[发明专利]基于驾驶行为评估驾驶员认知表现的研究方法

说明书

本发明公开一种基于驾驶行为评估驾驶员认知表现的研究方法，包括如下步骤：1)针对收集到实验的数据库，数据预处理；2)回归函数中，利用皮尔森系数挑选特征，构建lasso回归和ridge回归的函数，进行交叉验证，提高准确率，得到预测的认知表现；3)利用两种方法分别预测驾驶员认知行为；4)驾驶员行为分析：先分析MMSE目标，在“整体道路”，“住宅去和交叉点”，尤其是“住宅道路和交叉”中进行预测。

技术领域

本发明涉及机器学习领域，提供一种基于驾驶行为评估驾驶员认知表现的研究方法，通过驾驶员行为分析，预测驾驶员的认知行为，提高驾驶安全性。

背景技术

汽车给人们的生活带来了巨大的变化，促进了经济发展，并改善了人们的生活水平；人类的流动性大大改善，促进了不同地区之间的交流，并使跨地区的生活和工作成为可能；它带动了相关产业的发展，使新兴产业和高科技的出现成为可能。然而，汽车也带来了巨大的危害，频繁的交通事故，废气排放污染了环境。其中，最严重的破坏是交通事故的频繁发生，交通一旦发生，不仅会造成经济损失，而且将对生命造成严重的威胁。造成交通事故的因素很多，例如：城市道路交通复杂多变的环境，车辆之间频繁的交通冲突以及错误的驾驶行为。如何能够提高驾驶员的能力，降低危险系数，将是我们的主要方向。

随着自动驾驶技术的发展，越来越多的人将分析驾驶行为，作为一种研究方向，有研究了驾驶行为的建模和预测，使用隐马尔可夫模型和高斯混合模型进行预测，主要是确定驾驶员的驾驶意图，分析驾驶员未来几秒钟的动向；还有的主要的是利用深度学习技术研究了驾驶行为的建模和预测，对于车辆的未来几秒的轨迹进行预测，由于数据量足够大，能够较好的预测未来的车辆状态。

面对交通事故频繁发生，我们提出了一个分析驾驶员行为的框架。这项研究是开发老年驾驶员的驾驶数据语料库，以分析驾驶行为以预测认知表现。为此，我们使用此模型来预测驾驶员的认知表现。这项研究的主要贡献如下。首先，我们阐明驾驶行为的有效特征，以使用新颖的数据集，预测认知表现，并使用多种有效方法(回归模型和LSTM模型)实施此过程。其次，我们通过比较现代机器学习算法来探索一种有效的算法来预测性能，这一过程对提高驾驶安全性具有重要的现实意义。

发明内容

本发明的目的在于克服现有技术的不足，提出一种，能够分析驾驶员的认知行为的水平的一种框架。

本发明主要是建立一个分析驾驶员行为的框架，技术方案是以名古屋大学的“老年人驾驶公共道路实验数据库”作为实验对象。整个实验的主要涉及以下几个方面：

本发明提出一种结合信号处理和神经网络的深度特征映射的语音去混响方法。技术方案以Reverb Challenge比赛的数据集作为实验对象。主要涉及四个方面：1)对原始数据进行清洗，去除残缺，无效，重复的数据；2)利用皮尔森系数，对特征进行选择，找到相关系数较为明显的特征；3)构建回归模型，深度学习模型，将提取的特征放入模型中进行训练；4)将预测的驾驶员的认知行为的结果，进行对比分析。

具体步骤如下：

1)数据处理

名古屋大学的老年人驾驶公共道路实验数据库中，原始数据库有38种驾驶员行为，有119种驾驶员的认知行为，但是由于数据驳杂，许多数据不能使用，所以要对数据进行预处理，清洗。这部分，我们对数据集进行整理，主要是去除一些应有的信息缺失，数据不是正确的格式，以及重复出现的数据，处理过后，留下了28组驾驶行为数据以及108组驾驶员认知行为。将处理好的数据，计算每一组驾驶行为的均值，标准差，最大值，最小值，25％，75％等，作为特征，进行下一步的处理。

2)特征选择

由于驾驶行为数据(变量)和驾驶认知表现行为(目标)的数量巨大，因此我们希望减少数据量并找到有效的信息，皮尔森相关系数可以很好地衡量几个变量之间的关系。根据皮尔森系数，将一些相关性很小的变量过滤掉，以获得更好的特性。