本發(fā)明涉及一種基于駕駛行為與眼動(dòng)特征的疲勞駕駛辨識方法。
背景技術(shù)：
：隨著交通事業(yè)的快速發(fā)展，機(jī)動(dòng)車保有量的不斷攀升，道路交通事故數(shù)量越來越多，道路交通安全問題已經(jīng)成為一個(gè)嚴(yán)重的社會問題。疲勞駕駛是導(dǎo)致交通事故的重要原因之一，近幾年，關(guān)于疲勞駕駛的相關(guān)研究課題越來越多，疲勞駕駛檢測技術(shù)也得到了飛速發(fā)展，已有研究對疲勞檢測已經(jīng)取得不錯(cuò)的效果，但仍存在不足之處：1)駕駛員從清醒到疲勞是一個(gè)漸變過程，現(xiàn)在的研究往往忽略這個(gè)過程，對駕駛員何時(shí)進(jìn)疲勞狀態(tài)無法判斷，也就不能針對駕駛員的實(shí)際情況給予合理的提示信息，因此，合理地對駕駛員的疲勞狀態(tài)進(jìn)行劃分和準(zhǔn)確辨識將是研究的一個(gè)重點(diǎn)；2)現(xiàn)有基于單一指標(biāo)的檢測方法，無法克服空間、光照、天氣等環(huán)境對檢測精度的影響，因此，采用基于信息融合的檢測方法將是提高檢測準(zhǔn)確性和可靠性的重要途徑。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決的技術(shù)問題是提供一種基于駕駛行為與眼動(dòng)特征的疲勞駕駛辨識方法?；隈{駛行為與眼動(dòng)特征的疲勞駕駛辨識方法，包括以下步驟：1)設(shè)計(jì)疲勞駕駛模擬實(shí)驗(yàn)，通過實(shí)驗(yàn)采集駕駛?cè)嗽诓煌跔顟B(tài)下的駕駛行為數(shù)據(jù)，包括方向盤轉(zhuǎn)角、轉(zhuǎn)角速度、車速、車輛加速度和駕駛?cè)说难蹌?dòng)數(shù)據(jù)，包括眨眼、注視、掃視數(shù)據(jù)；2)對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行切分篩選，建立疲勞駕駛樣本數(shù)據(jù)庫；3)采用單因素方差分析的方法對不同疲勞狀態(tài)下駕駛?cè)说鸟{駛行為參數(shù)和眼動(dòng)特征參數(shù)差異的顯著性進(jìn)行統(tǒng)計(jì)分析，并找出了各種特征參數(shù)的最優(yōu)時(shí)間窗；初步篩選出駕駛行為特征參數(shù)包括方向盤絕對均值SAM、轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD、方向盤角速度絕對均值SWM、角速度標(biāo)準(zhǔn)差SWSTD、速度標(biāo)準(zhǔn)差Vstd、加速度均值A(chǔ)m和標(biāo)準(zhǔn)差A(yù)std；眼動(dòng)特征參數(shù)包括眨眼頻率BF、注視持續(xù)時(shí)間均值FIXT_mean和標(biāo)準(zhǔn)差FIXT_std、掃視平均速度標(biāo)準(zhǔn)差SACV_std和瞳孔直徑變異系數(shù)CVPLD；4)對初步篩選出的特征參數(shù)進(jìn)行雙變量Spearman相關(guān)分析，具體步驟如下：4-1)對來源與同一指標(biāo)的特征參數(shù)進(jìn)行分析，相關(guān)性顯著的特征，只能選擇一項(xiàng)；4-2)對篩選出的特征參數(shù)，按駕駛行為參數(shù)和眼動(dòng)參數(shù)分類進(jìn)行相關(guān)性分析，同樣，對相關(guān)性顯著的指標(biāo)只能選擇一項(xiàng)；4-3)對經(jīng)過以上兩部篩選后余下的指標(biāo)進(jìn)行相關(guān)性分析，對相關(guān)性顯著的指標(biāo)采取步驟4-1)、4-2)同樣的處理方式；5)篩選出最優(yōu)特征參數(shù)包括：方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD、車輛加速度標(biāo)準(zhǔn)差A(yù)std、掃視平均速度標(biāo)準(zhǔn)差SACV_std和瞳孔直徑變異系數(shù)CVPLD；6)建立疲勞駕駛BP神經(jīng)網(wǎng)絡(luò)辨識模型，首先確定該網(wǎng)絡(luò)結(jié)構(gòu)的輸入神經(jīng)元數(shù)、輸出神經(jīng)元數(shù)、隱含層數(shù)、隱含層神經(jīng)元數(shù)；其次個(gè)網(wǎng)絡(luò)層的傳遞函數(shù)、設(shè)置各層初始值的權(quán)值，最后確定最佳學(xué)習(xí)效率，選取適當(dāng)?shù)钠谕`差，具體如下：6-1)輸入神經(jīng)元，選步驟5)中最優(yōu)特征參數(shù)及作為模型的輸入，并將輸入數(shù)據(jù)進(jìn)行歸一化處理；6-2)輸出神經(jīng)元，設(shè)定輸出為1-清醒、2-疲勞、3-非常疲勞，并由一個(gè)神經(jīng)元表示，在網(wǎng)絡(luò)的預(yù)測結(jié)果中，以1.5和2.5為界，如果預(yù)測值1≤k≤1.5，則為清醒；如果預(yù)測值1.5≤k≤2.5，則為疲勞如果預(yù)測值2.5≤k≤3，則為非常疲勞；6-3)隱含層數(shù)，單個(gè)隱含層，隱含層節(jié)點(diǎn)數(shù)為9；6-4)傳遞函數(shù)，BP的神經(jīng)網(wǎng)絡(luò)內(nèi)部采用tansig作為傳遞函數(shù)，輸出層采用purelin作為傳遞函數(shù)；6-5)初始權(quán)重，初始權(quán)值定為(-1，1)之間的非零隨機(jī)值；6-6)學(xué)習(xí)效率和期望誤差，采用LM學(xué)習(xí)算法，學(xué)習(xí)效率根據(jù)期望誤差自動(dòng)調(diào)節(jié)，無需設(shè)定；期望誤差設(shè)定為0.001；7)利用Matlab軟件編寫模型程序，隨機(jī)選取訓(xùn)練樣本和測試樣本集對模型進(jìn)行訓(xùn)練和疲勞狀態(tài)辨識。進(jìn)一步的，所述疲勞駕駛模擬實(shí)驗(yàn)具體如下：1)實(shí)驗(yàn)設(shè)備：A、駕駛模擬系統(tǒng)，由仿真車輛、控制臺區(qū)、視景系統(tǒng)、計(jì)算機(jī)系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)以及相應(yīng)的軟件系統(tǒng)組成；主要操作設(shè)備都是真實(shí)車輛設(shè)備，通過傳感器捕獲用戶的輸入動(dòng)作，將用戶的輸入以及其他相關(guān)進(jìn)行模擬仿真計(jì)算，同時(shí)將仿真結(jié)果通過視景系統(tǒng)顯示、聲音仿真系統(tǒng)以及信號輸出系統(tǒng)將對應(yīng)信息反饋給用戶；系統(tǒng)還包括仿真車輛運(yùn)行過程中本車相關(guān)數(shù)據(jù)的導(dǎo)出接口，可根據(jù)研究需求，設(shè)置不同的采樣頻率，導(dǎo)出數(shù)據(jù)進(jìn)行二次分析；B、EyeLinkⅡ型眼動(dòng)儀，采用瞳孔模式進(jìn)行追蹤；2)實(shí)驗(yàn)場景：使用單調(diào)環(huán)形公路作為實(shí)驗(yàn)場景，所述單調(diào)環(huán)形公路為一條環(huán)形雙向6車道的郊區(qū)單調(diào)高等級公路，車道寬度3.75m，道路全長20km，路面平整，天氣設(shè)置為晴天；3)實(shí)驗(yàn)人員：身體健康，睡眠規(guī)律，測試前24h內(nèi)不允許飲酒，測試前12h內(nèi)不允許飲用咖啡、茶；4)實(shí)驗(yàn)方案：保持100km/s的車速在中間車道行駛，工作人員每5min記錄一次被試人員的主觀疲勞等級(由睡眠尺度表Karolinskasleepinessscale，KSS標(biāo)定)，直到行駛60min，實(shí)驗(yàn)結(jié)束。本發(fā)明的有益效果是：本發(fā)明在已有的研究成果上，提取新的疲勞駕駛檢測指標(biāo)，并通過方差分析驗(yàn)證了指標(biāo)的有效性，基于信息融合技術(shù)建立疲勞駕駛辨識模型，克服了基于單一信息源的疲勞辨識方法的局限性。具體實(shí)施方式以下具體實(shí)施例對本發(fā)明作進(jìn)一步闡述，但不作為對本發(fā)明的限定。1、設(shè)計(jì)疲勞駕駛模擬實(shí)驗(yàn)，通過實(shí)驗(yàn)采集駕駛?cè)嗽诓煌跔顟B(tài)下的駕駛行為數(shù)據(jù)，具體如下：1)實(shí)驗(yàn)設(shè)備：A、駕駛模擬系統(tǒng)，由仿真車輛、控制臺區(qū)、視景系統(tǒng)、計(jì)算機(jī)系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)以及相應(yīng)的軟件系統(tǒng)組成；主要操作設(shè)備都是真實(shí)車輛設(shè)備，通過傳感器捕獲用戶的輸入動(dòng)作，將用戶的輸入以及其他相關(guān)進(jìn)行模擬仿真計(jì)算，同時(shí)將仿真結(jié)果通過視景系統(tǒng)顯示、聲音仿真系統(tǒng)以及信號輸出系統(tǒng)將對應(yīng)信息反饋給用戶；系統(tǒng)還包括仿真車輛運(yùn)行過程中本車相關(guān)數(shù)據(jù)的導(dǎo)出接口，可根據(jù)研究需求，設(shè)置不同的采樣頻率，導(dǎo)出數(shù)據(jù)進(jìn)行二次分析；B、EyeLinkⅡ型眼動(dòng)儀，采用瞳孔模式進(jìn)行追蹤；2)實(shí)驗(yàn)場景：使用單調(diào)環(huán)形公路作為實(shí)驗(yàn)場景，所述單調(diào)環(huán)形公路為一條環(huán)形雙向6車道的郊區(qū)單調(diào)高等級公路，車道寬度3.75m，道路全長20km，路面平整，天氣設(shè)置為晴天；3)實(shí)驗(yàn)人員：9名被試人員(男：7名，女：2名)，年齡23-27歲，駕齡2-5年，身體健康，睡眠規(guī)律，測試前24h內(nèi)不允許飲酒，測試前12h內(nèi)不允許飲用咖啡、茶；4)實(shí)驗(yàn)方案：保持100km/s的車速在中間車道行駛，工作人員每5min記錄一次被試人員的主觀疲勞等級(由睡眠尺度表Karolinskasleepinessscale，KSS標(biāo)定)，直到行駛60min，實(shí)驗(yàn)結(jié)束。2、對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行切分篩選，建立疲勞駕駛樣本數(shù)據(jù)庫；按5min為一個(gè)間隔進(jìn)行切分，即5min數(shù)據(jù)作為一個(gè)樣本，總共9名被試者參加實(shí)驗(yàn)，共108個(gè)樣本；對駕駛行為數(shù)據(jù)，剔除含有彎道和換線操作的樣本數(shù)據(jù)，對于眼動(dòng)數(shù)據(jù)，受EyeLinkⅡ型眼動(dòng)儀本身限制，智能對眼球相對頭部在水平垂直方向[-30°，30°]范圍內(nèi)的眼動(dòng)數(shù)據(jù)進(jìn)行記錄，因此[-30°，30°]范圍以外的數(shù)據(jù)要剔除。經(jīng)過篩選之后，余下有效數(shù)據(jù)樣本102個(gè)，根據(jù)駕駛疲勞的評價(jià)方法，將102個(gè)樣本進(jìn)行疲勞狀態(tài)劃分，建立疲勞駕駛樣本數(shù)據(jù)庫，如下表1所示。表1疲勞駕駛樣本數(shù)據(jù)信息3、采用單因素方差分析的方法對不同疲勞狀態(tài)下駕駛?cè)说鸟{駛行為參數(shù)和眼動(dòng)特征參數(shù)差異的顯著性進(jìn)行統(tǒng)計(jì)分析，并找出了各種特征參數(shù)的最優(yōu)時(shí)間窗；初步篩選出駕駛行為特征參數(shù)包括方向盤絕對均值SAM、轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD、方向盤角速度絕對均值SWM、角速度標(biāo)準(zhǔn)差SWSTD、速度標(biāo)準(zhǔn)差Vstd、加速度均值A(chǔ)m和標(biāo)準(zhǔn)差A(yù)std；眼動(dòng)特征參數(shù)包括眨眼頻率BF、注視持續(xù)時(shí)間均值FIXT_mean和標(biāo)準(zhǔn)差FIXT_std、掃視平均速度標(biāo)準(zhǔn)差SACV_std和瞳孔直徑變異系數(shù)CVPLD；1)對方向盤轉(zhuǎn)角的直觀分析，可得出駕駛員的疲勞特征通常持續(xù)5-15s，在5s、10s、15s三個(gè)時(shí)間窗內(nèi)分別設(shè)計(jì)方向盤轉(zhuǎn)角相關(guān)各疲勞特征參數(shù)。利用單因素方差分析法定量研究駕駛員在不同疲勞程度下的方向盤轉(zhuǎn)角絕對值和標(biāo)準(zhǔn)差的差異性，在顯著性水平α＝0.05的情況下，方差分析結(jié)果如表2所示。表2方向盤轉(zhuǎn)角絕對值和標(biāo)準(zhǔn)差的差異性的方差分析結(jié)果方向盤轉(zhuǎn)角絕對值SAM，當(dāng)時(shí)間窗為10s時(shí)，F(xiàn)＝3.893最大，方向盤轉(zhuǎn)角絕對值SAM的最優(yōu)時(shí)間窗為10s；方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD，當(dāng)時(shí)間窗為10s時(shí)，F(xiàn)＝4.801最大，方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD的最優(yōu)時(shí)間窗為10s。2)隨機(jī)選取清醒狀態(tài)、疲勞狀態(tài)和非常疲勞狀態(tài)下各10個(gè)樣本數(shù)據(jù)，分別按5s、10s、15s三個(gè)時(shí)間窗計(jì)算方向盤角速度絕對均值SWM、轉(zhuǎn)角速度標(biāo)準(zhǔn)差SWSTD，利用單因素方差分析法定量研究駕駛員在不同疲勞程度下的差異性，在顯著性水平α＝0.05的情況下，方差分析結(jié)果如表3所示。表3方向盤角速度絕對均值和標(biāo)準(zhǔn)差的方差分析結(jié)果方向盤角速度絕對均值SWM，當(dāng)時(shí)間窗為5s時(shí)，F(xiàn)＝4.923最大，方向盤角速度絕對均值SWM的最優(yōu)時(shí)間窗為5s；轉(zhuǎn)角速度標(biāo)準(zhǔn)差SWSTD，當(dāng)時(shí)間窗為5s時(shí)，F(xiàn)＝4.907最大，轉(zhuǎn)角速度標(biāo)準(zhǔn)差SWSTD的最優(yōu)時(shí)間窗為5s。3)在40s、80s、120s三個(gè)時(shí)間窗計(jì)算車速均值Vm和車速度標(biāo)準(zhǔn)差Vstd，利用單因素方差分析法定量研究駕駛員在不同疲勞程度下的差異性，在顯著性水平α＝0.05的情況下，方差分析結(jié)果如表4所示。表4車速均值和標(biāo)準(zhǔn)差的方差分析結(jié)果車速均值Vm不同疲勞水平之間不存在顯著差異性，因此速度均值不適于疲勞駕駛狀態(tài)檢測；車速度標(biāo)準(zhǔn)差Vstd，當(dāng)時(shí)間窗為80s時(shí)，F(xiàn)＝46.424值最大，車速度標(biāo)準(zhǔn)差Vstd的最優(yōu)時(shí)間窗為80s。4)在25s、50s、75s三個(gè)時(shí)間窗計(jì)算加速度絕對值和標(biāo)準(zhǔn)差，利用單因素方差分析法定量研究駕駛員在不同疲勞程度下的差異性，在顯著性水平α＝0.05的情況下，方差分析結(jié)果如表5所示。表5加速度絕對值和標(biāo)準(zhǔn)差的方差分析結(jié)果對于加速度絕對值A(chǔ)m和加速度標(biāo)準(zhǔn)差A(yù)std，當(dāng)時(shí)間窗為25s時(shí)，二者在不同疲勞狀態(tài)之間的差異最顯著，因此，加速度絕對值A(chǔ)m和加速度標(biāo)準(zhǔn)差A(yù)std最優(yōu)時(shí)間窗為25s。5)從樣本數(shù)據(jù)庫中隨機(jī)選取3中疲勞狀態(tài)個(gè)10個(gè)樣本數(shù)據(jù)進(jìn)行單因素方差分析，時(shí)間窗為30s和60s，眨眼頻率在(α＝0.05)情況下，方差分析結(jié)果如下表6所示。表6眨眼頻率的方差分析結(jié)果不管時(shí)間窗為30s還是60s，眨眼頻率BF均存在顯著差異，選取時(shí)間窗為30s。6)時(shí)間窗為30s和60s，對不同疲勞狀態(tài)下駕駛員注視持續(xù)時(shí)間的均值和標(biāo)準(zhǔn)差進(jìn)行單因素方差分析，結(jié)果如下表7所示。表7注視持續(xù)時(shí)間均值和標(biāo)準(zhǔn)差的方差分析結(jié)果注視持續(xù)時(shí)間均值和標(biāo)準(zhǔn)差均存在顯著差異，當(dāng)提取時(shí)間窗為30s時(shí)，F(xiàn)值最大，因此，最優(yōu)時(shí)間窗為30s。7)時(shí)間窗為30s和60s，對不同疲勞狀態(tài)下駕駛員掃描幅度均值和標(biāo)準(zhǔn)差進(jìn)行單因素方差分析，結(jié)果如下表8所示。表8掃描幅度均值和標(biāo)準(zhǔn)差的方差分析結(jié)果不管時(shí)間窗為30s還是60s，掃描幅度均值和標(biāo)準(zhǔn)差在給定的顯著水平α＝0.05情況下，不存在顯著差異，因此掃描幅度不能作為疲勞駕駛判別的特征參數(shù)。8)時(shí)間窗為30s和60s，對不同疲勞狀態(tài)下駕駛員掃視平均速度的均值和標(biāo)準(zhǔn)差進(jìn)行單因素方差分析，結(jié)果如下表9所示。表9掃視平均速度均值和標(biāo)準(zhǔn)差的方差分析結(jié)果不管時(shí)間窗為30s還是60s，掃視平均速度均值在給定的顯著水平α＝0.05情況下，不存在顯著差異，因此掃視平均速度均值不能作為疲勞駕駛判別的特征參數(shù)；掃視平均速度標(biāo)準(zhǔn)差在30s時(shí)，F(xiàn)最大，因此，最優(yōu)時(shí)間窗為30s。9)時(shí)間窗為30s和60s，對不同疲勞狀態(tài)下駕駛員瞳孔直徑變異系數(shù)進(jìn)行單因素方差分析，結(jié)果如下表10所示。表10瞳孔直徑變異系數(shù)的方差分析結(jié)果在時(shí)間窗為30s時(shí)，F(xiàn)最大，因此，瞳孔直徑變異系數(shù)最優(yōu)時(shí)間窗為30s。10)選用Bonferroni檢驗(yàn)作為多重比較方法，得出疲勞駕駛特征參數(shù)的多重比較結(jié)果如表11所示。表11駕駛疲勞特征參數(shù)的多重比較結(jié)果(α＝0.05)從上表可看出，在給定顯著水平α＝0.05的情況下，在不同疲勞水平之間均存在統(tǒng)計(jì)意義上的顯著差異的特征參數(shù)有方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD、方向盤角速度絕對均值SWM、加速度標(biāo)準(zhǔn)差A(yù)std、掃視平均速度標(biāo)準(zhǔn)差SACV_std、瞳孔直徑變異系數(shù)CVPLD；方向盤絕對均值SAM在清醒和非常疲勞之間以及疲勞和非常疲勞之間存在顯著性差異，七對疲勞駕駛的辨識仍有一定的貢獻(xiàn)，因此，可以作為疲勞駕駛辨識的特征參數(shù)。4、對初步篩選出的特征參數(shù)進(jìn)行雙變量Spearman相關(guān)分析，具體步驟如下：4-1)對來源與同一指標(biāo)的特征參數(shù)進(jìn)行分析，相關(guān)性顯著的特征，只能選擇一項(xiàng)；4-2)對篩選出的特征參數(shù)，按駕駛行為參數(shù)和眼動(dòng)參數(shù)分類進(jìn)行相關(guān)性分析，同樣，對相關(guān)性顯著的指標(biāo)只能選擇一項(xiàng)；4-3)對經(jīng)過以上兩部篩選后余下的指標(biāo)進(jìn)行相關(guān)性分析，對相關(guān)性顯著的指標(biāo)采取步驟4-1)、4-2)同樣的處理方式；5、篩選出最優(yōu)特征參數(shù)包括：方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差SASTD、車輛加速度標(biāo)準(zhǔn)差A(yù)std、掃視平均速度標(biāo)準(zhǔn)差SACV_std和瞳孔直徑變異系數(shù)CVPLD；最優(yōu)特征參數(shù)集如下表12所示。表12最優(yōu)特征參數(shù)集特征參數(shù)含義最優(yōu)時(shí)間窗CVPLD瞳孔直徑變異系數(shù)30sSACV_std掃視平均速度標(biāo)準(zhǔn)差30sAstd車輛加速度標(biāo)準(zhǔn)差25sSASTD方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差10s6、建立疲勞駕駛BP神經(jīng)網(wǎng)絡(luò)辨識模型，首先確定該網(wǎng)絡(luò)結(jié)構(gòu)的輸入神經(jīng)元數(shù)、輸出神經(jīng)元數(shù)、隱含層數(shù)、隱含層神經(jīng)元數(shù)；其次個(gè)網(wǎng)絡(luò)層的傳遞函數(shù)、設(shè)置各層初始值的權(quán)值，最后確定最佳學(xué)習(xí)效率，選取適當(dāng)?shù)钠谕`差，具體如下：6-1)輸入神經(jīng)元，選步驟5)中最優(yōu)特征參數(shù)及作為模型的輸入，并將輸入數(shù)據(jù)進(jìn)行歸一化處理；6-2)輸出神經(jīng)元，設(shè)定輸出為1-清醒、2-疲勞、3-非常疲勞，并由一個(gè)神經(jīng)元表示，在網(wǎng)絡(luò)的預(yù)測結(jié)果中，以1.5和2.5為界，如果預(yù)測值1≤k≤1.5，則為清醒；如果預(yù)測值1.5≤k≤2.5，則為疲勞如果預(yù)測值2.5≤k≤3，則為非常疲勞；6-3)隱含層數(shù)，單個(gè)隱含層，隱含層節(jié)點(diǎn)數(shù)為9；6-4)傳遞函數(shù)，BP的神經(jīng)網(wǎng)絡(luò)內(nèi)部采用tansig作為傳遞函數(shù)，輸出層采用purelin作為傳遞函數(shù)；6-5)初始權(quán)重，初始權(quán)值定為(-1，1)之間的非零隨機(jī)值；6-6)學(xué)習(xí)效率和期望誤差，采用LM學(xué)習(xí)算法，學(xué)習(xí)效率根據(jù)期望誤差自動(dòng)調(diào)節(jié)，無需設(shè)定；期望誤差設(shè)定為0.001；7、利用Matlab軟件編寫模型程序，隨機(jī)選取訓(xùn)練樣本和測試樣本集對模型進(jìn)行訓(xùn)練和疲勞狀態(tài)辨識。從搭建的疲勞駕駛樣本數(shù)據(jù)庫中隨機(jī)選取150組樣本數(shù)據(jù)，其中清醒、疲勞、非常疲勞樣本各50組作為訓(xùn)練樣本，將訓(xùn)練樣本數(shù)據(jù)導(dǎo)入模型進(jìn)行訓(xùn)練。對于模型效度的驗(yàn)證，模型的正確識別率可作為測評指標(biāo)，其計(jì)算公式為：Pn=qnQn,n=1,2,3]]>其中，n表示疲勞狀態(tài)，1-清醒，2-疲勞，3-非常疲勞；Pn表示模型對第n級疲勞的正確識別率；qn表示第n級疲勞測試樣本中，被正確識別的樣本數(shù)；Qn表示第n級疲勞測試總樣本數(shù)。作為模型效度的另外一個(gè)評判指標(biāo)，其計(jì)算公式如下：n＝1，2，3；k＝1，2，3；n≠k其中，n，k表示疲勞狀態(tài)，1-清醒，2-疲勞，3-非常疲勞；Pnk表示模型對第n級疲勞識別為k級疲勞的正確識別率；rnk表示第n級疲勞測試樣本中，被誤判為k級疲勞狀態(tài)的的樣本個(gè)數(shù)。招募8名駕駛員，進(jìn)行上述相同實(shí)驗(yàn)，記錄他們的駕駛行為數(shù)據(jù)和眼動(dòng)數(shù)據(jù)，每人提取清醒、疲勞、非常疲勞各30組樣本數(shù)據(jù)用于對訓(xùn)練好的辨識模型進(jìn)行測試，測試結(jié)果的準(zhǔn)確率和誤判率如表13所示。表13疲勞駕駛辨識模型對不同駕駛員的檢測結(jié)果結(jié)果表明該模型對駕駛員的清醒、疲勞、非常疲勞三種狀態(tài)分別到達(dá)了83.3％，69.6％和79.6％的平均識別精度，可以用于駕駛員的疲勞狀態(tài)檢測。本發(fā)明選擇的駕駛員具有一定的局限性，沒有完全消除疲勞機(jī)架式檢測中的個(gè)體差異，如果擴(kuò)大疲勞駕駛樣本數(shù)據(jù)庫的樣本容量，識別精度回有更大的提高，也會使模型具有廣泛的適應(yīng)性。當(dāng)前第1頁1 2 3