本發(fā)明屬于智能交通領(lǐng)域，涉及機(jī)器學(xué)習(xí)領(lǐng)域，具體為利用隨機(jī)森林算法挖掘駕駛?cè)说难蹌有袨閿?shù)據(jù)而快速識別駕駛?cè)笋{駛疲勞狀態(tài)的系統(tǒng)及識別方法。

背景技術(shù)：

近年來，機(jī)動車的保有量逐年增加，道路交通安全問題也日益嚴(yán)峻。在駕駛過程中，當(dāng)駕駛?cè)碎L時間從事駕駛活動時，易進(jìn)入疲勞狀態(tài)，影響其感知判斷及駕駛操作，極端情況下甚至?xí)l(fā)交通事故。

在中國，2014發(fā)生在136386起機(jī)動車事故，并造成42847人死亡、141718人受傷，其中約14.3％由駕駛?cè)说鸟{駛疲勞所引發(fā)。盡管駕駛疲勞產(chǎn)生的后果極其嚴(yán)重，相關(guān)理論研究亦較多，但現(xiàn)實中卻缺乏一種簡單易操作且精確可靠的裝備或方法能準(zhǔn)確監(jiān)測/檢測駕駛?cè)说钠谇闆r。

目前來說，針對駕駛?cè)耸欠裉幱隈{駛疲勞狀態(tài)的檢測方法主要有以下兩類：

一、檢測車輛的狀態(tài)，如轉(zhuǎn)向角、車輛橫向位置、橫擺率、車輛速度等。然而，這些參數(shù)可能因不同的車型、司機(jī)的經(jīng)驗、道路的幾何特征與狀態(tài)的不同而有所變化，往往會導(dǎo)致較高的誤警率。

二、檢測人體的相關(guān)指標(biāo)，如血壓、心率、心電、身體行為、生理變化等。但由于腦電、心率數(shù)據(jù)的采集對駕駛?cè)藖碚f有較強(qiáng)的侵入性，因此在實際駕駛環(huán)境中往往不易被駕駛?cè)私邮?，此外不同的車輛狀態(tài)所造成的差別較大。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于針對上述現(xiàn)有技術(shù)中的不足，提供一種基于眼動行為數(shù)據(jù)的駕駛疲勞快速檢測系統(tǒng)及識別方法。眼動行為指標(biāo)與疲勞程度相關(guān)性強(qiáng)，數(shù)據(jù)獲取相對容易，同時疲勞最直接的反應(yīng)便是在駕駛?cè)搜劬Φ淖兓?/p>

本發(fā)明采用以下技術(shù)方案：

一種基于眼動指標(biāo)數(shù)據(jù)的駕駛疲勞識別方法，包括以下步驟：

s1、數(shù)據(jù)采集模塊按200hz的頻率采集閉眼時間、眨眼頻率、眨眼時間和瞳孔直徑四種眼動數(shù)據(jù)；

s2、數(shù)據(jù)分析處理模塊接收步驟s1所述眼動數(shù)據(jù)，并將所述眼動數(shù)據(jù)傳入計算程序，程序?qū)?shù)據(jù)進(jìn)行預(yù)處理，對缺省、數(shù)據(jù)為空的數(shù)據(jù)棄置；

s3、采集駕駛?cè)说难蹌又笜?biāo)數(shù)據(jù)以及每一條數(shù)據(jù)對應(yīng)駕駛?cè)似诔潭茸鳛樵紨?shù)據(jù)建立隨機(jī)森林模型。通過隨機(jī)森林模型對采集的駕駛?cè)藢崟r眼動數(shù)據(jù)進(jìn)行處理，隨機(jī)森林模型中每一棵決策樹對駕駛?cè)说难蹌訑?shù)據(jù)進(jìn)行分類判斷，給出結(jié)果；

s4、綜合步驟s3中各個決策樹給出的分類結(jié)果，利用所述隨機(jī)森林模型進(jìn)行投票，綜合投票概率高的一類即為本次分類的最終結(jié)果。

優(yōu)選的，步驟s3中，建立所述隨機(jī)森林模型的步驟如下：

s31、取原始數(shù)據(jù)中80％作為原始訓(xùn)練數(shù)據(jù)，利用通過自助法從訓(xùn)練樣本集s中通過放回地重復(fù)隨機(jī)地抽取n個樣本組合成一個新的訓(xùn)練樣本集合，重復(fù)此流程以生成k個子樣本集，s1，s2……sk；

s32、對于步驟s1中每個所述子樣本集，從所有的特征變量m中隨機(jī)選出m個特征作為子特征向量集，即每個樣本集對應(yīng)一個子特征向量集m1，m2……mk，其中m<m；

s33、根據(jù)步驟s1選擇的所述子樣本集及其對應(yīng)的子特征向量，生成k棵決策樹tree1，tree2……treek；

s34、所有的決策樹組合在一起成為隨機(jī)森林，其對數(shù)據(jù)的判定為所有決策樹的投票結(jié)果，最終的分類結(jié)果為綜合決策樹分類器的投票概率高的一類決定；

s35、利用原始數(shù)據(jù)剩余的20％作為模型的測試集，利用建立好的隨機(jī)森林模型對這部分?jǐn)?shù)據(jù)測試，并將測試結(jié)果與真實結(jié)果對比，確定模型的分類性能；

s36、根據(jù)評價結(jié)果對步驟s5所述隨機(jī)森林模型進(jìn)行參數(shù)調(diào)優(yōu)，提高準(zhǔn)確率，所述參數(shù)包括樹的最大深度max_depth、根據(jù)屬性劃分節(jié)點時，設(shè)置每個劃分最少的樣本數(shù)min_samples_split、葉子節(jié)點最少的樣本數(shù)min_samples_leaf、葉子樹的最大樣本數(shù)max_leaf_nodes和選擇最適屬性時劃分的特征數(shù)不能超過此值max_features。

優(yōu)選的，步驟s33中，所述決策樹的純度度量采用gini指數(shù)，gini指數(shù)越大表示純度越低，集合ki包括n類樣本記錄，每一類的概率為p1，p2，……pn，則gini指數(shù)為：

優(yōu)選的，步驟s34中，每一棵分類樹為二叉樹，其生成遵循自頂向下的遞歸分裂原則，即從根節(jié)點開始依次對訓(xùn)練集進(jìn)行劃分，在二叉樹中，根節(jié)點包含全部訓(xùn)練數(shù)據(jù)，按照節(jié)點純度最小原則，分裂為左節(jié)點和右節(jié)點，分別包含訓(xùn)練數(shù)據(jù)的一個子集，按照同樣的規(guī)則節(jié)點繼續(xù)分裂，直到滿足分支停止規(guī)則而停止生長。

優(yōu)選的，步驟s35中，所述模型的分類性能利用混淆矩陣與roc曲線進(jìn)行評價，所述混淆矩陣采用識別準(zhǔn)確率accuracy、召回率recall和識別精確度precision三個指標(biāo)來評價模型的準(zhǔn)確度。

優(yōu)選的，所述模型識別準(zhǔn)確率accuracy為：

其中，tp為被模型正確預(yù)測為正的正樣本；tn為被模型正確預(yù)測為負(fù)的負(fù)樣本；fp為被模型錯誤預(yù)測為正的負(fù)樣本；fn為被模型錯誤預(yù)測為負(fù)的正樣本。

優(yōu)選的，所述召回率recall為：

其中，tp為被模型正確預(yù)測為正的正樣本；tn為被模型正確預(yù)測為負(fù)的負(fù)樣本；fp為被模型錯誤預(yù)測為正的負(fù)樣本；fn為被模型錯誤預(yù)測為負(fù)的正樣本。

優(yōu)選的，所述識別精度precision為：

其中，tp為被模型正確預(yù)測為正的正樣本；tn為被模型正確預(yù)測為負(fù)的負(fù)樣本；fp為被模型錯誤預(yù)測為正的負(fù)樣本；fn為被模型錯誤預(yù)測為負(fù)的正樣本。

優(yōu)選的，步驟s4中，清醒狀態(tài)類別的投票概率vp1為：

疲勞狀態(tài)類別的投票概率vp0為：

其中，v0表示清醒狀態(tài)類別的投票數(shù)，v1表示疲勞狀態(tài)類別的投票數(shù)。

一種基于眼動指標(biāo)數(shù)據(jù)的駕駛疲勞檢測系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊和數(shù)據(jù)分析處理模塊，其中，所述數(shù)據(jù)采集模塊通過所述數(shù)據(jù)傳輸模塊與所述數(shù)據(jù)分析處理模塊連接，所述數(shù)據(jù)采集模塊內(nèi)設(shè)置有視覺追蹤裝置，所述視覺追蹤裝置設(shè)置在駕駛?cè)诵鄙戏?，用于采集眼動指?biāo)數(shù)據(jù)，所述數(shù)據(jù)傳輸模塊用于將所述眼動指標(biāo)數(shù)據(jù)傳輸給所述數(shù)據(jù)分析處理模塊，所述數(shù)據(jù)分析處理模塊接收所述眼動指標(biāo)數(shù)據(jù)并通過數(shù)據(jù)比較進(jìn)行駕駛疲勞檢測。

與現(xiàn)有技術(shù)相比，本發(fā)明至少具有以下有益效果：

本發(fā)明識別方法易用高，數(shù)據(jù)采集相比其他技術(shù)方案更加容易，采用機(jī)器學(xué)習(xí)的隨機(jī)森林模型，模型訓(xùn)練速度快，不易產(chǎn)生過擬合情況，分類預(yù)測性能優(yōu)異，能快速識別駕駛?cè)水?dāng)前的是否疲勞，并且隨機(jī)森林模型隨著數(shù)據(jù)量不斷增加和更新，能夠不斷優(yōu)化提升判別性能。

進(jìn)一步的，隨機(jī)森林(randomforest)是一種利用多個分類樹對數(shù)據(jù)進(jìn)行判別與分類的方法，學(xué)習(xí)速度快；不需要考慮自變量的共線性問題，能夠處理很高維度的數(shù)據(jù)，并且不用做特征選擇；對數(shù)據(jù)集的適應(yīng)能力強(qiáng)，既能處理離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)，數(shù)據(jù)集無需規(guī)范化。它在對數(shù)據(jù)進(jìn)行分類的同時，還可以給出各個變量的重要性評分。

本發(fā)明還公開一種基于眼動指標(biāo)數(shù)據(jù)的駕駛疲勞檢測系統(tǒng)，由數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊和數(shù)據(jù)分析處理模塊組成，系統(tǒng)結(jié)構(gòu)簡單，通過獲取眼動指標(biāo)實現(xiàn)眼部狀態(tài)的全天候?qū)崟r監(jiān)控，數(shù)據(jù)采集簡單直觀，對駕駛?cè)擞绊懶?，易于為廣大駕駛?cè)怂邮?，可以有效減少交通事故的發(fā)生，為人民的生命財產(chǎn)安全提供有力保障。

下面通過附圖和實施例，對本發(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)明的模塊結(jié)構(gòu)圖；

圖2為隨機(jī)森林模型建立原圖；

圖3為創(chuàng)建的隨機(jī)森林模型中某棵決策樹判斷過程示例；

圖4為模型數(shù)據(jù)處理分析流程圖；

圖5為隨機(jī)森林對采集的駕駛?cè)藬?shù)據(jù)判別結(jié)果的部分實例圖。

具體實施方式

請參閱圖1，一種基于眼動指標(biāo)數(shù)據(jù)的駕駛疲勞檢測系統(tǒng)，包括：數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊和數(shù)據(jù)分析處理模塊。所述數(shù)據(jù)采集模塊按照200hz的頻率采集閉眼時間、眨眼頻率、眨眼時間、瞳孔直徑四組眼動指標(biāo)數(shù)據(jù)。

所述數(shù)據(jù)采集模塊為采用tobiiprox3-120眼動追蹤系統(tǒng)的視覺追蹤裝置，所述視覺追蹤裝置位于駕駛?cè)诵鄙戏剑ㄟ^tobiiprox3-120眼動追蹤系統(tǒng)采集上述眼動指標(biāo)，其通過設(shè)置于前擋風(fēng)玻璃上的四個攝像頭記錄相關(guān)信息，采樣頻率為200hz，該裝置以usb接口形式與筆記本電腦連接，所采集的實時數(shù)據(jù)以txt形式實時存儲。

所述數(shù)據(jù)傳輸模塊用于連接所述數(shù)據(jù)采集模塊和數(shù)據(jù)分析處理模塊，將所述數(shù)據(jù)采集模塊采集到的駕駛?cè)说难蹌有袨閿?shù)據(jù)傳輸給數(shù)據(jù)分析處理模塊。

所述數(shù)據(jù)分析處理模塊，采用python編程語言編寫隨機(jī)森林算法的程序進(jìn)行數(shù)據(jù)的處理。python編寫算法程序?qū)xt文本進(jìn)行格式化處理，變成適合該程序處理的數(shù)據(jù)形式。

由于某一次的數(shù)據(jù)不確定性與波動較大，所以在分析時將5分鐘內(nèi)數(shù)據(jù)的平均值作為模型的輸入值，以此來進(jìn)行處理得出最后的結(jié)果，并將其存貯。

需要指出的是，本系統(tǒng)在正式進(jìn)行數(shù)據(jù)分析處理前，會通過長達(dá)3-5小時的駕駛實驗采集一定數(shù)量駕駛?cè)说乃慕M眼動指標(biāo)數(shù)據(jù)以及每一條數(shù)據(jù)對應(yīng)駕駛?cè)似诔潭茸鳛楸景l(fā)明的原始數(shù)據(jù)。

本發(fā)明一種基于眼動指標(biāo)數(shù)據(jù)的駕駛疲勞識別方法，包括以下步驟：

s1、數(shù)據(jù)采集模塊按每分鐘一次的頻率采集閉眼時間、眨眼頻率、眨眼時間和瞳孔直徑四種眼動數(shù)據(jù)；

s2、數(shù)據(jù)分析處理模塊接收步驟s1所述眼動數(shù)據(jù)，并將所述眼動數(shù)據(jù)傳入計算程序，程序?qū)?shù)據(jù)進(jìn)行預(yù)處理，對缺省、數(shù)據(jù)為空的數(shù)據(jù)棄置；

s3、采集駕駛?cè)说难蹌又笜?biāo)數(shù)據(jù)以及每一條數(shù)據(jù)對應(yīng)駕駛?cè)似诔潭茸鳛樵紨?shù)據(jù)建立隨機(jī)森林模型，通過隨機(jī)森林模型中每一棵決策樹對駕駛?cè)说难蹌訑?shù)據(jù)進(jìn)行分類判斷，給出結(jié)果，其中，決策樹的判斷示例如圖3所示；

先進(jìn)行駕駛實驗獲取原始數(shù)據(jù)：

在一段特定的公路上，選取年齡為25-45的駕駛?cè)藛T進(jìn)行連續(xù)駕駛，每個半小時記錄其對應(yīng)的指標(biāo)并尋問其疲勞程度，按照斯坦福疲勞計量表(sss)作為度量標(biāo)準(zhǔn)。

其中駕駛?cè)似谒接涗洸捎弥鲃悠诔潭龋饔^疲勞標(biāo)準(zhǔn)為斯坦福疲勞計量表(sss)，將疲勞程度分為七類，見表1。

表1斯坦福疲勞計量表(sss)

其中，為方便進(jìn)行疲勞程度的估計，根據(jù)每一等級表示的含義可將駕駛?cè)说臓顟B(tài)分成兩類，“1-3”為清醒狀態(tài)，“4-7”為疲勞狀態(tài)。為方便對數(shù)據(jù)進(jìn)行建模分析，用數(shù)字“0”表示“清醒”狀態(tài)，用數(shù)字“1”表示“疲勞”狀態(tài)。

利用實驗獲取的原始數(shù)據(jù)建立隨機(jī)森立模型，其原理如圖2所示。

第一步：取原始數(shù)據(jù)中80％作為原始訓(xùn)練數(shù)據(jù)，利用通過自助法(bootstrap)這樣的一種重采樣技術(shù)，從該訓(xùn)練樣本集s中通過放回地重復(fù)隨機(jī)地抽取n個樣本組合成一個新的訓(xùn)練樣本集合，重復(fù)此流程以生成k個子樣本集，s1，s2……sk。

第二步：對于每個子樣本集，從所有的特征變量m中隨機(jī)選出m個特征作為子特征向量集，即每個樣本集對應(yīng)一個子特征向量集m1，m2……mk，其中m<m。

第三步：根據(jù)第一步選擇的子樣本集及其對應(yīng)的子特征向量，生成k棵決策樹tree1，tree2……treek。

決策樹的純度度量采用gini指數(shù)，gini指數(shù)越大表示純度越低。集合ki包括n類的樣本記錄，每一類的概率為p1，p2，……pn，則gini指數(shù)為：

其中，本發(fā)明的一個示例決策樹如圖3所示。

第四步：所有的決策樹組合在一起成為隨機(jī)森林，其對數(shù)據(jù)的判定為所有決策樹的投票結(jié)果，最終的分類結(jié)果為綜合決策樹分類器的投票概率高的一類決定。

隨機(jī)森林中每一棵分類樹為二叉樹，其生成遵循自頂向下的遞歸分裂原則，即從根節(jié)點開始依次對訓(xùn)練集進(jìn)行劃分；在二叉樹中，根節(jié)點包含全部訓(xùn)練數(shù)據(jù)，按照節(jié)點純度最小原則，分裂為左節(jié)點和右節(jié)點，它們分別包含訓(xùn)練數(shù)據(jù)的一個子集，按照同樣的規(guī)則節(jié)點繼續(xù)分裂，直到滿足分支停止規(guī)則而停止生長。

第五步：利用原始數(shù)據(jù)剩余的20％作為模型的測試集，利用建立好的隨機(jī)森林模型對這部分?jǐn)?shù)據(jù)測試，并將測試結(jié)果與真實結(jié)果對比，確定模型的分類性能。

其中，模型的分類性能利用混淆矩陣與roc曲線進(jìn)行評價。

其中，混淆矩陣用識別準(zhǔn)確率accuracy、召回率recall和識別精確度precision三個指標(biāo)來平角模型的準(zhǔn)確度。

模型識別準(zhǔn)確率accuracy：

召回率recall：

識別精度precision：

各參數(shù)表示含義如下：

tp為truepositive(真正)被模型正確預(yù)測為正的正樣本；

tn為truenegative(真負(fù))被模型正確預(yù)測為負(fù)的負(fù)樣本；

fp為falsepositive(假正)被模型錯誤預(yù)測為正的負(fù)樣本；

fn為falsenegative(假負(fù))被模型錯誤預(yù)測為負(fù)的正樣本。

第六步：根據(jù)評價結(jié)果進(jìn)行參數(shù)調(diào)優(yōu)，讓模型的準(zhǔn)確率更上一層樓。

其中參數(shù)調(diào)優(yōu)主要調(diào)試以下參數(shù)：

(1)max_depth：樹的最大深度；

(2)min_samples_split：根據(jù)屬性劃分節(jié)點時，設(shè)置每個劃分最少的樣本數(shù)；

(3)min_samples_leaf：葉子節(jié)點最少的樣本數(shù)；

(4)max_leaf_nodes：葉子樹的最大樣本數(shù)；

(5)max_features：選擇最適屬性時劃分的特征數(shù)不能超過此值。

如圖4所示，模型調(diào)校好便可利用其來處理機(jī)動車上實時采集的數(shù)據(jù)。

s4、綜合步驟s3中各個決策樹給出的分類結(jié)果，利用所述隨機(jī)森林模型進(jìn)行投票，綜合投票概率高的一類即為本次分類的最終結(jié)果。

綜合各個決策樹給出的分類結(jié)果，隨機(jī)森林模型進(jìn)行投票，綜合投票概率高的一類即為本次分類的最終結(jié)果。用數(shù)字“0”表示“清醒”狀態(tài)，用數(shù)字“1”表示“疲勞”狀態(tài)，類別“0”投票概率vp0與類別“1”的投票概率vp1如下所示：

其中v0、v1為類別“0”、“1”的投票數(shù)。

如附圖5所示，此圖為本發(fā)明的一個示例中56個駕駛?cè)说难蹌訑?shù)據(jù)經(jīng)過本發(fā)明的隨機(jī)森林模型分類的投票結(jié)果。模型最后得出是一個概率結(jié)果，概率高的狀態(tài)即為最終輸出結(jié)果。

以上內(nèi)容僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明權(quán)利要求書的保護(hù)范圍之內(nèi)。