基于T-S模糊神经网络的驾驶警觉度融合识别研究

经过长时间持续驾驶,驾驶员的驾驶警觉度会随着心理疲劳程度的加深而持续下降。本文结合脑电信号和心电信号构建了一种驾驶警觉融合识别方法。首先,对心电信号的心率变异性进行了时域和频率分析,对于提取到的特征指标分别验证了其前后两时段发生显著性差异变化。再次,对脑电信号采用小波变换的方式开展对应的特征分析,获得所需的脑电成分。最后利用T-S模糊神经网络模型理论构建了驾驶警觉度融合识别模型。利用采集到的26位被试数据进行模型试算,发现综合心电和脑电的双信号的模型识别平均率为85.5%,其中低驾驶警觉度的平均识别率为89.3%。表明用心电和脑电并结合T-S模型可用于识别驾驶警觉度。     

基于生理信号的驾驶疲劳分级检测研究

采用实验生理学测试与主观疲劳调查的方法,通过实车驾驶实验,以脑电信号和心电信号为基本指标,研究不同驾驶经验驾驶员在09:00—12:00,12:00—14:00,21:00—23:00这3个驾驶过程中疲劳等级的变化。通过主成分分析法,建立脑电信号与心电信号之间的关系,确定驾驶疲劳综合评价指标。结果显示:上述疲劳综合指标在在不同疲劳等级状态下存在显著性差异,通过对不同指标的融合提高了对驾驶员不同疲劳等级的识别准确率。     

基于置信规则库的驾驶人愤怒情绪识别模型

针对“路怒症”诱发的攻击性驾驶行为影响交通安全问题,提出一种基于生理与脑电特征的驾驶人愤怒情绪识别模型.招募15 名被试在武汉市区开展限时实车试验.由于所选实验线路为交通繁忙路段,被试易被行人横穿马路、车辆加塞等道路事件诱发愤怒情绪.实验中采用愤怒量表记录被试的愤怒等级,以及采用生物反馈仪与脑电记录仪记录被试的生理和脑电信号.将血容量脉冲、皮肤电导、δ 波百分比与β 波百分比这四项生理与脑电指标作为模型输入,建立基于置信规则库的愤怒情绪识别模型.验证结果表明,该模型的识别精度(82.24%)较BP神经网络、SVM分别提高7.15%、5.02%.研究结果可为开发基于生理和脑电信号的驾驶情绪识别设备提供理论支持.     

基于贝叶斯网络的驾驶疲劳程度识别模型

国内外学者大多采用单一类型指标对驾驶疲劳程度进行判断。为克服单一指标检测的不稳定性,构建基于贝叶斯网络的驾驶疲劳程度识别模型。将驾驶环境属性、驾驶人个体属性和原始疲劳属性作为模型输入层变量。选择脑电指标、心电指标、眼动指标、驾驶绩效指标作为模型输出层变量。将清醒、轻度疲劳、重度疲劳三种驾驶疲劳程度作为隐含层变量。采用模拟驾驶方法进行实验,得到不同实验对象各个时刻不同疲劳程度的概率。将利用单一指标和贝叶斯网络模型得到的驾驶人疲劳程度与主观疲劳测评结果进行对照,证明贝叶斯网络模型不仅能消除单一指标失效时产生的误判和漏判,而且可提高识别的准确性。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

基于脑电信号的高速公路驾驶疲劳检测研究

高速公路驾驶环境单调枯燥,容易使驾驶员产生驾驶疲劳,影响行车安全。通过检测高速公路模拟环境下驾驶员脑电信号特征,验证了采用脑电信号作为驾驶疲劳检测指标的合理性。结果表明,β和(α+θ)β两项指标对驾驶疲劳反应最敏感,可作为表征高速公路驾驶疲劳的脑电指标;在80~100min时间段内,驾驶员驾驶疲劳状态趋势尤为明显,应采取适当措施来减缓疲劳,从而降低由于疲劳驾驶引起的道路交通事故。实验结果可为高速公路驾驶疲劳预警和道路安全设计提供理论支撑。     

基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究

为了获得客观而准确的驾驶疲劳判别阈值,采用驾驶模拟实验研究方法,采集驾驶员在清醒及疲劳状态下的脑电信号,对比分析不同状态下脑电信号的时域特征,选取表征信号复杂程度的样本熵作为驾驶疲劳判别指标,并利用受试者工作特性曲线(receiver operating characteristic curve, ROC)分析方法,确定基于脑电信号样本熵值的驾驶疲劳判别阈值.研究结果表明:脑电信号样本熵值处于区间(0.32,0.71)时,驾驶员处于疲劳过渡时期,可能出现疲劳特征;脑电信号样本熵值小于阈值0.605时,判定驾驶员处于驾驶疲劳状态,准确率为0.95,该值可作为基于脑电信号样本熵的驾驶疲劳判定阈值.      

基于生理信号的驾驶疲劳声音对策有效性实验

为了有效减轻驾驶疲劳、减少交通事故,研究了脑电信号(EEG)和心电信号(ECG)随驾驶时间的变化规律,分析EEG和ECG的原始数据与指标之间的相关性,用主成份分析法确定了驾驶疲劳综合评价指标.采用正交实验法,在驾驶模拟舱内验证声音刺激作为驾驶疲劳对策的有效性.研究结果表明:驾驶员在疲劳状态下,对单一声音刺激存在警觉反应;声强和刺激间隔时间影响显著,频率和刺激时间影响较小,且声强70 dB、频率5 800 Hz、刺激时间7 s和刺激间隔时间30 s的声音对策减轻疲劳的效果最好.     

疲劳驾驶转向特征指标的个体差异敏感度分析

个体差异是影响疲劳驾驶识别的重要因素. 为研究基于转向行为的疲劳驾驶识别受个体差异的影响,本文对疲劳驾驶转向特征指标的个体差异敏感度进行分析. 通过实车试验获得自然驾驶数据,对正常和疲劳状态下的指标进行Kruskal-Wallis(KW)检验,以H 统计量表示指标有效性;以H 统计量最大的单被试为基础逐一与其他被试组成双被试组合,采用线性模型拟合双被试组合的H 统计量和指标个体差异度,以斜率绝对值表征指标个体差异敏感度. 研究获得9 个转向特征指标的个体差异敏感度,结果表明,敏感度越低,指标有效性受个体差异影响越小,其中方向盘转角标准差的个体差异敏感度最低为2.056. 本研究可为转向特征指标的性能评估及疲劳驾驶识别模型的特征选择提供参考.     

疲劳驾驶转向特征指标的个体差异敏感度分析

个体差异是影响疲劳驾驶识别的重要因素. 为研究基于转向行为的疲劳驾驶识别受个体差异的影响，本文对疲劳驾驶转向特征指标的个体差异敏感度进行分析. 通过实车试验获得自然驾驶数据，对正常和疲劳状态下的指标进行Kruskal-Wallis(KW)检验，以H 统计量表示指标有效性；以H 统计量最大的单被试为基础逐一与其他被试组成双被试组合，采用线性模型拟合双被试组合的H 统计量和指标个体差异度，以斜率绝对值表征指标个体差异敏感度. 研究获得9 个转向特征指标的个体差异敏感度，结果表明，敏感度越低，指标有效性受个体差异影响越小，其中方向盘转角标准差的个体差异敏感度最低为2.056. 本研究可为转向特征指标的性能评估及疲劳驾驶识别模型的特征选择提供参考.     

重载货车驾驶人驾驶风格识别与量化研究

重载货车驾驶人的激进驾驶风格具有强烈的习惯性特征和风险性特征，一旦养成很难矫正，且极易诱发交通事故。针对现有研究极少关注重载货车驾驶人驾驶风格的不足，本文基于某全国货运监管平台提供的云南省重载货车低频轨迹数据，从风格聚类、风格识别和风格评估这3个方面，提出综合考虑疲劳驾驶特征和超速驾驶特征的重载货车驾驶人驾驶风格分析方法。首先，基于轨迹数据蕴含驾驶人驾驶行为模式的特点，构建表征重载货车驾驶人驾驶风格的疲劳驾驶和超速驾驶特征集；其次，利用因子分析进行特征约简，并采用K-均值聚类方法划分重载货车驾驶人的驾驶风格；然后，构建基于支持向量机的驾驶风格识别模型，并与梯度提升决策树的识 别结果进行对比；最后，基于疲劳驾驶特征和超速驾驶特征的累积分布，建立基于 CRITIC (Criteria Importance Though Intercriteria Correlation)赋权法的重载货车驾驶人驾驶风格量化评估 模型。研究结果表明：经过特征约简，提取的疲劳因子和超速因子能综合反映上述两类特征集 80.838%的信息；根据疲劳因子和超速因子可将驾驶风格划分为4种类别，即稳健型、超速型、疲劳型和危险型，相应重载货车驾驶人比例依次为62.60%、25.02%、7.40%和4.98%；基于支持向量机的重载货车驾驶人驾驶风格识别模型对不同风格的识别准确率均大于97%，整体表现优于梯度提升决策树；基于CRITIC赋权法的驾驶风格评估模型能有效量化重载货车驾驶人的驾驶风格， 其中稳健型驾驶人表现最好，75%以上的驾驶人风格评估总分高于60分；危险型驾驶人表现最差，75%以上的驾驶人风格评估总分低于20分。研究结果可为重载货车驾驶人不良驾驶行为的监测、干预和管理提供理论依据和技术支撑。     

融合机器视觉与高精度定位的高速公路疲劳驾驶行为检测方法

为提高高速公路场景下疲劳驾驶检测的准确率,降低在驾驶员面部易受遮挡、光线复杂的驾驶舱内的疲劳驾驶检测的误判率,提出一种兼顾检测精度与实时性、结合高精度定位与机器视觉的高速公路疲劳驾驶行为检测方法。首先,使用多任务卷积神经网络与FaceNet算法实现驾驶员身份识别,运用改进的实用面部特征点检测器（Practical Facial Landmark Detector, PFLD）算法检测人脸关键点。然后,考虑视频设备工作状态不稳定对疲劳驾驶行为识别产生干扰的场景,基于行驶车辆的轨迹数据,提出纵向位移波动斜率（Slope of Longitudinal Displacement Fluctuation, SLDF）,以弥补单一视频设备检测易受光线、遮挡等干扰因素影响的缺陷。随后,使用SLDF指标和3个面部疲劳特征识别疲劳驾驶,并在传统支持向量机（Support Vector Machines, SVM）中加入量子粒子群优化算法,提升SVM分类准确度和缩短运算时间。最后,为验证模型性能进行实车试验,结果表明,复杂场景下疲劳驾驶识别准确率达86.8%,计算时间为3.017 s,与现有其他数据融合...     

基于DCNN与HMM融合的疲劳驾驶检测方法研究

首先提出一种深度卷积神经网络(DCNN)与隐马尔可夫模型(HMM)融合的疲劳驾驶检测方法,针对眼睛和嘴巴状态单一特征,构建3层DCNN来识别眼睛和嘴巴闭合状态;再针对训练样本人工标记困难的问题,提出结合人工标记、采用Dlib特征点检测和疲劳参数加权获取驾驶员疲劳等级的方法进行标记;最后,针对疲劳驾驶是一个从状态良好到重...     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.     

基于多源参数的高速工况驾驶行为模式识别方法

准确识别车辆当前驾驶行为模式是自动驾驶领域亟待解决的技术问题。为实现驾驶行为模式精准解析,提高模型识别精度和可靠性,通过开展自然驾驶试验,采集高速工况下20名驾驶人的驾驶行为数据及视觉特性数据等多源参数信息,分析4类典型驾驶行为模式(自由行驶、跟车、左换道、右换道)运行规律及多源参数耦合特性。基于主成分分析法确定4类驾驶行为模式表征指标集,使用支持向量机、随机森林决策树算法建立驾驶行为模式识别模型,通过学习训练,分析比较模型识别结果,对识别效果较好的模型进一步优化,分析优化模型对4类驾驶行为模式识别精度的时序性变化特征。研究结果表明：支持向量机模型、随机森林决策树模型、基于多层感知器神经网络的随机森林优化模型总体识别精度分别为89.4%、90.5%、91.9%;4类驾驶行为模式的AUC (area under the curve)值均高于0.93,可较好地识别车辆当前驾驶行为模式。此外,随机森林优化模型对4类驾驶行为模式的识别精度均随时间推移,呈现先增长后趋于稳定的变化态势,且同一时刻的自由行驶及跟车模式识别精度高于向左及向右换道模式。研究结果可为高级别自动驾驶系统决策及控制策略的制定...     

手机打车软件操作驾驶分心检测模型研究

为探寻操作手机打车软件时的驾驶分心识别方法,本文开展模拟驾驶实验,采集了驾驶员在不同驾驶状态下的驾驶行为参数,通过对参数的统计分析,确立分心检测参数集。采用支持向量机分类算法理论构建基于驾驶绩效的分心检测模型,并利用实验数据验证模型的有效性。结果表明:该模型对驾驶员视觉分心驾驶行为检测率最高,正常驾驶行为次之,对认知分心驾驶行为的检测能力最弱,模型的平均检测正确率为86.67%,检测效果较好,可用于驾驶分心检测。     

基于车辆运行数据的疲劳驾驶状态检测

疲劳驾驶是导致交通事故的主要原因之一，及时检测疲劳驾驶，并提醒驾驶员集中注意力，对保证安全行车具有重要意义.本文基于CAN(Controller Area Network)总线采集的车辆运行状态数据，提取了18项与驾驶行为相关的特征，并采用随机森林算法对疲劳驾驶进行识别，结果表明整体的识别准确率为0.785，其中召回率为0.61，即61%的疲劳驾驶状态可被识别出来.实验表明，基于车辆运行状态的疲劳驾驶检测具有一定的效果，且与其他客观的疲劳驾驶检测方法(基于驾驶员生理指标和图像面部特征)相比，具有简单方便，不影响驾驶，且成本低的优势.     

疲劳驾驶的转向特征研究

为有效地实现疲劳提前预警,研究了心电信号(ECG)和转向特征随驾驶时间的变化规律。通过试验,分析了ECG信号的4个指标随时间的变化趋势,进行了显著性分析之后,运用主成分分析方法建立了综合的ECG评价指标来分辨驾驶员的疲劳状态。分析了驾驶员在不同驾驶状态,不同的道路线形下的转向行为,应用转向熵方法分析了转向数据,结果表明:相比清醒状态,疲劳状态下的转角熵升高了57.1%。     

驾驶员注意力量化转换模型研究

为研究驾驶员注意力转移规律,提出驾驶员注意力转换模型.将驾驶注意力分布状态划分为驾驶态、干扰态、内敛态,构建注意力转移状态空间.依据短时连续驾驶过程中注意力分布的齐次性,将马尔科夫过程引入到研究中,构建连续短时片段内驾驶员注意力转移模型.针对长时连续驾驶中注意力在各状态分布的非齐次性,通过时段划分采用短时模型叠加的方法得到长时连续驾驶注意力转移的近似处理模型组.结合实验数据对模型进行了检验,结果分析表明平均误差MAPE均小于5%,具有较高精度,模型可用.