本發(fā)明屬于駕駛狀態(tài)辨識(shí)技術(shù)領(lǐng)域，尤其是涉及一種基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法。

背景技術(shù)：

道路上發(fā)生的交通事故是人、車、路、環(huán)境等因素相互作用的結(jié)果，而駕駛員是影響交通安全最活躍的因素。交通事故表面上看是一偶然突發(fā)現(xiàn)象，但其實(shí)質(zhì)是駕駛員-車輛-環(huán)境形成的閉環(huán)系統(tǒng)因無法響應(yīng)遇到的突變工況而導(dǎo)致的失穩(wěn)現(xiàn)象。通過對(duì)大量交通事故現(xiàn)場(chǎng)遺留的碰撞痕跡、車輛遺骸等證據(jù)進(jìn)行勘驗(yàn)，并結(jié)合幸存者的問卷調(diào)查，美國(guó)印第安納大學(xué)的研究者得出了約有90％的惡性交通事故與駕駛狀態(tài)有關(guān)的結(jié)論，而駕駛員的駕駛狀態(tài)主要由其精神狀態(tài)決定。因而，駕駛員精神狀態(tài)信息的監(jiān)測(cè)具有非常重要的研究意義。

目前，對(duì)駕駛員精神狀態(tài)的估計(jì)方法主要有以下幾類：一類是基于調(diào)查問卷式的離線評(píng)估形式，該方法通過對(duì)駕駛員進(jìn)行問詢的方式調(diào)查駕駛員的精神狀態(tài)信息，該方法能夠研究外界環(huán)境、駕駛員心理與生理因素對(duì)駕駛行為影響的統(tǒng)計(jì)規(guī)律，對(duì)險(xiǎn)態(tài)駕駛行為的形成機(jī)制有顯著的理論意義，但對(duì)解決險(xiǎn)態(tài)駕駛行為的在線動(dòng)態(tài)辨識(shí)就顯得無能為力；第二類是基于圖像處理技術(shù)的駕駛員精神狀態(tài)評(píng)估方法，為了實(shí)現(xiàn)對(duì)險(xiǎn)態(tài)駕駛行為的動(dòng)態(tài)在線辨識(shí)，有的學(xué)者提出用機(jī)器視覺、圖像處理、模式識(shí)別等人工智能理論和技術(shù)，對(duì)眼睛動(dòng)作特征、臉部運(yùn)動(dòng)特征進(jìn)行識(shí)別，從而實(shí)現(xiàn)對(duì)駕駛員行為狀態(tài)的動(dòng)態(tài)監(jiān)測(cè)；基于圖像處理技術(shù)的駕駛員行為在線動(dòng)態(tài)辨識(shí)雖然可以實(shí)現(xiàn)，但是環(huán)境因素對(duì)其影響較大，且駕駛員本人的習(xí)慣動(dòng)作對(duì)駕駛行為的辨識(shí)準(zhǔn)確性影響很大，其應(yīng)用普適性較差；第三類基于生理電信號(hào)的駕駛員心理狀態(tài)評(píng)測(cè)方法，該方法是直接測(cè)量，評(píng)估結(jié)果最為準(zhǔn)確，但電生理信息采集需要在人體上安裝許多電極，用于實(shí)際的在線監(jiān)測(cè)顯然不合適。由此可見現(xiàn)有的關(guān)于駕駛員精神狀態(tài)的在線估計(jì)方法具有一定的局限性。

另外，對(duì)駕駛員駕駛狀態(tài)進(jìn)行辨識(shí)時(shí)，通常需借助對(duì)應(yīng)的分類模型進(jìn)行辨識(shí)，通過分類模型對(duì)駕駛員處于正常駕駛狀態(tài)或險(xiǎn)態(tài)駕駛狀態(tài)進(jìn)行辨識(shí)，其中正常駕駛狀態(tài)是指駕駛員處于完全清醒且精神狀態(tài)正常的駕駛狀態(tài)，而險(xiǎn)態(tài)駕駛狀態(tài)(也稱非正常駕駛狀態(tài)或異常駕駛狀態(tài))是指駕駛員處于疲勞、醉酒、病痛、吸毒等非正常的駕駛狀態(tài)且此時(shí)駕駛員的駕駛行為是險(xiǎn)態(tài)駕駛行為。因而，分類模型的建立和訓(xùn)練至關(guān)重要。由于駕駛員的駕駛狀態(tài)不僅受駕駛員的精神狀態(tài)與操作習(xí)慣影響，同時(shí)受道路環(huán)境的影響也較大。駕駛員操作習(xí)慣蘊(yùn)含的個(gè)性信息是駕駛員長(zhǎng)期駕駛過程中形成的，它在方向盤轉(zhuǎn)角信號(hào)中表現(xiàn)出一定的節(jié)律。而道路環(huán)境信息(以下簡(jiǎn)稱道路信息)對(duì)駕駛員來說完全是即時(shí)信息，是無法事先預(yù)料的信息。雖然駕駛員可能知道下一路段的宏觀情況，但是卻不可能預(yù)知下一時(shí)刻的即時(shí)路況，道路的即時(shí)信息決定駕駛員的操作動(dòng)作，進(jìn)而決定車輛行駛狀態(tài)信息。因而，道路信息具有偽隨機(jī)干擾信號(hào)的特性。如何去除或者減弱蘊(yùn)含在行駛狀態(tài)信息中的道路信息，是基于車輛行駛狀態(tài)信息的駕駛行為特征提取及其分類研究的關(guān)鍵步驟。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)簡(jiǎn)便、使用效果好，能簡(jiǎn)便、快速對(duì)駕駛員的駕駛狀態(tài)進(jìn)行準(zhǔn)確辨識(shí)，并且辨識(shí)精度高。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于，該方法包括以下步驟：

步驟一、樣本庫(kù)建立：采用數(shù)據(jù)處理器建立樣本庫(kù)，所建立的樣本庫(kù)內(nèi)存儲(chǔ)有兩類樣本，一類樣本為正常駕駛狀態(tài)樣本且該類樣本中包括被監(jiān)測(cè)駕駛員正常駕駛狀態(tài)下測(cè)得的多個(gè)方向盤轉(zhuǎn)角信號(hào)，另一類樣本為險(xiǎn)態(tài)駕駛狀態(tài)樣本且該類樣本中包括被監(jiān)測(cè)駕駛員險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)方向盤轉(zhuǎn)角信號(hào)；

步驟二、基于進(jìn)似熵模板匹配的道路信息剝離：采用數(shù)據(jù)處理器且調(diào)用基于進(jìn)似熵模板匹配的信號(hào)矯正模塊對(duì)所述樣本庫(kù)內(nèi)的各方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行矯正，所有方向盤轉(zhuǎn)角信號(hào)的矯正方法均相同；對(duì)任一個(gè)所述方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行矯正時(shí)，過程如下：

步驟201、方向盤轉(zhuǎn)角信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解：調(diào)用經(jīng)驗(yàn)?zāi)B(tài)分解模塊對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲得n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)；n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)均為離散函數(shù)；

其中，方向盤轉(zhuǎn)角信號(hào)x(t)為被監(jiān)測(cè)駕駛員所駕駛車輛的方向盤轉(zhuǎn)角隨時(shí)間變化的函數(shù)；方向盤轉(zhuǎn)角信號(hào)x(t)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果為：式(1-1)中c_i(t)為方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的第i個(gè)本征模態(tài)函數(shù)分量，i為正整數(shù)且其本征模態(tài)函數(shù)分量的編號(hào)，i＝1、2、…、n；r_n(t)為方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的趨勢(shì)項(xiàng)；

步驟202、本征模態(tài)函數(shù)分量有效性識(shí)別：調(diào)用本征模態(tài)函數(shù)分量有效性識(shí)別模塊，且根據(jù)預(yù)先建立的白噪聲近似熵分布區(qū)間模板，對(duì)步驟201中分解出的方向盤轉(zhuǎn)角信號(hào)x(t)的n個(gè)本征模態(tài)函數(shù)分量分別進(jìn)行有效性識(shí)別；n個(gè)本征模態(tài)函數(shù)分量的有效性識(shí)別方法均相同；

對(duì)所述白噪聲近似熵分布區(qū)間模板進(jìn)行建立時(shí)，采用所述數(shù)據(jù)處理設(shè)備進(jìn)行建立，過程如下：

步驟Ⅰ、樣本獲?。寒a(chǎn)生多個(gè)隨機(jī)白噪聲信號(hào)作為樣本，多個(gè)所述白噪聲信號(hào)的數(shù)據(jù)長(zhǎng)度均相同；

其中，產(chǎn)生的第j個(gè)隨機(jī)白噪聲信號(hào)，記作ζ_j(t)；j為隨機(jī)白噪聲信號(hào)的編號(hào)且其為正整數(shù)，j＝1、2、…、N；N為本步驟中所產(chǎn)生隨機(jī)白噪聲信號(hào)的總數(shù)量；

步驟Ⅱ、經(jīng)驗(yàn)?zāi)B(tài)分解：調(diào)用所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊，對(duì)步驟Ⅰ中各白噪聲信號(hào)分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲得各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)；n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)均為離散函數(shù)；

其中，ζ_j(t)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果為：式(1-2)中c_i,j(t)為ζ_j(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的第i個(gè)本征模態(tài)函數(shù)分量，r_n,j(t)為ζ_j(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的趨勢(shì)項(xiàng)；

步驟Ⅲ、近似熵與平均周期自然對(duì)數(shù)計(jì)算：調(diào)用近似熵計(jì)算模塊，對(duì)步驟Ⅱ中各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵分別進(jìn)行計(jì)算；同時(shí)，調(diào)用平均周期計(jì)算模塊，對(duì)各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的平均周期分別進(jìn)行計(jì)算，并求解出各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的平均周期對(duì)數(shù)；其中，平均周期對(duì)數(shù)為平均周期的自然對(duì)數(shù)；

步驟Ⅳ、二維聯(lián)合概率密度函數(shù)確定：根據(jù)步驟Ⅲ中計(jì)算得出的各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵和平均周期對(duì)數(shù)，調(diào)用二維聯(lián)合概率密度函數(shù)確定模塊，獲取白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)；

其中，根據(jù)步驟Ⅲ中計(jì)算得出的N個(gè)所述白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的近似熵和平均周期對(duì)數(shù)，且調(diào)用所述二維聯(lián)合概率密度函數(shù)確定模塊，得出白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)，記作f(p_i,t_i)；其中，p_i和t_i分別表示白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)；

步驟Ⅴ、白噪聲近似熵分布區(qū)間模板獲?。焊鶕?jù)步驟Ⅳ中獲得的白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)，獲得白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間；所述置信區(qū)間的置信水平為c％，其中c％＝92％～99％；

其中，白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間組成所述白噪聲近似熵分布區(qū)間模板；

對(duì)步驟201中分解出的第i個(gè)本征模態(tài)函數(shù)分量c_i(t)進(jìn)行有效性識(shí)別時(shí)，包括以下步驟：

步驟2021、近似熵與平均周期自然對(duì)數(shù)計(jì)算：調(diào)用步驟Ⅲ中所述近似熵計(jì)算模塊，計(jì)算得出c_i(t)的近似熵；同時(shí)，調(diào)用步驟Ⅲ中所述平均周期計(jì)算模塊，計(jì)算得出c_i(t)的平均周期對(duì)數(shù)；

步驟2022、有效性識(shí)別：根據(jù)步驟2021中計(jì)算得出的c_i(t)的近似熵與平均周期自然對(duì)數(shù)，判斷c_i(t)是否落入步驟Ⅴ中獲得的白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間內(nèi)：當(dāng)落入步驟Ⅴ中獲得的白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間內(nèi)時(shí)，說明c_i(t)為有效本征模態(tài)函數(shù)分量；否則，說明c_i(t)為虛假本征模態(tài)函數(shù)分量；

步驟2023、多次重復(fù)步驟2021至步驟2022，直至完成步驟201中分解出的n個(gè)本征模態(tài)函數(shù)分量的有效性識(shí)別過程，獲得方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后的所有有效本征模態(tài)函數(shù)分量；

步驟203、信號(hào)重構(gòu)：利用步驟2023中獲得的方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后的所有有效本征模態(tài)函數(shù)分量和步驟201中分解出的趨勢(shì)項(xiàng)，重構(gòu)出方向盤轉(zhuǎn)角信號(hào)x'(t)；x'(t)為對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行矯正后獲得的信號(hào)且其為將方向盤轉(zhuǎn)角信號(hào)x(t)中的道路信息剝離后的信號(hào)；

步驟204、多次重復(fù)步驟201至步驟203，直至完成所述樣本庫(kù)中所有方向盤轉(zhuǎn)角信號(hào)的矯正過程，矯正后的所有方向盤轉(zhuǎn)角信號(hào)組成矯正后樣本庫(kù)；

步驟三、特征提取：采用數(shù)據(jù)處理器從步驟204中所述矯正后樣本庫(kù)中的各方向盤轉(zhuǎn)角信號(hào)中分別提取出能代表并區(qū)別該方向盤轉(zhuǎn)角信號(hào)的一組特征參數(shù)，且該組特征參數(shù)包括W個(gè)特征量，并對(duì)W個(gè)所述特征量進(jìn)行編號(hào)，W個(gè)所述特征量組成一個(gè)特征向量，其中W≥2；所提取出的每個(gè)所述方向盤轉(zhuǎn)角的特征向量均為一個(gè)訓(xùn)練樣本，步驟104中所述樣本庫(kù)中所有方向盤轉(zhuǎn)角信號(hào)的特征向量組成訓(xùn)練樣本集；

步驟四、二分類模型建立與訓(xùn)練：采用數(shù)據(jù)處理器建立二分類模型，所述二分類模型為支持向量機(jī)模型；再采用數(shù)據(jù)處理器將步驟三中所述訓(xùn)練樣本集中的各訓(xùn)練樣本分別輸入到所建立的二分類模型進(jìn)行訓(xùn)練；

步驟五、行駛狀態(tài)信息采集及同步分類：按照預(yù)先設(shè)定的采樣頻率對(duì)被監(jiān)測(cè)駕駛員駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行采集，并將當(dāng)前時(shí)刻所采集的方向盤轉(zhuǎn)角信號(hào)同步輸入至步驟四中所建立的二分類模型中，并自動(dòng)輸出被監(jiān)測(cè)駕駛員當(dāng)前的駕駛狀態(tài)，所輸出的駕駛狀態(tài)為正常駕駛狀態(tài)或險(xiǎn)態(tài)駕駛狀態(tài)。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟四中采用數(shù)據(jù)處理器建立二分類模型時(shí)，選用徑向基函數(shù)作為所述二分類模型的核函數(shù)。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟五中將當(dāng)前時(shí)刻所采集的方向盤轉(zhuǎn)角信號(hào)同步輸入至所述二分類模型時(shí)，先按照步驟二中所述的基于進(jìn)似熵模板匹配的道路信息剝離方法對(duì)當(dāng)前時(shí)刻所采集的方向盤轉(zhuǎn)角信號(hào)進(jìn)行矯正，再按照步驟三中所述的特征提取方法對(duì)矯正后的方向盤轉(zhuǎn)角信號(hào)進(jìn)行特征提取，再將提取出的特征向量輸入至所述二分類模型中。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟三中進(jìn)行特征提取時(shí)，對(duì)步驟104中所述樣本庫(kù)中的各方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行特征提?。幻總€(gè)所述方向盤轉(zhuǎn)角信號(hào)的特征提取方法均相同；

對(duì)任一個(gè)所述方向盤轉(zhuǎn)角信號(hào)進(jìn)行特征提取時(shí)，先采用數(shù)據(jù)處理器且調(diào)用小波包分解模塊或多小波包分解模塊對(duì)該方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行小波包分解，并對(duì)小波包分解后的各層小波包分解系數(shù)分別進(jìn)行重構(gòu)，獲得各頻帶信號(hào)；之后，采用數(shù)據(jù)處理器且調(diào)用能量譜分析模塊對(duì)所獲得的各頻帶信號(hào)分別進(jìn)行能量譜分析并獲得各頻帶信號(hào)的能量，再?gòu)乃@得的各頻帶信號(hào)能量中選取W個(gè)能代表并區(qū)別該方向盤轉(zhuǎn)角信號(hào)的頻帶信號(hào)能量組成該方向盤轉(zhuǎn)角信號(hào)的所述特征向量。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：從所獲得的各頻帶信號(hào)能量中選取W個(gè)能代表并區(qū)別該方向盤轉(zhuǎn)角信號(hào)的頻帶信號(hào)能量組成該方向盤轉(zhuǎn)角信號(hào)的所述特征向量時(shí)，采用t檢驗(yàn)法或核主成分分析法從所獲得的各頻帶信號(hào)能量中選取W個(gè)所述頻帶信號(hào)的能量；

其中，采用t檢驗(yàn)法選取W個(gè)所述頻帶信號(hào)的能量時(shí)，先采用數(shù)據(jù)處理器且調(diào)用概率密度計(jì)算模塊，計(jì)算得出步驟104中所述樣本庫(kù)中每個(gè)所述方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后的各頻帶信號(hào)能量的概率密度；再根據(jù)計(jì)算得出的各頻帶信號(hào)能量的概率密度，采用數(shù)據(jù)處理器且調(diào)用t檢驗(yàn)?zāi)K進(jìn)行分析，找出能將所述樣本庫(kù)中兩類樣本區(qū)分開的W個(gè)所述頻帶信號(hào)的能量；

采用核主成分分析法選取W個(gè)所述頻帶信號(hào)的能量時(shí)，采用數(shù)據(jù)處理器且調(diào)用核主成分分析模塊從所獲得的各頻帶信號(hào)能量中選取W個(gè)所述頻帶信號(hào)的能量。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟201中進(jìn)行方向盤轉(zhuǎn)角信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解之前，先調(diào)用歸一化處理模塊，對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行歸一化處理；再調(diào)用所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊，對(duì)歸一化處理后的方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解；

步驟Ⅱ中進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解之前，先調(diào)用所述歸一化處理模塊，對(duì)步驟Ⅰ中各白噪聲信號(hào)分別進(jìn)行歸一化處理；再調(diào)用所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊，對(duì)歸一化處理后的各白噪聲信號(hào)分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟Ⅲ中調(diào)用所述近似熵計(jì)算模塊對(duì)各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵進(jìn)行計(jì)算時(shí)，所有本征模態(tài)函數(shù)分量的近似熵的計(jì)算方法均相同；

其中，c_i,j(t)的近似熵，記作IMF-ApEn_i,j；對(duì)c_i,j(t)的近似熵進(jìn)行計(jì)算時(shí)，過程如下：

步驟Ⅲ-1、排列組成m維向量O(k)：按照c_i,j(t)中的各數(shù)據(jù)先后順序，將c_i,j(t)中的m個(gè)數(shù)據(jù)排列組成M₀-m+1個(gè)m維矢量；

其中，c_i,j(t)中包含M₀個(gè)數(shù)據(jù)且M₀個(gè)數(shù)據(jù)分別為c_i,j(1)、c_i,j(2)、…、c_i,j(M₀)，M₀為c_i,j(t)的數(shù)據(jù)長(zhǎng)度且其為正整數(shù)；m為預(yù)先設(shè)定的嵌入維數(shù)，m為正整數(shù)且m≥2；

M₀-m+1個(gè)m維矢量中第k個(gè)m維矢量，記作O(k)；

并且，O(k)＝[c_i,j(k),c_i,j(k+1),…,c_i,j(k+m-1)] (2-0)，其中k為正整數(shù)且k＝1、2、…、M₀-m+1；

步驟Ⅲ-2、Hausdorff空間距離計(jì)算：調(diào)用Hausdorff空間距離計(jì)算模塊，計(jì)算得出M₀-m+1個(gè)所述m維矢量中任一個(gè)m維矢量與其它M₀-m個(gè)m維矢量之間的Hausdorff空間距離；

其中，m維矢量O(k)與m維矢量O(g)之間的Hausdorff空間距離，記作d[O(k),O(g)]；m維矢量O(g)為步驟Ⅲ-1中M₀-m+1個(gè)m維矢量中第g個(gè)m維矢量，g為正整數(shù)且g＝1、2、…、M₀-m+1，g≠k；

步驟Ⅲ-3、m維矢量間相似度計(jì)算：根據(jù)預(yù)先限定的相似容限r(nóng)，計(jì)算得出M₀-m+1個(gè)所述m維矢量中任一個(gè)m維矢量與其它M₀-m個(gè)m維矢量之間的相似度；

其中，m維矢量O(k)與其它M₀-m個(gè)m維矢量之間的相似度，記作根據(jù)公式進(jìn)行計(jì)算；r＞0；

式(2-2)中，

步驟Ⅲ-4、Φ^m(r)計(jì)算：根據(jù)步驟Ⅲ-3中計(jì)算得出的M₀-m+1個(gè)所述m維矢量中任一個(gè)m維矢量與其它M₀-m個(gè)m維矢量之間的相似度，并按照公式計(jì)算得出Φ^m(r)；

步驟Ⅲ-5、Φ^m+1(r)計(jì)算：按照步驟Ⅲ-1至步驟Ⅲ-4中所述的方法，計(jì)算得出Φ^m+1(r)；

步驟Ⅲ-6、近似熵計(jì)算：根據(jù)公式IMF-ApEn_i,j＝Φ^m(r)-Φ^m+1(r) (2-5)，計(jì)算得出IMF-ApEn_i,j。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟一中進(jìn)行樣本庫(kù)建立時(shí)，過程如下：

步驟101、正常駕駛狀態(tài)下行駛狀態(tài)信息獲取：采用行駛狀態(tài)信息監(jiān)測(cè)裝置且按照預(yù)先設(shè)計(jì)的監(jiān)測(cè)頻率，對(duì)被監(jiān)測(cè)駕駛員按照預(yù)先設(shè)計(jì)的路線駕駛過程中所駕駛車輛的行駛狀態(tài)信息進(jìn)行監(jiān)測(cè)，并將所監(jiān)測(cè)信息同步傳送至數(shù)據(jù)處理器，獲得多個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息；

所述行駛狀態(tài)信息監(jiān)測(cè)裝置包括對(duì)所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行檢測(cè)的方向盤轉(zhuǎn)角檢測(cè)單元和對(duì)所駕駛車輛的側(cè)向加速度進(jìn)行檢測(cè)的側(cè)向加速度檢測(cè)單元，所述方向盤轉(zhuǎn)角檢測(cè)單元和側(cè)向加速度檢測(cè)單元均與數(shù)據(jù)處理器連接；每個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息均包括該時(shí)刻方向盤轉(zhuǎn)角檢測(cè)單元所檢測(cè)的方向盤轉(zhuǎn)角和側(cè)向加速度檢測(cè)單元所檢測(cè)的側(cè)向加速度；

步驟102、車輛動(dòng)力學(xué)模型參數(shù)確定：所述數(shù)據(jù)處理器根據(jù)步驟101中所獲得的多個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息，得出方向盤轉(zhuǎn)角函數(shù)δ_sw(t)和側(cè)向加速度函數(shù)其中，δ_sw(t)為步驟101中駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角隨時(shí)間變化的函數(shù)，為步驟101中駕駛過程中所駕駛車輛的側(cè)向加速度隨時(shí)間變化的函數(shù)；所述數(shù)據(jù)處理器再根據(jù)公式并結(jié)合步驟101中被監(jiān)測(cè)駕駛員所駕駛車輛的車輛動(dòng)力學(xué)模型的傳遞函數(shù)對(duì)車輛動(dòng)力學(xué)模型參數(shù)G_ay、T_y1、T_y2、T₁和T₂分別進(jìn)行確定；

公式(2)中，δ_sw(s)為方向盤轉(zhuǎn)角函數(shù)δ_sw(t)的拉普拉斯變換，為側(cè)向加速度函數(shù)的拉普拉斯變換；

步驟103、險(xiǎn)態(tài)駕駛狀態(tài)下行駛狀態(tài)信息獲取，過程如下：

步驟1031、隨機(jī)數(shù)生成：采用數(shù)據(jù)處理器且調(diào)用隨機(jī)數(shù)生成模塊，生成神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組或動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組；

所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組為調(diào)用所述隨機(jī)數(shù)生成模塊生成的一組平均數(shù)為t_d0且方差為σ_d的隨機(jī)數(shù)；其中，t_d0＝0.25～0.5；當(dāng)被監(jiān)測(cè)駕駛員為男性駕駛員時(shí)，σ_d＞7.5；當(dāng)被監(jiān)測(cè)駕駛員為女性駕駛員時(shí)，σ_d＞8；

所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組為調(diào)用所述隨機(jī)數(shù)生成模塊生成的一組平均數(shù)為T_h0且方差為σ_h的隨機(jī)數(shù)；其中，T_h0＝0.12～0.2；當(dāng)被監(jiān)測(cè)駕駛員為男性駕駛員時(shí)，σ_h＞2.6；當(dāng)被監(jiān)測(cè)駕駛員為女性駕駛員時(shí)，σ_d＞1.95；

步驟1032、隨機(jī)數(shù)篩選：先根據(jù)預(yù)先設(shè)定的疲勞度判斷閾值N_tm，采用數(shù)據(jù)處理器計(jì)算得出神經(jīng)反應(yīng)時(shí)間判斷閾值t_dm或動(dòng)作反應(yīng)時(shí)間判斷閾值T_hm，其中，N_tm＝0.7～0.9；再根據(jù)計(jì)算得出的t_dm或T_hm，對(duì)步驟1031中生成的所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組或所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行篩選，獲得險(xiǎn)態(tài)駕駛狀態(tài)下的神經(jīng)反應(yīng)時(shí)間數(shù)組或動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組；所述神經(jīng)反應(yīng)時(shí)間數(shù)組中包括險(xiǎn)態(tài)駕駛狀態(tài)下神經(jīng)反應(yīng)時(shí)間的多個(gè)隨機(jī)數(shù)，所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組中包括險(xiǎn)態(tài)駕駛狀態(tài)下動(dòng)作反應(yīng)時(shí)間的多個(gè)隨機(jī)數(shù)；公式(3)中t_da和t_db分別為預(yù)先測(cè)試得出的被監(jiān)測(cè)駕駛員神經(jīng)反應(yīng)時(shí)間的上限值和下限值，公式(4)中T_ha和T_hb分別為預(yù)先測(cè)試得出的被監(jiān)測(cè)駕駛員動(dòng)作反應(yīng)時(shí)間的上限值和下限值，t_dm、T_hm、t_da、t_db、T_ha和T_hb的單位均為s；

對(duì)所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行篩選時(shí)，根據(jù)計(jì)算得出的t_dm，采用數(shù)據(jù)處理器對(duì)所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行判斷；對(duì)所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組中的任一個(gè)隨機(jī)數(shù)進(jìn)行判斷時(shí)，判斷該隨機(jī)數(shù)是否大于t_dm，且當(dāng)該隨機(jī)數(shù)＞t_dm時(shí)，判斷為該隨機(jī)數(shù)為險(xiǎn)態(tài)駕駛狀態(tài)下神經(jīng)反應(yīng)時(shí)間的隨機(jī)數(shù)；

對(duì)所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行篩選時(shí)，根據(jù)計(jì)算得出的T_hm，采用數(shù)據(jù)處理器對(duì)所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行判斷；對(duì)所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組中的任一個(gè)隨機(jī)數(shù)進(jìn)行判斷時(shí)，判斷該隨機(jī)數(shù)是否大于T_hm，且當(dāng)該隨機(jī)數(shù)＞T_hm時(shí)，判斷為該隨機(jī)數(shù)為險(xiǎn)態(tài)駕駛狀態(tài)下動(dòng)作反應(yīng)時(shí)間的隨機(jī)數(shù)；

步驟1033、駕駛員反應(yīng)時(shí)間數(shù)組獲取：采用數(shù)據(jù)處理器對(duì)步驟1032中所述神經(jīng)反應(yīng)時(shí)間數(shù)組或所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算，獲取駕駛員反應(yīng)時(shí)間數(shù)組；所述駕駛員反應(yīng)時(shí)間數(shù)組中包括險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)，每個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)均包括一個(gè)神經(jīng)反應(yīng)時(shí)間和一個(gè)動(dòng)作反應(yīng)時(shí)間；

其中，對(duì)所述神經(jīng)反應(yīng)時(shí)間數(shù)組進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，采用數(shù)據(jù)處理器對(duì)所述神經(jīng)反應(yīng)時(shí)間數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算；對(duì)所述神經(jīng)反應(yīng)時(shí)間數(shù)組中的任一個(gè)隨機(jī)數(shù)t_di進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，先根據(jù)公式計(jì)算得出神經(jīng)反應(yīng)時(shí)間t_di對(duì)應(yīng)的疲勞度N_ti；再根據(jù)公式計(jì)算得出神經(jīng)反應(yīng)時(shí)間t_di對(duì)應(yīng)的動(dòng)作反應(yīng)時(shí)間T_hi，所述的t_di和T_hi組成一個(gè)駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)；i為正整數(shù)且i＝1、2、…、N_d，N_d為所述神經(jīng)反應(yīng)時(shí)間數(shù)組中所包括隨機(jī)數(shù)的總數(shù)量；

對(duì)所述動(dòng)作反應(yīng)時(shí)間數(shù)組進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，采用數(shù)據(jù)處理器對(duì)所述動(dòng)作反應(yīng)時(shí)間數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算；對(duì)所述動(dòng)作反應(yīng)時(shí)間數(shù)組中的任一個(gè)隨機(jī)數(shù)t_di進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，先根據(jù)公式計(jì)算得出動(dòng)作反應(yīng)時(shí)間T_hj對(duì)應(yīng)的疲勞度N_tj；再根據(jù)公式計(jì)算得出動(dòng)作反應(yīng)時(shí)間T_hj對(duì)應(yīng)的神經(jīng)反應(yīng)時(shí)間t_dj，所述的t_dj和T_hj組成一個(gè)駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)；j為正整數(shù)且j＝1、2、…、N_h，N_h為所述動(dòng)作反應(yīng)時(shí)間數(shù)組中所包括隨機(jī)數(shù)的總數(shù)量；

步驟1034、行駛狀態(tài)信息獲?。焊鶕?jù)預(yù)先建立的駕駛員模型，采用數(shù)據(jù)處理器對(duì)步驟1033中所述駕駛員反應(yīng)時(shí)間數(shù)組中的多個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)分別進(jìn)行行駛狀態(tài)信息計(jì)算，獲得N_k組險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息；其中，N_k為正整數(shù)且其為所述駕駛員反應(yīng)時(shí)間數(shù)組中所包括駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)的總數(shù)量，N_k＝N_d或N_h；

步驟101中多個(gè)所述監(jiān)測(cè)時(shí)刻被監(jiān)測(cè)駕駛員所駕駛車輛所處的位置均為監(jiān)測(cè)位置，每組險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息均包括險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)方向盤轉(zhuǎn)角信號(hào)，多個(gè)所述方向盤轉(zhuǎn)角信號(hào)分別為險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在多個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角信號(hào)；

所述駕駛員模型的輸入量為步驟102中所述的輸出量為險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員按照步驟101中預(yù)先設(shè)計(jì)的路線駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角隨時(shí)間變化的函數(shù)；所述駕駛員模型的傳遞函數(shù)為公式(9)中，T_p、t_d和T_h分別為駕駛過程中同一時(shí)刻被監(jiān)測(cè)駕駛員的預(yù)瞄時(shí)間、神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間；所述駕駛員模型與步驟102中所述車輛動(dòng)力學(xué)模型組成閉環(huán)駕駛模型；所述駕駛員模型與步驟102中所述車輛動(dòng)力學(xué)模型組成閉環(huán)駕駛模型；

采用數(shù)據(jù)處理器對(duì)步驟1033中所述駕駛員反應(yīng)時(shí)間數(shù)組中的任一個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)進(jìn)行行駛狀態(tài)信息計(jì)算時(shí)，根據(jù)公式(9)，并結(jié)合步驟101中所獲得的多個(gè)監(jiān)測(cè)時(shí)刻的側(cè)向加速度以及該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間，獲得與該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在多個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角信號(hào)；

步驟104、樣本庫(kù)建立：采用數(shù)據(jù)處理器建立樣本庫(kù)，所建立的樣本庫(kù)內(nèi)存儲(chǔ)有兩類樣本，一類樣本為正常駕駛狀態(tài)樣本且該類樣本中包括步驟101中所獲得的多個(gè)監(jiān)測(cè)時(shí)刻的方向盤轉(zhuǎn)角信號(hào)，另一類樣本為險(xiǎn)態(tài)駕駛狀態(tài)樣本且該類樣本中包括步驟1034中獲得的險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)方向盤轉(zhuǎn)角信號(hào)。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟101中所述行駛狀態(tài)信息監(jiān)測(cè)裝置還包括對(duì)所駕駛車輛的位移進(jìn)行實(shí)時(shí)檢測(cè)的位移檢測(cè)單元，所述位移檢測(cè)單元與數(shù)據(jù)處理器連接；

步驟101中每個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息均還包括該時(shí)刻位移檢測(cè)單元所檢測(cè)的位移；

步驟101中進(jìn)行正常駕駛狀態(tài)下行駛狀態(tài)信息獲取之前，先建立平面直角坐標(biāo)系；所述位移檢測(cè)單元包括對(duì)所駕駛車輛在X軸方向上的位移進(jìn)行檢測(cè)的X軸方向位移檢測(cè)單元和對(duì)所駕駛車輛在Y軸方向上的位移進(jìn)行檢測(cè)的Y軸方向位移檢測(cè)單元，所述X軸方向位移檢測(cè)單元和所述Y軸方向位移檢測(cè)單元均布設(shè)在所駕駛車輛的質(zhì)心上；

步驟101中所述側(cè)向加速度檢測(cè)單元布設(shè)在所駕駛車輛的質(zhì)心上；

步驟101中獲得M個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息，其中M為正整數(shù)且M≥50，步驟104中所述樣本庫(kù)中存儲(chǔ)的所述正常駕駛狀態(tài)樣本的數(shù)量為M個(gè)，每個(gè)所述正常駕駛狀態(tài)樣本均為步驟101中所獲得的一個(gè)監(jiān)測(cè)時(shí)刻的方向盤轉(zhuǎn)角信號(hào)；步驟104中所述樣本庫(kù)中存儲(chǔ)的所述險(xiǎn)態(tài)駕駛狀態(tài)樣本的數(shù)量不小于M個(gè)，每個(gè)所述險(xiǎn)態(tài)駕駛狀態(tài)樣本均為步驟1034中獲得的險(xiǎn)態(tài)駕駛狀態(tài)下的一個(gè)方向盤轉(zhuǎn)角信號(hào)。

上述基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征是：步驟1034中進(jìn)行險(xiǎn)態(tài)駕駛狀態(tài)下行駛狀態(tài)信息獲取之前，采用數(shù)據(jù)處理器獲取步驟101中預(yù)先設(shè)計(jì)的路線中多個(gè)不同監(jiān)測(cè)位置處的道路曲率ρ_p；

步驟1034中對(duì)與該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在多個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角進(jìn)行計(jì)算時(shí)，根據(jù)公式(9)，并結(jié)合步驟101中所獲得的該監(jiān)測(cè)位置處的側(cè)向加速度、該監(jiān)測(cè)位置處的道路曲率ρ_p以及該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間進(jìn)行計(jì)算；公式(9)中，公式(10)中，K_p為修正系數(shù)且K_p＝110～150，ρ_p為該監(jiān)測(cè)位置處的道路曲率，為該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的最優(yōu)預(yù)瞄時(shí)間且公式(11)中，t_d和T_h分別為該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1、方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)方便，辨識(shí)速度快，辨識(shí)精度高。

2、所采用的樣本庫(kù)建立方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)方便，投入成本較低。

3、所采用的險(xiǎn)態(tài)駕駛狀態(tài)下行駛狀態(tài)信息獲取方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)簡(jiǎn)便、使用效果好，主要包括隨機(jī)數(shù)生成、隨機(jī)數(shù)篩選、駕駛員反應(yīng)時(shí)間數(shù)組獲取和行駛狀態(tài)信息獲取這四個(gè)步驟，能簡(jiǎn)便、快速獲取險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員的行駛狀態(tài)信息。

4、所采用的駕駛員模型設(shè)計(jì)合理，能簡(jiǎn)便、快速獲取不同駕駛狀態(tài)下(也稱不同精神狀態(tài)下)被監(jiān)測(cè)駕駛員的行駛狀態(tài)信息，該駕駛員模型中綜合考慮預(yù)瞄時(shí)間、神經(jīng)反應(yīng)時(shí)間、動(dòng)作反應(yīng)時(shí)間等參數(shù)，因而能準(zhǔn)確計(jì)算出不同駕駛狀態(tài)下被監(jiān)測(cè)駕駛員的行駛狀態(tài)信息。

5、所采用的駕駛員模型與車輛動(dòng)力學(xué)模型形成閉環(huán)系統(tǒng)(即閉環(huán)駕駛模型)，其中駕駛員模型以車輛行駛狀態(tài)信息(正常駕駛狀態(tài)下的行駛狀態(tài)信息)為輸入量，以當(dāng)前駕駛狀態(tài)下的方向盤轉(zhuǎn)角為輸出量；而車輛動(dòng)力學(xué)模型以方向盤轉(zhuǎn)角(駕駛員模型的輸出量)為輸入量，以行駛狀態(tài)信息為輸出量，形成一個(gè)駕駛員-車輛-環(huán)境(也成為人-車-路)的閉環(huán)駕駛系統(tǒng)，駕駛員在閉環(huán)駕駛系統(tǒng)中看做一個(gè)自適應(yīng)智能控制器，當(dāng)駕駛員處于險(xiǎn)態(tài)駕駛狀態(tài)潛伏期，該控制器表現(xiàn)為自適應(yīng)能力降低，不能對(duì)外界的變化作出有效的響應(yīng)，表現(xiàn)為延時(shí)和遲鈍，并且使車輛動(dòng)力學(xué)模型輸出的行駛狀態(tài)信息更偏離正常駕駛狀態(tài)下的行駛狀態(tài)信息。因而，采用本發(fā)明能夠通過采集正常駕駛狀態(tài)下的行駛狀態(tài)信息推演出險(xiǎn)態(tài)駕駛狀態(tài)下的樣本信息，并且采用上述駕駛員模型能簡(jiǎn)便、快速且準(zhǔn)確獲取險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員的行駛狀態(tài)信息，所建立的樣本庫(kù)使駕駛員的駕駛狀態(tài)能簡(jiǎn)便、準(zhǔn)確進(jìn)行辨識(shí)。

6、所采用的基于進(jìn)似熵模板匹配的道路信息剝離方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)方便、使用效果好，能在短時(shí)間內(nèi)(具體是幾分鐘內(nèi))完成信號(hào)矯正過程，即道路信息剝離過程。

7、利用白噪聲近似熵分布區(qū)間模板作為“篩子”提取方向盤轉(zhuǎn)角信號(hào)經(jīng)EMD分解后的有效信息分量，由于經(jīng)驗(yàn)?zāi)B(tài)(EMD)分解能保留原信號(hào)的非線性、非平穩(wěn)性的特征，因而先對(duì)待矯正信號(hào)進(jìn)行EMD分解；由于EMD分解由于噪聲干擾會(huì)引起的過分解現(xiàn)象，因而利用預(yù)先獲取的白噪聲近似熵分布區(qū)間模板識(shí)別出有效本征模態(tài)函數(shù)分量，這樣能夠在待矯正信號(hào)的先驗(yàn)特征未知的條件下提取信號(hào)的有效信號(hào)分量，因而信號(hào)矯正結(jié)果準(zhǔn)確、可靠，并且實(shí)現(xiàn)簡(jiǎn)便，數(shù)據(jù)處理速度快。

8、采用基于白噪聲統(tǒng)計(jì)特征的有效量提取方法對(duì)方向盤轉(zhuǎn)角信號(hào)進(jìn)行矯正，能進(jìn)一步保證矯正方向盤轉(zhuǎn)角信號(hào)的準(zhǔn)確性和可靠性。

9、所采用的基于進(jìn)似熵模板匹配的道路信息剝離方法使用效果好且實(shí)用價(jià)值高，由于道路信息具有偽隨機(jī)干擾信號(hào)的特性，而近似熵是評(píng)價(jià)時(shí)間序列復(fù)雜度的指標(biāo)，熵值越大說明序列復(fù)雜度越高，也就是無序性越高。本發(fā)明以白噪聲信號(hào)EMD分解后各個(gè)IMF分量的近似熵為模板(即歸一化白噪聲IMF近似熵模板)，對(duì)歸一化方向盤轉(zhuǎn)角轉(zhuǎn)角的各個(gè)IM分量的F近似熵進(jìn)行對(duì)比分析，落在模板之外的認(rèn)為該IMF分量為含駕駛員駕駛動(dòng)態(tài)行為(也稱為駕駛行為信息，包括駕駛習(xí)慣、精神狀態(tài)等信息)的有效分量，落在歸一化白噪聲IMF近似熵模板之內(nèi)的IMF分量是不含駕駛動(dòng)態(tài)行為的無效分量。因而，采用本發(fā)明實(shí)現(xiàn)了車輛行駛狀態(tài)數(shù)據(jù)(即方向盤轉(zhuǎn)角信號(hào))中駕駛行為信息的有效分離，消弱道路信息對(duì)駕駛員精神狀態(tài)分量的影響，提高了駕駛員精神狀態(tài)分類器的準(zhǔn)確性，能有效提高駕駛狀態(tài)辨識(shí)精度。

10、所采用的樣本庫(kù)建立方法實(shí)現(xiàn)簡(jiǎn)便，只需在所駕駛車輛上布設(shè)對(duì)應(yīng)的檢測(cè)單元，即可實(shí)現(xiàn)在對(duì)駕駛員“零干擾”狀態(tài)下駕駛員精神狀態(tài)(也稱駕駛狀態(tài))的在線監(jiān)測(cè)。

11、通過閉環(huán)駕駛系統(tǒng)直接提取行駛狀態(tài)信息，上述閉環(huán)駕駛系統(tǒng)根據(jù)駕駛員所駕駛車型和環(huán)境建立，然后調(diào)整影響駕駛員精神狀態(tài)的參數(shù)(包括神經(jīng)反應(yīng)時(shí)間、動(dòng)作反應(yīng)時(shí)間等參數(shù))來生成車輛行駛狀態(tài)數(shù)據(jù)(即行駛狀態(tài)信息)，該處理為駕駛員精神狀態(tài)特征的尋找提供了計(jì)算數(shù)據(jù)支撐，大幅提高了駕駛員精神狀態(tài)判斷的準(zhǔn)確性、簡(jiǎn)便性和快速性。

12、所采用的樣本庫(kù)建立方法使用效果好且實(shí)用價(jià)值高，能夠通過采集正常駕駛狀態(tài)下的行駛狀態(tài)信息推演出險(xiǎn)態(tài)駕駛狀態(tài)下的樣本信息，能有效解決險(xiǎn)態(tài)駕駛狀態(tài)下行駛狀態(tài)信息的獲取難題，具有快速組建險(xiǎn)態(tài)駕駛辨識(shí)用樣本庫(kù)、所針對(duì)的車型不限、險(xiǎn)態(tài)駕駛狀態(tài)樣本庫(kù)獲取簡(jiǎn)便等特點(diǎn)，并且能滿足不同駕駛員、不同車型的個(gè)性化駕駛狀態(tài)辨識(shí)需求，使駕駛員的駕駛狀態(tài)辨識(shí)變得更加簡(jiǎn)便、實(shí)用和合理。

13、所采用的特征提取方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)簡(jiǎn)便、使用效果好，采用小波包分解方法或多小波包分解方法進(jìn)行特征量提取，再采用核主成分分析(KPCA)法作為高維特征的約簡(jiǎn)方法，以減少特征維數(shù)提高計(jì)算效率，利用KPCA的方法對(duì)原始樣本向量進(jìn)行預(yù)處理，能消除特征參數(shù)間的冗余及噪聲對(duì)特征的干擾，達(dá)到凝煉特征的目的，采用核主成分分析(KPCA)法不僅可以減少輸入向量的維數(shù)，而且提高了分類器的泛化能力，加快了識(shí)別速度。同時(shí)，也可以采用t檢驗(yàn)法選取特征量，起到對(duì)高維特征進(jìn)行約簡(jiǎn)的目的，并且所選取的特征量對(duì)于正常駕駛狀態(tài)樣本與險(xiǎn)態(tài)駕駛狀態(tài)樣本而言差異非常明顯，由于被監(jiān)測(cè)駕駛員正常駕駛與險(xiǎn)態(tài)駕駛時(shí)所選取特征量的概率密度重疊度很小，因而不僅有效加快了識(shí)別(也稱辨識(shí))速度，同時(shí)大幅提高了識(shí)別精度。

14、由于駕駛操縱行為的復(fù)雜、耦合和動(dòng)態(tài)性，車輛行駛狀態(tài)信息具有多態(tài)性的特點(diǎn)，提出基于多小波包分解的時(shí)頻特征提取方法，克服小波包分解的局限性，基于多小波包分解的特征提取方法所提取特征量的可靠性大幅提高，被監(jiān)測(cè)駕駛員正常駕駛與險(xiǎn)態(tài)駕駛時(shí)所提取特征量的概率密度重疊度非常小，更有利于駕駛狀態(tài)準(zhǔn)確、快速辨識(shí)。

15、所采用的分類方法設(shè)計(jì)合理、實(shí)現(xiàn)方便且分類速度快、分類精度高，能有效解決目前駕駛員駕駛狀態(tài)無法準(zhǔn)確、快速辨識(shí)的難題。

16、方法設(shè)計(jì)合理、使用效果好且實(shí)用價(jià)值高，通過訓(xùn)練好的二分類模型能實(shí)時(shí)對(duì)駕駛員的駕駛狀態(tài)進(jìn)行準(zhǔn)備判斷、辨識(shí)。

綜上所述，本發(fā)明方法步驟簡(jiǎn)單、設(shè)計(jì)合理且實(shí)現(xiàn)簡(jiǎn)便、使用效果好，能簡(jiǎn)便、快速對(duì)駕駛員的駕駛狀態(tài)進(jìn)行準(zhǔn)確辨識(shí)，并且辨識(shí)精度高。

下面通過附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

附圖說明

圖1為本發(fā)明的方法流程框圖。

圖1-1為本發(fā)明的樣本庫(kù)建立方法流程框圖。

圖2為本發(fā)明行駛狀態(tài)信息監(jiān)測(cè)裝置與數(shù)據(jù)處理器的電路原理框圖。

圖3-1為本發(fā)明采用多小波包分解模塊對(duì)方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后獲得的第8頻帶能量的概率密度對(duì)比圖。

圖3-2為本發(fā)明采用多小波包分解模塊對(duì)方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后獲得的第11頻帶能量的概率密度對(duì)比圖。

圖3-3為本發(fā)明采用小波包分解模塊對(duì)方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后獲得的第8頻帶能量的概率密度對(duì)比圖。

圖3-4為本發(fā)明采用小波包分解模塊對(duì)方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后獲得的第11頻帶能量的概率密度對(duì)比圖。

圖4為本發(fā)明需矯正方向盤轉(zhuǎn)角信號(hào)的示意圖。

圖5為本發(fā)明矯正后方向盤轉(zhuǎn)角信號(hào)的示意圖。

圖6為本發(fā)明從需矯正方向盤轉(zhuǎn)角信號(hào)中剝離出的道路信息示意圖。

圖6-1為本發(fā)明被監(jiān)測(cè)駕駛員所駕駛車輛的質(zhì)心軌跡曲率示意圖。

圖7-1為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF1的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-2為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF2的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-3為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF3的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-4為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF4的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-5為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF5的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-6為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF6的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-7為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF7的近似熵和平均周期對(duì)數(shù)分布示意圖。

圖7-8為本發(fā)明所構(gòu)建模擬信號(hào)經(jīng)EMD分解后的IMF8的近似熵和平均周期對(duì)數(shù)分布示意圖。

附圖標(biāo)記說明:

1—行駛狀態(tài)信息監(jiān)測(cè)裝置； 1-1—方向盤轉(zhuǎn)角檢測(cè)單元；

1-2—側(cè)向加速度檢測(cè)單元； 1-3—位移檢測(cè)單元；

1-4—側(cè)偏角檢測(cè)單元； 2—數(shù)據(jù)處理器；

具體實(shí)施方式

如圖1所示的一種基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，包括以下步驟：

步驟一、樣本庫(kù)建立：采用數(shù)據(jù)處理器2建立樣本庫(kù)，所建立的樣本庫(kù)內(nèi)存儲(chǔ)有兩類樣本，一類樣本為正常駕駛狀態(tài)樣本且該類樣本中包括被監(jiān)測(cè)駕駛員正常駕駛狀態(tài)下測(cè)得的多個(gè)方向盤轉(zhuǎn)角信號(hào)，另一類樣本為險(xiǎn)態(tài)駕駛狀態(tài)樣本且該類樣本中包括被監(jiān)測(cè)駕駛員險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)方向盤轉(zhuǎn)角信號(hào)；

步驟二、基于進(jìn)似熵模板匹配的道路信息剝離：采用數(shù)據(jù)處理器2且調(diào)用基于進(jìn)似熵模板匹配的信號(hào)矯正模塊對(duì)所述樣本庫(kù)內(nèi)的各方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行矯正，所有方向盤轉(zhuǎn)角信號(hào)的矯正方法均相同；對(duì)任一個(gè)所述方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行矯正時(shí)，過程如下：

步驟201、方向盤轉(zhuǎn)角信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解：調(diào)用經(jīng)驗(yàn)?zāi)B(tài)分解模塊對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲得n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)；n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)均為離散函數(shù)；

其中，方向盤轉(zhuǎn)角信號(hào)x(t)為被監(jiān)測(cè)駕駛員所駕駛車輛的方向盤轉(zhuǎn)角隨時(shí)間變化的函數(shù)；方向盤轉(zhuǎn)角信號(hào)x(t)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果為：式(1-1)中c_i(t)為方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的第i個(gè)本征模態(tài)函數(shù)分量，i為正整數(shù)且其本征模態(tài)函數(shù)分量的編號(hào)，i＝1、2、…、n；r_n(t)為方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的趨勢(shì)項(xiàng)；

步驟202、本征模態(tài)函數(shù)分量有效性識(shí)別：調(diào)用本征模態(tài)函數(shù)分量有效性識(shí)別模塊，且根據(jù)預(yù)先建立的白噪聲近似熵分布區(qū)間模板，對(duì)步驟201中分解出的方向盤轉(zhuǎn)角信號(hào)x(t)的n個(gè)本征模態(tài)函數(shù)分量分別進(jìn)行有效性識(shí)別；n個(gè)本征模態(tài)函數(shù)分量的有效性識(shí)別方法均相同；

對(duì)所述白噪聲近似熵分布區(qū)間模板進(jìn)行建立時(shí)，采用所述數(shù)據(jù)處理設(shè)備進(jìn)行建立，過程如下：

步驟Ⅰ、樣本獲?。寒a(chǎn)生多個(gè)隨機(jī)白噪聲信號(hào)作為樣本，多個(gè)所述白噪聲信號(hào)的數(shù)據(jù)長(zhǎng)度均相同；

其中，產(chǎn)生的第j個(gè)隨機(jī)白噪聲信號(hào)，記作ζ_j(t)；j為隨機(jī)白噪聲信號(hào)的編號(hào)且其為正整數(shù)，j＝1、2、…、N；N為本步驟中所產(chǎn)生隨機(jī)白噪聲信號(hào)的總數(shù)量；

步驟Ⅱ、經(jīng)驗(yàn)?zāi)B(tài)分解：調(diào)用所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊，對(duì)步驟Ⅰ中各白噪聲信號(hào)分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲得各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)；n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)均為離散函數(shù)；

其中，ζ_j(t)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果為：式(1-2)中c_i,j(t)為ζ_j(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的第i個(gè)本征模態(tài)函數(shù)分量，r_n,j(t)為ζ_j(t)經(jīng)驗(yàn)?zāi)B(tài)分解后獲得的趨勢(shì)項(xiàng)；

步驟Ⅲ、近似熵與平均周期自然對(duì)數(shù)計(jì)算：調(diào)用近似熵計(jì)算模塊，對(duì)步驟Ⅱ中各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵分別進(jìn)行計(jì)算；同時(shí)，調(diào)用平均周期計(jì)算模塊，對(duì)各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的平均周期分別進(jìn)行計(jì)算，并求解出各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的平均周期對(duì)數(shù)；其中，平均周期對(duì)數(shù)為平均周期的自然對(duì)數(shù)；

步驟Ⅳ、二維聯(lián)合概率密度函數(shù)確定：根據(jù)步驟Ⅲ中計(jì)算得出的各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵和平均周期對(duì)數(shù)，調(diào)用二維聯(lián)合概率密度函數(shù)確定模塊，獲取白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)；

其中，根據(jù)步驟Ⅲ中計(jì)算得出的N個(gè)所述白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的近似熵和平均周期對(duì)數(shù)，且調(diào)用所述二維聯(lián)合概率密度函數(shù)確定模塊，得出白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)，記作f(p_i,t_i)；其中，p_i和t_i分別表示白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)；

步驟Ⅴ、白噪聲近似熵分布區(qū)間模板獲?。焊鶕?jù)步驟Ⅳ中獲得的白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)，獲得白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間；所述置信區(qū)間的置信水平為c％，其中c％＝92％～99％；

其中，白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間組成所述白噪聲近似熵分布區(qū)間模板；

對(duì)步驟201中分解出的第i個(gè)本征模態(tài)函數(shù)分量c_i(t)進(jìn)行有效性識(shí)別時(shí)，包括以下步驟：

步驟2021、近似熵與平均周期自然對(duì)數(shù)計(jì)算：調(diào)用步驟Ⅲ中所述近似熵計(jì)算模塊，計(jì)算得出c_i(t)的近似熵；同時(shí)，調(diào)用步驟Ⅲ中所述平均周期計(jì)算模塊，計(jì)算得出c_i(t)的平均周期對(duì)數(shù)；

步驟2022、有效性識(shí)別：根據(jù)步驟2021中計(jì)算得出的c_i(t)的近似熵與平均周期自然對(duì)數(shù)，判斷c_i(t)是否落入步驟Ⅴ中獲得的白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間內(nèi)：當(dāng)落入步驟Ⅴ中獲得的白噪聲信號(hào)的第i個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間內(nèi)時(shí)，說明c_i(t)為有效本征模態(tài)函數(shù)分量；否則，說明c_i(t)為虛假本征模態(tài)函數(shù)分量；

步驟2023、多次重復(fù)步驟2021至步驟2022，直至完成步驟201中分解出的n個(gè)本征模態(tài)函數(shù)分量的有效性識(shí)別過程，獲得方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后的所有有效本征模態(tài)函數(shù)分量；

步驟203、信號(hào)重構(gòu)：利用步驟2023中獲得的方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)驗(yàn)?zāi)B(tài)分解后的所有有效本征模態(tài)函數(shù)分量和步驟201中分解出的趨勢(shì)項(xiàng)，重構(gòu)出方向盤轉(zhuǎn)角信號(hào)x'(t)；x'(t)為對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行矯正后獲得的信號(hào)且其為將方向盤轉(zhuǎn)角信號(hào)x(t)中的道路信息剝離后的信號(hào)；

步驟204、多次重復(fù)步驟201至步驟203，直至完成所述樣本庫(kù)中所有方向盤轉(zhuǎn)角信號(hào)的矯正過程，矯正后的所有方向盤轉(zhuǎn)角信號(hào)組成矯正后樣本庫(kù)；

步驟三、特征提?。翰捎脭?shù)據(jù)處理器2從步驟204中所述矯正后樣本庫(kù)中的各方向盤轉(zhuǎn)角信號(hào)中分別提取出能代表并區(qū)別該方向盤轉(zhuǎn)角信號(hào)的一組特征參數(shù)，且該組特征參數(shù)包括W個(gè)特征量，并對(duì)W個(gè)所述特征量進(jìn)行編號(hào)，W個(gè)所述特征量組成一個(gè)特征向量，其中W≥2；所提取出的每個(gè)所述方向盤轉(zhuǎn)角的特征向量均為一個(gè)訓(xùn)練樣本，步驟104中所述樣本庫(kù)中所有方向盤轉(zhuǎn)角信號(hào)的特征向量組成訓(xùn)練樣本集；

步驟四、二分類模型建立與訓(xùn)練：采用數(shù)據(jù)處理器2建立二分類模型，所述二分類模型為支持向量機(jī)模型；再采用數(shù)據(jù)處理器2將步驟三中所述訓(xùn)練樣本集中的各訓(xùn)練樣本分別輸入到所建立的二分類模型進(jìn)行訓(xùn)練；

步驟五、行駛狀態(tài)信息采集及同步分類：按照預(yù)先設(shè)定的采樣頻率對(duì)被監(jiān)測(cè)駕駛員駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行采集，并將當(dāng)前時(shí)刻所采集的方向盤轉(zhuǎn)角信號(hào)同步輸入至步驟四中所建立的二分類模型中，并自動(dòng)輸出被監(jiān)測(cè)駕駛員當(dāng)前的駕駛狀態(tài)，所輸出的駕駛狀態(tài)為正常駕駛狀態(tài)或險(xiǎn)態(tài)駕駛狀態(tài)。

本實(shí)施例中，步驟四中采用數(shù)據(jù)處理器2建立二分類模型時(shí)，選用徑向基函數(shù)作為所述二分類模型的核函數(shù)。

其中，所選用的徑向基函數(shù)為RBF核函數(shù)。

本實(shí)施例中，步驟五中將當(dāng)前時(shí)刻所采集的方向盤轉(zhuǎn)角信號(hào)同步輸入至所述二分類模型時(shí)，先按照步驟三中所述的特征提取方法，對(duì)當(dāng)前時(shí)刻所采集的方向盤轉(zhuǎn)角信號(hào)進(jìn)行特征提取，再將提取出的當(dāng)前時(shí)刻所采集方向盤轉(zhuǎn)角信號(hào)的特征向量輸入至所述二分類模型中。

實(shí)際使用時(shí)，步驟三中進(jìn)行特征提取時(shí)，對(duì)步驟104中所述樣本庫(kù)中的各方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行特征提??；每個(gè)所述方向盤轉(zhuǎn)角信號(hào)的特征提取方法均相同；

對(duì)任一個(gè)所述方向盤轉(zhuǎn)角信號(hào)進(jìn)行特征提取時(shí)，先采用數(shù)據(jù)處理器2且調(diào)用小波包分解模塊或多小波包分解模塊對(duì)該方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行小波包分解，并對(duì)小波包分解后的各層小波包分解系數(shù)分別進(jìn)行重構(gòu)，獲得各頻帶信號(hào)；之后，采用數(shù)據(jù)處理器2且調(diào)用能量譜分析模塊對(duì)所獲得的各頻帶信號(hào)分別進(jìn)行能量譜分析并獲得各頻帶信號(hào)的能量(也稱各頻帶的能量，簡(jiǎn)稱頻帶能量)，再?gòu)乃@得的各頻帶信號(hào)能量中選取W個(gè)能代表并區(qū)別該方向盤轉(zhuǎn)角信號(hào)的頻帶信號(hào)能量組成該方向盤轉(zhuǎn)角信號(hào)的所述特征向量。

其中，采用調(diào)用小波包分解模塊或多小波包分解模塊對(duì)該方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行小波包分解時(shí)，所采用的小波包分解方法均為常規(guī)的小波包分解方法或多小波包分解方法。

本實(shí)施例中，對(duì)任一個(gè)所述方向盤轉(zhuǎn)角信號(hào)進(jìn)行特征提取時(shí)，采用數(shù)據(jù)處理器2且調(diào)用多小波包分解模塊對(duì)該方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行小波包分解。

正如小波包分析(也稱小波包分解)是小波分析的進(jìn)一步擴(kuò)展一樣，多小波包分析(也稱多小波包分解)也是多小波分析的進(jìn)一步深化與推廣，對(duì)比小波包的定義可以類推出多小波包的定義。多小波分解僅在尺度空間V_j進(jìn)行了不同分辨率的空間分解，對(duì)其補(bǔ)空間W_j不再分解，這就造成在信號(hào)的高頻段時(shí)間分辨率越高頻率分辨率越低的問題，多小波包通過對(duì)空間W_j繼續(xù)進(jìn)行多尺度分解，更加精細(xì)的分析方法克服了上述缺點(diǎn)，多小波包分析能夠得到信號(hào)任意細(xì)節(jié)的頻帶信息。下面給出平方可積空間L²(R)中關(guān)于正交多小波的正交分解：

設(shè)U₀(t)＝Φ(t)，U₁(t)＝Ψ(t)，多小波包變化用一新的子空間將尺度子空間V_j和小波子空間W_j統(tǒng)一起來。設(shè)根據(jù)多小波的多分辨率空間分解的相關(guān)定義，得到下列多小波重構(gòu)公式：

同理，應(yīng)用多分辨率分析(MRA)關(guān)系：能推演出多小波子空間的分解層次關(guān)系式：由此多小波包分解一般表達(dá)式能寫成

多小波具有正交性的特點(diǎn)決定多小波包分解后的信號(hào)是相互獨(dú)立的，換而言之多小波包分解后的信號(hào)是原信號(hào)在小波空間內(nèi)的映射，正交性保證了不同分量之間的內(nèi)積為零，也就是說多小波包分解后的信號(hào)只能保留自身的平方項(xiàng)，物理定律能量守恒原理能恰當(dāng)表示該關(guān)系，其數(shù)學(xué)表達(dá)式如下：式中為計(jì)算時(shí)間序列能量的運(yùn)算符，其含義為時(shí)間序列的平方和的平均值，x^k,m(i)為在分辨率為j水平下的子空間中的離散序列。假設(shè)待分析信號(hào)x(t)的數(shù)據(jù)長(zhǎng)度為N，根據(jù)多小波包分解的Mallet算法可知，x^k,m(i)的數(shù)據(jù)長(zhǎng)度將會(huì)因向下抽樣而縮短，設(shè)k表示分解次數(shù)，那么經(jīng)過k次分解后它的長(zhǎng)度將變?yōu)?^-kN，由能量運(yùn)算符的定義可知，x^k,m(i)的能量表示為：參考小波包能量監(jiān)測(cè)都是用歸一化相對(duì)能量的做法，定義第m頻帶相對(duì)能量(也稱第m頻帶信號(hào)的能量)為：根據(jù)能量守恒原理，顯然有

實(shí)際使用時(shí)，多小波包分解方法也可以參考1999年《吉林大學(xué)自然科學(xué)學(xué)報(bào)》03期中公開的戴宇、周蘊(yùn)時(shí)發(fā)表的《L²(R)的多小波包分解》一文；并且，也可以參考《電力自動(dòng)化設(shè)備》2009年第1月公開的李東敏、劉志剛、蘇玉香、蔡軍發(fā)表的《基于多小波包和人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)故障類型識(shí)別》一文。

實(shí)際使用時(shí)，W≥10。

本實(shí)施例中，從所獲得的各頻帶信號(hào)能量中選取W個(gè)能代表并區(qū)別該方向盤轉(zhuǎn)角信號(hào)的頻帶信號(hào)能量組成該方向盤轉(zhuǎn)角信號(hào)的所述特征向量時(shí)，采用t檢驗(yàn)法或核主成分分析法從所獲得的各頻帶信號(hào)能量中選取W個(gè)所述頻帶信號(hào)的能量；

其中，采用t檢驗(yàn)法選取W個(gè)所述頻帶信號(hào)的能量時(shí)，先采用數(shù)據(jù)處理器2且調(diào)用概率密度計(jì)算模塊，計(jì)算得出步驟104中所述樣本庫(kù)中每個(gè)所述方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后的各頻帶信號(hào)能量的概率密度；再根據(jù)計(jì)算得出的各頻帶信號(hào)能量的概率密度，采用數(shù)據(jù)處理器2且調(diào)用t檢驗(yàn)?zāi)K進(jìn)行分析，找出能將所述樣本庫(kù)中兩類樣本區(qū)分開的W個(gè)所述頻帶信號(hào)的能量；

采用核主成分分析法選取W個(gè)所述頻帶信號(hào)的能量時(shí)，采用數(shù)據(jù)處理器2且調(diào)用核主成分分析模塊從所獲得的各頻帶信號(hào)能量中選取W個(gè)所述頻帶信號(hào)的能量。

其中，采用核主成分分析法選取W個(gè)所述頻帶信號(hào)的能量時(shí)，所采用的核主成分分析法為常規(guī)的核主成分分析法。

本實(shí)施例中，采用數(shù)據(jù)處理器2且調(diào)用t檢驗(yàn)?zāi)K進(jìn)行分析時(shí)，采用常規(guī)的t檢驗(yàn)法。

t檢驗(yàn)，亦稱student t檢驗(yàn)(Student's t test)，主要用于樣本含量較小，總體標(biāo)準(zhǔn)差σ未知的正態(tài)分布資料。t檢驗(yàn)是用t分布理論來推論差異發(fā)生的概率，從而比較兩個(gè)平均數(shù)的差異是否顯著。它與f檢驗(yàn)、卡方檢驗(yàn)并列。

其中，t檢驗(yàn)分為單總體t檢驗(yàn)和雙總體t檢驗(yàn)。本實(shí)施例中，采用單總體t檢驗(yàn)。

并且，采用數(shù)據(jù)處理器2且調(diào)用t檢驗(yàn)?zāi)K進(jìn)行分析時(shí)，對(duì)所述正常駕駛狀態(tài)樣本和所述險(xiǎn)態(tài)駕駛狀態(tài)樣本中進(jìn)行特征提取后的各頻帶信號(hào)能量(也稱各頻帶能量)分別進(jìn)行t檢驗(yàn)。其中，對(duì)所述正常駕駛狀態(tài)樣本和所述險(xiǎn)態(tài)駕駛狀態(tài)樣本中進(jìn)行特征提取后的任一個(gè)頻帶信號(hào)能量(也稱任一個(gè)頻帶能量)進(jìn)行t檢驗(yàn)時(shí)，判斷所述正常駕駛狀態(tài)樣本和所述險(xiǎn)態(tài)駕駛狀態(tài)樣本中進(jìn)行特征提取后的該頻帶信號(hào)能量(該頻帶能量)的概率密度之間是否存在差異。待對(duì)所述正常駕駛狀態(tài)樣本和所述險(xiǎn)態(tài)駕駛狀態(tài)樣本中進(jìn)行特征提取后的各頻帶信號(hào)能量(也稱各頻帶能量)分別進(jìn)行t檢驗(yàn)后，根據(jù)t檢驗(yàn)結(jié)果，從中選取所述正常駕駛狀態(tài)樣本和所述險(xiǎn)態(tài)駕駛狀態(tài)樣本中進(jìn)行特征提取后存在顯著差異的W個(gè)頻帶信號(hào)能量。本實(shí)施例中，W＝21。實(shí)際使用時(shí)，可根據(jù)具體需要，對(duì)W的取值大小進(jìn)行相應(yīng)調(diào)整。

其中，對(duì)所述正常駕駛狀態(tài)樣本和所述險(xiǎn)態(tài)駕駛狀態(tài)樣本中進(jìn)行特征提取后的任一個(gè)頻帶信號(hào)能量(也稱任一個(gè)頻帶能量)進(jìn)行t檢驗(yàn)時(shí)，檢驗(yàn)水平α＝0.05作為顯著水平，從輸出結(jié)果查看t檢驗(yàn)的P值，是否達(dá)到顯著水平：是，接受H₁(H₁表示兩類樣本之間存在差異)，拒絕H₀(H₀表示兩類樣本之間不存在差異)；否，接受H₀，拒絕H₁。

本實(shí)施例中，t檢驗(yàn)的P值的含義是從H₀規(guī)定的總體隨機(jī)抽樣等于或者大于現(xiàn)有樣本獲得的檢驗(yàn)統(tǒng)計(jì)量的概率：若P≤α，按所取檢驗(yàn)水平，拒絕H₀，接受H₁，并得出兩類樣本間有顯著差異的結(jié)論。

實(shí)際使用時(shí)，步驟101中預(yù)先設(shè)計(jì)的監(jiān)測(cè)頻率為3Hz～10Hz。

并且，步驟五中預(yù)先設(shè)定的采樣頻率與步驟101中預(yù)先設(shè)計(jì)的監(jiān)測(cè)頻率相同，步驟五中預(yù)先設(shè)定的采樣頻率為3Hz～10Hz。

本實(shí)施例中，步驟101中所述的監(jiān)測(cè)頻率為5Hz。并且，步驟五中預(yù)先設(shè)定的采樣頻率f_s＝5Hz。

實(shí)際使用時(shí)，可根據(jù)具體需要，對(duì)所述監(jiān)測(cè)頻率和所述采樣頻率進(jìn)行相應(yīng)調(diào)整。

本實(shí)施例中，對(duì)調(diào)用多小波包分解模塊對(duì)所述方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解時(shí)，6層多小波包分解，得到64個(gè)頻帶能量，并且計(jì)算得出頻帶寬度＝f_s/(64×2)＝0.039Hz。并且，小波基函數(shù)選擇為Db6小波。

為比較小波包分解與多小波包分解的辨識(shí)結(jié)果，以下對(duì)11名被監(jiān)測(cè)駕駛員駕駛過程中(包括正常駕駛狀態(tài)和險(xiǎn)態(tài)駕駛狀態(tài)，具體為疲勞駕駛狀態(tài))的方向盤轉(zhuǎn)角信號(hào)進(jìn)行小波包分解后的各頻帶能量進(jìn)行對(duì)比，頻帶能量在疲勞駕駛狀態(tài)(即險(xiǎn)態(tài)駕駛狀態(tài))與正常駕駛狀態(tài)之間有顯著差異不少于21個(gè)。通過t檢驗(yàn)分析從中選擇最具代表性的且與被監(jiān)測(cè)駕駛員的精神狀態(tài)關(guān)聯(lián)性最強(qiáng)的21個(gè)頻帶能量構(gòu)成特征向量。其中，頻帶能量也稱為相對(duì)頻帶能量指標(biāo)或頻帶相對(duì)能量指標(biāo)。此處，以第8頻帶(0.274Hz～0313Hz)與第11頻帶(0.390Hz～0.430Hz)的能量為例，詳見圖3-1、圖3-2、圖3-3和圖3-4。

通過對(duì)比能發(fā)現(xiàn)：多小波包分解后獲得的頻帶能量的疲勞駕駛狀態(tài)特征比較明顯，正常駕駛狀態(tài)與疲勞駕駛狀態(tài)的差異性大，這表明多小波包分解更適合提取車輛行駛狀態(tài)信息中的疲勞駕駛特征。經(jīng)過t檢驗(yàn)(水平α＝0.05)證明在正常駕駛狀態(tài)和疲勞駕駛狀態(tài)下，不論是多小波包分解和還是小波包分解，第8頻帶與第11頻帶的小波包分解后獲得的頻帶能量指標(biāo)均具有顯著差異；并且，從圖3-1、圖3-2、圖3-3和圖3-4能明顯看出，多小波包分解后獲得頻帶能量的的方法所獲得的特征指標(biāo)的可靠性要高的多，因?yàn)檎ｑ{駛狀態(tài)與疲勞駕駛狀態(tài)下能量特征指標(biāo)的概率密度重疊度很小，更加便于辨識(shí)。

本實(shí)施例中，c％＝95％。

實(shí)際使用時(shí)，可根據(jù)具體需要，對(duì)c％的取值大小進(jìn)行相應(yīng)調(diào)整。

經(jīng)驗(yàn)?zāi)B(tài)分解后，獲得的n個(gè)本征模態(tài)函數(shù)分量(即IMF分量)的頻率分辨率是不同的，這點(diǎn)不同于小波分析中時(shí)間與頻率相互影響特性。因而，經(jīng)驗(yàn)?zāi)B(tài)(EMD)分解保留了原信號(hào)的非線性、非平穩(wěn)性的特征。

本實(shí)施例中，步驟201中進(jìn)行方向盤轉(zhuǎn)角信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解之前，先調(diào)用歸一化處理模塊，對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行歸一化處理；再調(diào)用所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊，對(duì)歸一化處理后的方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解；

步驟Ⅱ中進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解之前，先調(diào)用所述歸一化處理模塊，對(duì)步驟Ⅰ中各白噪聲信號(hào)分別進(jìn)行歸一化處理；再調(diào)用所述經(jīng)驗(yàn)?zāi)B(tài)分解模塊，對(duì)歸一化處理后的各白噪聲信號(hào)分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解。

本實(shí)施例中，步驟2021中對(duì)c_i(t)的近似熵和平均周期對(duì)數(shù)進(jìn)行計(jì)算時(shí)，所采用的近似熵和平均周期對(duì)數(shù)的計(jì)算方法與步驟Ⅲ中采用的計(jì)算方法相同。

其中，近似熵(Approximate Entropy，ApEn)是由Steve Pincus提出的一種從統(tǒng)計(jì)學(xué)角度反映隨機(jī)時(shí)間序列復(fù)雜度的指標(biāo)。

本實(shí)施例中，步驟Ⅲ中調(diào)用所述近似熵計(jì)算模塊對(duì)各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵進(jìn)行計(jì)算時(shí)，所有本征模態(tài)函數(shù)分量的近似熵的計(jì)算方法均相同；

其中，c_i,j(t)的近似熵，記作IMF-ApEn_i,j；對(duì)c_i,j(t)的近似熵進(jìn)行計(jì)算時(shí)，過程如下：

步驟Ⅲ-1、排列組成m維向量O(k)：按照c_i,j(t)中的各數(shù)據(jù)先后順序，將c_i,j(t)中的m個(gè)數(shù)據(jù)排列組成M₀-m+1個(gè)m維矢量；

其中，c_i,j(t)中包含M₀個(gè)數(shù)據(jù)且M₀個(gè)數(shù)據(jù)分別為c_i,j(1)、c_i,j(2)、…、c_i,j(M₀)，M₀為c_i,j(t)的數(shù)據(jù)長(zhǎng)度且其為正整數(shù)；m為預(yù)先設(shè)定的嵌入維數(shù)，m為正整數(shù)且m≥2；

M₀-m+1個(gè)m維矢量中第k個(gè)m維矢量，記作O(k)；

并且，O(k)＝[c_i,j(k),c_i,j(k+1),…,c_i,j(k+m-1)] (2-0)，其中k為正整數(shù)且k＝1、2、…、M₀-m+1；

步驟Ⅲ-2、Hausdorff空間距離計(jì)算：調(diào)用Hausdorff空間距離計(jì)算模塊，計(jì)算得出M-m+1個(gè)所述m維矢量中任一個(gè)m維矢量與其它M-m個(gè)m維矢量之間的Hausdorff空間距離；

其中，m維矢量O(k)與m維矢量O(g)之間的Hausdorff空間距離，記作d[O(k),O(g)]；m維矢量O(g)為步驟Ⅲ-1中M-m+1個(gè)m維矢量中第g個(gè)m維矢量，g為正整數(shù)且g＝1、2、…、M-m+1，g≠k；

步驟Ⅲ-3、m維矢量間相似度計(jì)算：根據(jù)預(yù)先限定的相似容限r(nóng)，計(jì)算得出M-m+1個(gè)所述m維矢量中任一個(gè)m維矢量與其它M-m個(gè)m維矢量之間的相似度；

其中，m維矢量O(k)與其它M-m個(gè)m維矢量之間的相似度，記作根據(jù)公式進(jìn)行計(jì)算；r＞0；

式(2-2)中，

步驟Ⅲ-4、Φ^m(r)計(jì)算：根據(jù)步驟Ⅲ-3中計(jì)算得出的M-m+1個(gè)所述m維矢量中任一個(gè)m維矢量與其它M-m個(gè)m維矢量之間的相似度，并按照公式計(jì)算得出Φ^m(r)；Φ^m(r)為平均值；

步驟Ⅲ-5、Φ^m+1(r)計(jì)算：按照步驟Ⅲ-1至步驟Ⅲ-4中所述的方法，計(jì)算得出Φ^m+1(r)；

步驟Ⅲ-6、近似熵計(jì)算：根據(jù)公式IMF-ApEn_i,j＝Φ^m(r)-Φ^m+1(r) (2-5)，計(jì)算得出IMF-ApEn_i,j。

其中，步驟Ⅲ-2中所述的Hausdorff空間距離，簡(jiǎn)稱“Hausdorff距離”，即豪斯多夫距離，是豪斯多夫距離量度度量空間中真子集之間的距離。豪斯多夫距離量度度量空間中真子集之間的距離。

由上述近似熵的計(jì)算過程可知，近似熵的計(jì)算值與嵌入維度m和相似容限r(nóng)有關(guān)，若相似容限r(nóng)減少，則滿足相似條件的模式就會(huì)減少，其近似熵的估計(jì)準(zhǔn)確度就會(huì)變差；相反，如果相似容限r(nóng)增加，其相似模式過多，時(shí)間序列的細(xì)節(jié)信息又會(huì)丟失。因而，嵌入維度m和相似容限r(nóng)的取值至關(guān)重要。

本實(shí)施例中，所述的m＝2。

并且，r＝c₀×S_td[c_i,j(t)]；其中，c₀＝0.1～0.25，S_td[c_i,j(t)]為c_i,j(t)的標(biāo)準(zhǔn)差。c_i,j(t)為一個(gè)時(shí)間序列。本實(shí)施例中，c₀＝0.2。

實(shí)際使用時(shí)，可根據(jù)具體需要，對(duì)m和c₀的取值進(jìn)行相應(yīng)調(diào)整。

由于白噪聲或分形高斯噪聲的經(jīng)驗(yàn)?zāi)B(tài)分解(即EMD分解)相當(dāng)于一組二分濾波器組，其各IMF分量的傅里葉變化譜圖沿著周期或頻率的對(duì)數(shù)近似為單一的形狀。考慮到尺度丟失效應(yīng)，白噪聲的IMF分量個(gè)數(shù)應(yīng)該小于N₀為噪聲序列的長(zhǎng)度。IMF分量(即本征模態(tài)函數(shù)分量)被定義為由局部極大值和極小值形成的包絡(luò)函數(shù)，其極值數(shù)目與過零點(diǎn)相同。IMF分量的平均周期從其定義上可以看出是由其局部峰值的個(gè)數(shù)決定。此處，通過快速傅里葉變換(Fast Fourier Transform，F(xiàn)FT)方法對(duì)平均周期進(jìn)行計(jì)算。其中，平均周期也稱為平均時(shí)間周期。

本實(shí)施例中，步驟Ⅲ中調(diào)用所述平均周期計(jì)算模塊，對(duì)各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的平均周期進(jìn)行計(jì)算時(shí)，所有本征模態(tài)函數(shù)分量的平均周期的計(jì)算方法均相同；

其中，對(duì)c_i,j(t)的平均周期進(jìn)行計(jì)算時(shí)，采用快速傅里葉變換方法且按照公式進(jìn)行計(jì)算；其中，F(xiàn)[c_i,j(t)]表示c_i,j(t)的快速傅里葉變換。

本實(shí)施例中，所述的

c_i,j(t)中包含M個(gè)數(shù)據(jù)，M為c_i,j(t)的數(shù)據(jù)長(zhǎng)度且其為正整數(shù)；M個(gè)數(shù)據(jù)中第h個(gè)數(shù)據(jù)，記作c_i,j(h)；其中，h為正整數(shù)且h＝1、2、…、M。

本實(shí)施例中，步驟Ⅰ中多個(gè)所述隨機(jī)白噪聲信號(hào)的數(shù)據(jù)長(zhǎng)度均與方向盤轉(zhuǎn)角信號(hào)x(t)的數(shù)據(jù)長(zhǎng)度相等。其中，寬信號(hào)的時(shí)寬也稱數(shù)據(jù)長(zhǎng)度。

并且，步驟Ⅰ中所述的N≥200。實(shí)際使用時(shí)，N的取值越大，步驟Ⅳ中所確定的二維聯(lián)合概率密度函數(shù)的精度越高。

步驟Ⅳ中進(jìn)行二維聯(lián)合概率密度函數(shù)確定時(shí)，所確定的二維聯(lián)合概率密度函數(shù)為二維隨機(jī)變量的聯(lián)合概率密度函數(shù)，具體是近似熵和平均周期對(duì)數(shù)的聯(lián)合概率密度函數(shù)。

步驟Ⅳ中進(jìn)行二維聯(lián)合概率密度函數(shù)確定時(shí)，樣本為根據(jù)步驟Ⅲ中計(jì)算得出的各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵和平均周期對(duì)數(shù)，并且需對(duì)計(jì)算得出的各白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵和平均周期對(duì)數(shù)分別進(jìn)行編號(hào)；

并且，根據(jù)公式進(jìn)行確定，其中n₀為樣本數(shù)量，h₀為核估計(jì)窗寬，K()表示二維核函數(shù)，x和y分別表示近似熵，為樣本中第個(gè)近似熵，為第個(gè)平均周期對(duì)數(shù)。其中，i₀為正整數(shù)且i₀＝1、2、…、n₀。

由于EMD分解將信號(hào)自適應(yīng)地分解為一系列IMF分量，但是其中有一部分IMF分量并沒有從物理上解釋信號(hào)的特征，該分量被稱之為虛假分量。EMD分解利用信號(hào)的局部極值信息篩選IMF分量是導(dǎo)致虛假模態(tài)產(chǎn)生的一個(gè)原因，另外，由于信號(hào)中混入噪聲干擾，使得真實(shí)信號(hào)中出現(xiàn)虛假極值點(diǎn)，同樣導(dǎo)致了一些高頻噪聲和低頻分量等虛假模式。

由上述內(nèi)容可知，采用基于白噪聲統(tǒng)計(jì)特征的有效量提取方法，對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行矯正時(shí)，待步驟Ⅳ中白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的近似熵與平均周期對(duì)數(shù)的二維聯(lián)合概率密度函數(shù)確定后，獲得白噪聲信號(hào)的n個(gè)本征模態(tài)函數(shù)分量的置信區(qū)間組成所述白噪聲近似熵分布區(qū)間模板，并利用白噪聲近似熵分布區(qū)間模板作為“篩子”提取方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)EMD分解后的有效信息分量，從而完成方向盤轉(zhuǎn)角信號(hào)x(t)的矯正過程。

并且，利用白噪聲近似熵分布區(qū)間模板作為“篩子”提取方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)EMD分解后的有效信息分量時(shí)，先用對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行歸一化處理，再對(duì)方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行EMD分解，得到不同時(shí)間尺度下的信號(hào)模態(tài)分量(即IMF分量)，再計(jì)算各IMF分量的近似熵和平均周期對(duì)數(shù)，其中近似熵記作ApEn，平均周期對(duì)數(shù)記作Log-M-P；然后，再根據(jù)所獲得的白噪聲近似熵分布區(qū)間模板，比較方向盤轉(zhuǎn)角信號(hào)x(t)經(jīng)EMD分解后的各IMF分量的近似熵和平均周期對(duì)數(shù)，以判別方向盤轉(zhuǎn)角信號(hào)x(t)中各IMF分量中是否包含有虛假模式分量，其中落在白噪聲近似熵分布區(qū)間模板內(nèi)的IMF分量為高頻噪聲IMF分量與低頻虛假IMF分量，落在白噪聲近似熵分布區(qū)間模板外的IMF分量為方向盤轉(zhuǎn)角信號(hào)x(t)的有效信號(hào)分量(effective intrinsic mode functions，EIMF)。

如圖7-1、圖7-2、圖7-3、圖7-4、圖7-5、圖7-6、圖7-7和圖7-8所示，對(duì)歸一化后的方向盤轉(zhuǎn)角信號(hào)x(t)進(jìn)行EMD分解后，各IMF分量的近似熵和平均周期對(duì)數(shù)分布能看出：如圖4所示的方向盤轉(zhuǎn)角信號(hào)x(t)的IMF2、IMF3、IMF4和IMF5分量均落在白噪聲近似熵分布區(qū)間模板(具體是白噪聲信號(hào)的對(duì)應(yīng)本征模態(tài)函數(shù)分量的置信區(qū)間)外，屬于有效本征模態(tài)函數(shù)分量(即EIMF)，IMF2、IMF3、IMF4和IMF5分量的疊加量為包含駕駛員的駕駛習(xí)慣、駕駛精神狀態(tài)等有效分量，詳見圖5；方向盤轉(zhuǎn)角信號(hào)x(t)的IMF1、IMF6、IMF7和IMF8分量落在白噪聲近似熵分布區(qū)間模板(具體是白噪聲信號(hào)的對(duì)應(yīng)本征模態(tài)函數(shù)分量的置信區(qū)間)內(nèi)，IMF1、IMF6、IMF7和IMF8分量均為駕駛行為信息的無效模態(tài)分量，其形成的原因可能是噪聲干擾和道路信息低頻干擾引起的，主要反映的是噪聲干擾和道路信息低頻干擾引起的虛假分量，詳見圖6。由圖6-1可以看出，上述虛假分量與道路曲率具有強(qiáng)相關(guān)性，采用本發(fā)明能有效地剝離方向盤轉(zhuǎn)角信號(hào)中蘊(yùn)含的道路信息。

本實(shí)施例中，對(duì)步驟102中所述車輛動(dòng)力學(xué)模型的傳遞函數(shù)V(s)進(jìn)行計(jì)算時(shí)，對(duì)δ_sw(t)和分別進(jìn)行拉普拉斯變換，得到為計(jì)算簡(jiǎn)便取

因而，對(duì)所述車輛動(dòng)力學(xué)模型的傳遞函數(shù)V(s)進(jìn)行計(jì)算時(shí)，傳遞函數(shù)V(s)的計(jì)算過程為常規(guī)的傳遞函數(shù)計(jì)算過程，并且所述車輛動(dòng)力學(xué)模型的傳遞函數(shù)V(s)為常規(guī)車輛動(dòng)力學(xué)模型的傳遞函數(shù)。

其中，車輛動(dòng)力學(xué)模型參數(shù)G_ay、T_y1、T_y2、T₁和T₂車輛的型號(hào)和車速有關(guān)。并且，G_ay為所述車輛動(dòng)力學(xué)模型的穩(wěn)態(tài)增益且式中V為車輛的行駛速度，l為車輛的軸距，K為車輛的穩(wěn)定性因數(shù)與車輛的車型有關(guān)；式中a和b分別為車輛質(zhì)心到車輛前后軸之間的距離，I_z為車輛繞Z軸(即豎直方向)的轉(zhuǎn)動(dòng)慣量，C₁和C₂分別為車輛前后輪的側(cè)偏系數(shù)，T₂＝0。

由于對(duì)分類模型進(jìn)行建立時(shí)，需建立樣本庫(kù)，所建立的樣本庫(kù)中包括兩類樣本，一類樣本是駕駛員處于正常駕駛狀態(tài)下的行駛狀態(tài)信息，另一類是駕駛員處于險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息。行駛狀態(tài)信息包括方向盤轉(zhuǎn)角、側(cè)向加速度等駕駛狀態(tài)參數(shù)中的一個(gè)或多個(gè)駕駛狀態(tài)參數(shù)。其中，駕駛員處于正常駕駛狀態(tài)下的行駛狀態(tài)信息獲取比較簡(jiǎn)便，采用監(jiān)測(cè)裝置對(duì)駕駛過程中駕駛員的行駛狀態(tài)信息進(jìn)行監(jiān)測(cè)即可；但駕駛員處于險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息的獲取難度非常大，幾乎不可能真實(shí)實(shí)現(xiàn)險(xiǎn)態(tài)駕駛狀態(tài)，因而行駛狀態(tài)信息的監(jiān)測(cè)更無從談起。本發(fā)明采用以下方法建立樣本庫(kù)，能有效解決上述難題。

本實(shí)施例中，步驟一中進(jìn)行樣本庫(kù)建立時(shí)，過程如下：

步驟101、正常駕駛狀態(tài)下行駛狀態(tài)信息獲?。翰捎眯旭偁顟B(tài)信息監(jiān)測(cè)裝置1且按照預(yù)先設(shè)計(jì)的監(jiān)測(cè)頻率，對(duì)被監(jiān)測(cè)駕駛員按照預(yù)先設(shè)計(jì)的路線駕駛過程中所駕駛車輛的行駛狀態(tài)信息進(jìn)行監(jiān)測(cè)，并將所監(jiān)測(cè)信息同步傳送至數(shù)據(jù)處理器2，獲得多個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息；

所述行駛狀態(tài)信息監(jiān)測(cè)裝置1包括對(duì)所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行檢測(cè)的方向盤轉(zhuǎn)角檢測(cè)單元1-1和對(duì)所駕駛車輛的側(cè)向加速度進(jìn)行檢測(cè)的側(cè)向加速度檢測(cè)單元1-2，所述方向盤轉(zhuǎn)角檢測(cè)單元1-1和側(cè)向加速度檢測(cè)單元1-2均與數(shù)據(jù)處理器2連接；每個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息均包括該時(shí)刻方向盤轉(zhuǎn)角檢測(cè)單元1-1所檢測(cè)的方向盤轉(zhuǎn)角和側(cè)向加速度檢測(cè)單元1-2所檢測(cè)的側(cè)向加速度；

步驟102、車輛動(dòng)力學(xué)模型參數(shù)確定：所述數(shù)據(jù)處理器2根據(jù)步驟101中所獲得的多個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息，得出方向盤轉(zhuǎn)角函數(shù)δ_sw(t)和側(cè)向加速度函數(shù)其中，δ_sw(t)為步驟101中駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角隨時(shí)間變化的函數(shù)，為步驟101中駕駛過程中所駕駛車輛的側(cè)向加速度隨時(shí)間變化的函數(shù)；所述數(shù)據(jù)處理器2再根據(jù)公式并結(jié)合步驟101中被監(jiān)測(cè)駕駛員所駕駛車輛的車輛動(dòng)力學(xué)模型的傳遞函數(shù)對(duì)車輛動(dòng)力學(xué)模型參數(shù)G_ay、T_y1、T_y2、T₁和T₂分別進(jìn)行確定；

公式(2)中，δ_sw(s)為方向盤轉(zhuǎn)角函數(shù)δ_sw(t)的拉普拉斯變換，為側(cè)向加速度函數(shù)的拉普拉斯變換；

步驟103、險(xiǎn)態(tài)駕駛狀態(tài)下行駛狀態(tài)信息獲取，過程如下：

步驟1031、隨機(jī)數(shù)生成：采用數(shù)據(jù)處理器2且調(diào)用隨機(jī)數(shù)生成模塊，生成神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組或動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組；

所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組為調(diào)用所述隨機(jī)數(shù)生成模塊生成的一組平均數(shù)為t_d0且方差為σ_d的隨機(jī)數(shù)；其中，t_d0＝0.25～0.5；當(dāng)被監(jiān)測(cè)駕駛員為男性駕駛員時(shí)，σ_d＞7.5；當(dāng)被監(jiān)測(cè)駕駛員為女性駕駛員時(shí)，σ_d＞8；

所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組為調(diào)用所述隨機(jī)數(shù)生成模塊生成的一組平均數(shù)為T_h0且方差為σ_h的隨機(jī)數(shù)；其中，T_h0＝0.12～0.2；當(dāng)被監(jiān)測(cè)駕駛員為男性駕駛員時(shí)，σ_h＞2.6；當(dāng)被監(jiān)測(cè)駕駛員為女性駕駛員時(shí)，σ_d＞1.95；

步驟1032、隨機(jī)數(shù)篩選：先根據(jù)預(yù)先設(shè)定的疲勞度判斷閾值N_tm，采用數(shù)據(jù)處理器2計(jì)算得出神經(jīng)反應(yīng)時(shí)間判斷閾值t_dm或動(dòng)作反應(yīng)時(shí)間判斷閾值T_hm，其中，N_tm＝0.7～0.9；再根據(jù)計(jì)算得出的t_dm或T_hm，對(duì)步驟1031中生成的所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組或所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行篩選，獲得險(xiǎn)態(tài)駕駛狀態(tài)下的神經(jīng)反應(yīng)時(shí)間數(shù)組或動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組；所述神經(jīng)反應(yīng)時(shí)間數(shù)組中包括險(xiǎn)態(tài)駕駛狀態(tài)下神經(jīng)反應(yīng)時(shí)間的多個(gè)隨機(jī)數(shù)，所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組中包括險(xiǎn)態(tài)駕駛狀態(tài)下動(dòng)作反應(yīng)時(shí)間的多個(gè)隨機(jī)數(shù)；公式(3)中t_da和t_db分別為預(yù)先測(cè)試得出的被監(jiān)測(cè)駕駛員神經(jīng)反應(yīng)時(shí)間的上限值和下限值，公式(4)中T_ha和T_hb分別為預(yù)先測(cè)試得出的被監(jiān)測(cè)駕駛員動(dòng)作反應(yīng)時(shí)間的上限值和下限值，t_dm、T_hm、t_da、t_db、T_ha和T_hb的單位均為s；

對(duì)所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行篩選時(shí)，根據(jù)計(jì)算得出的t_dm，采用數(shù)據(jù)處理器2對(duì)所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行判斷；對(duì)所述神經(jīng)反應(yīng)時(shí)間隨機(jī)數(shù)組中的任一個(gè)隨機(jī)數(shù)進(jìn)行判斷時(shí)，判斷該隨機(jī)數(shù)是否大于t_dm，且當(dāng)該隨機(jī)數(shù)＞t_dm時(shí)，判斷為該隨機(jī)數(shù)為險(xiǎn)態(tài)駕駛狀態(tài)下神經(jīng)反應(yīng)時(shí)間的隨機(jī)數(shù)；

對(duì)所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行篩選時(shí)，根據(jù)計(jì)算得出的T_hm，采用數(shù)據(jù)處理器2對(duì)所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行判斷；對(duì)所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組中的任一個(gè)隨機(jī)數(shù)進(jìn)行判斷時(shí)，判斷該隨機(jī)數(shù)是否大于T_hm，且當(dāng)該隨機(jī)數(shù)＞T_hm時(shí)，判斷為該隨機(jī)數(shù)為險(xiǎn)態(tài)駕駛狀態(tài)下動(dòng)作反應(yīng)時(shí)間的隨機(jī)數(shù)；

步驟1033、駕駛員反應(yīng)時(shí)間數(shù)組獲取：采用數(shù)據(jù)處理器2對(duì)步驟1032中所述神經(jīng)反應(yīng)時(shí)間數(shù)組或所述動(dòng)作反應(yīng)時(shí)間隨機(jī)數(shù)組進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算，獲取駕駛員反應(yīng)時(shí)間數(shù)組；所述駕駛員反應(yīng)時(shí)間數(shù)組中包括險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)，每個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)均包括一個(gè)神經(jīng)反應(yīng)時(shí)間和一個(gè)動(dòng)作反應(yīng)時(shí)間；

其中，對(duì)所述神經(jīng)反應(yīng)時(shí)間數(shù)組進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，采用數(shù)據(jù)處理器2對(duì)所述神經(jīng)反應(yīng)時(shí)間數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算；對(duì)所述神經(jīng)反應(yīng)時(shí)間數(shù)組中的任一個(gè)隨機(jī)數(shù)t_di進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，先根據(jù)公式計(jì)算得出神經(jīng)反應(yīng)時(shí)間t_di對(duì)應(yīng)的疲勞度N_ti；再根據(jù)公式計(jì)算得出神經(jīng)反應(yīng)時(shí)間t_di對(duì)應(yīng)的動(dòng)作反應(yīng)時(shí)間T_hi，所述的t_di和T_hi組成一個(gè)駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)；i為正整數(shù)且i＝1、2、…、N_d，N_d為所述神經(jīng)反應(yīng)時(shí)間數(shù)組中所包括隨機(jī)數(shù)的總數(shù)量；

對(duì)所述動(dòng)作反應(yīng)時(shí)間數(shù)組進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，采用數(shù)據(jù)處理器2對(duì)所述動(dòng)作反應(yīng)時(shí)間數(shù)組中的各隨機(jī)數(shù)分別進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算；對(duì)所述動(dòng)作反應(yīng)時(shí)間數(shù)組中的任一個(gè)隨機(jī)數(shù)t_di進(jìn)行時(shí)間數(shù)據(jù)對(duì)計(jì)算時(shí)，先根據(jù)公式計(jì)算得出動(dòng)作反應(yīng)時(shí)間T_hj對(duì)應(yīng)的疲勞度N_tj；再根據(jù)公式計(jì)算得出動(dòng)作反應(yīng)時(shí)間T_hj對(duì)應(yīng)的神經(jīng)反應(yīng)時(shí)間t_dj，所述的t_dj和T_hj組成一個(gè)駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)；j為正整數(shù)且j＝1、2、…、N_h，N_h為所述動(dòng)作反應(yīng)時(shí)間數(shù)組中所包括隨機(jī)數(shù)的總數(shù)量；

步驟1034、行駛狀態(tài)信息獲?。焊鶕?jù)預(yù)先建立的駕駛員模型，采用數(shù)據(jù)處理器2對(duì)步驟1033中所述駕駛員反應(yīng)時(shí)間數(shù)組中的多個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)分別進(jìn)行行駛狀態(tài)信息計(jì)算，獲得N_k組險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息；其中，N_k為正整數(shù)且其為所述駕駛員反應(yīng)時(shí)間數(shù)組中所包括駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)的總數(shù)量，N_k＝N_d或N_h；

步驟101中多個(gè)所述監(jiān)測(cè)時(shí)刻被監(jiān)測(cè)駕駛員所駕駛車輛所處的位置均為監(jiān)測(cè)位置，每組險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息均包括險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)方向盤轉(zhuǎn)角信號(hào)，多個(gè)所述方向盤轉(zhuǎn)角信號(hào)分別為險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在多個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角信號(hào)；

所述駕駛員模型的輸入量為步驟102中所述的輸出量為險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員按照步驟101中預(yù)先設(shè)計(jì)的路線駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角隨時(shí)間變化的函數(shù)；所述駕駛員模型的傳遞函數(shù)為公式(9)中，T_p、t_d和T_h分別為駕駛過程中同一時(shí)刻被監(jiān)測(cè)駕駛員的預(yù)瞄時(shí)間、神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間；所述駕駛員模型與步驟102中所述車輛動(dòng)力學(xué)模型組成閉環(huán)駕駛模型；所述駕駛員模型與步驟102中所述車輛動(dòng)力學(xué)模型組成閉環(huán)駕駛模型；

采用數(shù)據(jù)處理器2對(duì)步驟1033中所述駕駛員反應(yīng)時(shí)間數(shù)組中的任一個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)進(jìn)行行駛狀態(tài)信息計(jì)算時(shí)，根據(jù)公式(9)，并結(jié)合步驟101中所獲得的多個(gè)監(jiān)測(cè)時(shí)刻的側(cè)向加速度以及該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間，獲得與該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在多個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角信號(hào)；

步驟104、樣本庫(kù)建立：采用數(shù)據(jù)處理器2建立樣本庫(kù)，所建立的樣本庫(kù)內(nèi)存儲(chǔ)有兩類樣本，一類樣本為正常駕駛狀態(tài)樣本且該類樣本中包括步驟101中所獲得的多個(gè)監(jiān)測(cè)時(shí)刻的方向盤轉(zhuǎn)角信號(hào)，另一類樣本為險(xiǎn)態(tài)駕駛狀態(tài)樣本且該類樣本中包括步驟1034中獲得的險(xiǎn)態(tài)駕駛狀態(tài)下的多個(gè)方向盤轉(zhuǎn)角信號(hào)。

本實(shí)施例中，步驟五中按照預(yù)先設(shè)定的采樣頻率對(duì)被監(jiān)測(cè)駕駛員駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行采集時(shí)，采用行駛狀態(tài)信息監(jiān)測(cè)裝置1進(jìn)行采集。

實(shí)際使用時(shí)，步驟五中也可以采用角度檢測(cè)裝置按照預(yù)先設(shè)定的采樣頻率對(duì)被監(jiān)測(cè)駕駛員駕駛過程中所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行采集。

本實(shí)施例中，步驟101中所述行駛狀態(tài)信息監(jiān)測(cè)裝置1還包括對(duì)所駕駛車輛的位移進(jìn)行實(shí)時(shí)檢測(cè)的位移檢測(cè)單元1-3，所述位移檢測(cè)單元1-3與數(shù)據(jù)處理器2連接；

步驟101中每個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息均還包括該時(shí)刻位移檢測(cè)單元1-3所檢測(cè)的位移；

步驟101中進(jìn)行正常駕駛狀態(tài)下行駛狀態(tài)信息獲取之前，先建立平面直角坐標(biāo)系；所述位移檢測(cè)單元1-3包括對(duì)所駕駛車輛在X軸方向上的位移進(jìn)行檢測(cè)的X軸方向位移檢測(cè)單元和對(duì)所駕駛車輛在Y軸方向上的位移進(jìn)行檢測(cè)的Y軸方向位移檢測(cè)單元，所述X軸方向位移檢測(cè)單元和所述Y軸方向位移檢測(cè)單元均布設(shè)在所駕駛車輛的質(zhì)心上。

本實(shí)施例中，步驟1034中進(jìn)行險(xiǎn)態(tài)駕駛狀態(tài)下行駛狀態(tài)信息獲取之前，采用數(shù)據(jù)處理器2獲取步驟101中預(yù)先設(shè)計(jì)的路線中多個(gè)不同監(jiān)測(cè)位置處的道路曲率ρ_p；

步驟1034中對(duì)與該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在多個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角進(jìn)行計(jì)算時(shí)，根據(jù)公式(9)，并結(jié)合步驟101中所獲得的該監(jiān)測(cè)位置處的側(cè)向加速度、該監(jiān)測(cè)位置處的道路曲率ρ_p以及該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間進(jìn)行計(jì)算；公式(9)中，公式(10)中，K_p為修正系數(shù)且K_p＝110～150，ρ_p為該監(jiān)測(cè)位置處的道路曲率，為該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的最優(yōu)預(yù)瞄時(shí)間且公式(11)中，t_d和T_h分別為該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間。

實(shí)際對(duì)預(yù)先設(shè)計(jì)的路線中多個(gè)不同監(jiān)測(cè)位置處的道路曲率ρ_p進(jìn)行計(jì)算時(shí)，預(yù)先設(shè)計(jì)的路線為實(shí)際道路經(jīng)過圖像預(yù)處理后得到的理想路徑，不同監(jiān)測(cè)位置處的道路曲率通過ρ_p對(duì)車輛上前置攝像頭獲取的道路圖像信息進(jìn)行處理得到。

為計(jì)算簡(jiǎn)便，步驟101中預(yù)先設(shè)計(jì)的路線為直線形路線或圓弧形路線，預(yù)先設(shè)計(jì)的路線中多個(gè)不同監(jiān)測(cè)位置處的道路曲率均相同。也就是說，實(shí)際道路的路線為直線形路線或圓弧形路線。

其中，當(dāng)預(yù)先設(shè)計(jì)的路線為直線形路線，多個(gè)不同監(jiān)測(cè)位置處的道路曲率均為零；預(yù)先設(shè)計(jì)的路線為圓形路線，多個(gè)不同監(jiān)測(cè)位置處的道路曲率均為R為圓形路線的半徑。

本實(shí)施例中，步驟101中所述側(cè)向加速度檢測(cè)單元1-2布設(shè)在所駕駛車輛的質(zhì)心上。

實(shí)際使用時(shí)，所述側(cè)向加速度檢測(cè)單元1-2也可以不布設(shè)在所駕駛車輛的質(zhì)心上，根據(jù)側(cè)向加速度檢測(cè)單元1-2與所駕駛車輛質(zhì)心的位置關(guān)系，通過對(duì)側(cè)向加速度檢測(cè)單元1-2的測(cè)量值進(jìn)行換算得出所駕駛車輛質(zhì)心處的側(cè)向加速度。

本實(shí)施例中，步驟101中獲得M個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息，其中M為正整數(shù)且M≥50，步驟104中所述樣本庫(kù)中存儲(chǔ)的所述正常駕駛狀態(tài)樣本的數(shù)量為M個(gè)，每個(gè)所述正常駕駛狀態(tài)樣本均為步驟101中所獲得的一個(gè)監(jiān)測(cè)時(shí)刻的方向盤轉(zhuǎn)角信號(hào)；步驟104中所述樣本庫(kù)中存儲(chǔ)的所述險(xiǎn)態(tài)駕駛狀態(tài)樣本的數(shù)量不小于M個(gè)，每個(gè)所述險(xiǎn)態(tài)駕駛狀態(tài)樣本均為步驟1034中獲得的險(xiǎn)態(tài)駕駛狀態(tài)下的一個(gè)方向盤轉(zhuǎn)角信號(hào)。

本實(shí)施例中，步驟1034中采用數(shù)據(jù)處理器2對(duì)所述駕駛員反應(yīng)時(shí)間數(shù)組中的任一個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)進(jìn)行行駛狀態(tài)信息計(jì)算時(shí)，均獲得與該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對(duì)對(duì)應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測(cè)駕駛員所駕駛車輛在M個(gè)不同監(jiān)測(cè)位置處的方向盤轉(zhuǎn)角信號(hào)；N_k組險(xiǎn)態(tài)駕駛狀態(tài)下的行駛狀態(tài)信息包括險(xiǎn)態(tài)駕駛狀態(tài)下的N_k×M個(gè)所述方向盤轉(zhuǎn)角信號(hào)。

并且，步驟104中所述樣本庫(kù)中存儲(chǔ)的所述險(xiǎn)態(tài)駕駛狀態(tài)樣本的數(shù)量為M個(gè)～N_k×M個(gè)。

本實(shí)施例中，步驟101中所述行駛狀態(tài)信息監(jiān)測(cè)裝置1還包括對(duì)所駕駛車輛的側(cè)偏角進(jìn)行實(shí)時(shí)檢測(cè)的側(cè)偏角檢測(cè)單元1-4，所述側(cè)偏角檢測(cè)單元1-4與數(shù)據(jù)處理器2連接；所述側(cè)偏角檢測(cè)單元1-4布設(shè)在所駕駛車輛的質(zhì)心上；

步驟101中每個(gè)監(jiān)測(cè)時(shí)刻的行駛狀態(tài)信息均還包括該時(shí)刻側(cè)偏角檢測(cè)單元1-4所檢測(cè)的側(cè)偏角。

本實(shí)施例中，步驟101中所述行駛狀態(tài)信息監(jiān)測(cè)裝置1為所駕駛車輛自帶的監(jiān)測(cè)裝置，所述行駛狀態(tài)信息監(jiān)測(cè)裝置1與所駕駛車輛的ECU控制器連接；所述數(shù)據(jù)處理器2與所述ECU控制器連接，所述行駛狀態(tài)信息監(jiān)測(cè)裝置1通過所述ECU控制器與數(shù)據(jù)處理器2連接。

因而，實(shí)際接線非常簡(jiǎn)便。

本實(shí)施例中，步驟1032中所述的N_tm＝0.8。

實(shí)際使用時(shí)，可根據(jù)具體需要，對(duì)N_tm的取值大小進(jìn)行相應(yīng)調(diào)整。

反應(yīng)時(shí)間(reactiontime，RT)簡(jiǎn)稱反應(yīng)時(shí)，是指從接受刺激到機(jī)體做出反應(yīng)動(dòng)作所需的時(shí)間，也就是從刺激到反應(yīng)之間的時(shí)距。刺激引起了感覺器官的活動(dòng)，經(jīng)由神經(jīng)系統(tǒng)傳遞給大腦，經(jīng)過加工，再?gòu)拇竽X傳遞給效應(yīng)器，作用于外界的某種客體。反應(yīng)時(shí)也叫反應(yīng)潛伏期，它包括感覺器官所需要的時(shí)間，大腦加工消耗的時(shí)間，神經(jīng)傳導(dǎo)的時(shí)間以及肌肉反應(yīng)的時(shí)間。因而，反應(yīng)時(shí)主要反映人體神經(jīng)與肌肉系統(tǒng)的協(xié)調(diào)性和快速反應(yīng)能力。

反應(yīng)時(shí)包括3個(gè)時(shí)相。第一時(shí)相：刺激使感受器引起神經(jīng)沖動(dòng)并傳遞到大腦神經(jīng)元的時(shí)間；第二時(shí)相：神經(jīng)沖動(dòng)從感覺神經(jīng)元傳遞到大腦皮層的感覺中樞和運(yùn)動(dòng)中樞，又從中樞經(jīng)運(yùn)動(dòng)神經(jīng)傳遞到達(dá)效應(yīng)器官的時(shí)間；第三時(shí)相：效應(yīng)器官接受沖動(dòng)引起運(yùn)動(dòng)的時(shí)間。以上3個(gè)時(shí)間的總合即為反應(yīng)時(shí)間。本發(fā)明中所述的神經(jīng)反應(yīng)時(shí)間是上述前兩個(gè)時(shí)間的總和，即刺激使感受器引起神經(jīng)沖動(dòng)并傳遞到大腦神經(jīng)元的時(shí)間與神經(jīng)沖動(dòng)從感覺神經(jīng)元傳遞到大腦皮層的感覺中樞和運(yùn)動(dòng)中樞，又從中樞經(jīng)運(yùn)動(dòng)神經(jīng)傳遞到達(dá)效應(yīng)器官的時(shí)間之和。本發(fā)明中所述的動(dòng)作反應(yīng)時(shí)間是指上述第三個(gè)時(shí)間，即效應(yīng)器官接受沖動(dòng)引起運(yùn)動(dòng)的時(shí)間。

簡(jiǎn)單反應(yīng)時(shí)是指呈現(xiàn)一個(gè)刺激，要求被測(cè)試者從看到或聽到刺激到立即作出反應(yīng)的這段時(shí)間間隔；又稱A反應(yīng)時(shí)。

本實(shí)施例中，對(duì)被監(jiān)測(cè)駕駛員的反應(yīng)時(shí)進(jìn)行測(cè)試時(shí)，采用常規(guī)的簡(jiǎn)單反應(yīng)時(shí)測(cè)試方法，并且采用視覺反應(yīng)時(shí)測(cè)試方法，即所采用的刺激為視覺刺激。

并且，根據(jù)被監(jiān)測(cè)駕駛員的反應(yīng)時(shí)測(cè)試結(jié)果，對(duì)步驟1032中所述的t_da、t_db、T_ha和T_hb分別進(jìn)行確定。

本實(shí)施例中，采用神經(jīng)反應(yīng)時(shí)間測(cè)定計(jì)對(duì)步驟1032中所述的t_da和t_db分別進(jìn)行測(cè)試。

同時(shí)，結(jié)合被監(jiān)測(cè)駕駛員的反應(yīng)時(shí)測(cè)試結(jié)果，并結(jié)合測(cè)試得出的t_da和t_db，對(duì)步驟1032中所述的T_ha和T_hb分別進(jìn)行確定。

實(shí)際使用時(shí)，被監(jiān)測(cè)駕駛員的反應(yīng)時(shí)測(cè)試結(jié)果中，測(cè)試得出的反應(yīng)時(shí)為被監(jiān)測(cè)駕駛員的神經(jīng)反應(yīng)時(shí)間與動(dòng)作反應(yīng)時(shí)間之和。同時(shí)，反應(yīng)時(shí)測(cè)試過程中，采用神經(jīng)反應(yīng)時(shí)間測(cè)定計(jì)對(duì)被監(jiān)測(cè)駕駛員的神經(jīng)反應(yīng)時(shí)間進(jìn)行測(cè)試，并相應(yīng)對(duì)被監(jiān)測(cè)駕駛員的動(dòng)作反應(yīng)時(shí)間進(jìn)行測(cè)試。這樣，通過多次測(cè)試，能得出步驟1032中所述的t_da、t_db、T_ha和T_hb。

本實(shí)施例中，步驟101中所述的監(jiān)測(cè)頻率為5Hz。實(shí)際使用時(shí)，可根據(jù)具體需要，將所述監(jiān)測(cè)頻率在3Hz～10Hz之間進(jìn)行相應(yīng)調(diào)整。

以上所述，僅是本發(fā)明的較佳實(shí)施例，并非對(duì)本發(fā)明作任何限制，凡是根據(jù)本發(fā)明技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所作的任何簡(jiǎn)單修改、變更以及等效結(jié)構(gòu)變化，均仍屬于本發(fā)明技術(shù)方案的保護(hù)范圍內(nèi)。