[发明专利]基于眨眼次数的驾驶员疲劳驾驶预测方法

说明书

技术领域

本发明涉及一种基于眨眼次数的驾驶员疲劳驾驶预测方法，属于驾驶员疲劳驾驶检测技术领域。

背景技术

随着现代交通运输业的飞速发展，交通事故已成为当前全球所面临的严重问题。据统计，全世界每年因交通事故导致的死亡人数达60万，直接经济损失约125亿美元，这些事故中57％的灾难性事故与驾驶员疲劳驾驶有关。疲劳虽然是一个很正常的生理现象，但每年导致的交通事故给世界各国造成巨大的经济损失和人员伤亡，增加了社会的不安定因素。因此，针对疲劳驾驶预测的研究具有十分重要的现实意义。

目前驾驶员疲劳度的预测是通过生物学的方法来检测驾驶员的生理参数，比如分析脑电图(EEG)、心电图(ECG)的信号变换等，继而进行驾驶人员疲劳度的预测，但是这种基于驾驶员生理预测的方法需要将检测设备与驾驶员身体相接触，有一定的局限性。由此可见目前的驾驶员疲劳度预测方法上还存在一定的不足。

发明内容：

本发明基于眨眼次数的驾驶员疲劳驾驶预测方法。

本发明的具体技术方案如下：

本发明公开了基于眨眼次数的驾驶员疲劳驾驶预测方法，首先根据历史眨眼次数分别建立卡尔曼滤波预测模型以及径向基函数(RBF)神经网络模型来进行下一时刻眨眼次数的预测，其次考虑眨眼次数之间的关联度，根据灰熵分析计算预测眨眼次数与历史眨眼次数的关联度等级，并选取关联度等级较高的历史眨眼次数作为预测模型的输入数据，根据输入数据获得每个预测模型的预测值，接着结合传统贝叶斯融合的方法及最相关的历史眨眼次数，计算每个预测模型在预测该时刻眨眼次数时的权重，获得该时刻的预测眨眼次数，最后通过设定阈值，比较阈值与预测眨眼次数的大小，最终实现驾驶员是否为疲劳驾驶的判定。

本发明具有如下优点：

1、本发明所构建的预测模型能充分利用卡尔曼滤波预测模型和径向基(RBF)神经网络模型的优势，能够最大程度地适应复杂变化的疲劳度预测。卡尔曼滤波预测模型在眨眼次数变化不大的条件下预测较为准确，而径向基(RBF)神经网络模型在眨眼次数变化较大的条件下预测较为准确，比如下午的1点到4点，综合二者的优点，本发明可以在眨眼次数复杂变化的条件下取得良好的疲劳程度预测效果。

2、本发明考虑历史眨眼次数与预测眨眼次数的关联度，选取最相关的历史眨眼次数来作为输入数据，克服了传统贝叶斯融合中将所有历史眨眼次数作为输入数据的问题而导致的计算量过大和预测精确性不高的问题。

附图说明:

图1基于眨眼次数的驾驶员疲劳驾驶预测方法流程图。

具体实施方式：

如图1所示，本发明的基于眨眼次数的驾驶员疲劳驾驶预测方法，具体过程如下：

首先，通过对某时刻之前一段时间内驾驶员连续几次眨眼次数的预测来判断该时刻驾驶员是否疲劳驾驶，规定t时刻的眨眼次数表示t时刻前5分钟的眨眼次数之和，每隔5分钟采集一次，则t-1时刻的眨眼次数表示t时刻前10到前5分钟之间的眨眼次数之和，一般情况下，t时刻的眨眼次数与之最近的几个时间段内的眨眼次数关联性较大，

步骤1：根据观测得到的历史数据，建立预测模型

第一，建立卡尔曼滤波预测模型进行预测

将集合V(t)＝[y_t,y_t-1,…,y_t-4]作为卡尔曼滤波预测模型的输入数据，其中y_t表示t时刻的眨眼次数，y_t-1表示t-1时刻的眨眼次数，y_t-4表示t-4时刻的眨眼次数，

1)建立线性预测模型：其中，为卡尔曼滤波预测模型下计算所得的t+1时刻预测眨眼次数，为状态向量，

2)利用卡尔曼滤波理论，计算状态向量

其中，B(t)为状态转移矩阵，其初始值设为单位矩阵，R为测量噪声的自相关矩阵，该矩阵中元素服从[0,1]之间的正态分布，W为过程噪声的自相关矩阵，该矩阵中元素服从[0,1]之间的正态分布，其中，为t时刻的状态向量，为t-1时刻的状态向量，P(t|t-1)为t时刻的交通流量V(t)在t时刻预测估计误差的自相关矩阵，其初始值P(1|0)＝0，

第二，建立径向基函数(RBF)神经网络模型进行预测