论文部分内容阅读
随着我国汽车产业和交通运输业的不断发展，道路交通安全问题日益严峻。不仅在我国在世界范围内交通事故给社会以及家庭都造成了巨大伤害，如何减少交通事故已成为中国甚至世界性的难题。统计表明，驾驶疲劳是造成重大交通事故的主要原因之一，因此对机动车驾驶人疲劳状态的有效识别是十分必要的。 机器学习是一个多学科领域，它吸收了人工智能、概率统计、神经生理学、医学工程技术、计算复杂性理论等学科的成果。认知模式是一种与学习者思维和经验密不可分的学习模式。基于认知模式的机器学习是一个有特定目的的知识获取过程，是计算机获取知识的重要途径。机器学习能够根据已有知识积累经验建立学习规则，实现对未知知识的推断。在驾驶人疲劳状态识别问题中，将驾驶人的相关信息与基于认知模式的机器学习方法结合，建立疲劳识别模型来判别驾驶人是否进入疲劳状态，实现驾驶人疲劳程度的量化。这对于有效地估计驾驶人疲劳状态、避免交通事故、提高行车安全具有十分重要的意义。 本文以驾驶人生理信号为主要研究对象，利用机器学习中相关认知识别方法分别对多维脑电信号、心电信号、肌电信号、呼吸信号以及这几种生理信号构成的组合信号进行了分析和处理，并提取了相应的特征，得到识别驾驶人疲劳状态的模型，并通过实验验证了提出方法的有效性。依据机器学习的应用方向以及驾驶人相关信息获取的递增顺序，本文从以下4个方面对课题展开了研究: 1.以驾驶人多维脑电信息为研究对象，依据机器学习中基于近邻算法的分类技术建立了驾驶人疲劳状态识别模型。实验采集了8名出租车司机的12导联脑电信号，使用了最大分量分析和脑地形图相结合的处理方法实现了多维脑电信号的预处理，有效消除脑电信号中所包含的伪迹并保留了脑电信号的有效成分，这为后续特征提取提供了良好的源信号。在去除伪迹的基础之上，对脑电相对功率谱特征利用灰度相关法进行了特征提取，最后使用分类技术中的K近邻算法建立了基于多维脑电信息的驾驶人疲劳状态识别模型，得到了较好的识别结果。 2.以驾驶人心电信号和肌电信号为研究对象，依据机器学习中基于判别分析的分类技术建立了驾驶人疲劳状态识别模型。为了减少生理信号采集对驾驶操作的干扰，使用了基于电容耦合原理的非接触式电极。将电极安置在驾驶座椅上采集驾驶员腿部信号，适用于长时间的生理信号采集。对采集到的信号使用了独立分量分析与经验模态分解相结合的信号处理方法，实现了肌电信号与心电信号的有效分离和去噪。考虑了肌电信号自身幅值特性以及肌电信号与心电信号的关联信息，提取了表征疲劳的特征参数，并利用马氏距离建立了判别分析模型，交叉验证的结果表明该模型在识别驾驶人疲劳状态上是有效的。 3.以驾驶人脑电信号、肌电信号和呼吸信号为研究对象，依据机器学习中回归分析技术建立了驾驶人疲劳识别模型。利用可穿戴传感器实现了驾驶人驾驶过程中枕部脑电信号、后颈肌电信号和呼吸信号的采集，采集到的生理信号通过蓝牙技术被同步发送到外部计算机中。利用驾驶员生理信息构建了基于多元回归理论的驾驶疲劳评价模型，分类结果较好。实验使用便携无线设备实现数据的获取。这使得在真实的交通与驾驶条件下对驾驶员驾驶状态与表现的估计更易实现。 4.以长途客车驾驶员脑电、肌电、呼吸信号和驾驶上下文信息为研究对象，依据机器学习中基于隐马尔可夫模型的时间序列分析技术，将无线设备采集到的生理数据与上下文背景信息融合，实现对驾驶疲劳的动态估计，这也为疲劳这一不确定量提供了量化结果。对驾驶疲劳的动态估计是考虑到驾驶疲劳是一个随时间发展而逐步累积的认知过程，连续时间段驾驶人状态并不是相互独立的。疲劳体现在生理信号的差异上同时还受到不同时刻上下文背景信息的影响，于是这里将驾驶过程视为时间序列，考虑了三个上下文信息:睡眠质量、驾驶环境和生理节律，提出了基于隐马尔可夫的动态疲劳识别模型，并从三种不同情况出发估计出在驾驶过程中不同时刻下驾驶疲劳发生的概率，得到了符合实际意义的疲劳估计结果，其结果证明了本文提出的模型实现了机动车驾驶人疲劳状态的有效识别。