基于眨眼次数的驾驶员疲劳驾驶预测方法

摘要

本发明公开了基于眨眼次数的驾驶员疲劳驾驶预测方法，首先根据历史眨眼次数分别建立卡尔曼滤波预测模型以及径向基函数（RBF）神经网络模型来进行下一时刻眨眼次数的预测，其次考虑眨眼次数之间的关联度，根据灰熵分析计算预测眨眼次数与历史眨眼次数的关联度等级，并选取关联度等级较高的历史眨眼次数作为预测模型的输入数据，根据输入数据获得每个预测模型的预测值，接着结合贝叶斯融合的方法及最相关的历史眨眼次数，计算每个预测模型在预测该时刻眨眼次数时的权重，获得该时刻的预测眨眼次数，最后通过设定阈值，比较阈值与预测眨眼次数的大小，最终实现驾驶员是否为疲劳驾驶的判定。

说明书

技术领域

本发明涉及一种基于眨眼次数的驾驶员疲劳驾驶预测方法，属于驾驶员疲劳驾驶检测 技术领域。

背景技术

随着现代交通运输业的飞速发展，交通事故已成为当前全球所面临的严重问题。据统 计，全世界每年因交通事故导致的死亡人数达60万，直接经济损失约125亿美元，这些 事故中57％的灾难性事故与驾驶员疲劳驾驶有关。疲劳虽然是一个很正常的生理现象， 但每年导致的交通事故给世界各国造成巨大的经济损失和人员伤亡，增加了社会的不安定 因素。因此，针对疲劳驾驶预测的研究具有十分重要的现实意义。

目前驾驶员疲劳度的预测是通过生物学的方法来检测驾驶员的生理参数，比如分析脑 电图(EEG)、心电图(ECG)的信号变换等，继而进行驾驶人员疲劳度的预测，但是这 种基于驾驶员生理预测的方法需要将检测设备与驾驶员身体相接触，有一定的局限性。由 此可见目前的驾驶员疲劳度预测方法上还存在一定的不足。

发明内容：

本发明基于眨眼次数的驾驶员疲劳驾驶预测方法。

本发明的具体技术方案如下：

本发明公开了基于眨眼次数的驾驶员疲劳驾驶预测方法，首先根据历史眨眼次数分别 建立卡尔曼滤波预测模型以及径向基函数(RBF)神经网络模型来进行下一时刻眨眼次数 的预测，其次考虑眨眼次数之间的关联度，根据灰熵分析计算预测眨眼次数与历史眨眼次 数的关联度等级，并选取关联度等级较高的历史眨眼次数作为预测模型的输入数据，根据 输入数据获得每个预测模型的预测值，接着结合传统贝叶斯融合的方法及最相关的历史眨 眼次数，计算每个预测模型在预测该时刻眨眼次数时的权重，获得该时刻的预测眨眼次数， 最后通过设定阈值，比较阈值与预测眨眼次数的大小，最终实现驾驶员是否为疲劳驾驶的 判定。

本发明具有如下优点：

1、本发明所构建的预测模型能充分利用卡尔曼滤波预测模型和径向基(RBF)神经 网络模型的优势，能够最大程度地适应复杂变化的疲劳度预测。卡尔曼滤波预测模型在眨 眼次数变化不大的条件下预测较为准确，而径向基(RBF)神经网络模型在眨眼次数变化 较大的条件下预测较为准确，比如下午的1点到4点，综合二者的优点，本发明可以在眨 眼次数复杂变化的条件下取得良好的疲劳程度预测效果。

2、本发明考虑历史眨眼次数与预测眨眼次数的关联度，选取最相关的历史眨眼次数 来作为输入数据，克服了传统贝叶斯融合中将所有历史眨眼次数作为输入数据的问题而导 致的计算量过大和预测精确性不高的问题。

附图说明:

图1基于眨眼次数的驾驶员疲劳驾驶预测方法流程图。

具体实施方式：

如图1所示，本发明的基于眨眼次数的驾驶员疲劳驾驶预测方法，具体过程如下：

首先，通过对某时刻之前一段时间内驾驶员连续几次眨眼次数的预测来判断该时刻驾 驶员是否疲劳驾驶，规定t时刻的眨眼次数表示t时刻前5分钟的眨眼次数之和，每隔5 分钟采集一次，则t-1时刻的眨眼次数表示t时刻前10到前5分钟之间的眨眼次数之和， 一般情况下，t时刻的眨眼次数与之最近的几个时间段内的眨眼次数关联性较大，

步骤1：根据观测得到的历史数据，建立预测模型

第一，建立卡尔曼滤波预测模型进行预测

将集合V(t)＝[y_t,y_t-1,…,y_t-4]作为卡尔曼滤波预测模型的输入数据，其中y_t表示t时 刻的眨眼次数，y_t-1表示t-1时刻的眨眼次数，y_t-4表示t-4时刻的眨眼次数，

1)建立线性预测模型：其中，为卡尔曼滤波预测模型 下计算所得的t+1时刻预测眨眼次数，为状态向量，

2)利用卡尔曼滤波理论，计算状态向量

$\left(\begin{array}{c}\hat{J}\left(t\right)=B\left(t\right)\hat{J}(t-1)+K\left(t\right)[y\left(t\right)-V\left(t\right)B\left(t\right)\hat{J}(t-1)]\\ K\left(t\right)=P\left(t\right|t-1)V^T\left(t\right){[V\left(t\right)P\left(t\right|t-1)V^T\left(t\right)+R]}^{-1}\\ P\left(t\right|t-1)=B\left(t\right)P(t-1)B^T\left(t\right)+W\\ P\left(t\right)=[I-K\left(t\right)V\left(t\right)]P\left(t\right|t-1)\end{array}\right)$

其中，B(t)为状态转移矩阵，其初始值设为单位矩阵，R为测量噪声的 自相关矩阵，该矩阵中元素服从[0,1]之间的正态分布，W为过程噪声的 自相关矩阵，该矩阵中元素服从[0,1]之间的正态分布，其中，为t时刻的状态向量， 为t-1时刻的状态向量，P(t|t-1)为t时刻的交通流量V(t)在t时刻预测估计误差 的自相关矩阵，其初始值P(1|0)＝0，

第二，建立径向基函数(RBF)神经网络模型进行预测

任意选取7个时刻记录下驾驶员的预测眨眼次数(观测得到)以及该时刻前5个时刻 的历史眨眼次数，这样获得预测眨眼次数集合Z＝{z(a),a＝1,2…7}，表示7个时刻的预 测眨眼次数，与每个预测眨眼次数相对应的前5个时刻的历史眨眼次数集合为 X＝{X(a),a＝1,2…7},其中X(a)＝{x₁(a),x₂(a),x₃(a),x₄(a),x₅(a)}，表示预测眨眼次数 z(a)之前5个时刻历史眨眼次数，将观测到的前5个时刻的历史眨眼次数作为输入数据， 则RBF神经网络的输入层由5个神经元组成，每组历史眨眼次数对应一个预测眨眼次数， 则RBF神经网络的输出层由1个神经元组成，

1)根据K-均值聚类算法求取径向基函数的中心，首先从历史眨眼次数集合X中选取 3个样本数据作为RBF神经网络的初始聚类中心c_e(e＝1,2,3)，其次把输入数据X按照最 邻近原则分配给聚类中心c_e的聚类集合θ_e(e＝1,2,3)，这种分配原则满足以下条件： d_e＝min||X(a)-c_e||，(a＝1,2,3,4,5,6,7，e＝1,2,3)，d_e表示输入数据与聚类中心的最小距 离，接着计算每个聚类集合θ_e中数据的平均值作为新的聚类中心，其中c″_e表示新的聚类中心，M_e表示聚类集合θ_e中输入数据X(a)的个数，最后根据c″_e的值是否 变化来判断聚类中心位置是否变化，如果聚类中心位置变化则继续按照最近邻原则分配输 入数据，计算新的聚类中心直至聚类中心位置不再发生变化，得到最终的聚类中心 C＝(c₁,c₂,c₃)^T，

2)根据平均距离法计算RBF网络的径向基函数的宽度向量F＝(f₁,f₂,f₃)^T，其中 f₁＝min{||c₁-c₂||,||c₁-c₃||}，表示第1类聚类中心与其最近邻聚类中心的距离， f₂＝min{||c₂-c₁||,||c₂-c₃||}，表示第2类聚类中心与其最近邻聚类中心的距离， f₃＝min{||c₃-c₁||,||c₃-c₂||}，表示第3类聚类中心与其最近邻聚类中心的距离，

3)计算RBF神经网络隐含层的径向基向量H＝(h₁,h₂,h₃)^T，其中，e＝1,2,3，||·||表示欧式范数，X(a)表示输入数据，c_e表示径向基函数的中心，f_e表示径向基函数的宽度，

4)通过最小二乘法计算RBF网络的权值向量W，W＝(H^TH)^-1H^Tz(a)，其中H表 示RBF神经网络隐含层的径向基向量，z(a)表示与输入数据相对应的输出数据(即与历 史眨眼次数X(a)相对应的预测眨眼次数)，

步骤2：计算预测眨眼次数与历史眨眼次数的灰关联度

规定t时刻的眨眼次数y_t为预测眨眼次数(观测得到)，其前10个时刻的历史眨眼次 数集合为{y_t-1,y_t-2,…,y_t-10}，根据灰熵分析理论，构建参考序列Y_t和比较序列 {Y_t-1,…,Y_t-i,…,Y_t-10}，参考序列为预测眨眼次数 Y_t＝[y_t(1),y_t(2),y_t(3),y_t(4),y_t(5),y_t(6),y_t(7)]，定义为t时刻之前7个时刻的眨眼次数， 比较序列为t时刻前10个历史眨眼次数，{Y_t-1,…,Y_t-i,…,Y_t-10}，i＝1,2,3,4,5,6,7,8,9,10， 其中，Y_t-1＝[y_t-1(1),y_t-1(2),…,y_t-1(7)]，表示t-1时刻之前7个时刻的眨眼次数， Y_t-i＝[y_t-i(1),y_t-i(2),…,y_t-i(7)]，表示t-i时刻之前7个时刻的眨眼次数， Y_t-10＝[y_t-10(1),y_t-10(2),…,y_t-10(7)]，表示t-10时刻之前7个时刻的眨眼次数，

第一，计算预测眨眼次数集合Y_t与相关历史眨眼次数集合Y_t-i的灰关联系数 γ(y_t(j),y_t-i(j))，

$\gamma (y_t\left(j\right),y_{t-i}\left(j\right))=\frac{\underset{i}{\min }\underset{j}{\min }|y_t\left(j\right)-y_{t-i}\left(j\right)|+\zeta \underset{i}{\max }\underset{j}{\max }|y_t\left(j\right)-y_{t-i}\left(j\right)|}{|y_t\left(j\right)-y_{t-i}\left(j\right)|+\zeta \underset{i}{\max }\underset{j}{\max }|y_t\left(j\right)-y_{t-i}\left(j\right)|},$

其中分辨系数ζ＝0.5，i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；

第二，对灰关联系数进行映射处理，将灰关联系数γ(y_t(j),y_t-i(j))转换为灰关联密 度p(i,j)，其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；

第三，根据灰熵的概念灰关联密度，计算由p(i,j)为属性信息的灰关联熵E(t-i)， 其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；

第四，计算灰关联度等级B(t-i),其中 i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7，将灰关联度等级B(t-i)降序排列，选择与 预测眨眼次数y_t灰关联度等级最大的5个时刻的历史眨眼次数 其中{w₁,w₂,…,w₅}∈i，i＝1,2,3,4,5,6,7,8,9,10，

步骤3：分别计算卡尔曼滤波预测模型以及径向基(RBF)预测模型下的预测眨眼 次数

第一，根据建立的卡尔曼滤波预测模型以及5组最相关的历史眨眼次数 计算t时刻卡尔曼滤波预测模型下的预测眨眼次数其中，表示卡尔曼滤波预测模型下t时刻的预测眨眼次数，

第二，根据建立的RBF神经网络模型以及5组最相关的历史眨眼次数 计算RBF神经网络模型下的预测眨眼次数其中，H＝(h₁,h₂,h₃)^T，W为RBF神经网络的权值向 量，表示RBF神经网络模型下t时刻的预测眨眼次数，

第三，根据建立的卡尔曼滤波预测模型以及t-w_m(m＝1,2,3,4,5)时刻前5组历史 眨眼次数计算卡尔曼滤波预测模型下t-w_m时刻预测眨眼次数 ${\hat{y}}_{t-w_m}^1=[y_{t-w_m-1},y_{t-w_m-2},y_{t-w_m-3},y_{t-w_m-4},y_{t-w_m-5}]\hat{J}\left(t\right),$其中，表示卡尔曼滤波预测模 型下t-w_m时刻的预测眨眼次数，计算得到与t时刻预测眨眼次数灰关联度等级最大的5 个时刻的眨眼次数在卡尔曼滤波预测模型下的预测值 $\{{\hat{y}}_{t-w_1}^1,{\hat{y}}_{t-w_2}^1,{\hat{y}}_{t-w_3}^1,{\hat{y}}_{t-w_4}^1,{\hat{y}}_{t-w_5}^1\},$

第四，根据建立的RBF神经网络模型以及t-w_m(m＝1,2,3,4,5)时刻前5组历史眨 眼次数计算RBF神经网络模型下t-w_m时刻预测眨眼次数${\hat{y}}_{t-w_m}^2=\mathrm{WH},$其中，H＝(h₁,h₂,h₃)^T，$h_e=\exp (-\frac{{\left|\right|[y_{t-w_m-1},y_{t-w_m-2},...,y_{t-w_m-5}]-c_e\left|\right|}^2}{2{f_e}^2}),$表 示RBF神经网络模型下t-w_m时刻的预测眨眼次数，计算得到与t时刻预测眨眼次数灰关 联度等级最大的5个时刻的眨眼次数在RBF神经网络模型下 的预测值

步骤4：贝叶斯融合预测

根据传统的贝叶斯理论可知，计算某一预测模型在某时刻的权重，需要该时刻之前 的所有的历史眨眼次数作为已知条件，我们在传统贝叶斯理论的基础上，考虑预测眨眼 次数与历史眨眼次数之间的关联度，根据步骤2中灰关联度等级的计算，得到与预测眨 眼次数灰关联度等级最大的5组历史眨眼次数将这5组历 史眨眼次数作为已知条件，计算卡尔曼滤波预测模型在t时刻预测时的权重$p_t^1=\frac{{\left(\frac{1}{\sqrt{2\pi }{\sigma }_1}\right)}^5\exp (\underset{m=1}{\overset{5}{\Sigma }}-{[(y_{t-w_m}-{\hat{y}}_{t-w_m}^1)/\sqrt{2}{\sigma }_1]}^2)}{\underset{n=1}{\overset{2}{\Sigma }}{\left(\frac{1}{\sqrt{2\pi }{\sigma }_n}\right)}^5\exp (\underset{m=1}{\overset{5}{\Sigma }}-{[(y_{t-w_m}-{\hat{y}}_{t-w_m}^n)/\sqrt{2}{\sigma }_n]}^2)},$其中，服从均 值为0，标准差为σ_n的高斯白噪声分布，表示t-w_m时刻的观测到的实际眨眼次数， 表示t-w_m时刻的在卡尔曼滤波预测模型下计算的预测眨眼次数，其次，根据步骤 2中灰关联度等级的计算，得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数 将这5组历史眨眼次数作为已知条件，结合贝叶斯理论， 计算RBF神经网络模型在t时刻预测时的权重$p_t^2=\frac{{\left(\frac{1}{\sqrt{2\pi }{\sigma }_1}\right)}^5\exp (\underset{m=1}{\overset{5}{\Sigma }}-{[(y_{t-w_m}-{\hat{y}}_{t-w_m}^2)/\sqrt{2}{\sigma }_1]}^2)}{\underset{n=1}{\overset{2}{\Sigma }}{\left(\frac{1}{\sqrt{2\pi }{\sigma }_n}\right)}^5\exp (\underset{m=1}{\overset{5}{\Sigma }}-{[(y_{t-w_m}-{\hat{y}}_{t-w_m}^2)/\sqrt{2}{\sigma }_n]}^2)},$其中，服从均 值为0，标准差为σ_n的高斯白噪声分布，表示t-w_m时刻观测的眨眼次数，表 示t-w_m时刻的在RBF神经网络模型下计算的预测眨眼次数，最后计算出t时刻的预测 眨眼次数其中表示卡尔曼滤波预测模型在t时刻预测时的权重， 表示RBF神经网络模型在t时刻预测时的权重，表示卡尔曼滤波预测模型下t时 刻的预测眨眼次数，表示RBF神经网络模型下t时刻的预测眨眼次数。

步骤5基于眨眼次数的驾驶员疲劳驾驶预测

将贝叶斯融合预测的眨眼次数同实现设定的眨眼次数阈值T_th＝75进行比较，当 时，驾驶员可能存在疲劳；当在一定时间T_b(根据实际情况设定)内连续测得 的次数超过N_b＝3时，可判定驾驶员存在疲劳驾驶现象，实现对驾驶员疲劳驾驶 的提前预测。