基于转向盘操作的疲劳驾驶检测方法

疲劳驾驶是引发道路交通事故的主要原因之一,研究利用转向盘操作行为特征检测驾驶人疲劳的方法对改善交通安全具有重要意义.研究通过分析基于驾驶模拟器的疲劳状态下的实验数据,提取了描述疲劳状态的不同特征参数,运用方差分析方法量化了不同驾驶状态下特征参数的差异性水平,优化出转向盘转角标准差、转向盘角速度标准差、转向盘转角变异系数、转向盘转角熵和零速百分比5个参数作为疲劳驾驶的有效特征参数组.建立了基于支持向量机的驾驶人疲劳状态检测模型,并采用测试集样本对搭建的模型进一步验证,结果表明该模型对驾驶人疲劳的模型检测准确率为81.33％,灵敏度为85.33％,特异度为77.33％.     

面向职业驾驶员的疲劳驾驶监测与管理

依托浙江省交通运输厅科技计划项目《面向职业驾驶员的穿戴式心电数据采集及个体健康状态异常分析技术研究》。"两客一危"驾驶员一直是特重大交通事故的主要肇事者,而疲劳驾驶又是诱发事故发生的三大最主要原因之一。针对疲劳驾驶的隐蔽性,且尚未有科学严谨的检测方法来判断疲劳驾驶,并预防疲劳驾驶导致交通事故的发生。面向公路运营行业职业驾驶员,基于可穿戴式的心电监测设备,对驾驶员驾驶过程中的心电数据进行实时监测,进行疲劳程度分析与管理。研究结果有助于"两客一危"相关管理部门及运营企业对驾驶员的管理,以减少运营车辆造成的交通事故。     

基于神经网络的疲劳驾驶识别系统

驾驶疲劳识别系统主要依据驾驶员眼部信号、驾驶行为、生理信号等来判断疲劳状态。文章通过BP神经网络与疲劳驾驶相结合,对疲劳参数进行分析,建立基于神经网络的疲劳驾驶实时识别系统,从而提高疲劳检测的准确率。     

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。     

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。     

基于主成分分析法和支持向量机算法的驾驶人疲劳检测方法

汽车驾驶人的疲劳程度识别对于预防交通事故具有十分重要的意义。设计了实车驾驶实验，采集了20名汽车驾驶人在疲劳驾驶状态下的眼动特征参数，将汽车驾驶人的疲劳等级分为警觉、轻度疲劳、深度疲劳和嗜睡四个级别。利用主成分分析法（PCA）预处理了所采集的眼动特征数据，并利用支持向量机（SVM）算法建立了PCA-SVM疲劳检测模型。实验结果表明，该模型能够高精度地识别驾驶人的四种疲劳状态。     

基于生理信号的多任务下驾驶员认知负荷的评定

为探索驾驶员精神状态与生理信号之间的关系,建立基于生理信号的认知负荷评价方法,在驾驶模拟器中设置了驾驶任务和语音交互任务这一典型的双任务模拟驾驶工况,记录实验过程中驾驶员的主观评分及心电、皮电和呼吸等生理信号,并运用统计方法分析生理参数在整个实验过程中的动态变化规律。结果表明,相对于单一驾驶任务,双任务工况下驾驶员感受的主观压力随着任务难度的增加而上升;心率变异性功率谱密度、皮电水平和呼吸频率等生理指标与驾驶员的认知状态具有较强的关联性,因而可以有效区分不同认知负荷的两种状态。     

连续驾驶条件下公交驾驶员疲劳特征实验研究

为辨识公交驾驶员的疲劳状态随驾驶时间的变化关系,采用驾驶模拟器进行模拟驾驶实验.采集驾驶员连续驾驶过程中脉搏和呼吸周期数据,进行曲线拟合,选取拟合效果最好的高斯曲线用于疲劳状态界定;进而建立依据生理指标判断驾驶员疲劳状态的2项Logistic模型.以20~30岁男性公交驾驶员为测试对象进行案例研究,建立判定该类驾驶员疲劳状态的模型,得到其合理连续驾驶时间阈值为235 min.提出的方法可为公交安全监控和管理工作所借鉴.      

基于红外图像的夜间驾驶员疲劳检测系统设计

当前来说由于疲劳驾驶而引发的交通事故越来越多,而夜间是疲劳驾驶的高发时段,由于这种原因,文章设计了适用于在夜间监测驾驶员是否处于疲劳状态的系统。利用OPENCV软件对得到的红外图像进行人脸的检测与识别,得到人脸的红外图像,针对得到的人脸红外图像进行灰度化和二值化的处理,设定一个阈值根据二值化后像素的个数判断驾驶员是否处于疲劳状态,如果处于疲劳状态的情况下,系统就会报警提醒驾驶员注意采取措施。如果驾驶员并不处于驾驶疲劳的状态,那么监测系统将继续检测。     

您开车,瞌睡我来提醒 解读FDS驾驶者疲劳识别系统

疲劳驾驶是一种极为常见的交通违法行为,也是引发交通事故的重要原因之一。有统计显示,因疲劳驾驶造成的交通事故60%是睡眠不足3.5小时引起的。有研究表明:"疲驾"危害堪比"醉驾",发生交通事故的可能性是清醒状态下的两倍。少睡4小时等于喝6罐啤酒。可见"疲驾"是十足的危险驾驶。因此,最近有识之士呼吁将"疲劳驾驶"等同"酒驾"纳入危险驾驶罪,认为进一步扩大危险驾驶罪的规范对象,促其实至名归已是客观需要。大众首创的FDS疲劳识别系统无疑对减少疲劳驾驶,起到了非常积极的作用。希望酒后驾驶识别系统能尽早日普及推广,以便进一步减少酒驾肇事和醉驾肇事。     

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.     

基于嗅觉和听觉刺激的驾驶员疲劳唤醒方法研究

针对驾驶员在疲劳状态下易引发交通事故的问题,提出一种基于嗅觉和听觉刺激的驾驶员疲劳唤醒方法,研究以薄荷气体和阿尔法脑波音乐作为刺激源的唤醒效果,采用主观疲劳问卷和心电（ECG）、脉搏（PPG）以及呼吸（RESP）生理信号作为疲劳唤醒有效性判断指标。结果表明,两种方案的心电、脉搏以及呼吸生理数据均显示能有效干预驾驶疲劳,与主观疲劳问卷调查结果相一致,验证了基于嗅觉和听觉刺激的驾驶员疲劳唤醒方法的有效性,且基于听觉刺激的唤醒方案唤醒效果更佳。     

疲劳驾驶研究与预防最新进展

疲劳驾驶影响驾驶人的驾驶能力,为道路交通安全带来严重威胁。研究表明,疲劳驾驶是造成交通事故的主要原因之一,且驾驶人的驾驶能力会随着疲劳程度的增加而下降。本文从疲劳驾驶状态判别、疲劳驾驶致因因素研究、疲劳驾驶安全影响分析及疲劳驾驶干预研究这四个方面对国际最新研究进行总结,介绍目前疲劳驾驶领域的研究现状。     

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。     

基于支持向量机的发动机缸壁间隙识别

通过采集发动机缸壁表面的振动信号并对信号进行区间小波包分解,与最小二乘支持向量机相结合,以部分测试信号作为训练样本建立分类器,部分样本作为测试样本输入分类器中进行判断识别,通过设置不同的参数寻找到最优分类结果,最终判别出发动机的缸壁间隙。     

浅析驾驶员疲劳驾驶监测技术

疲劳驾驶给交通安全带来重大隐患,研究表明司机连续驾驶超过3个小时就被认为已经进入疲劳驾驶状态．在这种状态下司机的反应速度、心脏活动能力和保持身体平衡等机能都会相应下降,稍有不慎就会发生交通事故。     

基于生物力学和颈腰部EMG判别驾驶员疲劳状态

本文中通过采用颈腰部生物力学和表面肌电信号相结合的方式,对驾驶员在驾驶过程中的疲劳状态进行了研究。首先,通过生物力学的计算与分析,合理地选择了能有效反映驾驶疲劳状态的生理信号采集位置,即颈6左右两侧上斜方肌和腰4左右两侧竖脊肌。然后,在利用经验模态分解算法对测得的肌电信号进行去噪的基础上,找出能表征驾驶员疲劳状态的颈腰部肌电特性参数,并对提取的特征参数(颈部复杂度、腰部复杂度和腰部近似熵)进行主成分分析,获得了两个主成分,有效保留有用信息,去除冗余信息,实现了特征参数的降维。最后,以此为自变量建立疲劳驾驶评价模型,有效提高了模型的正确率,加快了模型的运算速度。结果表明,该方法在对驾驶员正常与疲劳状态的区分上具有良好的识别效果,正确率可达90%以上。     

内燃机黑色金属零件磨损状态判别研究

以对内燃机运行状态具有重要影响的黑色金属零件磨损为研究对象,对其磨损状态进行判别研究。运用欧氏距离分类法区分黑色金属零件磨损"正常"、"异常"2类状态,对该方法表现出的分类准确率不高的问题,运用支持向量机方法进行了解决,实例表明,支持向量机方法在内燃机运行状态监测中更为准确可靠,分类正确率可达100%。     

基于可穿戴传感器的驾驶疲劳肌心电信号分析EI北大核心CSCD

本文通过对驾驶员的肌电信号与心电信号的研究,检测驾驶员驾车过程中的疲劳状态。对8名被试者进行2h的驾驶模拟实验。利用可穿戴式传感器采集被试者股二头肌部位的生理信号,采用快速独立成分分析和经验模态分解算法对测得的信号进行分离和去噪处理,得到肌电、心电信号,并找出能表征驾驶员疲劳的肌电和心电特性参数,运用统计分析SPSS软件进行Kolmogorov-Smirnov Z检验,最终选取肌电信号峰值因数和肌心电信号互相关峰值(P<0.001)作为组合特征,并采用马氏距离作为判别疲劳的准则。结果表明,该方法在对驾驶员正常状态与疲劳状态的区分上有良好的识别效果。     

疲劳驾驶检测方法研究进展

疲劳驾驶是诱发交通事故的重要因素,研究如何快速准确地识别出驾驶员的疲劳状态,并在事故发生前进行疲劳预警,对预防疲劳驾驶、促进交通安全具有重要的研究价值和社会意义。文章从疲劳的检测原理出发,对比介绍了基于驾驶员生理特征、车辆行为特征、驾驶员面部特征的疲劳检测方法,重点分析了基于机器视觉的疲劳驾驶检测研究现状及其特点,以期为研究人员提供新思路。