[發明專利]一種基于生物電及行為特征融合的疲勞駕駛檢測方法

在審

• 申請號: 201911055254.2
• 申請日: 2019-10-31
• 公開（公告）號: CN110811649A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 程忱;王恁;郭慧利;李瑤;張佳;高晉;郭浩
• 申請（專利權）人: 太原理工大學;賽爾網絡有限公司
• 主分類號: A61B5/18
• 分類號: A61B5/18;A61B5/0476;G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

1.一種基于生物電及行為特征融合的疲勞駕駛檢測方法，其特征在于，具體按照以下步驟進行：

步驟S1：使用TGAM模塊進行原始腦電信號、專注度與放松度采集，然后將采集到的腦電信號采用小波包分解；

步驟S2：將小波包分解后的FP1電極腦電波重構后，得到一組腦電信號；進而進行樣本熵計算；

步驟S3：用相關系數分析方法對專注度與放松度的比值進行分析；

步驟S4：進而計算出(θ+α)/β的功率譜密度比值隨時間的變化曲線，分析曲線判斷疲勞區間；

步驟S5：采用加權平均法對駕駛員的視頻圖像進行灰度化處理；

步驟S6：使用機器學習分類器對圖像進行預處理，采用KLT算法進行點跟蹤，采用維奧拉-瓊斯目標檢測算法對其進行檢測并用矩形框標示出駕駛員臉部區域；

步驟S7：通過使用適當的閾值來確定眼睛的位置即使用Soble邊緣檢測算法通過圖像直方圖和顏色直方圖找到眼睛區域的邊緣；使用K-means聚類算法識別出嘴部區域；

步驟S8：所述面部多特征模塊根據駕駛員眨眼狀態判斷駕駛員是否疲勞的工作方法為：當駕駛員處于疲勞狀態時，眼睛的閉合時間會變長，采用單位時間內眼睛閉合時長所占的百分比K值進行眼部疲勞識別；

步驟S9：所述面部多特征模塊根據駕駛員哈欠狀態判斷駕駛員是否疲勞的工作方法為：基于上述對人臉的嘴部進行檢測與定位，通過判斷嘴部的寬高比P值進行打哈欠判斷；

步驟S10：通過對眼睛焦點位置的跳動幅度及眼跳持續時間的相關信息的研究，分析注視方向和注視時間的變化，可以對駕駛員的駕駛狀態進行檢測；

步驟S11：所述疲勞監測模塊采用LVQ-BP人工神經網絡進行各特征指標的融合，形成綜合疲勞指標；通過LVQ神經網絡對各特征指標進行分類,然后將分類后的指標基于BP神經網絡進行多特征融合形成最后的綜合指標，建立基于LVQ-BP神經網絡的疲勞駕駛檢測系統，實現對駕駛員駕駛狀態的實時檢測；當駕駛員駕駛過程當中綜合疲勞指標超過疲勞閾值時，判斷駕駛員疲勞，發出預警，并提醒駕駛員盡快停車休息；

所述步驟S1中，首先使用TGAM模塊進行原始腦電信號、專注度與放松度的采集，然后將采集到的腦電信號采用小波包分解；該方法不僅分解了信號的低頻近似部分，而且分解了信號的高頻細節部分，可以更大程度地保留原始信號的特征；分解后的信號更真實，它在繼承小波變換本質的同時，也彌補了小波變換的不足，提高腦電信號分析的準確性；在本發明中，選擇與疲勞程度密切相關的前額電極FP1進行說明；

根據能量時域計算公式：

E＝∑_t|f(t)|² (1)；

其中：E為能量值，t為時間，f(t)為θ，α，β三種波對應的變化曲線；可得出θ，α，β三種波的能量值；綜合分析多個節律的能量變化，得到疲勞指數(α+θ)/β；該比值可進一步設計為實時疲勞駕駛檢測的預警數值。

2.根據權利要求1所述的基于多種生物信號相融合的疲勞駕駛檢測算法，其特征在于，所述步驟S2中，將小波包分解后的FP1電極腦電波重構后，得到一組腦電信號；樣本熵使用SampEn(m，r，N)表示，其中選擇參數m＝2，相似容限r＝0.2SD，樣本容量N＝1000；

每10秒計算一次樣本熵，得到平均的樣本熵序列，分析樣本熵序列可知不同駕駛狀態的樣本熵值具有一定的差異，非疲勞駕駛狀態的樣本熵值集中在0.6-0.9之間，而疲勞駕駛狀態的樣本熵集中在0.3-0.6之間，即非疲勞駕駛狀態的樣本熵高于疲勞駕駛狀態的樣本熵。

3.根據權利要求1所述的一種基于生物電及行為特征融合的疲勞駕駛檢測方法，其特征在于，所述步驟S3中，用相關系數分析方法對專注度與放松度的比值進行分析；專注度和放松度兩者在同一時間段內存在著相關性；所以引用相關系數分析方法，分析觀察專注度與放松度的比值，比值的區間代表了疲勞的程度。