[發(fā)明專利]一種基于脈搏波信號的駕駛疲勞識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110006766.0
• 申請日: 2021-01-05
• 公開（公告）號: CN112617772B
• 公開（公告）日: 2022-12-27
• 發(fā)明（設(shè)計）人: 羅晉;朱海燕;劉志鋼;高婷;于穎慧;馬玉珍;丁泓九;趙晏群
• 申請（專利權(quán)）人: 上海工程技術(shù)大學(xué)
• 主分類號: A61B5/02
• 分類號: A61B5/02;A61B5/18;G06V20/59;G06V40/19;G06V10/762;G06V10/774
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 劉鳳玲

1.一種基于脈搏波信號的駕駛疲勞識別方法，其特征在于，包括：

獲取待測者的脈搏波信號；

提取所述待測者的脈搏波信號的駕駛疲勞指標(biāo)特征；所述駕駛疲勞指標(biāo)特征包括時域特征、頻域特征和非線性特征；

將所述待測者的脈搏波信號的駕駛疲勞指標(biāo)特征分別輸入至多個駕駛疲勞識別模型中得到多個分類結(jié)果，并將所述分類結(jié)果中出現(xiàn)疲勞類別次數(shù)最多的分類結(jié)果確定為所述待測者的疲勞類別；各所述駕駛疲勞識別模型均是將兩個不同疲勞類別的訓(xùn)練樣本輸入至SVM分類器中訓(xùn)練而成的；所述訓(xùn)練樣本包括訓(xùn)練者的脈搏波信號的駕駛疲勞指標(biāo)特征和訓(xùn)練者的疲勞類別；所述訓(xùn)練者的疲勞類別是由對應(yīng)的訓(xùn)練者的瞳孔面積確定的；

所述駕駛疲勞識別模型的確定方法為：

獲取訓(xùn)練者的脈搏波信號；

提取所述訓(xùn)練者的脈搏波信號的駕駛疲勞指標(biāo)特征；

獲取各所述訓(xùn)練者的瞳孔面積；

采用K-means聚類算法對所有的瞳孔面積進(jìn)行聚類，確定各所述訓(xùn)練者的疲勞類別；

將每個訓(xùn)練者的脈搏波信號和對應(yīng)的訓(xùn)練者的疲勞類別確定為一個訓(xùn)練樣本；

對于任意兩個不同的疲勞類別的訓(xùn)練樣本構(gòu)成的訓(xùn)練集，均生成以所述訓(xùn)練集為輸入訓(xùn)練而成的駕駛疲勞識別模型，得到E*(E-1)/2個駕駛疲勞識別模型，其中，E為所有訓(xùn)練者的疲勞類別的總數(shù)；

所述時域特征包括所有竇性心博NN間期的標(biāo)準(zhǔn)差、相鄰NN間期差值的均方根、差值個數(shù)和所述差值個數(shù)占全部NN間期個數(shù)的百分比；所述差值個數(shù)為全部NN間期中相鄰的NN間期之差大于50ms的個數(shù)；

所述頻域特征包括低頻功率與高頻功率的比值；

所述非線性特征包括龐加萊散點圖的向量角度指數(shù)、龐加萊散點圖的向量長度指數(shù)和指數(shù)比值；所述指數(shù)比值為龐加萊散點圖的向量角度指數(shù)與龐加萊散點圖的向量長度指數(shù)的比值。

2.根據(jù)權(quán)利要求1所述的一種基于脈搏波信號的駕駛疲勞識別方法，其特征在于，在所述獲取待測者的脈搏波信號之后，還包括：

對所述待測者的脈搏波信號進(jìn)行去基線漂移處理。

3.根據(jù)權(quán)利要求1所述的一種基于脈搏波信號的駕駛疲勞識別方法，其特征在于，所述獲取各所述訓(xùn)練者的瞳孔面積，具體包括：

獲取各所述訓(xùn)練者的左瞳孔面積和右瞳孔面積；

將所述左瞳孔面積和所述右瞳孔面積的平均值確定為所述訓(xùn)練者的瞳孔面積。

4.根據(jù)權(quán)利要求1所述的一種基于脈搏波信號的駕駛疲勞識別方法，其特征在于，在所述采用K-means聚類算法對所有的瞳孔面積進(jìn)行聚類，確定各所述訓(xùn)練者的疲勞類別之前，還包括：

對所述瞳孔面積進(jìn)行歸一化。