基于脑电信号的疲劳驾驶状态研究

为准确快速检测驾驶员的疲劳状态,本文中提出了一种基于脑网络特征的疲劳检测方法。首先选取真实驾驶实验环境,实时采集驾驶员的脑电信号,对其进行小波包分解与重构,提取各个节律信号。接着通过计算各导联间的相位迟滞指数,构建连接矩阵,并提取各个节律的脑网络特征。最后通过对驾驶员主观疲劳度与所提取特征的人工神经网络回归分析,得到二者间的复杂关系,相关性系数R为90.27%。结果验证了基于功能连接的精神疲劳评估方法的可行性,为不同精神状态下建立脑动态模型开辟了新的途径。本文中提出的方法利用较少电极可穿戴EEG设备检测疲劳简便、经济,对驾驶员疲劳检测系统的开发具有重要意义。     

Hilbert-Huang变换结合近似熵在疲劳驾驶时脑电分析中的应用

研究疲劳驾驶状态下驾驶员脑电信号的特征。结合Hilbert-Huang Transform(HHT)方法和近似熵方法,提出了一种新的脑电信号处理方法:HHT近似熵方法,首先用HHT方法把脑电信号分解为多个内在的模式分量,然后求取各个模式分量的近似熵值,探讨疲劳驾驶时脑电信号的非线性特征。在汽车模拟驾驶仪上进行疲劳驾驶,同时用脑电测量仪器测量驾驶员脑电,用HHT近似熵方法对正常静坐、正常驾驶、疲劳静坐、疲劳驾驶4种脑电信号进行具体的分析处理,结果表明d_2、d_4近似熵比值可以区分4种脑电信号,可以作为疲劳驾驶时的脑电特征。为疲劳驾驶的预警系统研究提供了理论上的一些依据和参考。     

基于图卷积网络的多信息融合驾驶员分心行为检测

为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。     

基于Dlib和变种Transformer的哈欠检测方法

为及时检测驾驶员的疲劳驾驶情况，提出了一种基于Dlib和变种Transformer的哈欠检测方法。首先，基于Dlib的人脸关键点模型构建驾驶员眼部和嘴部的哈欠特征矩阵，然后在视频检测领域提出一种变种Transformer模型对哈欠特征矩阵进行提取和分类，最后基于YawDD数据集进行验证，结果表明，所提出算法的哈欠检测准确率达96.8%，高于已有算法，适用于驾驶员疲劳驾驶时哈欠行为的检测。     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。     

基于转向盘转角的疲劳驾驶检测方法研究

为监测驾驶人员的疲劳驾驶行为,提出了基于转向盘转角的疲劳驾驶检测方法。该方法利用角度传感器MLX90316采集转向盘转角数据,并从采集的转角数据中提取出了能描述驾驶员疲劳状态的角度标准差和静止百分比,根据角度标准差和静止百分比建立疲劳状态判别模型对驾驶员疲劳状态进行检测。实车试验表明,该方法能够简单、快捷地判断驾驶员的疲劳状态,准确率达到80.3%。     

基于驾驶行为的疲劳驾驶判别算法研究

为了有效判别驾驶员的疲劳驾驶状态,本文利用模拟驾驶器开展驾驶实验,采集了20名驾驶员在疲劳状态和正常状态的实验数据;为了提取能表征驾驶员疲劳和正常驾驶状态时的行为特征,本文对获取的速度、方向盘转角和车辆横向位置的样本熵进行了分析,最终提取了该三类参数的样本熵作为疲劳驾驶的有效特征组;构建了基于BP神经网络的驾驶员疲劳驾驶判别算法,并采用测试集样本对构建的算法进行验证.实验结果表明:该算法对于驾驶员疲劳驾驶检测的准确率较好、运行时间较短、具有较好的鲁棒性和实用性.     

基于驾驶员转向操作特性的疲劳驾驶检测

本文旨在利用驾驶模拟器开展疲劳驾驶试验,研究疲劳驾驶的检测方法.首先采用面部视频的专家评分方法,建立驾驶员3级疲劳(清醒、疲劳和非常疲劳)的样本数据库;然后定量提取描述疲劳操作特性的特征指标,采用序列浮动前向选择算法筛选最优的特征指标组合,最终建立了一种基于SVM的驾驶员3级疲劳的在线检测算法.测试结果表明,驾驶模拟器工况下,本文算法识别3级疲劳的准确率达到87.7％,具有较高的鲁棒性和实用性.     

商用车疲劳预警系统研究综述

阐述了商用车疲劳预警系统的整体框架，对监控系统、人机交互界面和疲劳检测方法的研究现状进行了详细分析，指出未来监控系统需具备高稳定、短延迟、海量数据处理能力，将预警分为两个层次并分别定义人机交互的有效性，然后对4类疲劳检测方法进行分析，指出基于多特征信息融合的疲劳检测方法将是未来的主要研究方向。最后提出当前研究的难点，并从获取更多驾驶员信息、提取更多疲劳特征、减少对特定疲劳特征的依赖3个方面对商用车疲劳预警系统的研究进行了展望。     

面向ARM平台的自标定驾驶员疲劳检测方法

提出了一种面向进阶精简指令集机器(ARM)平台的自标定驾驶员疲劳检测方法。对驾驶员不同身高、体型及车内摄像头不同位置,采用驾驶员初始姿态自标定方法;采用改进的基于深度学习的多任务卷积神经网络(MTCNN),提取人脸识别和特征点,以得到头部姿态、眼睛、嘴巴运动等信息;基于操作员序列的深度卷积神经网络,来判断驾驶员的疲劳状态等级。实验了驾驶员疲劳检测方法。结果表明:相对于没有标定,采用本驾驶员自标定的方式,识别准确性提高了15%,采用MTCNN方法和ARM NEON加速技术,在“全志H5”、“树莓派”和Android手机上,运行速度分别是200、150、140 ms,提高约50%。因而,该检测方法,既提高了系统鲁棒性,也满足实时需求。     

疲劳驾驶检测方法的研究进展

全世界每年因驾驶员疲劳驾驶而导致的死亡人数占交通灾难性事故的57%,故针对疲劳驾驶检测方法的研究具有现实意义.阐述了目前国内外各类疲劳驾驶检测方法的研究难点,介绍并对比分析了基于驾驶员生理参数、驾驶员行为特征、车辆行为特征的各类客观检测方法;最后对疲劳驾驶检测方法的发展趋势和应用前景进行了论述.     

基于转向盘图像的驾驶员疲劳检测方法研究

为避免因疲劳驾驶导致交通事故,提出一种基于转向盘图像的驾驶员疲劳检测方法。该方法利用摄像头实时采集转向盘图像,经过处理得到转向盘转角,进而提取与疲劳相关的零速百分比和角度标准差两项指标,在此基础上采用支持向量机融合算法建立了驾驶员疲劳判别模型。试验结果表明,所建立的判别模型检测正确率达85%,检测方法具有操作简单、实用性强和鲁棒性好等优点。     

基于 Bi-LSTM 的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法，在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题，深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上，通过机器人操作系统 （Robot Operating System， ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性，提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略，标注疲劳特征，构建驾驶员疲劳数据集；将驾驶员操作行为特征与面部特征融合，形成多类型特征融合序列，并基于双向长短时记忆 （Bi-directional Long Short-Term Memory，Bi-LSTM）网络，构建多类型特征融合的疲劳识别模型；通过单一类型特征与多类型特征对比试验、不同场景对比试验证明，基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升，能在各种场景下更好地识别驾驶员的疲劳状态。     

驾驶疲劳监测技术研究综述

疲劳驾驶是导致恶性交通事故的重要原因,多年来,一直受到人们的广泛关注.国内外学者围绕驾驶员疲劳监测问题开展了大量研究工作,提出了基于心电、脑电、脉搏、面部状态、操作参数监测等诸多方法,用于判定驾驶员的疲劳状态.本文对国内外的研究现状进行了综述,为致力于疲劳驾驶研究工作的技术人员提供参考.     

基于AdaBoost算法的疲劳驾驶检测系统研究

为提高行车安全性,结合驾驶员人眼开度特征开展了疲劳驾驶检测系统研究,提出采用AdaBoost算法实现人脸及人眼的定位方法。驾驶员视频图像在动态直方拉伸和训练好的AdaBoost算法分类器作用下实现人脸、人眼定位;对获得的眼部图像进行边缘检测及轮廓提取,计算轮廓内像素点得到眼睛的开度信息;利用PERCLOS算法计算一段时间内驾驶员的闭眼帧数及眨眼频率比例,获得驾驶员疲劳状态。试验结果表明,该系统具有较好的抗环境干扰和实时性,能准确地完成疲劳判断。     

一种基于驾驶员生理信号的非接触式驾驶疲劳检测技术

本文中基于驾驶员的生理信号提出一种非接触便携式的驾驶疲劳检测技术。首先通过传感器采集到汽车行驶过程中驾驶员的股二头肌的生理信号,经快速独立成分分析分离出肌电信号和心电信号,并采用经验模态分解进行去噪。接着在此基础上,提取出肌电信号复杂度、心电信号复杂度和心电信号样本熵3个特征参数。综合这3个特征参数能明显区分驾驶员的正常和疲劳两种状态。最后采用主成分分析法将特征参数进行降维,获得了2个能有效表征疲劳状态的主成分,以此为自变量建立了判定驾驶疲劳的数学模型。经验证,该模型能较准确地判别驾驶员在驾驶过程中的正常和疲劳状态,准确率达90%以上。     

基于脉搏波特征融合的驾驶疲劳检测方法

疲劳驾驶是交通事故的主要诱因之一，精确检测驾驶人的疲劳程度是主动预防疲劳驾驶事故的核心内容之一。通过开展自然驾驶试验，以驾驶人的生物信号脉搏波（Blood Pressure Waveform，BPW）为数据源，使用脉搏波波形分析方法从中提取有效表征驾驶疲劳的特征指标，构建用于检测驾驶疲劳等级的BPW特征指标集，在此基础上引入D-S证据理论建立了基于BPW特征融合的驾驶疲劳检测模型。结果表明：该模型对测试数据的疲劳驾驶理论检测精度达到了91.8%，优于贝叶斯网络模型的81.4%和支持向量机模型的84.3%，能够满足实际应用的需求，但与决策回归树检测模型99.7%的精度相比较还有差距。研究获得的基于生物信息融合的驾驶疲劳检查模型和方法在驾驶疲劳检测与监测中具有很好的应用前景，可为辅助安全驾驶和疲劳预警及主动干预提供新的技术方案。     

基于防疫常态化的驾驶员疲劳状态检测方法

疲劳驾驶检测是交通安全领域的研究分支, 而新冠疫情形势下口罩的佩戴又提出了新的挑战。为此通过基于ResNet-10的SSD模型检测驾驶员人脸, 并使用MobileNet-V2轻量级模型判断是否佩戴口罩, 测试集验证该分类器可以达到98.50%的判断精度。在未佩戴口罩的情况下采用传统图像HOG特征结合SVM分类器检测驾驶员人脸。在后续处理中利用级联回归器定位特征点和提取时间窗口内的疲劳指标, 采用二次判定对疲劳状态采取文字和声音预警, 而在清醒状态下会调整各项判断阈值。对算法在预采集的视频样本和NTHU-DDD测试集下进行测试, 验证了该框架能以18.42帧/s的总体速度实现92.65%和86.09%的检测精度。实验结果表明, 该框架应对佩戴眼镜、脸部姿态变化和光照条件差异具有强鲁棒性, 而且能够兼顾疲劳检测的口罩干扰和实时性。      

基于眼睛状态的驾驶员疲劳识别

有效防止和监督驾驶员疲劳驾驶,对降低交通事故具有重要意义。文章提出了一种基于眼睛状态识别的驾驶员疲劳状态的识别方法。首先通过计算累计背景和当前帧的差分图像的质心确定脸部范围,然后采用了二值边缘图像的人眼定位方法,计算出眼睛区域的面积和持续闭合时间,依据PERCLOS准则,判断驾驶员是否处于疲劳状态。实验表明,系统能够实时准确地定位人眼及检测眼睛的开闭状态,从而有效地检测驾驶员的疲劳程度。     

基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题，为有效预警值班驾驶员的疲劳状态，保障船舶航行安全，研究了基于深度学习的疲劳检测算法。考虑到船舶驾驶台空间大、背景复杂等特点，使用深度可分离卷积改进RetinaFace人脸检测模型，优化模型的检测速度；基于Channel Split和Channel Shuffle思想，结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络，自动提取图像特征，识别眼睛、嘴巴的开闭状态；根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳。实验结果表明:改进后RetinaFace模型的检测速度由9.33帧/s提升至22.60帧/s，人脸检测精度和速度均优于多任务卷积神经网络（MTCNN）；改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50%以上；算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70%，召回率达到96.73%，均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法。算法检测每帧图片仅需0.083 s，基本满足实时检测的要求。