基于模糊神经网络的驾驶警觉度识别方法研究

为了有效识别驾驶警觉度,构建了一种基于脑电信号的驾驶警觉度识别方法。首先,以主观疲劳测评、驾驶行为绩效作为量化指标,验证驾驶警觉度等级划分的合理性。在此基础上,对脑电信号数据进行小波变换提取特征参数,作为驾驶警觉度的识别特征指标,结合模糊神经网络构建了驾驶警觉度识别模型。最后,采用该模型对20名驾驶员连续驾驶3h的脑电数据进行试算。结果表明:通过对前后时段的主观疲劳与行为数据进行对比分析,两时段数据存在着显著差异性,说明驾驶警觉度等级划分具有合理性;采用模糊神经网络的识别结果优于BP神经网络,其模型识别正确率为81.29%～84.95%,且平均正确率为83.12%,该方法可用于驾驶警觉度的识别。     

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。     

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。     

不同情绪作用下的汽车驾驶行为预测

为探究驾驶员情绪对驾驶行为的影响,本文采集驾驶员心电信号和行车数据,对不同情绪作用下的驾驶员行为进行预测。首先,根据问题的数学描述,建立融合驾驶员情绪变化的驾驶员模型,依据模型设计神经网络体系结构。然后,采用竞争学习算法进行驾驶行为预测,其损失减小到传统方法的1/2,结果表明,竞争学习算法是一个有效的算法,可以很好地应用在驾驶行为预测的研究中。最后,对驾驶员高兴、悲伤、愤怒和平静4种情绪作用下的驾驶行为进行预测,车速预测值非常接近观测值。在高兴和愤怒情绪状态下,平均车速相比于平静状态时都有显著增加,伴随着明显的超速行为;愤怒情绪下,出现事故的可能性增加,驾驶员趋向更危险的驾驶行为;在悲伤情绪下,平均车速相比于平静状态时显著下降,驾驶员驾驶较谨慎。     

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.     

驾驶分心综述

构建了文献质量评价指标体系，筛选出288篇相关文献，综合分析了文献数据获取方式、指标选取、识别方法和研究结论；以驾驶行为为主要研究对象，结合统计学方法，系统阐述了驾驶分心试验数据的获取方式，总结了其多样性和两极化的原因；梳理了驾驶分心识别指标的研究成果，总结了其使用效能和优缺点；对比了不同驾驶分心识别模型的准确率，分析了其差异性的根源；提出了未来驾驶分心数据获取方式、指标选取、识别方法的研究趋势。分析结果表明:试验是驾驶分心数据获取的主要方式，自然驾驶数据集、视频录像是新的数据获取方式，路边观察和调查问卷的数据获取方式关注度较低；对照、跟车、超车、变道场景及添加其他危险事件的复杂度较高的场景是研究较多的驾驶分心场景；驾驶分心次任务的设置说明目前驾驶分心研究的类型和主题较集中；融合指标是使用频次最高的驾驶分心识别指标，且以驾驶绩效指标和眼动指标、驾驶绩效指标和反应指标这两类融合指标较多，驾驶绩效指标是使用最多的单类指标；支持向量机模型是使用最多的驾驶分心识别模型，但识别准确率标准差较大，性能不稳定，深度学习算法模型的识别准确率较高，且稳定性好；未来的驾驶分心研究需均衡研究主题，扩展人机共驾的分心场景，深化驾驶分心类型研究，构建标准化指标体系和选取原则，强化模型构建识别不同类型和严重程度的驾驶分心。      

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...     

基于无线通信的心电生理信号远程监护系统

为协助医师分析药物疗效和全面监控病人的康复过程,设计了移动医疗监护系统.该系统以生理信号之一的心电信号为例,基于无线通信技术进行监护终端的信号采集,使用高精度心电传感器通过ARM芯片控制心电信号采集,并利用GPRS网络和Internet网络将数据进行远程无线传输;在社区医院或远程监护中心,基于SOCKET套接字的网络应用程序,建立友好的可视化操作界面,在监护中心以SQL数据库对患者库和心电信息库进行组织和管理.对该系统进行了仿真实验,仿真结果显示,心电传感器采样频率为200 Hz时,满足奈奎斯特采样定理,采样精度达到了5 mV,能够将心电P、Q、R、S、T波形准确采样;使用ARM处理器可以高性能、低功耗、实时地对心电生理信号进行分析、报警;系统提供的心电波形回放和QRS波形检测等功能,可以扩展为相应的生理信号监护系统.      

FNN在心率失常判别中的研究

提出了一种基于模糊神经网络（FNN）对心率失常信号进行判别的新方法。首先，根据心电信号特点构建Sugeno型模糊神经网络，然后使用Cam Delta算法对其进行训练，这样可以得到模糊隶属函数，此隶属函数将R－R间期波及QRS波的长度模糊化。随后，用几何法通过计算隶属度实现对心率失常的判别。经MIT－BIH心电数据库和实测数据检验，此方法可有效的对心率失常进行判别。     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车，因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究，分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC)，以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%，两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为；考虑相邻前车与周围环境车辆的交互作用，可使模型具有预测性，两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求，为本车驾驶人预留出反应时间，为预测周围车辆行驶轨迹研究提供支持.     

驾驶特性的识别评估及其在智能汽车上的应用综述

研究了驾驶特性的识别方法、驾驶人接管能力评估的进展、驾驶特性在智能汽车领域中的应用；将驾驶人状态监测划分为驾驶人疲劳监测、分心监测和不良驾驶行为监测，总结了驾驶人状态监测研究的目标、方法、精确度、判断标准以及优缺点；对比了驾驶人疲劳监测中不同检测信号之间的差异；评析了基于模糊识别和隐马尔可夫模型的驾驶人意图识别与预测方法；梳理了驾驶风格分类与辨识的主要步骤、典型辨识方法的特点；分析了驾驶人接管能力的影响因素与评判标准；阐述了驾驶特性用于开发用户接受度高和人机交互性能好的辅助驾驶系统的主要方式；概括了在人机共驾协同控制中考虑驾驶特性的途径。研究结果表明:基于多种传感器信号融合的驾驶人状态监测可有效避免基于单一传感器信号的弊端，提高了检测精度，减少了误警报；将传统预测模型与混合智能学习相融合的方法能够为驾驶意图在线识别与预测提供解决方案；应该重点研究复杂工况下的驾驶特性辨识；驾驶人接管能力的研究有待理论化和系统化；未来的发展趋势是开发基于驾驶特性的集成辅助驾驶技术、实现多种典型路况下驾驶人与辅助驾驶系统进行意图和控制策略的交互；将个性化驾驶人的驾驶特性融入共驾系数的设计中，从而提高人机共驾系统的个性化、智能化水平和环境适应性能。      

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。     

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。     

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.     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明:提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。      

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题,提出了一种基于深度时频特征的机车轴承故障诊断新方法;利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取;为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征,上通道使用一维CNN,为使输入的二维时频域信号能多角度地反映出信号的细微局部变化,下通道使用二维CNN;在融合层中将上下通道特征自动融合成一个新的深度时频特征,并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别;在此基础上,分析了某局机务段实测的7种机车轴承数据,验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%,与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比,平均诊断精度分别提高了0.7%、1.9%和2.2%;本文方法提取的深度时频特征中每类故障分布间隔规则有序,类内间距很小,而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则,类内间距较大,说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越,是一种解决机车轴承故障诊断问题的有效模型。