Nothing Special   »   [go: up one dir, main page]

CN117975665A - 一种dms驾驶员疲劳等级识别系统 - Google Patents

一种dms驾驶员疲劳等级识别系统 Download PDF

Info

Publication number
CN117975665A
CN117975665A CN202410369250.6A CN202410369250A CN117975665A CN 117975665 A CN117975665 A CN 117975665A CN 202410369250 A CN202410369250 A CN 202410369250A CN 117975665 A CN117975665 A CN 117975665A
Authority
CN
China
Prior art keywords
data
fatigue
network model
representing
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410369250.6A
Other languages
English (en)
Other versions
CN117975665B (zh
Inventor
邹定远
韩刚峰
舒耀增
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Junjie Intelligent Shenzhen Co ltd
Original Assignee
Junjie Intelligent Shenzhen Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Junjie Intelligent Shenzhen Co ltd filed Critical Junjie Intelligent Shenzhen Co ltd
Priority to CN202410369250.6A priority Critical patent/CN117975665B/zh
Publication of CN117975665A publication Critical patent/CN117975665A/zh
Application granted granted Critical
Publication of CN117975665B publication Critical patent/CN117975665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0818—Inactivity or incapacity of driver
    • B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0872—Driver physiology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于驾驶员疲劳识别技术领域，本发明公开了一种DMS驾驶员疲劳等级识别系统，包括：数据库模块，负责收集疲劳提醒相关的行为数据，并存储相应疲劳指数；网络模型模块，包含两个网络模型，用于获取和校验驾驶员疲劳指数；采集分析模块，用于实时获取行为数据，结合报警模块在疲劳指数超阈时发出提醒；校验模块和数据集更新模块在触发警示后联合工作，调整数据集；模型重训模块，用于进一步通过当前数据集改进网络模型，实现自学习和自适应能力。通过自适应学习驾驶员的个性化行为模式，使用两个网络模型结合实时采集的行为数据与历史数据，不断优化疲劳检测网络模型，随时间提升准确性，为驾驶安全提供有力支持。

Description

一种DMS驾驶员疲劳等级识别系统
技术领域
本发明涉及驾驶员疲劳识别技术领域，更具体地说，本发明涉及一种DMS驾驶员疲劳等级识别系统。
背景技术
疲劳驾驶是指驾驶人在长时间连续行车后，由于睡眠不足、身体状态疲乏或是其他原因，导致生理机能和心理机能失调，从而在客观上出现驾驶技能下降的现象。
疲劳驾驶是引发交通事故的一个重要因素，疲劳驾驶所导致的交通事故也以相当快的速度增长。疲劳驾驶不仅会减缓驾驶员的反应速度，降低判断能力，还可能导致注意力不集中，从而大大增加交通事故的风险。因此，确保驾驶安全的同时避免疲劳驾驶的发生显得非常关键。Driver Monitoring Systems（DMS）驾驶员监控系统的设计，就是为了通过检测和评估驾驶员的状态来提高行车安全。
在现有技术中，驾驶员疲劳检测技术是保障汽车安全的关键技术之一。由于疲劳驾驶是交通事故发生的重要因素，提高驾驶员疲劳状态的检测精度对于提升道路安全极为重要。虽然当前的疲劳检测系统利用了眼动追踪、面部识别和生理信号监测等方法，但它们通常无法结合个体驾驶员的生理和行为差异以及实时更新数据集来捕捉驾驶员疲劳状态的即时变化。因此，现有系统往往缺乏个性化和动态适应性，难以及时准确地提供疲劳警示。
发明内容
为了克服现有技术缺乏个性化和动态适应性，难以及时准确地提供疲劳警示的问题，本发明提出了一种DMS驾驶员疲劳等级识别系统，用于解决上述问题。
本发明提供如下技术方案：
一种DMS驾驶员疲劳等级识别系统，包括：
数据库模块，用于获取并存储历史驾驶过程中，疲劳提醒前的行为数据，及疲劳提醒后的行为数据和疲劳指数；
数据准备模块，使用疲劳提醒前的行为数据和疲劳指数，组成第一数据集，使用疲劳提醒前的行为数据、疲劳提醒后的行为数据和疲劳指数组成第二数据集；
网络模型模块，用于构建并训练网络模型，所述网络模型包括用于获取疲劳指数的第一网络模型和用于获取校验疲劳指数的第二网络模型；
采集分析模块，用于获取驾驶员的实时行为数据，并运用第一网络模型根据这些行为数据计算出当前疲劳指数；
报警模块，根据采集分析模块计算的当前疲劳指数，若当前疲劳指数大于预设的疲劳阈值，则向驾驶员发出疲劳提醒；
校验模块，当报警模块发出报警后，采集行为数据并记为验证行为数据，根据当前行为数据和验证行为数据，利用第二网络模型获取校验疲劳指数；
数据集更新模块，用于根据当前疲劳指数和校验疲劳指数处理第一数据集；
模型重训模块，用于使用当前的第一数据集对第一网络模型进行重新训练。
优选的，所述行为数据包括车辆行为数据和人员行为数据，所述车辆行为数据包括车道保持数据、车辆速度数据、方向盘动作数据，所述人员行为数据包括心率数据、头部动作数据、哈欠动作数据、眨眼动作数据；所述行为数据通过对应技术采集相关数据后，经过量化处理得到。
优选的，所述通过对应技术采集相关数据包括：
所述车道保持数据的相关数据由车道偏离系统获取，包括时间内均匀分布的个车辆偏离车道中心的距离和对应车道宽度；
所述车辆速度数据的相关数据由车速传感器获取，包括时间内均匀分布的个车速；
所述方向盘动作数据的相关数据由方向盘位置传感器获取，包括时间内方向盘转动方向发生变化时对应的转动角度；
所述心率数据的相关数据通过心率传感设备获取，包括时间内心率超出预设的心率范围的总时长；
所述头部动作数据的相关数据通过车内摄像头和AI图像识别技术获取，包括时间内头部角度超出预设头部角度范围的总时长；
所述哈欠动作数据通过车内摄像头和AI图像识别技术获取，包括时间内嘴部张开的总时长；
所述眨眼动作数据通过车内摄像头和AI图像识别技术获取，包括时间内眼睛闭合状态的总时长；
所述为预设的采集时长，为预设的采集次数。
优选的，所述量化处理得到包括：
对车道保持数据，使用如下公式进行量化处理：
，
式中，表示车道保持数据，表示个车辆偏离车道中心的距离之和，表示个对应车道宽度和；
对车辆速度数据，使用如下公式进行量化处理：
，
式中，表示车辆速度数据，表示个车速的平均值，表示个车速的最小值，表示个车速的最大值；
对方向盘动作数据，使用如下公式进行量化处理：
，
式中，表示方向盘动作数据，表示第次方向盘转动方向变化时对应的转动角度，表示时间内方向盘转动方向变化的总次数；
对心率数据，使用如下公式进行量化处理：
，
式中，表示心率数据，表示时间T内心率超出预设的心率范围的总时长；
对头部动作数据，使用如下公式进行量化处理：
，
式中，表示头部动作数据，表示时间内头部角度超出预设头部角度范围的总时长；
对哈欠动作数据，使用如下公式进行量化处理：
，
式中，表示哈欠动作数据，表示时间内嘴部张开状态的总时长；
对眨眼动作数据，使用如下公式进行量化处理：
，
式中，表示眨眼动作数据，表示时间内眼睛闭合状态的总时长。
优选的，所述构建并训练网络模型包括：
S1、使用全连接神经网络作为基础框架，构建机器学习模型作为网络模型；
S2、获取第一数据集中的数据，将第一处理数据集的数据按照8：2的比例，划分为与第一网络模型对应的第一训练集和第一验证集，获取第二数据集中的数据，将第二处理数据集的数据按照8：2的比例，划分为与第二网络模型对应的第二训练集和第二验证集；
S3、分别从所述第一训练集和第二训练集中随机选取M条样本数据组成各自的批次数据；
S4、将选取的批次数据放入对应的网络模型中进行正向传播，计算网络模型的输出值；
S5、利用损失函数计算当前批次的损失值；
S6、根据损失值通过反向传播算法，计算损失函数关于模型参数的梯度；
S7、应用计算得到的梯度使用优化器，更新网络模型中的权重和偏置；
S8、重复S3到S7步骤直至完成一个训练周期，并继续进行后续训练周期，直到模型性能满足预设的停训条件。
优选的，所述利用损失函数计算当前批次的损失值包括：
使用如下损失函数计算当前批次的损失值：
，
式中，表示当前批次的损失值，表示当前批次样本数，表示当前批次第个样本的疲劳指数，表示模型对当前批次第个样本的输出值，表示阈值惩罚函数，表示阈值惩罚的系数；
其中阈值惩罚函数的公式如下：
，
式中，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示预设的惩罚阈值。
优选的，所述一个训练周期为所有训练集中的数据至少被模型学习一次的过程；
所述停训条件包括准确率达标和提前停止；
其中满足准确率达标条件包括：
在每个训练周期结束后，使用验证集数据计算模型的准确率，所述准确率的计算公式如下：
，
式中，表示准确率，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示验证集样本数，表示验证集第个样本的疲劳指数，表示模型对验证集第个样本的输出值，其中为预设的下限系数，为预设的上限系数，且，；
若大于预设的准确率阈值，则满足准确率达标条件；
其中满足提前停止条件包括：
在每个训练周期结束后，使用验证集数据计算模型的准确率；
若连续四个训练周期结束后的准确率没有增加，则满足提前停止条件。
优选的，所述根据当前疲劳指数和校验疲劳指数处理第一数据集包括：
获取当前疲劳指数和校验疲劳指数；
判断，其中为预设的处理下限值，为预设的处理上限值，且，；
若是，则不对第一数据集实施任何处理；
否则，更新第一数据集。
优选的，所述更新第一数据集包括：
获取对应的实时行为数据，和校验疲劳指数；
提取实时行为数据中，七种数据的数据值组成数组A，按照同样的顺序，提取第一数据集中已存储的行为数据中，七种数据的数据值组成数组B；
使用如下公式计算匹配度：
，
式中，表示数组A中的第个数据，表示数组B中的第个数据；
找出第一数据集中与实时行为数据匹配度最高的行为数据；
在第一数据集中，用获取的实时行为数据替换掉匹配度最高的行为数据，并同步更新该行为数据的疲劳指数为所获取的校验疲劳指数。
优选的，所述对第一网络模型进行重新训练包括：
设定计数器，初始化；
当数据集更新模块对第一数据集进行一次更新后，；
当时，使用网络模型模块对第一网络模型进行重新训练，并初始化，其中为预设的重训练阈值。
本发明提供了一种DMS驾驶员疲劳等级识别系统，具备以下有益效果：
1、通过数据库模块和模型重训模块进行高度个性化的疲劳检测，通过记录和学习个体驾驶员的行为模式，利用两个定制的网络模型，一个用于疲劳指数获取，一个用于疲劳校验，实现了针对每一位驾驶员的疲劳状态定制评估，这种方法可以更准确地捕捉到个体驾驶员疲劳状态的细微差异，从而准确地提供疲劳警示；
2、通过用于实时行为数据采集分析的采集分析模块，以及用于处理和更新历史数据的数据集更新模块，可使系统在接收到校验模块的反馈后，自动更新第一数据集以细化网络模型的训练，进而获得基于实时和历史数据进行自学习、自适应的模型，该模型能随着时间的推移自我优化以提升疲劳检测的精度。
附图说明
图1为本发明的一种DMS驾驶员疲劳等级识别系统的模块示意图；
图2为本发明的一种DMS驾驶员疲劳等级识别系统的构建并训练网络模型示意图；
图3为本发明的一种DMS驾驶员疲劳等级识别系统的根据当前疲劳指数和校验疲劳指数处理第一数据集示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1和图2，本实施例中，一种DMS驾驶员疲劳等级识别系统包括：
数据库模块，用于获取并存储历史驾驶过程中，疲劳提醒前的行为数据，及疲劳提醒后的行为数据和疲劳指数；
在本实施例中，数据库模块获取的行为数据，可以通过大数据技术筛选分析大量驾驶数据得到，也可以是通过长期积累获得。其中疲劳指数可以根据卡罗林斯卡嗜睡度量（KSS）或眼睑闭合百分率（PERCLOS）等方式获取。
所述行为数据包括车辆行为数据和人员行为数据，所述车辆行为数据包括车道保持数据、车辆速度数据、方向盘动作数据，所述人员行为数据包括心率数据、头部动作数据、哈欠动作数据、眨眼动作数据；所述行为数据通过对应技术采集相关数据后，经过量化处理得到。
所述通过对应技术采集相关数据包括：
所述车道保持数据的相关数据由车道偏离系统获取，包括时间内均匀分布的个车辆偏离车道中心的距离和对应车道宽度；
所述车辆速度数据的相关数据由车速传感器获取，包括时间内均匀分布的个车速；
所述方向盘动作数据的相关数据由方向盘位置传感器获取，包括时间内方向盘转动方向发生变化时对应的转动角度；
所述心率数据的相关数据通过心率传感设备获取，包括时间内心率超出预设的心率范围的总时长；
所述头部动作数据的相关数据通过车内摄像头和AI图像识别技术获取，包括时间内头部角度超出预设头部角度范围的总时长；
所述哈欠动作数据通过车内摄像头和AI图像识别技术获取，包括时间内嘴部张开的总时长；
所述眨眼动作数据通过车内摄像头和AI图像识别技术获取，包括时间内眼睛闭合状态的总时长；
所述为预设的采集时长，为预设的采集次数。
所述量化处理得到包括：
对车道保持数据，使用如下公式进行量化处理：
，
式中，表示车道保持数据，表示个车辆偏离车道中心的距离之和，表示个对应车道宽度和；
对车辆速度数据，使用如下公式进行量化处理：，
式中，表示车辆速度数据，表示个车速的平均值，表示个车速的最小值，表示个车速的最大值；
对方向盘动作数据，使用如下公式进行量化处理：
，
式中，表示方向盘动作数据，表示第次方向盘转动方向变化时对应的转动角度，表示时间内方向盘转动方向变化的总次数；
对心率数据，使用如下公式进行量化处理：
，
式中，表示心率数据，表示时间T内心率超出预设的心率范围的总时长；
对头部动作数据，使用如下公式进行量化处理：
，
式中，表示头部动作数据，表示时间内头部角度超出预设头部角度范围的总时长；
对哈欠动作数据，使用如下公式进行量化处理：
，
式中，表示哈欠动作数据，表示时间内嘴部张开状态的总时长；
对眨眼动作数据，使用如下公式进行量化处理：
，
式中，表示眨眼动作数据，表示时间内眼睛闭合状态的总时长。
在本实施例中，使用车道偏离警告系统来获得车道保持数据，车道保持数据的监测是基于车辆相对于车道中心线的位置变化来判断驾驶员是否保持正常驾驶行为，如驾驶员频繁或大幅度地偏离车道，意味着他们可能处于精力不集中或疲劳的状态；
通过车速传感器来采集车辆速度数据。速度数据的监测可以反映驾驶员的控车能力，不稳定的速度变化通常存在疲劳驾驶行为。
通过方向盘位置传感器记录方向盘动作数据，分析驾驶员在控制方向盘时的变化情况，如果方向盘操作出现频繁的方向变化，可能表明驾驶员手部动作的准确性下降，这也是评估驾驶员疲劳的重要指标。
系统通过心率传感设备，监测驾驶员的心率数据，如果心率超出预设的心率范围，则可能表示驾驶员的生理疲累，预设的心率范围可以是正常的心率范围即60到100，或通过实验获取的非疲劳状态下的其它心率范围；通过车内摄像头和AI图像识别技术，系统能够获取驾驶员头部动作数据，如果头部频繁超出预设的角度范围，说明驾驶员可能存在疲劳，预设的角度范围可以是正常行驶下头部的角度范围。
哈欠动作数据和眨眼动作数据的获取同样基于对摄像头和AI技术的应用，频繁打哈欠和眨眼，尤其是出现较长时间闭眼的情况，都是疲劳的直接征兆，通过监测这些生理和行为信号，可以全面评估驾驶员的疲劳程度。
数据准备模块，使用疲劳提醒前的行为数据和疲劳指数，组成第一数据集，使用疲劳提醒前的行为数据、疲劳提醒后的行为数据和疲劳指数组成第二数据集；
在本实施例中，数据准备模块生成两个用于不同目的的数据集，其中第一数据集旨在训练一个基本的预测模型，而第二数据集则用于训练更准确的校正模型。
第一数据集由疲劳提醒前的行为数据和疲劳指数组成，它为预测模型提供了重要的训练数据，该预测模型利用这些数据来识别和学习驾驶员未接收疲劳提醒时的行为模式，并将这些行为模式与疲劳指数关联，从而建立起预测驾驶员疲劳程度的能力。
第二数据集包含了疲劳提醒前的行为数据、疲劳提醒后的行为数据及疲劳指数，当驾驶员收到疲劳提醒后的行为变化被纳入数据集时，校正模型便能够学习到不仅仅是初步的行为模式，而且还能够理解到疲劳提醒对驾驶员行为的具体影响，这使得校正模型不仅能通过驾驶员的接收到提醒前的行为，并综合考虑驾驶员是否因为疲劳提醒而调整了他们的行为，来更加准确地判断驾驶员的疲劳度。
网络模型模块，用于构建并训练网络模型，所述网络模型包括用于获取疲劳指数的第一网络模型和用于获取校验疲劳指数的第二网络模型；
所述构建并训练网络模型包括：
S1、使用全连接神经网络作为基础框架，构建机器学习模型作为网络模型；
S2、获取第一数据集中的数据，将第一处理数据集的数据按照8：2的比例，划分为与第一网络模型对应的第一训练集和第一验证集，获取第二数据集中的数据，将第二处理数据集的数据按照8：2的比例，划分为与第二网络模型对应的第二训练集和第二验证集；
S3、分别从所述第一训练集和第二训练集中随机选取M条样本数据组成各自的批次数据；
S4、将选取的批次数据放入对应的网络模型中进行正向传播，计算网络模型的输出值；
S5、利用损失函数计算当前批次的损失值；
S6、根据损失值通过反向传播算法，计算损失函数关于模型参数的梯度；
S7、应用计算得到的梯度使用优化器，更新网络模型中的权重和偏置；
S8、重复S3到S7步骤直至完成一个训练周期，并继续进行后续训练周期，直到模型性能满足预设的停训条件。
所述利用损失函数计算当前批次的损失值包括：
使用如下损失函数计算当前批次的损失值：
，
式中，表示当前批次的损失值，表示当前批次样本数，表示当前批次第个样本的疲劳指数，表示模型对当前批次第个样本的输出值，表示阈值惩罚函数，表示阈值惩罚的系数；
其中阈值惩罚函数的公式如下：
，
式中，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示预设的惩罚阈值。
所述一个训练周期为所有训练集中的数据至少被模型学习一次的过程；
所述停训条件包括准确率达标和提前停止；
其中满足准确率达标条件包括：
在每个训练周期结束后，使用验证集数据计算模型的准确率，所述准确率的计算公式如下：
，
式中，表示准确率，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示验证集样本数，表示验证集第个样本的疲劳指数，表示模型对验证集第个样本的输出值，其中为预设的下限系数，为预设的上限系数，且，；
若大于预设的准确率阈值，则满足准确率达标条件；
其中满足提前停止条件包括：
在每个训练周期结束后，使用验证集数据计算模型的准确率；
若连续四个训练周期结束后的准确率没有增加，则满足提前停止条件。
在本实施例中，网络模型模块负责构建并训练两个网络模型：第一网络模型用于获取疲劳指数，第二网络模型则用于获取校验疲劳指数。
在步骤S1中，使用全连接神经网络（FCNN）作为构建网络模型的基础框架，全连接结构由于其层间节点全互连的特点，能很好地捕捉和学习输入数据的复杂特征。
随后，步骤S2涉及数据集的处理和划分。这一步骤要求使用两组数据集，即第一数据集用于第一网络模型，第二数据集用于第二网络模型的训练；两组数据集分别按照80%和20%的比例被划分为训练集和验证集，以便于模型的训练与验证。
接着，在步骤S3，从以上提到的第一训练集和第二训练集中分别随机选取M条样本作为批次数据，以供下一步训练使用。
步骤S4至S7涉及网络模型的实际训练，包括正向传播、损失值计算、梯度计算及模型参数更新。其中，在步骤S4中完成正向传播并计算输出值后，在步骤S5通过特定的损失函数来计算当前批次的损失值。
在步骤S5的损失值计算中，优化了损失函数，引入了针对高疲劳度值样本的惩罚机制；这样的设计允许模型在遇到高疲劳度状态时施加更大的惩罚权重，从而确保这些关键情况下的模型判断更为准确；这种策略显著提升了模型对高疲劳状态的识别能力，增加了系统的安全防护，减少了高疲劳状态的漏判风险。
在步骤S6，使用反向传播算法计算梯度，然后在步骤S7，通过优化器根据梯度更新网络模型的权重和偏置参数，其中优化器的种类可以根据实际情况选择，如SGD、Adam等。
最后，步骤S8中将S3至S7的步骤重复进行，以执行多个训练周期，直到满足事先定义的停训条件为止。
一个完整的训练周期指的是所有的训练数据至少被模型学习一遍。而停训条件则包含了准确率达到一定标准或者连续多个训练周期准确率没有提升时的提前停止，从而避免过度拟合或无用功地继续训练。
在本实施例中，的值可以设置为0.9、的值可以设置为1.1，在每个训练周期结束后，通过验证集数据检验模型准确率，若准确率超过预设的阈值，或准确率在连续若干训练周期后不再提升，则认为模型已足够优化或存在过拟合风险，停止进一步的训练。
采集分析模块，用于获取驾驶员的实时行为数据，并运用第一网络模型根据这些行为数据计算出当前疲劳指数；
报警模块，根据采集分析模块计算的当前疲劳指数，若当前疲劳指数大于预设的疲劳阈值，则向驾驶员发出疲劳提醒；
校验模块，当报警模块发出报警后，采集行为数据并记为验证行为数据，根据当前行为数据和验证行为数据，利用第二网络模型获取校验疲劳指数；
数据集更新模块，用于根据当前疲劳指数和校验疲劳指数处理第一数据集；
模型重训模块，用于使用当前的第一数据集对第一网络模型进行重新训练。
在本实施例中，采集分析模块实时收集驾驶员行为数据，并通过训练好的第一网络模型计算当前疲劳指数，当疲劳指数超过预设阈值时，报警模块立即发出疲劳提醒，以卡罗林斯卡嗜睡度量（KSS）为例疲劳阈值可以设置为7，另外需要说明的是发出提醒的方式包括但不限于声音提醒、震动提醒、灯光提醒，且发出提醒的强度可随疲劳程度值进行变化。
随后，校验模块采集新的验证行为数据，并通过第二网络模型获取校验疲劳指数。数据集更新模块根据采集到的当前疲劳指数和校验疲劳指数，对第一数据集进行动态更新，这能够确保数据集更能反映驾驶员自身情况；随后，模型重训模块使用最新数据集对第一网络模型进行重新训练，使疲劳检测不仅更时效且针对个体驾驶员表现出更高的准确性，从而为驾驶安全提供数据支持。
实施例2：
请参阅图1和3，在实施例1的基础上，所述根据当前疲劳指数和校验疲劳指数处理第一数据集包括：
S01、获取当前疲劳指数和校验疲劳指数；
S02、判断，其中为预设的处理下限值，为预设的处理上限值，且，；
S03、若是，则不对第一数据集实施任何处理；
否则，更新第一数据集。
所述更新第一数据集包括：
获取对应的实时行为数据，和校验疲劳指数；
提取实时行为数据中，七种数据的数据值组成数组A，按照同样的顺序，提取第一数据集中已存储的行为数据中，七种数据的数据值组成数组B；
使用如下公式计算匹配度：
，
式中，表示数组A中的第个数据，表示数组B中的第个数据；
找出第一数据集中与实时行为数据匹配度最高的行为数据；
在第一数据集中，用获取的实时行为数据替换掉匹配度最高的行为数据，并同步更新该行为数据的疲劳指数为所获取的校验疲劳指数。
所述对第一网络模型进行重新训练包括：
设定计数器，初始化；
当数据集更新模块对第一数据集进行一次更新后，；
当时，使用网络模型模块对第一网络模型进行重新训练，并初始化，其中为预设的重训练阈值。
在本实施例中，系统会获取到当前疲劳指数和校验疲劳指数；然后，系统会判断这两个值的比值是否在预设的处理下限值和处理上限值之间，其中处理下限值可以为0.8，处理上限值可以为1.1，如果当前和校验疲劳指数均在预设的处理阈值之内，则说明第一网络模型的预测较为准确，系统不会对第一数据集进行处理。
如果这两个值的比值在处理阈值之外，说明第一网络模型的预测存在明显误差，系统会执行第一数据集的更新流程。更新流程开始于获取与当前和校验疲劳指数相关的实时行为数据。
找出第一数据集中与实时行为数据匹配度最高的数据，然后在第一数据集中用新获取的实时行为数据替换掉该匹配度最高的行为数据，并同步将这部分行为数据的疲劳指数更新为新获取的校验疲劳指数。
此外，为确定何时重新训练第一网络模型，系统设定了一个计数器，从零开始初始化。当数据集更新模块完成一次数据集的更新之后，计数器的值自增1。一旦计数器值达到预设的重训练阈值，系统则触发网络模型模块，使用当前更新后的第一数据集对第一网络模型进行重新训练，确保模型保持最新，能够对驾驶员疲劳进行准确评估。完成训练后，计数器重新初始化，为下一轮训练做准备，其中，重训练阈值可以为一个固定的值，也可以是根据第一数据的数量按照一定比例计算得到。
在这过程中，模型通过已更新数据集内包含的新的行为数据，学习到了当前驾驶员独特的驾驶习惯和疲劳倾向，提高了个性化监测能力。通过将实时数据与校验疲劳指数相结合，使更新后的模型更好地识别了个体差异，对驾驶员的特定生理和行为信号的敏感度提高，使得对疲劳状态的识别不再是一种通用的假设，而是一种针对性更强的个人化分析。因此，当驾驶员处于疲劳状态时，系统所发出的警报将更加及时和准确，从而大大降低由疲劳引起的潜在安全风险。重训练后的模型能够增强系统的适应性和敏感性，优化对当前驾驶员疲劳状态的评估，确保更高效、更个性化的安全监控。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种DMS驾驶员疲劳等级识别系统，其特征在于，包括：
数据库模块，用于获取并存储历史驾驶过程中，疲劳提醒前的行为数据，及疲劳提醒后的行为数据和疲劳指数；
数据准备模块，使用疲劳提醒前的行为数据和疲劳指数，组成第一数据集，使用疲劳提醒前的行为数据、疲劳提醒后的行为数据和疲劳指数组成第二数据集；
网络模型模块，用于构建并训练网络模型，所述网络模型包括用于获取疲劳指数的第一网络模型和用于获取校验疲劳指数的第二网络模型；
采集分析模块，用于获取驾驶员的实时行为数据，并运用第一网络模型根据这些行为数据计算出当前疲劳指数；
报警模块，根据采集分析模块计算的当前疲劳指数，若当前疲劳指数大于预设的疲劳阈值，则向驾驶员发出疲劳提醒；
校验模块，当报警模块发出报警后，采集行为数据并记为验证行为数据，根据当前行为数据和验证行为数据，利用第二网络模型获取校验疲劳指数；
数据集更新模块，用于根据当前疲劳指数和校验疲劳指数处理第一数据集；
模型重训模块，用于使用当前的第一数据集对第一网络模型进行重新训练。
2.根据权利要求1所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述行为数据包括车辆行为数据和人员行为数据，所述车辆行为数据包括车道保持数据、车辆速度数据、方向盘动作数据，所述人员行为数据包括心率数据、头部动作数据、哈欠动作数据、眨眼动作数据；所述行为数据通过对应技术采集相关数据后，经过量化处理得到。
3.根据权利要求2所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述通过对应技术采集相关数据包括：
所述车道保持数据的相关数据由车道偏离系统获取，包括时间内均匀分布的个车辆偏离车道中心的距离和对应车道宽度；
所述车辆速度数据的相关数据由车速传感器获取，包括时间内均匀分布的个车速；
所述方向盘动作数据的相关数据由方向盘位置传感器获取，包括时间内方向盘转动方向发生变化时对应的转动角度；
所述心率数据的相关数据通过心率传感设备获取，包括时间内心率超出预设的心率范围的总时长；
所述头部动作数据的相关数据通过车内摄像头和AI图像识别技术获取，包括时间内头部角度超出预设头部角度范围的总时长；
所述哈欠动作数据通过车内摄像头和AI图像识别技术获取，包括时间内嘴部张开的总时长；
所述眨眼动作数据通过车内摄像头和AI图像识别技术获取，包括时间内眼睛闭合状态的总时长；
所述为预设的采集时长，为预设的采集次数。
4.根据权利要求3所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述量化处理得到包括：
对车道保持数据，使用如下公式进行量化处理：
，
式中，表示车道保持数据，表示个车辆偏离车道中心的距离之和，表示个对应车道宽度和；
对车辆速度数据，使用如下公式进行量化处理：
，
式中，表示车辆速度数据，表示个车速的平均值，表示个车速的最小值，表示个车速的最大值；
对方向盘动作数据，使用如下公式进行量化处理：
，
式中，表示方向盘动作数据，表示第次方向盘转动方向变化时对应的转动角度，表示时间内方向盘转动方向变化的总次数；
对心率数据，使用如下公式进行量化处理：
，
式中，表示心率数据，表示时间T内心率超出预设的心率范围的总时长；
对头部动作数据，使用如下公式进行量化处理：
，
式中，表示头部动作数据，表示时间内头部角度超出预设头部角度范围的总时长；
对哈欠动作数据，使用如下公式进行量化处理：
，
式中，表示哈欠动作数据，表示时间内嘴部张开状态的总时长；
对眨眼动作数据，使用如下公式进行量化处理：
，
式中，表示眨眼动作数据，表示时间内眼睛闭合状态的总时长。
5.根据权利要求4所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述构建并训练网络模型包括：
S1、使用全连接神经网络作为基础框架，构建机器学习模型作为网络模型；
S2、获取第一数据集中的数据，将第一处理数据集的数据按照8：2的比例，划分为与第一网络模型对应的第一训练集和第一验证集，获取第二数据集中的数据，将第二处理数据集的数据按照8：2的比例，划分为与第二网络模型对应的第二训练集和第二验证集；
S3、分别从所述第一训练集和第二训练集中随机选取M条样本数据组成各自的批次数据；
S4、将选取的批次数据放入对应的网络模型中进行正向传播，计算网络模型的输出值；
S5、利用损失函数计算当前批次的损失值；
S6、根据损失值通过反向传播算法，计算损失函数关于模型参数的梯度；
S7、应用计算得到的梯度使用优化器，更新网络模型中的权重和偏置；
S8、重复S3到S7步骤直至完成一个训练周期，并继续进行后续训练周期，直到模型性能满足预设的停训条件。
6.根据权利要求5所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述利用损失函数计算当前批次的损失值包括：
使用如下损失函数计算当前批次的损失值：
，
式中，表示当前批次的损失值，表示当前批次样本数，表示当前批次第个样本的疲劳指数，表示模型对当前批次第个样本的输出值，表示阈值惩罚函数，表示阈值惩罚的系数；
其中阈值惩罚函数的公式如下：
，
式中，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示预设的惩罚阈值。
7.根据权利要求6所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述一个训练周期为所有训练集中的数据至少被模型学习一次的过程；
所述停训条件包括准确率达标和提前停止；
其中满足准确率达标条件包括：
在每个训练周期结束后，使用验证集数据计算模型的准确率，所述准确率的计算公式如下：
，
式中，表示准确率，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示验证集样本数，表示验证集第个样本的疲劳指数，表示模型对验证集第个样本的输出值，其中为预设的下限系数，为预设的上限系数，且，；
若大于预设的准确率阈值，则满足准确率达标条件；
其中满足提前停止条件包括：
在每个训练周期结束后，使用验证集数据计算模型的准确率；
若连续四个训练周期结束后的准确率没有增加，则满足提前停止条件。
8.根据权利要求7所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述根据当前疲劳指数和校验疲劳指数处理第一数据集包括：
获取当前疲劳指数和校验疲劳指数；
判断，其中为预设的处理下限值，为预设的处理上限值，且，；
若是，则不对第一数据集实施任何处理；
否则，更新第一数据集。
9.根据权利要求8所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述更新第一数据集包括：
获取对应的实时行为数据，和校验疲劳指数；
提取实时行为数据中，七种数据的数据值组成数组A，按照同样的顺序，提取第一数据集中已存储的行为数据中，七种数据的数据值组成数组B；
使用如下公式计算匹配度：
，
式中，表示数组A中的第个数据，表示数组B中的第个数据；找出第一数据集中与实时行为数据匹配度最高的行为数据；
在第一数据集中，用获取的实时行为数据替换掉匹配度最高的行为数据，并同步更新该行为数据的疲劳指数为所获取的校验疲劳指数。
10.根据权利要求9所述的一种DMS驾驶员疲劳等级识别系统，其特征在于，所述对第一网络模型进行重新训练包括：
设定计数器，初始化；
当数据集更新模块对第一数据集进行一次更新后，；
当时，使用网络模型模块对第一网络模型进行重新训练，并初始化，其中为预设的重训练阈值。
CN202410369250.6A 2024-03-28 2024-03-28 一种dms驾驶员疲劳等级识别系统 Active CN117975665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410369250.6A CN117975665B (zh) 2024-03-28 2024-03-28 一种dms驾驶员疲劳等级识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410369250.6A CN117975665B (zh) 2024-03-28 2024-03-28 一种dms驾驶员疲劳等级识别系统

Publications (2)

Publication Number Publication Date
CN117975665A true CN117975665A (zh) 2024-05-03
CN117975665B CN117975665B (zh) 2024-07-02

Family

ID=90857994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410369250.6A Active CN117975665B (zh) 2024-03-28 2024-03-28 一种dms驾驶员疲劳等级识别系统

Country Status (1)

Country Link
CN (1) CN117975665B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118587961A (zh) * 2024-08-07 2024-09-03 徐州九鼎机电总厂 基于注意力检测的装甲车驾驶操作模拟训练系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101746269A (zh) * 2010-01-08 2010-06-23 东南大学 基于软计算的疲劳驾驶融合检测方法
CN109493566A (zh) * 2018-12-18 2019-03-19 长安大学 一种基于gps数据的疲劳驾驶预测方法
CN110119676A (zh) * 2019-03-28 2019-08-13 广东工业大学 一种基于神经网络的驾驶员疲劳检测方法
CN110781872A (zh) * 2019-12-31 2020-02-11 南斗六星系统集成有限公司 一种双模态特征融合的驾驶员疲劳等级识别系统
CN110781873A (zh) * 2019-12-31 2020-02-11 南斗六星系统集成有限公司 一种双模态特征融合的驾驶员疲劳等级识别方法
CN110991324A (zh) * 2019-11-29 2020-04-10 中通服咨询设计研究院有限公司 一种基于多种动态特征和物联网技术的疲劳驾驶检测方法
US20220039716A1 (en) * 2020-08-07 2022-02-10 Dalian University Of Technology Calibration method for critical point of mental fatigue based on self-organized criticality
CN117456516A (zh) * 2023-10-30 2024-01-26 淮沪煤电有限公司丁集煤矿 一种驾驶员疲劳驾驶状态检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101746269A (zh) * 2010-01-08 2010-06-23 东南大学 基于软计算的疲劳驾驶融合检测方法
CN109493566A (zh) * 2018-12-18 2019-03-19 长安大学 一种基于gps数据的疲劳驾驶预测方法
CN110119676A (zh) * 2019-03-28 2019-08-13 广东工业大学 一种基于神经网络的驾驶员疲劳检测方法
CN110991324A (zh) * 2019-11-29 2020-04-10 中通服咨询设计研究院有限公司 一种基于多种动态特征和物联网技术的疲劳驾驶检测方法
CN110781872A (zh) * 2019-12-31 2020-02-11 南斗六星系统集成有限公司 一种双模态特征融合的驾驶员疲劳等级识别系统
CN110781873A (zh) * 2019-12-31 2020-02-11 南斗六星系统集成有限公司 一种双模态特征融合的驾驶员疲劳等级识别方法
US20220039716A1 (en) * 2020-08-07 2022-02-10 Dalian University Of Technology Calibration method for critical point of mental fatigue based on self-organized criticality
CN117456516A (zh) * 2023-10-30 2024-01-26 淮沪煤电有限公司丁集煤矿 一种驾驶员疲劳驾驶状态检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李伟;何其昌;范秀敏;: "基于汽车操纵信号的驾驶员疲劳状态检测", 上海交通大学学报, no. 02, 28 February 2010 (2010-02-28), pages 149 - 153 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118587961A (zh) * 2024-08-07 2024-09-03 徐州九鼎机电总厂 基于注意力检测的装甲车驾驶操作模拟训练系统

Also Published As

Publication number Publication date
CN117975665B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
US7839292B2 (en) Real-time driving danger level prediction
CN107918311A (zh) 多传感器降水分级设备和方法
CN112528815A (zh) 基于多模态信息融合的疲劳驾驶检测方法
CN110533880B (zh) 一种基于心电信号的异常驾驶状态检测及预警控制方法
CN202257856U (zh) 驾驶员疲劳驾驶监控装置
CN111738337B (zh) 一种混行交通环境下的驾驶人分心状态检测识别方法
CN117975665B (zh) 一种dms驾驶员疲劳等级识别系统
CN110765980A (zh) 一种异常驾驶的检测方法及装置
Wu et al. Reasoning-based framework for driving safety monitoring using driving event recognition
CN106128032A (zh) 一种疲劳状态监测及预警方法及其系统
Huang et al. P-FDCN based eye state analysis for fatigue detection
CN109229108A (zh) 一种基于驾驶指纹的驾驶行为安全评价方法
CN110103822A (zh) 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法
WO2008133746A1 (en) Systems and methods for detecting unsafe conditions
CN110781873A (zh) 一种双模态特征融合的驾驶员疲劳等级识别方法
CN110781872A (zh) 一种双模态特征融合的驾驶员疲劳等级识别系统
JP2021056983A (ja) 車両ｃａｎ ｂｕｓ信号を利用した機械学習基盤運転者異常感知方法および装置
CN110901385B (zh) 一种基于驾驶员疲劳状态的主动限速方法
CN110696835A (zh) 一种车辆危险行驶行为的自动预警方法及自动预警系统
CN109664894A (zh) 基于多源异构数据感知的疲劳驾驶安全预警系统
CN118097636A (zh) 一种基于人工智能的自动检测司机疲劳度的图像视觉方法与系统
CN113553900B (zh) 一种驾驶员疲劳驾驶检测方法、系统及计算机可读介质
DE102019135115B4 (de) Verfahren zur Verbesserung der Straßensicherheit
CN117885743A (zh) 一种驾驶员异常状态识别恢复方法及系统
CN118000734A (zh) 车内人员健康监测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant