【技术实现步骤摘要】
本申请涉及分心驾驶行为识别领域，特别是涉及一种智能驾驶员分心程度检测方法、装置、设备、介质及产品。
技术介绍
1、随着智能驾驶技术的迅猛发展，车辆座舱设计正经历着前所未有的变革，特别是车载信息系统(in-vehicle information system，ivis)的广泛应用，极大地丰富了驾驶过程中的信息交互方式。这些系统通过大屏幕和多功能触控界面，为驾驶员提供了更加便捷和丰富的驾驶体验。
2、然而，在享受智能驾驶技术带来的便利的同时，驾驶员的注意力分散问题也日益凸显。复杂的视觉和手动任务不仅容易干扰驾驶员的驾驶操作，还显著增加了驾驶风险。视觉和手动分心已被权威机构确认为导致交通事故的重要因素，因此，如何有效识别和分类驾驶员的分心程度，成为提高驾驶安全性的关键所在。
3、相关技术中，驾驶员分心识别系统主要基于简单的视觉或手动任务监测，通过检测驾驶员的眼动行为、驾驶操作及车辆动态等参数来推断其分心状态。这些方法大多采用单一的分类模型，如支持向量机(supportvectormachine，svm)、随机森林(randomforest，rf)等，虽然在一定程度上能够识别分心程度，但面对驾驶情境的复杂性和多样性，存在识别精度不足、泛化能力差的问题。此外，现有系统往往仅考虑了部分驾驶行为因素，未能充分利用多维度数据进行综合分析和分类，导致模型性能受限。更为关键的是，相关的分心识别方法，如基于卷积神经网络(convolutionalneuralnetwork，cnn)的面部特征和眼动数据分析，虽然在一定程度上提高
技术实现思路
1、本申请的目的是提供一种智能驾驶员分心程度检测方法、装置、设备、介质及产品，可准确、有效识别和解释驾驶员视觉-手动分心程度，从而提升智能驾驶系统的安全性和可靠性。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种智能驾驶员分心程度检测方法，包括：
4、获取原始驾驶数据集；所述原始驾驶数据集包括不同驾驶参数在不同历史时刻的状态值，不同驾驶参数包括驾驶员的视觉行为参数、手动操作参数和驾驶车辆的动态参数；
5、采用sf2sog方法确定原始驾驶数据集中辨别力高的预设数量的驾驶参数作为特征参数，构建训练数据集；所述训练数据集包括多个训练样本数据，所述训练样本数据由同一驾驶员的同一历史时间段内的各个特征参数的状态值组成；
6、采用凝聚聚类算法对训练数据集进行无监督聚类，得到训练数据集中每个训练样本数据的分心程度的标签；所述分心程度的标签包括：高分心、中分心和低分心；
7、将训练数据集和训练数据集中每个训练样本数据对应的分心程度的标签构成完整训练数据集；
8、基于所述完整训练数据集，训练堆叠集成模型，得到训练好的堆叠集成模型；所述堆叠集成模型包括多个不同的基础分类器和一个元分类器；所述多个不同的基础分类器均与元分类器连接；多个不同的基础分类器包括随机森林分类器、极端梯度提升树分类器和自适应增强分类器，所述基础分类器用于进行分心程度的预测，所述元分类器用于融合各个基础分类器输出的分心程度的预测结果，获得分心程度的融合预测结果；
9、将待检测驾驶员的在预设时间段内的各个特征参数的状态值输入至训练好的堆叠集成模型，得到待检测驾驶员的分心程度的融合预测结果。
10、第二方面，本申请提供了智能驾驶员分心程度检测装置，包括：
11、数据采集模块，用于获取原始驾驶数据集；所述原始驾驶数据集包括不同驾驶参数在不同历史时刻的状态值，不同驾驶参数包括驾驶员的视觉行为参数、手动操作参数和驾驶车辆的动态参数；
12、特征重要度评估模块，用于采用sf2sog方法确定原始驾驶数据集中辨别力高的预设数量的驾驶参数作为特征参数，构建训练数据集；所述训练数据集包括多个训练样本数据，所述训练样本数据由同一驾驶员的同一历史时间段内的各个特征参数的状态值组成；
13、无监督聚类模块，用于采用凝聚聚类算法对训练数据集进行无监督聚类，得到训练数据集中每个训练样本数据的分心程度的标签；所述分心程度的标签包括：高分心、中分心和低分心；
14、训练数据整合模块，用于将训练数据集和训练数据集中每个训练样本数据对应的分心程度的标签构成完整训练数据集；
15、模型训练模块，用于基于所述完整训练数据集，训练堆叠集成模型，得到训练好的堆叠集成模型；所述堆叠集成模型包括多个不同的基础分类器和一个元分类器；所述多个不同的基础分类器均与元分类器连接；多个不同的基础分类器包括随机森林分类器、极端梯度提升树分类器和自适应增强分类器，所述基础分类器用于进行分心程度的预测，所述元分类器用于融合各个基础分类器输出的分心程度的预测结果，获得分心程度的融合预测结果；
16、分心检测模块，用于将待检测驾驶员的在预设时间段内的各个特征参数的状态值输入至训练好的堆叠集成模型，得到待检测驾驶员的分心程度的融合预测结果。
17、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的智能驾驶员分心程度检测方法的步骤。
18、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的智能驾驶员分心程度检测方法的步骤。
19、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的智能驾驶员分心程度检测方法的步骤。
20、根据本申请提供的具体实施例，本申请具有了以下技术效果：
21、本申请提供了一种智能驾驶员分心程度检测方法、装置、设备、介质及产品，通过获取包含驾驶员视觉行为参数、手动操作参数和驾驶车辆动态参数的原始驾驶数据集，并利用sf2sog方法从中筛选出辨别力高的特征参数构建训练数据集，解决了传统方法中驾驶参数选择不精确、影响分心程度检测准确性的问题，实现了对关键驾驶参数的精准捕捉与利用。进一步地，本申请采用凝聚聚类算法对训练数据集进行无监督聚类，为训练样本数据标注分心程度的标签，包括高分心、中分心和低分心，这一步骤解决了分心程度标签人工标注成本高、效率低的问题，实现了对驾驶员分心状态的自动化、高效分类。基于完整训练数据集，本申请训练了一个包含多个基础分类器和一个元分类器的堆叠集成模型。其中，随机森林分类器、极端梯度提升树分类器和自适应增强分类器等基础分类器用于进行分心程度的初步预测，而元分类器则用于融合各基础分类器的预测结果，以获得更为准确、稳定的分心程度融合预测结果。这一设计解决了单本文档来自技高网...
【技术保护点】
1.一种智能驾驶员分心程度检测方法，其特征在于，所述智能驾驶员分心程度检测方法包括：
2.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，原始驾驶数据集中驾驶参数的辨别力的计算公式为：
3.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，采用凝聚聚类算法对训练数据集进行无监督聚类，得到训练数据集中每个训练样本数据的分心程度的标签，具体包括：
4.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，得到训练好的堆叠集成模型，之后还包括：
5.根据权利要求4所述的智能驾驶员分心程度检测方法，其特征在于，特征参数的SHAP值的计算公式为：
6.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，基础分类器通过5折交叉验证法进行训练，并通过粒子群优化算法优化超参数。
7.一种智能驾驶员分心程度检测装置，其特征在于，所述智能驾驶员分心程度检测装置包括：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的智能驾驶员分心程度检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的智能驾驶员分心程度检测方法。
...【技术特征摘要】
1.一种智能驾驶员分心程度检测方法，其特征在于，所述智能驾驶员分心程度检测方法包括：
2.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，原始驾驶数据集中驾驶参数的辨别力的计算公式为：
3.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，采用凝聚聚类算法对训练数据集进行无监督聚类，得到训练数据集中每个训练样本数据的分心程度的标签，具体包括：
4.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于，得到训练好的堆叠集成模型，之后还包括：
5.根据权利要求4所述的智能驾驶员分心程度检测方法，其特征在于，特征参数的shap值的计算公式为：
6.根据权利要求1所述的智能驾驶员分心程度检测方法，其特征在于...
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。