技術(shù)特征：

1.一種基于進(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、樣本庫建立：采用數(shù)據(jù)處理器(2)建立樣本庫，所建立的樣本庫內(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)測駕駛員正常駕駛狀態(tài)下測得的多個(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)矯正模塊對所述樣本庫內(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)趨勢項(xiàng)；n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢項(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： (1-1)，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、樣本獲取：產(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)趨勢項(xiàng)；n個(gè)本征模態(tài)函數(shù)分量和一個(gè)趨勢項(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： (1-2)，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)分解后獲得的趨勢項(xiàng)；

步驟Ⅲ、近似熵與平均周期自然對數(shù)計(jì)算：調(diào)用近似熵計(jì)算模塊，對步驟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)分量的平均周期對數(shù)；其中，平均周期對數(shù)為平均周期的自然對數(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中分解出的趨勢項(xiàng)，重構(gòu)出方向盤轉(zhuǎn)角信號(hào)x'(t)；x'(t)為對方向盤轉(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；

步驟三、特征提取：采用數(shù)據(jù)處理器(2)從步驟204中所述矯正后樣本庫中的各方向盤轉(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)定的采樣頻率對被監(jiān)測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)。

2.按照權(quán)利要求1所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：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)。

3.按照權(quán)利要求1或2所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：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。

4.按照權(quán)利要求1或2所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：步驟三中進(jìn)行特征提取時(shí)，對步驟104中所述樣本庫中的各方向盤轉(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該方向盤轉(zhuǎn)角信號(hào)分別進(jìn)行小波包分解，并對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。

5.按照權(quán)利要求4所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：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。

6.按照權(quán)利要求1或2所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：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。

7.按照權(quán)利要求1或2所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：步驟Ⅲ中調(diào)用所述近似熵計(jì)算模塊對各白噪聲信號(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 (2-2)，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 (2-4)，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。

8.按照權(quán)利要求1或2所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：步驟一中進(jìn)行樣本庫建立時(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)測裝置(1)且按照預(yù)先設(shè)計(jì)的監(jiān)測頻率，對被監(jiān)測駕駛員按照預(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，并將所監(jiān)測信息同步傳送至數(shù)據(jù)處理器(2)，獲得多個(gè)監(jiān)測時(shí)刻的行駛狀態(tài)信息；

所述行駛狀態(tài)信息監(jiān)測裝置(1)包括對所駕駛車輛的方向盤轉(zhuǎn)角進(jìn)行檢測的方向盤轉(zhuǎn)角檢測單元(1-1)和對所駕駛車輛的側(cè)向加速度進(jìn)行檢測的側(cè)向加速度檢測單元(1-2)，所述方向盤轉(zhuǎn)角檢測單元(1-1)和側(cè)向加速度檢測單元(1-2)均與數(shù)據(jù)處理器(2)連接；每個(gè)監(jiān)測時(shí)刻的行駛狀態(tài)信息均包括該時(shí)刻方向盤轉(zhuǎn)角檢測單元(1-1)所檢測的方向盤轉(zhuǎn)角和側(cè)向加速度檢測單元(1-2)所檢測的側(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 (1)，并結(jié)合步驟101中被監(jiān)測駕駛員所駕駛車輛的車輛動(dòng)力學(xué)模型的傳遞函數(shù) (2)，對車輛動(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)測駕駛員為男性駕駛員時(shí)，σ_d＞7.5；當(dāng)被監(jiān)測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)測駕駛員為男性駕駛員時(shí)，σ_h＞2.6；當(dāng)被監(jiān)測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； (3)， (4)；再根據(jù)計(jì)算得出的t_dm或T_hm，對步驟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)先測試得出的被監(jiān)測駕駛員神經(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)先測試得出的被監(jiān)測駕駛員動(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?。翰捎脭?shù)據(jù)處理器(2)對步驟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，每個(gè)所述駕駛員反應(yīng)時(shí)間數(shù)據(jù)對均包括一個(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)對計(jì)算時(shí)，采用數(shù)據(jù)處理器(2)對所述神經(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)對計(jì)算；對所述神經(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)對計(jì)算時(shí)，先根據(jù)公式 (5)，計(jì)算得出神經(jīng)反應(yīng)時(shí)間t_di對應(yīng)的疲勞度N_ti；再根據(jù)公式(6)，計(jì)算得出神經(jīng)反應(yīng)時(shí)間t_di對應(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；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)對計(jì)算時(shí)，采用數(shù)據(jù)處理器(2)對所述動(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)對計(jì)算；對所述動(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)對計(jì)算時(shí)，先根據(jù)公式 (7)，計(jì)算得出動(dòng)作反應(yīng)時(shí)間T_hj對應(yīng)的疲勞度N_tj；再根據(jù)公式(8)，計(jì)算得出動(dòng)作反應(yīng)時(shí)間T_hj對應(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；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)對的總數(shù)量，N_k＝N_d或N_h；

步驟101中多個(gè)所述監(jiān)測時(shí)刻被監(jiān)測駕駛員所駕駛車輛所處的位置均為監(jiān)測位置，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)測駕駛員所駕駛車輛在多個(gè)不同監(jiān)測位置處的方向盤轉(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 (9)；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；

采用數(shù)據(jù)處理器(2)對步驟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)對對應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測駕駛員所駕駛車輛在多個(gè)不同監(jiān)測位置處的方向盤轉(zhuǎn)角信號(hào)；

步驟104、樣本庫建立：采用數(shù)據(jù)處理器(2)建立樣本庫，所建立的樣本庫內(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)。

9.按照權(quán)利要求8所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：步驟101中所述行駛狀態(tài)信息監(jiān)測裝置(1)還包括對所駕駛車輛的位移進(jìn)行實(shí)時(shí)檢測的位移檢測單元(1-3)，所述位移檢測單元(1-3)與數(shù)據(jù)處理器(2)連接；

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

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；所述位移檢測單元(1-3)包括對所駕駛車輛在X軸方向上的位移進(jìn)行檢測的X軸方向位移檢測單元和對所駕駛車輛在Y軸方向上的位移進(jìn)行檢測的Y軸方向位移檢測單元，所述X軸方向位移檢測單元和所述Y軸方向位移檢測單元均布設(shè)在所駕駛車輛的質(zhì)心上；

步驟101中所述側(cè)向加速度檢測單元(1-2)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)測時(shí)刻的方向盤轉(zhuǎn)角信號(hào)；步驟104中所述樣本庫中存儲(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)。

10.按照權(quán)利要求8所述的基于進(jìn)似熵模板匹配的駕駛狀態(tài)辨識(shí)方法，其特征在于：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)測位置處的道路曲率ρ_p；

步驟1034中對與該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對對應(yīng)的險(xiǎn)態(tài)駕駛狀態(tài)下被監(jiān)測駕駛員所駕駛車輛在多個(gè)不同監(jiān)測位置處的方向盤轉(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)測位置處的側(cè)向加速度、該監(jiān)測位置處的道路曲率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， (10)；公式(10)中，K_p為修正系數(shù)且K_p＝110～150，ρ_p為該監(jiān)測位置處的道路曲率，為該駕駛員反應(yīng)時(shí)間數(shù)據(jù)對對應(yīng)的最優(yōu)預(yù)瞄時(shí)間且(11)，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)對中的神經(jīng)反應(yīng)時(shí)間和動(dòng)作反應(yīng)時(shí)間。