[發明專利]一種基于眼動指標數據的駕駛疲勞檢測系統及識別方法

在審

• 申請號: 201710147497.3
• 申請日: 2017-03-13
• 公開（公告）號: CN106934368A
• 公開（公告）日: 2017-07-07
• 發明（設計）人: 王永崗;馬成喜;李巖輝;馬景峰;常旭;張興雨;朱浩
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司61200
• 代理人: 徐文權

1.一種基于眼動指標數據的駕駛疲勞識別方法，其特征在于，包括以下步驟：

S1、數據采集模塊按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據；

S2、數據分析處理模塊接收步驟S1所述眼動數據，并將所述眼動數據傳入計算程序，程序對數據進行預處理，對缺省、數據為空的數據棄置；

S3、采集駕駛人的眼動指標數據以及每一條數據對應駕駛人疲勞程度作為原始數據建立隨機森林模型，通過隨機森林模型對實時采集的所述眼動數據進行處理，隨機森林模型中每一棵決策樹對駕駛人的眼動數據進行分類判斷，給出結果；

S4、綜合步驟S3中各個決策樹給出的分類結果，利用所述隨機森林模型進行投票，綜合投票概率高的一類即為本次分類的最終結果。

2.根據權利要求1所述的一種基于眼動指標數據的駕駛疲勞識別方法，其特征在于，步驟S3中，建立所述隨機森林模型的步驟如下：

S31、取原始數據中80％作為原始訓練數據，利用通過自助法從訓練樣本集S中通過放回地重復隨機地抽取N個樣本組合成一個新的訓練樣本集合，重復此流程以生成K個子樣本集，S₁，S₂……S_K；

S32、對于步驟S1中每個所述子樣本集，從所有的特征變量M中隨機選出m個特征作為子特征向量集，即每個樣本集對應一個子特征向量集M₁，M₂……M_K，其中m<M；

S33、根據步驟S1選擇的所述子樣本集及其對應的子特征向量，生成K棵決策樹Tree₁，Tree₂……Tree_k；

S34、所有的決策樹組合在一起成為隨機森林，其對數據的判定為所有決策樹的投票結果，最終的分類結果為綜合決策樹分類器的投票概率高的一類決定；

S35、利用原始數據剩余的20％作為模型的測試集，利用建立好的隨機森林模型對這部分數據測試，并將測試結果與真實結果對比，確定模型的分類性能；

S36、根據評價結果對步驟S5所述隨機森林模型進行參數調優，提高準確率，所述參數包括樹的最大深度max_depth、根據屬性劃分節點時，設置每個劃分最少的樣本數min_samples_split、葉子節點最少的樣本數min_samples_leaf、葉子樹的最大樣本數max_leaf_nodes和選擇最適屬性時劃分的特征數不能超過此值max_features。

3.根據權利要求2所述的一種基于眼動指標數據的駕駛疲勞識別方法，其特征在于：步驟S33中，所述決策樹的純度度量采用Gini指數，Gini指數越大表示純度越低，集合K_i包括n類樣本記錄，每一類的概率為p₁，p₂，……p_n，則Gini指數為：

$Gini=1-\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i^2.$

4.根據權利要求2所述的一種基于眼動指標數據的駕駛疲勞識別方法，其特征在于，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，即從根節點開始依次對訓練集進行劃分，在二叉樹中，根節點包含全部訓練數據，按照節點純度最小原則，分裂為左節點和右節點，分別包含訓練數據的一個子集，按照同樣的規則節點繼續分裂，直到滿足分支停止規則而停止生長。

5.根據權利要求2所述的一種基于眼動指標數據的駕駛疲勞識別方法，其特征在于，步驟S35中，所述模型的分類性能利用混淆矩陣與ROC曲線進行評價，所述混淆矩陣采用識別準確率Accuracy、召回率Recall和識別精確度Precision三個指標來評價模型的準確度。