本發(fā)明涉及應(yīng)激檢測(cè)技術(shù)，特別涉及一種駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法。

背景技術(shù)：

駕駛員對(duì)突發(fā)事件的反應(yīng)能力是影響駕駛安全的關(guān)鍵因素。長(zhǎng)時(shí)間的連續(xù)駕駛可引起駕駛員反應(yīng)能力下降，對(duì)突發(fā)事件的反應(yīng)時(shí)間延長(zhǎng)，從而增加事故發(fā)生概率。因此，就駕駛員對(duì)突發(fā)事件的反應(yīng)時(shí)間予以有效預(yù)測(cè)，是構(gòu)建自適應(yīng)式危險(xiǎn)性駕駛狀態(tài)預(yù)警系統(tǒng)的關(guān)鍵。

復(fù)雜多變的駕駛環(huán)境、駕駛經(jīng)驗(yàn)以及駕駛員自身特性等因素影響了駕駛反應(yīng)時(shí)間。研究人員通過(guò)采用車(chē)輛跟馳模型對(duì)車(chē)隊(duì)在城市交叉口啟動(dòng)過(guò)程進(jìn)行仿真，分析駕駛啟動(dòng)反應(yīng)時(shí)間，結(jié)果表明前車(chē)開(kāi)行之后，后續(xù)車(chē)輛的啟動(dòng)反應(yīng)時(shí)間都會(huì)出現(xiàn)延長(zhǎng)。研究人員采用e-prime軟件模擬駕駛過(guò)程中等待紅燈環(huán)境，分析紅燈等待時(shí)長(zhǎng)對(duì)駕駛員啟動(dòng)反應(yīng)時(shí)間的影響性，結(jié)果表明在紅燈等待極限之前，駕駛反應(yīng)時(shí)間逐漸遞減；在紅燈等待極限之后，駕駛反應(yīng)時(shí)間逐漸遞增。研究人員采用雙任務(wù)下儀表盤(pán)指針的寬度與長(zhǎng)度以及字符顏色等因素對(duì)駕駛員認(rèn)知過(guò)程的影響，結(jié)果表明指針的寬度與字符顏色對(duì)駕駛員的反應(yīng)時(shí)間具有顯著影響。研究人員就駕駛員在單任務(wù)(無(wú)短信)與雙任務(wù)(短信)兩種情況下對(duì)外界刺激的反應(yīng)時(shí)間進(jìn)行了分析，結(jié)果表明后者比前者的反應(yīng)時(shí)間顯著增加。分析了兩種車(chē)輛制動(dòng)燈方式(持續(xù)與動(dòng)態(tài)閃爍)對(duì)駕駛反應(yīng)時(shí)間的影響，結(jié)果表明駕駛員在駕駛過(guò)程中對(duì)持續(xù)制動(dòng)燈所做出的反應(yīng)時(shí)間明顯低于動(dòng)態(tài)閃爍制動(dòng)燈。研究人員還研究了在鄉(xiāng)村道路與城市道路兩種駕駛模擬環(huán)境下，不同駕齡的駕駛員應(yīng)對(duì)突發(fā)事件的反應(yīng)時(shí)間，結(jié)果表明駕齡越高并且處于鄉(xiāng)村駕駛環(huán)境下應(yīng)對(duì)突發(fā)事件的反應(yīng)時(shí)間越長(zhǎng)。

由上可知，現(xiàn)有技術(shù)中雖然已經(jīng)從不同角度對(duì)駕駛反應(yīng)時(shí)間的相關(guān)影響因素進(jìn)行了系統(tǒng)性研究，為駕駛員的安全管理和交通系統(tǒng)的安全性設(shè)計(jì)提供了理論依據(jù)。但是，現(xiàn)有技術(shù)中的前期研究?jī)H表明腦電信號(hào)與駕駛精神狀態(tài)、駕駛行為績(jī)效具有高度相關(guān)性，目前針對(duì)駕駛反應(yīng)時(shí)間進(jìn)行預(yù)測(cè)的研究尚不多見(jiàn)。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供一種駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法，從而可以對(duì)駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間進(jìn)行準(zhǔn)確的預(yù)測(cè)。

本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的：

一種駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法，該方法包括：

通過(guò)多個(gè)電極采集腦電信號(hào)，并記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)；

從采集到的腦電信號(hào)中提取腦電特征參數(shù)；

基于所述腦電特征參數(shù)和反應(yīng)時(shí)間，建立支持向量回歸預(yù)測(cè)模型；

根據(jù)所述支持向量回歸預(yù)測(cè)模型，得到反應(yīng)時(shí)間預(yù)測(cè)值。

較佳的，所述從腦電信號(hào)中提取腦電特征參數(shù)包括：

將采集到的腦電信號(hào)劃分成多個(gè)時(shí)間長(zhǎng)度為k分鐘的分析單元，對(duì)每個(gè)分析單元的腦電信號(hào)以0～35hz的帶寬進(jìn)行整體濾波處理；

對(duì)每個(gè)分析單元的腦電信號(hào)，以預(yù)設(shè)步長(zhǎng)為時(shí)間窗從左到右逐段滑動(dòng)，并以預(yù)設(shè)的時(shí)間窗重疊率將一個(gè)分析單元的腦電信號(hào)分割成多個(gè)時(shí)間窗信號(hào)；

將每一個(gè)時(shí)間窗信號(hào)內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量u(n)；

對(duì)u(n)進(jìn)行快速傅里葉變換，得到腦電信號(hào)在頻域的幅值分布f(k)；

從幅值分布f(k)中分別提取預(yù)設(shè)頻段的平均幅值，根據(jù)所述平均幅值計(jì)算合成參數(shù)，并將所述平均幅值和合成參數(shù)作為時(shí)間窗內(nèi)信號(hào)的腦電特征參數(shù)。

較佳的，所述k的值為1；所述預(yù)設(shè)步長(zhǎng)為2000毫秒；所述時(shí)間窗重疊率為50％。

較佳的，設(shè)時(shí)間窗信號(hào)為s(n)＝{s(1),s(2),....,s(n)}，設(shè)與該時(shí)間窗信號(hào)等長(zhǎng)度的漢明窗為h(n)，其中：

h(n)＝α-βcos(2πn/n-1)；

因此可得：

u(n)＝s(n)·h(n)；

其中，α+β＝1,α,β＞0，n為信號(hào)樣本量，n約等于n的二次方。

較佳的，所述幅值分布f(k)為：

其中，wn＝cos(2π/n)-jsin(2π/n)。

較佳的，所述預(yù)設(shè)頻段為θ、α和β頻段；所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz；

所述合成參數(shù)包括：(α+β)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。

較佳的，所述基于所述腦電特征參數(shù)和反應(yīng)時(shí)間參數(shù)，建立支持向量回歸預(yù)測(cè)模型包括：

根據(jù)腦電特征參數(shù)和反應(yīng)時(shí)間建立反應(yīng)時(shí)間樣本集；

通過(guò)一個(gè)輸入空間到輸出空間的非線性映射φ，將處在低維空間的反應(yīng)時(shí)間樣本集映射到高維空間，對(duì)反應(yīng)時(shí)間樣本集進(jìn)行線性回歸；

引入結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)f，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)f得到計(jì)算得到支持向量回歸函數(shù)f(x)。

較佳的，所述反應(yīng)時(shí)間樣本集為：

(x1,y1),...,(xi,yi),...,(xl,yl)

其中，xi為腦電特征參數(shù)樣本i，yi為反應(yīng)時(shí)間樣本i。

較佳的，支持向量回歸函數(shù)f(x)為：

f(x)＝w^tφ(x)+b；

φ為非線性映射；w為權(quán)重矩陣；b為閾值。

較佳的，所述結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)f為：

其中，l為樣本的數(shù)目；為不靈敏損失函數(shù)；

所述不靈敏損失函數(shù)的定義為：

求下式的目標(biāo)函數(shù)最小：

式中，c為懲罰性參數(shù)；ξi,ξi^*為引入的松弛變量；

求解，得出目標(biāo)函數(shù)f(w,ζi,ζi^*)最小解αi，得出支持向量回歸函數(shù)：

其中，k(xi,x)＝φ(xi)φ(x)，k(xi,x)為核函數(shù)。常用的核函數(shù)為：rbf函數(shù)、polynomial函數(shù)或sigmoid函數(shù)。

如上可見(jiàn)，本發(fā)明所提供的駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法，基于實(shí)驗(yàn)所采集的腦電信號(hào)數(shù)據(jù)，采用快速傅里葉變換提取腦電特征參數(shù)，結(jié)合svr模型，構(gòu)建了一種駕駛反應(yīng)時(shí)間的預(yù)測(cè)模型，從而可以較為準(zhǔn)確地預(yù)測(cè)駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間，實(shí)現(xiàn)了駕駛員對(duì)突發(fā)事件的反應(yīng)時(shí)間的準(zhǔn)確預(yù)測(cè)。另外，通過(guò)對(duì)比分析不同核函數(shù)對(duì)模型預(yù)測(cè)結(jié)果的影響，結(jié)果表明采用rbf函數(shù)作為模型核函數(shù)所得到的預(yù)測(cè)結(jié)果最優(yōu)。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例中的駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法的流程示意圖。

圖2為本發(fā)明實(shí)施例中以rbf函數(shù)為模型核函數(shù)預(yù)測(cè)反應(yīng)時(shí)與實(shí)際反應(yīng)時(shí)對(duì)比示意圖。

圖3為本發(fā)明實(shí)施例中以rbf函數(shù)為模型核函數(shù)預(yù)測(cè)反應(yīng)時(shí)間誤差示意圖。

圖4為本發(fā)明實(shí)施例中以polynomial函數(shù)為模型核函數(shù)預(yù)測(cè)反應(yīng)時(shí)與實(shí)際反應(yīng)時(shí)對(duì)比示意圖。

圖5為本發(fā)明實(shí)施例中以polynomial函數(shù)為模型核函數(shù)預(yù)測(cè)反應(yīng)時(shí)間誤差示意圖。

圖6為本發(fā)明實(shí)施例中以sigmoid函數(shù)為模型核函數(shù)預(yù)測(cè)反應(yīng)時(shí)與實(shí)際反應(yīng)時(shí)對(duì)比示意圖。

圖7為本發(fā)明實(shí)施例中以sigmoid函數(shù)為模型核函數(shù)預(yù)測(cè)反應(yīng)時(shí)間誤差示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。

本實(shí)施例提供了一種駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法。

圖1為本發(fā)明實(shí)施例中的駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法的流程示意圖。如圖1所示，本發(fā)明實(shí)施例中的駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法主要包括如下所述的步驟：

步驟11，通過(guò)多個(gè)電極采集腦電信號(hào)，并記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)。

在本發(fā)明的技術(shù)方案中，為了測(cè)試駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間，需要對(duì)被測(cè)試人員(例如，志愿者)進(jìn)行相應(yīng)的測(cè)試，從而獲得相應(yīng)的數(shù)據(jù)。

例如，較佳的，在本發(fā)明的較佳實(shí)施例中，可以先召集多個(gè)被測(cè)試人員，例如，選取20名男性駕駛員，年齡為28～38歲，持有效駕照，駕齡都在5a以上；各個(gè)被測(cè)試人員的身體狀況良好，無(wú)精神或心理疾病史，視力或矯正視力正常；測(cè)試前24小時(shí)內(nèi)禁止被測(cè)試人員飲酒、含咖啡因飲料、功能性飲料，以保證測(cè)試數(shù)據(jù)的準(zhǔn)確性。

在本發(fā)明的技術(shù)方案中，在進(jìn)行測(cè)試時(shí)，可以采用vds-s-i-c型汽車(chē)駕駛模擬器。該汽車(chē)駕駛模擬器采用原車(chē)設(shè)備進(jìn)行了數(shù)字化改造，前視景系統(tǒng)采用3通道屏幕，水平視角約為140°～210°；模擬器聲音環(huán)境由7.1的數(shù)字音頻發(fā)聲系統(tǒng)構(gòu)成，可高保真模擬汽車(chē)運(yùn)行時(shí)的背景聲音環(huán)境。駕駛模擬器的有效性通過(guò)了系統(tǒng)測(cè)試，該模擬器的仿真度可滿(mǎn)足實(shí)驗(yàn)要求。

在本發(fā)明的技術(shù)方案中，可以采用64導(dǎo)neuroscan腦電儀實(shí)時(shí)連續(xù)采集被測(cè)試人員的腦電信號(hào)數(shù)據(jù)。該腦電儀采用國(guó)際腦電圖學(xué)會(huì)通用的10-20系統(tǒng)的電極帽，其電極位置已設(shè)定，選取fcz電極作為參考電極。

在本發(fā)明的技術(shù)方案中，可以采用隨機(jī)信號(hào)檢測(cè)的方式來(lái)實(shí)時(shí)探測(cè)連續(xù)駕駛中駕駛員的反應(yīng)時(shí)間。在實(shí)驗(yàn)過(guò)程中，被試駕駛車(chē)輛前方有一引導(dǎo)車(chē)，要求駕駛員控制車(chē)輛，與前車(chē)盡量保持50m間距。實(shí)驗(yàn)中前方引導(dǎo)車(chē)輛會(huì)隨機(jī)剎車(chē)，剎車(chē)燈亮起時(shí)要求被測(cè)試人員盡快做出剎車(chē)反應(yīng)(如反應(yīng)時(shí)間大于1000ms，則視該次反應(yīng)過(guò)慢無(wú)效)。隨機(jī)剎車(chē)信號(hào)刺激共呈現(xiàn)120次，相鄰兩剎車(chē)信號(hào)刺激隨機(jī)間隔為120±10秒的隨機(jī)時(shí)間(避免被測(cè)試人員預(yù)估到剎車(chē)信號(hào)刺激出現(xiàn)時(shí)間)，若信號(hào)出現(xiàn)后1000ms內(nèi)被測(cè)試人員未按鍵則視為漏報(bào)。

為保證被測(cè)試人員有著較高、統(tǒng)一的覺(jué)醒狀態(tài)，實(shí)驗(yàn)均安排在上午8:30進(jìn)行。在實(shí)驗(yàn)開(kāi)始之前，首先告知被測(cè)試人員只需按照日常駕駛習(xí)慣進(jìn)行駕駛模擬練習(xí)，之后讓被測(cè)試人員熟悉方向盤(pán)、離合器、腳剎、油門(mén)等操作性能。當(dāng)被測(cè)試人員能夠熟練操作駕駛模擬器時(shí)，駕駛模擬練習(xí)終止，正式實(shí)驗(yàn)開(kāi)始。要求被測(cè)試人員在駕駛過(guò)程中行駛速度不得低于60km/h，連續(xù)駕駛時(shí)長(zhǎng)為4小時(shí)，全程無(wú)休息。

在正式實(shí)驗(yàn)過(guò)程中，同步記錄被測(cè)試人員對(duì)前車(chē)隨機(jī)剎車(chē)信號(hào)刺激的反應(yīng)時(shí)間，數(shù)據(jù)采集頻率為10hz。同時(shí)，腦電儀連續(xù)采集被測(cè)試人員腦電數(shù)據(jù)，并記錄水平與垂直眼電。腦電采樣率設(shè)置為1000hz，采集頻率帶寬設(shè)置為0.5-100hz，保持所有電極阻抗小于5kω。

通過(guò)上述的方式即可采集到腦電信號(hào)以及與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)。

步驟12，從采集到的腦電信號(hào)中提取腦電特征參數(shù)。

腦電信號(hào)能夠反映大腦皮層活動(dòng)狀態(tài)，當(dāng)駕駛員處于低覺(jué)醒水平時(shí)，其腦電頻譜分布趨向于低頻波段；反之，當(dāng)覺(jué)醒水平較高時(shí)，則腦電頻譜分布趨向于高頻波段。

在本發(fā)明的技術(shù)方案中，可以使用多種方式從腦電信號(hào)中提取腦電特征參數(shù)。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)的介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述從腦電信號(hào)中提取腦電特征參數(shù)包括：

步驟121，將采集到的腦電信號(hào)劃分成多個(gè)時(shí)間長(zhǎng)度為k分鐘的分析單元，對(duì)每個(gè)分析單元的腦電信號(hào)以0～35hz的帶寬進(jìn)行整體濾波處理，以去除工頻電及部分肌電等偽跡干擾。

例如，如果采集到的腦電信號(hào)時(shí)間長(zhǎng)度(簡(jiǎn)稱(chēng)時(shí)長(zhǎng))為(m*k)分鐘，則可以將該采集到的腦電信號(hào)劃分成m個(gè)分析單元，每個(gè)分析單元的腦電信號(hào)的時(shí)長(zhǎng)為k分鐘。

在本發(fā)明的技術(shù)方案中，所述k的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述k的值為1。

步驟122，對(duì)每個(gè)分析單元的腦電信號(hào)，以預(yù)設(shè)步長(zhǎng)為時(shí)間窗從左到右逐段滑動(dòng)，并以預(yù)設(shè)的時(shí)間窗重疊率將一個(gè)分析單元的腦電信號(hào)分割成多個(gè)時(shí)間窗信號(hào)。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)步長(zhǎng)的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述預(yù)設(shè)步長(zhǎng)為2000毫秒(ms)。

在本發(fā)明的技術(shù)方案中，所述時(shí)間窗重疊率的取值也可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述時(shí)間窗重疊率為50％。

因此，例如，當(dāng)分析單元的時(shí)長(zhǎng)為1分鐘、預(yù)設(shè)步長(zhǎng)為2000毫秒、時(shí)間窗重疊率為50％時(shí)，則可以將一個(gè)分析單元的腦電信號(hào)分割成60個(gè)時(shí)間窗信號(hào)，每個(gè)時(shí)間窗信號(hào)的腦電信號(hào)的時(shí)長(zhǎng)為2000毫秒，且各個(gè)時(shí)間窗信號(hào)之間的重疊率為50％。

步驟123，將每一個(gè)時(shí)間窗信號(hào)內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量u(n)。

在本發(fā)明的技術(shù)方案中，為了消除旁瓣效應(yīng)對(duì)快速傅里葉變換(fft)的影響，可以將每一個(gè)時(shí)間窗信號(hào)都內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量u(n)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，可以預(yù)先假設(shè)時(shí)間窗信號(hào)為s(n)＝{s(1),s(2),....,s(n)}，并設(shè)與該時(shí)間窗信號(hào)等長(zhǎng)度的漢明窗為h(n)，其中：

h(n)＝α-βcos(2πn/n-1)(1)

因此可得：

u(n)＝s(n)·h(n)(2)

其中，α+β＝1,α,β＞0，n為信號(hào)樣本量，n約等于n的二次方。

步驟124，對(duì)u(n)進(jìn)行快速傅里葉變換，得到腦電信號(hào)在頻域的幅值分布f(k)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述幅值分布f(k)為：

式中，wn＝cos(2π/n)-jsin(2π/n)。

步驟125，從幅值分布f(k)中分別提取預(yù)設(shè)頻段的平均幅值，根據(jù)所述平均幅值計(jì)算合成參數(shù)，并將所述平均幅值和合成參數(shù)作為時(shí)間窗內(nèi)信號(hào)的腦電特征參數(shù)。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)頻段的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述預(yù)設(shè)頻段為θ、α和β頻段；所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz。

較佳的，在本發(fā)明的具體實(shí)施例中，所述合成參數(shù)可以包括：(α+β)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。

在本發(fā)明的技術(shù)方案中，可以對(duì)每一個(gè)時(shí)間窗內(nèi)信號(hào)進(jìn)行上述的處理，從而得到每一個(gè)時(shí)間窗內(nèi)信號(hào)的合成參數(shù)，并將平均幅值以及計(jì)算得到的合成參數(shù)作為該時(shí)間窗內(nèi)信號(hào)的腦電特征參數(shù)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述腦電特征參數(shù)包括：θ、α、β、(α+β)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ等8項(xiàng)腦電特征參數(shù)，這8項(xiàng)腦電特征參數(shù)可以組成一個(gè)腦電特征參數(shù)序列。

在本發(fā)明的技術(shù)方案中，通過(guò)上述的步驟121～125，可以對(duì)從每一個(gè)電極采集到的腦電信號(hào)進(jìn)行上述的處理，從而得到從一個(gè)電極采集到的腦電信號(hào)的腦電特征參數(shù)，例如，得到8項(xiàng)腦電特征參數(shù)。因此，如果使用了q個(gè)電極采集腦電信號(hào)，則一共可以得到(8×q)項(xiàng)腦電特征參數(shù)。

步驟13，基于所述腦電特征參數(shù)和反應(yīng)時(shí)間，建立支持向量回歸預(yù)測(cè)模型。

支持向量回歸(svr)是支持向量機(jī)(supportvectormachine,svm)在回歸估計(jì)問(wèn)題中進(jìn)一步延伸。在本發(fā)明的技術(shù)方案中，可以將支持向量回歸用于駕駛員對(duì)突發(fā)事件的反應(yīng)時(shí)間預(yù)測(cè)。

在本發(fā)明的技術(shù)方案中，可以使用多種方式建立支持向量回歸預(yù)測(cè)模型。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)的介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述基于所述腦電特征參數(shù)和反應(yīng)時(shí)間參數(shù)，建立支持向量回歸預(yù)測(cè)模型包括：

步驟131，根據(jù)腦電特征參數(shù)和反應(yīng)時(shí)間建立反應(yīng)時(shí)間樣本集。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述反應(yīng)時(shí)間樣本集為：

(x1,y1),...,(xi,yi),...,(xl,yl)

其中，xi為腦電特征參數(shù)樣本i，yi為反應(yīng)時(shí)間樣本i。

步驟132，通過(guò)一個(gè)輸入空間到輸出空間的非線性映射φ，將處在低維空間的反應(yīng)時(shí)間樣本集映射到高維空間，對(duì)反應(yīng)時(shí)間樣本集進(jìn)行線性回歸。

在本發(fā)明的技術(shù)方案中，可以通過(guò)如下所述的公式對(duì)反應(yīng)時(shí)間樣本集進(jìn)行線性回歸：

f(x)＝w^tφ(x)+b(4)

其中，f(x)為支持向量回歸函數(shù)；φ為非線性映射；w為權(quán)重矩陣；b為閾值。

因此可知，只要求得上式中的w和b，即可得到支持向量回歸函數(shù)f(x)。

步驟133，引入結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)f，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)f得到計(jì)算得到支持向量回歸函數(shù)f(x)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)f為：

其中，l為樣本的數(shù)目；為不靈敏損失函數(shù)。

由于在區(qū)間內(nèi)的樣本點(diǎn)為異常點(diǎn)，因此不靈敏損失函數(shù)僅計(jì)算在該區(qū)間以外的樣本點(diǎn)，所述不靈敏損失函數(shù)的定義為：

根據(jù)統(tǒng)計(jì)學(xué)中結(jié)構(gòu)風(fēng)險(xiǎn)化準(zhǔn)則，支持向量回歸采用極小化目標(biāo)函數(shù)來(lái)求出式(4)中的w和b，即求下式的目標(biāo)函數(shù)最?。?/p>

式中，c為懲罰性參數(shù)；ξi,ξi^*為引入的松弛變量。

求解，即可得出目標(biāo)函數(shù)f(w,ζi,ζi^*)最小解αi。因此，得出支持向量回歸函數(shù)：

其中，k(xi,x)＝φ(xi)φ(x)，k(xi,x)為核函數(shù)。常用的核函數(shù)為：rbf函數(shù)、polynomial函數(shù)或sigmoid函數(shù)。

通過(guò)上述的步驟131～133，即可得到支持向量回歸函數(shù)，從而建立支持向量回歸預(yù)測(cè)模型。

步驟14，根據(jù)所述支持向量回歸預(yù)測(cè)模型，得到反應(yīng)時(shí)間預(yù)測(cè)值。

在本發(fā)明的技術(shù)方案中，在建立上述支持向量回歸預(yù)測(cè)模型之后，即可根據(jù)所述支持向量回歸預(yù)測(cè)模型，得到反應(yīng)時(shí)間預(yù)測(cè)值，從而可以預(yù)測(cè)駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間。

因此，通過(guò)上述步驟11～14中所描述的方法，即可通過(guò)支持向量回歸預(yù)測(cè)模型對(duì)駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間進(jìn)行預(yù)測(cè)。

為評(píng)價(jià)通過(guò)本發(fā)明中所提供的基于支持向量回歸模型的方法所得到的反應(yīng)時(shí)間預(yù)測(cè)值與實(shí)驗(yàn)所采集的反應(yīng)時(shí)間的實(shí)際值的擬合程度的優(yōu)劣，在本發(fā)明的技術(shù)方案中，可以選取平均絕對(duì)誤差em與相對(duì)均方誤差er作為預(yù)測(cè)精度指標(biāo)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述em和er分別為：

其中，n為樣本個(gè)數(shù)；yi為樣本i的反應(yīng)時(shí)間實(shí)際值；為樣本i的反應(yīng)時(shí)間預(yù)測(cè)值。

為了驗(yàn)證本發(fā)明中的上述預(yù)測(cè)模型的有效性，可以利用實(shí)驗(yàn)所得到的腦電信號(hào)來(lái)預(yù)測(cè)駕駛員的反應(yīng)時(shí)間；然后使用步驟121～125的方法對(duì)腦電信號(hào)進(jìn)行處理，共得到256項(xiàng)腦電特征參數(shù)。將駕駛反應(yīng)時(shí)間與其對(duì)應(yīng)的腦電特征參數(shù)視為一個(gè)樣本，對(duì)每名駕駛員在實(shí)驗(yàn)過(guò)程中所得到的120個(gè)樣本進(jìn)行如下處理：隨機(jī)抽取75％的樣本為訓(xùn)練樣本，余下的作為測(cè)試樣本。在訓(xùn)練前對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了歸一化，從而提高預(yù)測(cè)精度。

svr模型中核函數(shù)與各參數(shù)的選定直接影響了其預(yù)測(cè)精度的優(yōu)劣。在本發(fā)明的技術(shù)方案中，分別采用rbf函數(shù)、polynomial函數(shù)、sigmoid函數(shù)作為該模型的核函數(shù)，各核函數(shù)參數(shù)通過(guò)交叉驗(yàn)證方法擇優(yōu)選取，其結(jié)果如下：①rbf函數(shù)。其最優(yōu)參數(shù)為c＝0.15，g＝0.15。②polynomial函數(shù)。其最優(yōu)參數(shù)為c＝0.15，g＝0.15，d＝1。③sigmoid函數(shù)。其最優(yōu)參數(shù)為c＝1.25，g＝0.0025。對(duì)各被試的總體樣本分別隨機(jī)抽取12個(gè)樣本，將所得到的240個(gè)樣本作為預(yù)測(cè)對(duì)象。采用matlab編程，對(duì)含不同核函數(shù)的svr模型予以訓(xùn)練與測(cè)試。所得到的預(yù)測(cè)結(jié)果如圖2～圖7所示。

表1各核函數(shù)的預(yù)測(cè)結(jié)果

如表1所示，選用rbf函數(shù)作為模型核函數(shù)的預(yù)測(cè)結(jié)果優(yōu)于polynomial函數(shù)與sigmoid函數(shù)。因此，較佳的，在本發(fā)明的具體實(shí)施例中，可以采用rbf函數(shù)作為svr模型的核函數(shù)，使用該模型分別對(duì)20名駕駛員反應(yīng)時(shí)間分別進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2所示。

表2各駕駛員反應(yīng)時(shí)間的預(yù)測(cè)結(jié)果

由表2可得出，采用腦電特征參數(shù)預(yù)測(cè)駕駛員的反應(yīng)時(shí)間所得到的平均絕對(duì)誤差均值為6.33％，相對(duì)絕對(duì)誤差均值為6.43％，均低于10％。因此，本發(fā)明中所提供的方法與模型具有較高精度。

綜上可知，在本發(fā)明中的駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間的預(yù)測(cè)方法，基于實(shí)驗(yàn)所采集的腦電信號(hào)數(shù)據(jù)，采用快速傅里葉變換提取腦電特征參數(shù)，結(jié)合svr模型，構(gòu)建了一種駕駛反應(yīng)時(shí)間的預(yù)測(cè)模型，從而可以較為準(zhǔn)確地預(yù)測(cè)駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間，實(shí)現(xiàn)了駕駛員對(duì)突發(fā)事件的反應(yīng)時(shí)間的準(zhǔn)確預(yù)測(cè)。另外，通過(guò)對(duì)比分析不同核函數(shù)對(duì)模型預(yù)測(cè)結(jié)果的影響，結(jié)果表明采用rbf函數(shù)作為模型核函數(shù)所得到的預(yù)測(cè)結(jié)果最優(yōu)。

根據(jù)實(shí)驗(yàn)結(jié)果表明，使用本發(fā)明中所提供的方法進(jìn)行預(yù)測(cè)所產(chǎn)生的誤差均值低于10％，從而說(shuō)明本發(fā)明中的預(yù)測(cè)方法具有較高精度，可用于駕駛反應(yīng)時(shí)間的準(zhǔn)確預(yù)測(cè)，對(duì)自適應(yīng)式駕駛員預(yù)警系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)提供了理論依據(jù)，以后可對(duì)該結(jié)論在實(shí)際自然駕駛狀態(tài)下的適用性予以進(jìn)一步驗(yàn)證研究。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。