驾驶员脑力负荷的SVM识别模型

车载信息系统的使用,道路交通控制信息的复杂,增加了驾驶员脑力负荷量.为对驾驶员脑力负荷进行有效识别,为自动辅助驾驶系统以及交通信息的整合优化设计提供依据,以驾驶员脑电信号δ(0.54 Hz),θ(48 Hz),α(813 Hz),β(1330Hz)频谱幅值为输入特征,结合SVM模型构建了驾驶员脑力负荷识别模型.在此基础上,基于驾驶模拟器实验数据,对该模型予以试算.结果表明,模型识别正确率可达93.8%96.5%.该模型对驾驶员脑力负荷识别具有较高准确性,可用于驾驶员脑力负荷识别.     

基于BP神经网络的驾驶精神疲劳识别方法

为了对驾驶精神疲劳予以有效识别,基于行为绩效结合心电信号指标构建了一种驾驶精神疲劳识别方法．以驾驶行为绩效为客观测评指标,给出了驾驶精神疲劳状态的分级划分方法．在此基础上,以心率变异性的6项指标作为疲劳识别特征因子,采用BP神经网络模型,建立了驾驶精神疲劳状态分类器．最后结合实例,依据驾驶行为绩效,将疲劳状态划分为2级,采用10名驾驶员连续4 h的驾驶行为绩效(反应时)、心电数据,对模型、方法予以测算．结果表明,10名驾驶员平均正确识别率在71％～80％之间,且其平均正确识别率为73％．BP神经网络模型与心率变异性指标相结合可有效的识别疲劳．     

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.     

驾驶疲劳状态波动性特征的识别方法

针对疲劳状态变化的波动性特征,基于心率变异性指标构建了一种驾驶疲劳状态识别方法.以驾驶行为绩效为疲劳客观测评指标,给出了适应疲劳波动性特征的驾驶疲劳分级方法.以心率变异性的3项时域指标、5项频域指标为特征因子构建驾驶疲劳识别特征向量,结合支持向量机提出了一种适应小样本的驾驶疲劳状态识别模型.采用10名驾驶员连续4 h的驾驶行为绩效与心电数据,对模型方法予以了测试.测试结果表明:10名驾驶员1级、2级疲劳状态的正确识别率介于70%~82%,平均正确识别率为75%.     

基于函数型数据分析的疲劳驾驶状态识别

针对目前常用于脑电信号特征提取的方法存在不能很好地反映信号的连续性、内部动态变化,导致基于脑电信号的疲劳驾驶识别的准确性不理想的状况,一种基于函数型数据分析进行脑电信号特征提取的方法被提出。所提出的方法是通过计算人体在静息状态和疲劳状态的函数性差异来表示特征和进行特征的提取。基于所提出的脑电信号特征提取方法构建了1个疲劳驾驶状态识别模型,并通过使用5种常见分类器在采集的疲劳驾驶脑电信号数据上进行测试,结果表明所提出的基于函数型数据分析的脑电信号特征提取方法有效,所构建疲劳驾驶状态识别模型能获得好的识别效果,最好的识别准确率达到94.82%。     

公路景观色彩对驾驶员脑电δ波成分的影响

为量化高速公路路侧景观色彩与驾驶员脑电δ波成分之间的关系,在吉珲高速公路进行道路试验,采集所需数据.首先基于幂函数建立景观色彩值与脑电δ波成分的关系模型,然后考虑驾驶时间对驾驶员脑电δ波的累积影响,基于高斯函数建立驾驶时间与脑电δ波成分的关系模型.最后采用联合建模的方式建立驾驶时间、景观色彩值对脑电δ波成分的影响关系模型.模型分析结果表明:路侧景观色彩均值与驾驶员脑电δ波成分呈负相关,而δ波多在驾驶疲劳时出现,即景观色彩越鲜亮,越能有效避免驾驶疲劳的加剧;驾驶员脑电的δ波成分随着驾驶时间t呈现波动,但是整体仍处于上升趋势,即驾驶员为规避因疲劳导致的行车危险而强制自己处于警醒状态,其自身会存在疲劳与抗拒疲劳的博弈过程.     

基于粒子群优化与支持向量机的驾驶员疲劳等级判别

为客观、准确地判别驾驶员的疲劳程度,采用多项驾驶员生理指标、基于粒子群与支持向量机（ SVM）算法建立驾驶疲劳等级判别模型,首先将驾驶员疲劳状态分为清醒、轻度疲劳、重度疲劳和睡意4个等级,然后将驾驶员的心电RR间期标准差、心率均值、呼吸潮气量、脑电的α波、β波和δ波功率谱密度积分等作为SVM的输入变量,驾驶疲劳等级作为输出变量,引入粒子群算法优化SVM的惩罚系数和核函数参数对判别模型进行标定,采用吉珲高速公路上的实车实验数据对模型有效性进行验证。结果表明：本模型对4项疲劳等级的判别准确率均高于85％,对于驾驶员疲劳预警具有重要意义。通过对模型各个输入变量的敏感性分析,证明基于多项生理指标的疲劳判别较基于单生理指标的疲劳判别更加有效。     

基于生理信号的驾驶疲劳综合评价方法试验研究

采用驾驶模拟舱对30名被试进行动态驾驶模拟试验,分析心电信号和脑电信号随驾驶时间的变化规律,验证心电信号和脑电信号作为驾驶疲劳评价指标的有效性.采用皮尔逊相关系数计算发现心电信号与脑电信号相关关系显著,并通过主成分分析法,建立脑电信号与心电信号之间的关系,确定驾驶疲劳评价的综合指标,可以排除干扰因素,减小数据的波动性,提高驾驶疲劳评价的准确性.     

基于脑电信号特征的驾驶疲劳检测方法研究

目前,疲劳驾驶已成为一种严重的社会问题,然而对于疲劳驾驶的检测与预防仍缺乏有效的技术手段.采用疲劳驾驶模拟实验、结合对象辨别实验和对被试面部表情变化分析,探索了脑电信号特征与驾驶疲劳状态间的相关性.提取脑电信号的δ波、θ波、α波、β波四种脑电节律的能量值作为疲劳驾驶的特征值,采用δ波能量值与θ波能量值之和与β波能量值的比值作为疲劳指数.结果显示,疲劳指数与被试疲劳程度呈正相关,验证了利用脑电信号检测疲劳程度的合理性与客观性,为疲劳检测提供了新的思路.     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

基于心电和脑电的驾驶疲劳检测研究

驾驶疲劳是引发交通事故的重要原因。驾驶疲劳检测不仅具有重要的理论研究价值,同时也将产生重大的社会、经济效益。该文通过心电信号计算驾驶过程中的不同阶段的心率和脑电信号,经过功率谱估计后,计算得到功率谱频段比值,作为疲劳检测的指标。模拟驾驶实验中,对驾驶前后两个阶段的19位被试者的生理指标作统计显著性检验,实验结果表明,该文提出的心电和脑电指标可以有效地对驾驶的疲劳和清醒状态进行检测。     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

Identification of Driving Intention Based on EEG Signals

The driver''s intention is recognized by electroencephalogram(EEG) signals under different driving conditions to provide theoretical and practical support for the applications of automated driving. An EEG signal acquisition system is established by designing a driving simulation experiment, in which data of the driver''s EEG signals before turning left, turning right, and going straight, are collected in a specified time window. The collected EEG signals are analyzed and processed by wavelet packet transform to extract characteristic parameters. A driving intention recognition model, based on neural network, is established, and particle swarm optimization (PSO) is adopted to optimize the model parameters. The extracted characteristic parameters are inputted into the recognition model to identify driving intention before turning left, turning right, and going straight. Matlab is used to simulate and verify the established model to obtain the results of the model.The maximum recognition rate of driving intention is 92.9%. Results show that the driver''s EEG signal can be used to analyze the law of EEG signals. Furthermore, the PSO-based neural network model can be adapted to recognize driving intention.     

城市快速路高架桥段行驶视觉空间的结构特征与行车安全

视觉疲劳是驾驶人在高速行车过程中致命的交通安全隐患,对驾驶人行驶视觉空间的结构特征进行数量化分析,是研究驾驶视觉和行车安全的重要途径.针对城市快速路高架桥比例高和视觉环境单一等特点,用车载等距变距自动成像技术对高架桥段驾驶人行驶视觉空间进行还原模拟实验,采用数值计算对普通高架桥段和特殊零界面高架桥段行驶视觉空间的结构特征进行分析比对,确定两种典型空间的视觉要素构成与变化频率.实验结果表明,除天际背景外城市高架路行驶视觉空间内的视觉要素均低于普通城市道路;普通高架桥段的主要视觉要素为空旷天际背景的桥面,其次为右侧沿街建筑,且分布均衡单一,易导致驾驶人视觉疲劳;零界面高架桥段的视觉要素较长时间处于匮乏状态,易引发驾驶人焦虑、恐慌和不稳定感等负面驾驶心理.通过交通安全设施的合理设计引导驾驶员视线适时收放可有效缓解驾驶人的视觉疲劳,增加视觉对象作为高程参照是消除零界面桥段负面驾驶心理的最直接手段.     

基于脑电实验的眨眼次数与疲劳相关性研究

眨眼次数可以反映一个人的疲劳程度,但目前对于这一结论的客观验证研究较少。脑电信号是已被证实的疲劳检测的可信标准。利用脑电信号与眨眼次数的相关性,为基于眨眼次数的疲劳检测方法提供了理论依据。设计实现基于脑电的疲劳检测实验,采集被试脑电信号的同时记录被试的眼部图像数据。利用小波变换对脑电信号进行特征提取,分析被试在实验过程中疲劳程度变化情况。同时,处理被试眼部图像数据,统计被试眨眼次数,分析变化趋势。对脑电数据和眨眼次数进行相关性分析,客观验证了眨眼次数随疲劳程度增大而增加的结论。     

心率变异性与驾驶疲劳相关性研究

为获取与驾驶疲劳程度相关性较高的、可以量化的、客观的心电指标,对10名成年男性司机在驾驶仿真平台上进行心率变异性(HRV)检测与眼动跟踪同步实验研究.对HRV信号指标与评估疲劳的客观指标——PER-CLOSp80值进行相关性分析.结果表明,在HRV信号的线性指标中,表征交感-副交感神经张力平衡状态的频谱低频与高频部分比值与PERCLOSp80值的相关程度最大,皮尔逊相关系数达到0.728,可以作为实时监测驾驶疲劳的量化心电指标.为进一步解释HRV信号的混沌特性,采用非线性动力学方法进行R-R间期C0复杂度计算,该非线性指标与疲劳累积过程相关,可以用来衡量驾驶员在遇到应急危险状况下的控制能力.