[發明專利]一種基于循環神經網絡的駕駛人多操作疲勞特征提取方法

有效

• 申請號: 202010954032.0
• 申請日: 2020-09-11
• 公開（公告）號: CN112052905B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 李作進;聶玲;周偉;陳劉奎;柏俊杰
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/241;G06N3/044;G06N3/08;G06N3/043;G06F3/048
• 代理公司: 重慶敏創專利代理事務所(普通合伙) 50253
• 代理人: 陳千

1.基于循環神經網絡的駕駛人多操作疲勞特征提取方法，其特征在于，包括步驟：

S1.基于循環神經網絡構建模糊循環神經網絡模型；所述模糊循環神經網絡模型包括輸入層、模糊層、隱含層和競爭層，所述輸入層用于輸入駕駛人多操作變量；所述模糊層用于對所述駕駛人多操作變量進行模糊化；所述隱含層用于訓練時調整神經網絡參數；所述競爭層用于尋找競爭獲勝神經元，以及調整競爭獲勝神經元的權向量并將該權向量作為對應操作變量的疲勞特征輸出；

所述競爭層競爭獲勝的前一輸出，通過記憶單位S傳遞至下一個神經元，構成疲勞特征指標序列；

所述競爭層尋找競爭獲勝神經元的算法是：假定經所述輸入層輸入的模式為X＝(X₁,X₂,…,X_n)，其中x_i、分別表示第i操作變量x_i的左邊界值和右邊界值，I[0,1]表示取值為0～1區間的實數集合，所述競爭層中所有神經元對應的權向量w_j＝(w_j1,w_j2,…,w_jn)(j＝1,2,…,m)；

所述競爭層將與X最相似的權向量判為競爭獲勝神經元，最后按照Winner-Take-All學習規則調整權值，調整規則為：

w_j*(t+1)＝w_j*(t)+α(f(w_j*1,X),f(w_j*2,X),…,f(w_j*n,X)) (5)

f(w_j*i,X)＝sgn(x_i-w_j*i)d(w_j*i,X) (6)

其中，式(5)中α∈[0,1]為學習率；

S2.對所述模糊循環神經網絡模型進行訓練和測試，得到訓練完成的疲勞特征提取模糊循環神經網絡；所述步驟S2具體包括步驟：

S21.采集實車路況下的駕駛人多操作變量，并對所述駕駛人多操作變量進行數據處理后分為訓練樣本集和測試樣本集；在所述步驟S21中，所述進行數據處理具體為：

采用雙加窗的方式對駕駛人多操作變量的時間序列進行數據處理；

所述雙加窗的方式為：

每隔第一預設時間段對所述時間序列進行一次加窗，以及在所述第一預設時間段內每隔第二預設時間段對所述時間序列進行一次加窗，所述第一預設時間段為所述第二預設時間段的整數倍；

所述模糊層進行模糊化采用的函數為高斯函數，表示為：

其中，x_j表示所述駕駛人多操作變量中每一操作變量在第一預設時間段內的第j個時間序列，j＝1,2…m，m＝所述第一預設時間段/所述第二預設時間段；

S3.采用所述疲勞特征提取模糊循環神經網絡實時提取實際駕駛中駕駛人多操作變量下的疲勞特征。

2.如權利要求1所述的基于循環神經網絡的駕駛人多操作疲勞特征提取方法，其特征在于，在所述步驟S21后，所述步驟S2還包括步驟：

S22.將所述訓練樣本集輸入所述模糊循環神經網絡模型中進行訓練，確定所述模糊循環神經網絡模型的神經網絡參數；

S23.將所述測試樣本集輸入訓練完成的所述模糊循環神經網絡模型中，提取對應的疲勞特征；

S24.判斷提取的疲勞特征是否滿足需求，若是則將訓練完成的所述模糊循環神經網絡模型作為疲勞特征提取模糊循環神經網絡，若否則更新訓練樣本集對所述模糊循環神經網絡模型進行重新訓練直至滿足需求。

3.如權利要求1所述的基于循環神經網絡的駕駛人多操作疲勞特征提取方法，其特征在于：

所述第一預設時間段為60s，所述第二預設時間段為1s。