法律状态公告日
法律状态信息
法律状态
2022-04-08
未缴年费专利权终止 IPC(主分类):A61B 5/18 专利号:ZL201710237862X 申请日:20170413 授权公告日:20200207
专利权的终止
2020-02-07
授权
授权
2017-10-10
实质审查的生效 IPC(主分类):A61B5/18 申请日:20170413
实质审查的生效
2017-09-12
公开
公开
技术领域
本发明属于交通安全领域,涉及一种基于驾驶人心电RR间期的驾驶疲劳判别方法。
背景技术
当驾驶员处于疲劳状态时极易出现观察、判断以及操纵上的失误,进而导致交通事故的发生。据美国国家交通安全协会统计,28%的交通事故由驾驶疲劳造成。因此,及时辨识驾驶员疲劳状态并进行预警对于预防交通事故具有重要意义。
为了能够及时判别驾驶疲劳,应利用一些驾驶人自身的生理指标及车辆运动等参数对驾驶疲劳进行检测并预警。但现有的驾驶疲劳判别存在几点不足:
1、驾驶疲劳判别指标阈值界定的主观性强。因为驾驶疲劳是根据驾驶人的主观感受来界定的,如果通过确定判别指标阈值来界定驾驶人是否达到疲劳,主观性太强,不具有普遍适用性。因此疲劳阈值的界定一直是驾驶疲劳判别的难点。
2、因驾驶人个体差异性导致的疲劳判别的标准不同。驾驶疲劳是根据驾驶人的主观感受来界定的,因驾驶人的年龄、性别以及驾龄等因素影响导致驾驶疲劳判别的评判标准难以确定。因此由驾驶人个体差异性导致的疲劳判别误差较大问题一直是驾驶疲劳判别的难点。
发明内容
本发明要解决的技术问题是提供一种基于驾驶人心电RR间期的驾驶疲劳判别方法,该方法能够避免驾驶疲劳判别主观性过强,以及因个体差异导致的判别标准不同的缺陷,具有较强的客观性及普遍适用性。
为了解决上述技术问题,本发明的基于驾驶人心电RR间期的驾驶疲劳判别方法包括下述步骤:
步骤一、利用生理记录仪实时采集驾驶人心电信号并进行预处理获得驾驶人心电RR间期的时间序列{x1,x2,......,xT},T为初始时刻到当前时刻采集的心率RR间期样本总数;
步骤二、根据基于心电RR间期序列的平稳性模型公式(1)计算对应序列结构残差ut;其中1≤t≤T;
xt=c+ut>
式中:xt—对应于时刻t的驾驶人心电RR间期;
c—初始时刻到当前时刻T驾驶人心电RR间期时间序列均值,即
步骤三、根据一阶自相关模型公式(2)计算自回归残差序列对应于时刻t的自回归残差et;
ut=ρut-1+et>
其中ut-1为对应于时刻t-1的序列结构残差;
步骤四、根据最小二乘法公式(3)估计模型参数ρ,ρ取值为[-1,1];若ut和ut-1正相关,则ρ为正,若ut和ut-1负相关则ρ为负;
步骤五、根据条件方差的GARCH(1,1)模型公式(4)计算条件方差序列中对应于时刻t的条件方差ht;
其中ht-1是对应于上一时刻t-1的条件方差,ht的初始值h1=0;et-1是对应于时刻t-1的自回归残差;c1、c2、c3是模型参数,c1≥0,c2≥0,c3≥0,并且c1、c2、c3的取值应当使得f(z1)×f(z2)×......f(zT)最大;zT为对应于当前时刻T的标准化残差,f(zt)为正态分布函数;
步骤六、根据对应于时刻t的条件方差ht判别驾驶人的疲劳等级是否变化:
设va表示条件方差ht的平均值,σ0代表平均值va的标准差,则
设置初始计数值level=1;当hT-va>3σ0时,将计数值level加1;若level=1,则表示驾驶人疲劳等级为清醒,level=2,则表示驾驶人疲劳等级为轻度疲劳,计数值level=3则表示驾驶人疲劳等级为重度疲劳;计数值level=4则表示驾驶人疲劳等级为困倦4个等级。
本发明的有益效果:
1、解决了通过界定指标阈值来判别驾驶疲劳的主观性过强的问题
因为驾驶疲劳是根据驾驶人的主观感受来界定的,如果通过确定判别指标阈值来界定驾驶人是否达到疲劳,主观性太强,不具有普遍适用性。本发明利用驾驶人心电RR间期序列的条件方差有效地拟合了序列的集群效应波动特征,基于波动特征判别驾驶疲劳,解决了通过界定指标阈值来判别驾驶疲劳的主观性过强的问题。
2、解决了因驾驶人个体差异性导致的疲劳判别的标准不同的问题
驾驶疲劳是根据驾驶人的主观感受来界定的,因驾驶人的年龄、性别以及驾龄等因素影响导致驾驶疲劳判别的评判标准难以确定。本发明通过建立基于心电RR间期的时间序列判别模型,利用RR间期序列的波动性表征驾驶人自身状态变化进而判别驾驶疲劳,避免了利用同一指标阈值判别不同驾驶人的疲劳。解决了因驾驶人个体差异性导致的疲劳判别标准不同的问题。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明的基于心电RR间期的驾驶人疲劳判别方法的流程图。
具体实施方式
如图1所示,本发明的基于心电RR间期的驾驶人疲劳判别方法具体包括下述步骤:
步骤一、数据获取及预处理:依次流程包括搭建实车道路试验平台,该平台包括美国Biopac生理记录仪及与其连接的计算机;采集驾驶人心电信号;利用Biopac生理记录仪的软件分析模块中选择hemodynamics-ECG interval Extraction,对驾驶人心电信号进行预处理获取驾驶人心电RR间期的时间序列{x1,x2,......,xT},T为初始时刻到当前时刻采集的心率RR间期样本总数;
步骤二、设置初始计数值level=1;根据基于心电RR间期序列的平稳性模型公式(1)计算对应于时刻t的序列结构残差ut,其中1≤t≤T;
xt=c+ut>
式中:xt—对应于时刻t的驾驶人心电RR间期;
c—初始时刻到当前时刻T驾驶人心电RR间期时间序列均值;心电RR间期时间序列围绕固定值c随机波动;
所述初始时刻到当前时刻驾驶人心电RR间期时间序列均值c可以通过计算均值得到;
xt是对应于任一时刻t的驾驶人心电RR间期,T-初始时刻到当前时刻心率RR间期样本总数;
步骤三、根据一阶自相关模型公式(2)计算自回归残差序列对应于当前时刻t的自回归残差et;
ut=ρut-1+et>
其中ut-1为对应于上一时刻t-1的序列结构残差;
步骤四、根据最小二乘法公式(3)估计模型参数ρ,ρ取值为[-1,1];若ut和ut-1正相关,则ρ为正,若ut和ut-1负相关则ρ为负;
步骤五、根据条件方差的GARCH(1,1)模型公式(4)计算条件方差序列中对应于当前时刻t的条件方差ht;
其中ht-1是对应于上一时刻t-1的条件方差,ht的初始值h1=0;et-1是对应于上一时刻t-1的自回归残差;c1、c2、c3是模型参数,c1≥0,c2≥0,c3≥0,并且c1、c2、c3的取值应当使得f(z1)×f(z2)×......f(zT)最大;zT为对应于当前时刻T的标准化残差,f(zt)为正态分布函数;
步骤六、实时或者每隔15min左右根据对应于当前时刻t的条件方差ht判别驾驶人的疲劳等级是否变化;
设va表示条件方差ht的平均值,σ0代表平均值va的标准差,则
若ht-va>3σ0,表明心率R-R间期序列的残差序列发生了巨大的变化,进而说明驾驶人的疲劳程度发生了显著变化,则将计数值level加1;若level=1,则表示驾驶人疲劳等级为清醒,level=2,则表示驾驶人疲劳等级为轻度疲劳,计数值level=3则表示驾驶人疲劳等级为重度疲劳;计数值level=4则表示驾驶人疲劳等级为困倦4个等级。
机译: 用于自动车辆的系统,方法和控制器,其实现了基于自动驾驶人的集体驾驶经验的自动驾驶人和驾驶政策学习者,用于生成和改善政策
机译: 用于自动控制所租用车辆的行进路线的方法和系统。使模式自动驾驶人我能够取消它以自动控制所租用车辆的操作的方法和自动驾驶人系统可以取消它,以便我自动控制所租用的航空器的运行v u00c8o
机译: 铁路驾驶人员的联合培训模拟器及评估使用该模拟器的铁路驾驶人员的联合培训的方法