危险性。故如何对驾驶员的压力进行分类，进而准确的判断驾驶员的驾驶状态是目前亟待解决的技术问题。

2、专利号为cn112596388a的专利文献公开了一种基于驾驶员数据的lstm神经网络aeb系统控制方法，获取驾驶员实车驾驶中紧急制动时的数据并分类，所述的数据包括环境数据和自车驾驶员输出数据，并按前车静止、前车慢速、前车紧急制动三种工况进行分类；将分类好的数据输入到lstm神经网络模型中进行训练；输入的数据包括各参数以当前时刻为中心的n1个时序，输出的数据包括各参数当前时刻以及未来n2个时刻的n2+1个时序，本文档来自技高网...

【技术保护点】

1.一种基于CNN-LSTM驾驶员压力水平分类方法，其特征在于，该方法具体如下：

2.根据权利要求1所述的基于CNN-LSTM驾驶员压力水平分类方法，其特征在于，预处理具体如下：

3.根据权利要求1所述的基于CNN-LSTM驾驶员压力水平分类方法，其特征在于，滑动窗口训练数据组织如下：

4.根据权利要求1所述的基于CNN-LSTM驾驶员压力水平分类方法，其特征在于，CNN网络由两个卷积最大池化块组成，每个卷积最大池化块包括卷积层、指数线性单元、批归一化层和最大池化层；

5.根据权利要求1所述的基于CNN-LSTM驾驶员压力水平分类方法，其特...

【技术特征摘要】

1.一种基于cnn-lstm驾驶员压力水平分类方法，其特征在于，该方法具体如下：

2.根据权利要求1所述的基于cnn-lstm驾驶员压力水平分类方法，其特征在于，预处理具体如下：

3.根据权利要求1所述的基于cnn-lstm驾驶员压力水平分类方法，其特征在于，滑动窗口训练数据组织如下：

4.根据权利要求1所述的基于cnn-lstm驾驶员压力水平分类方法，其特征在于，cnn网络由两个卷积最大池化块组成，每个卷积最大池化块包括卷积层、指数线性单元、批归一化层和最大池化层；

5.根据权利要求1所述的基于cnn-lstm驾驶员压力水平分类方法，其特征在于，将训练集输入到cnn网络中分别提取ecg信号的特征映射图、车辆动态数据的特征映射图及环境数据的特征映射图具体如下：

6.根据权利要求1所述的基于cnn-lstm驾驶员压力水平分类方法，其特征在于，将ecg信号的...

【专利技术属性】
技术研发人员：么新鹏，张昱，李一鸣，陈亮，张涵，樊兆董，范颂华，宋太龙，荣文，闫杰，王孜健，邢小亮，
申请(专利权)人：山东高速集团有限公司创新研究院，
类型：发明
国别省市：