基于人工神經網絡和證據理論的疲勞駕駛評價方法
【技術領域】
[0001] 本發明涉及一種基于人工神經網絡和證據理論的疲勞駕駛評價方法，屬于駕駛員 疲勞駕駛評價技術領域。
【背景技術】
[0002] 疲勞駕駛檢測和評價已成為汽車主動安全領域中的研究熱點，其中基于物理傳感 器的非接觸式疲勞駕駛檢測方法在理論研究和應用領域近年來引起廣泛重視。但現有的疲 勞駕駛評價方法大都只針對駕駛員某一方面的單一疲勞特征，如頻繁的眨眼和打呵欠，頭 部轉動異常，或車輛行駛狀態異常等。隨著信息融合技術的發展，不少評價方法雖然已開始 考慮融合多個疲勞特征，但它們大多只融合駕駛員面部的幾個疲勞特征，而對于間接反應 駕駛員是否疲勞的車輛行為特征，如因疲勞駕駛而產生的車輛異常偏離車道，方向盤轉動 和車速變化異常等卻被忽略，導致目前這些方法的評價效果不夠理想，容易造成誤評，漏評 等。同時，疲勞駕駛是一個非常復雜的生理現象，存在誘發原因多，癥狀復雜，難以檢測和評 價等問題，這些都給傳統的疲勞駕駛評價方法帶來了極大地挑戰。
【發明內容】
[0003] 為了解決上述技術問題，本發明提供了一種基于人工神經網絡和證據理論的疲勞 駕駛評價方法。
[0004] 為了達到上述目的，本發明所采用的技術方案是：
[0005] 基于人工神經網絡和證據理論的疲勞駕駛評價方法，包括以下步驟，
[0006] 步驟一，采集疲勞特征數據樣本，用以人工神經網絡訓練；
[0007] 步驟二，構建人工神經網絡，利用樣本數據確定人工神經網絡參數；
[0008] 步驟三，實時計算疲勞特征參數；
[0009] 步驟四，基于人工神經網絡的特征級融合；
[0010] 步驟五，基于D-S證據理論的決策級融合；
[0011] 步驟六，根據決策規則進行駕駛狀態辨識。
[0012] 疲勞特征數據樣本采集過程為，
[0013] Al)招募若干受試駕駛員，并根據疲勞狀態進行自我評價；
[0014] A2)對受試駕駛員的疲勞特征參數進行采集；
[0015] 所述疲勞特征參數包括面部行為特征信號和車輛行為特征信號；
[0016] 所述面部行為特征信號包括眨眼信號、打哈欠信號和眼睛持續閉合信號；
[0017] 所述車輛行為特征信號包括車輛前方車道標志線信號、方向盤轉動信號和車輛車 速信號；
[0018] A3)根據面部行為特征信號計算出眨眼頻率Xlil、打哈欠頻率\2和眼睛持續閉合 時間均值W根據車輛行為特征信號計算出車輛橫向偏離頻率x 2il、方向盤零速轉動百分 比x2,2和車輛縱向車速方差X 2,3;
[0019] A4)利用EEG檢測裝置同步采集受試駕駛員腦電信號，記錄當前時刻受試駕駛員 是否疲勞的指標ra,
[0020] ra_ OiP= (P α+Ρθ)/Ρβ
[0021] 其中，Pa，Pe和P e分別為腦電波在a，θ和β三個波段的功率譜；
[0022] Α5)根據r 的大小對受試駕駛員的駕駛狀態進行分類；
[0023] 當r a, e, e < s #寸，受試駕駛員的駕駛狀態為"清醒"；
[0024] 當S1Sr < s 2時，受試駕駛員的駕駛狀態為"輕度疲勞"；
[0025] 當r n e彡s 2時，受試駕駛員的駕駛狀態為"重度疲勞"；
[0026] S1S s 2, sJP s 2均為設定的閾值；
[0027] A6)將受試駕駛員的自我評價和步驟A5中獲得的分類情況進行比較，當兩者相同 時，則將該受試駕駛員的疲勞特征參數作為有效樣本數據存入樣本數據集中，否則，作為無 效數據剔除。
[0028] 構建的人工神經網絡有兩個，第一個人工神經網絡用ANN-I表示，第二個人工神 經網絡用ANN-2表示；
[0029] ANN-I結構為：將眨眼頻率Xlil、打哈欠頻率Xli2和眼睛持續閉合時間均值X 1ι3作 為ANN-I輸入層三個神經元的輸入向量，ANN-I輸出層神經元用yul、y li2和y 1ι3表示，分別 對應"清醒"、"輕度疲勞"和"重度疲勞"三種駕駛狀態的概率值，ANN-I隱含層神經元個數
，其中，&1為ANN-I輸入層的神經元個數，b Λ ANN-I輸出層神經元個數， C1為一個常數；
[0030] ΑΝΝ-2結構為：將車輛橫向偏離頻率X2il、方向盤零速轉動百分比X2i2和車輛縱向 車速方差x 2,3作為ΑΝΝ-2輸入層三個神經元的輸入向量，ΑΝΝ-2輸出層神經元用y 和 y2i3表示，分別對應"清醒"、"輕度疲勞"和"重度疲勞"三種駕駛狀態的概率值，ANN-2隱含 層神經元個數
，其中，a2SANN-2輸入層的神經元個數，b 2SANN-2輸出 層神經元個數，C2為一個常數。
[0031] ANN-I和ANN-2的網絡參數利用樣本參數，通過BP算法訓練確定；
[0032] ANN-I的網絡參數通過BP算法訓練確定的過程為：
[0033] BDANN-I網絡參數初始化；
[0034] 定義W1li j為ANN-I輸入層與隱含層之間的連接權值，Θ 1 ;為ANN-I輸入層與隱含 層之間的連接閾值，ΛΑΑΝΝ-1隱含層與輸出層之間的連接權值，γ 1^ANN-I隱含層與 輸出層之間的連接閾值，ε Λ ANN-I訓練的誤差精度，η Μ為最大迭代次數；
[0035] 其中，i、t、j 均為整數，i e [l，3]，t e [l，3]，j e [l，ni];
[0036] Β2)從樣本數據集I中選取受試駕駛員面部行為特征樣本數據I1k;
[0037]
[0038] XkU為第k個受試駕駛員的面部行為特征中的眨 眼頻率，Xk12為第k個受試駕駛員的面部行為特征中的打哈欠頻率，X 為第k個受試駕駛 員的面部行為特征中的眼睛持續閉合時間均值；
[0039] Yik= [y L，Λ,2, y\3]，Λ,ρ八2和y \,3分別表示第k個數據樣本在"清醒"，"輕 度疲勞"和"重度疲勞"三種駕駛狀態下的3個概率值；
[0040] B3)將作為ANN-I的輸入向量，將Y114作為ANN-I的期望輸出向量輸到ANN-I 中；
[0041] B4)定義N = 1，w^l)為第一次迭代ANN-I輸入層與隱含層之間的連接權值， Θ、(1)為第一次迭代ANN-I輸入層與隱含層之間的連接閾值，八"1)為第一次迭代ANN-I 隱含層與輸出層之間的連接權值，Y1t(I)為第一次迭代ANN-I隱含層與輸出層之間的連接 閾值；
[0042] B5)執行輸入模式的正向傳播過程；
[0043] 正向傳播過程如下：
[0044] al)計算ANN-I隱含層各個神經元的輸出/;
[0045]
[0046] a2)計算ANN-I輸出層各個神經元的實際輸出;
[0047]
[0048] a3)計算ANN-I期望輸出跟實際輸出的誤差< ;
[0049]
[0050] Β6)執行誤差的逆向傳播過程；
[0051] 逆向傳播過程如下：
[0052] bl)計算ANN-I輸出層各個單元的校正誤差< ;
[0053]
[0054] b2)計算ANN-I隱含層各個單元的校正誤差?
[0055]
[0056] Β7)計算下一次迭代時ANN-I輸入層與隱含層之間的新連接權值w^N+1)和新 閾值 Θ\(Ν+1);
[0057] ，
[0058]
[0059] 其中，β丨為ANN-I的學習系數；
[0060] B8)計算下一次迭代時ANN-I隱含層與輸出層之間的新連接權值V^JN+I)和新 閾值 γ\(Ν+ι);
[0061]
[0062]
[0063] 其中，α為ANN-I的學習系數；
[0064] Β9)判斷At是否小于等于ε i，或者Ν+1是否等于ηΜ，若滿足，則訓練結束，轉至步 驟Β10,否則，N = Ν+1，轉至步驟Β5 ;
[0065] Β10)將滿足步驟Β9條件時，訓練獲得的連接權值和閾值作為ANN-I的最優網絡參 數；
[0066] 其中，作為ANN-I的最優網絡參數的連接權值分別記作和，作為ANN-I的 最優網絡參數的連接閾值分別記作$和;；
[0067] ΑΝΝ-2的網絡參數通過BP算法訓練確定的過程為：
[0068] Cl)ANN-2網絡參數初始化；
[0069] 定義w\ 為ΑΝΝ-2輸入層與隱含層之間的連接權值，Θ公為ΑΝΝ-2輸入層與隱 含層之間的連接閾值，V2j^t為ANN-2隱含層與輸出層之間的連接權值，γ 2tSANN-2隱含 層與輸出層之間的連接閾值，ε 2為ANN-2訓練的誤差精度；
[0070] 其中，j'為整數，j' e [l，n2];
[0071] C2)從樣本數據集I中選取受試駕駛員車輛行為特征樣本數據I2k;
[0072]
[0073] , Xk2il為第k個受試駕駛員的車輛行為特征中的車 輛橫向偏離頻率，Xk2i2為第k個受試駕駛員的車輛行為特征中的方向盤零速轉動百分比， Xk2i3為第k個受試駕駛員的車輛行為特征中的車輛縱向車速方差；
[0074]
yk2il，人2和y 1V3分別表示第k個數據樣本在"清醒"， "輕度疲勞"和"重度疲勞"三種駕駛狀態下的3個概率值；
[0075] C3)將1|作為ANN-2的輸入向量，將'作為ANN-2的期望輸出向量輸到ANN-2 中；
[0076] C4)定義N = 1，（1)為第一次迭代ANN-2輸入層與隱含層之間的連接權值， 0公（1)為第一次迭代ANN-2輸入層與隱含層之間的連接閾值，為第一次迭代 ANN-2隱含層與輸出層之間的連接權值，Y2t(I)為第一次迭代ANN-2隱含層與輸出層之間 的連接閾值；
[0077] C5)執行輸入模式的正向傳播過程；
[0078] 正向傳播過程如下：
[0079] cl)計算ANN-2隱含層各個神經元的輸出; CN 105139070 A 下i b/lb 貝
[0080]
[0081] c2)計算ANN-2輸出層各個神經元的實際輸出;
[0082]
[0083] c3)計算ANN-2期望輸出跟實際輸出的誤差《；
[0084]
；
[0085] C6)執行誤差的逆向傳播過程；
[0086] 逆向傳播過程如下：
[0087] dl)計算ANN-2輸出層各個單元的校正誤差6?^;
[0088]
[0089] d2)計算ANN-2隱含層各個單元的校正誤差
[0090]
:
[0091] C7)計算下一次迭代時ΑΝΝ-2輸入層與隱含層之間的新連接權值W21^ (Ν+1)和新 閾值 Θ 2r (Ν+1);
[0092]
[0093]
[0094] 其中，β 2為ΑΝΝ-2的學習系數；
[0095] C8)計算下一次迭代時ΑΝΝ-2隱含層與輸出層之間的