[发明专利]一种列车司机疲劳状态的超前预测方法及系统

说明书

本发明涉及一种列车司机疲劳状态的超前预测方法及系统，方法包括步骤：1)采集列车司机的心电数据及面部数据；2)根据采集的列车司机的心电数据和面部数据提取疲劳特征参数；3)利用非线性自回归神经网络建立疲劳超前预测模型；4)利用建立的疲劳超前预测模型对列车司机的疲劳状态进行超前预测；系统包括心电手环，网络摄像头，扬声器模块和数字处理器。与现有技术相比，本发明融合了心率变异性、睁眼程度和张嘴程度，能够提前3秒预测司机的疲劳状态，给司机足够的时间采取措施来避免紧急情况下的事故。

技术领域

本发明涉及轨道交通列车驾驶安全技术领域，尤其是涉及一种列车司机疲劳状态的超前预测方法及系统。

背景技术

作为地铁的关键岗位作业人员，列车司机对现场情况的感知判断和突发情况时的随机应变影响着列车的运行安全，而连续重复的枯燥驾驶和无法避免的倒班制度使地铁管理面临疲劳驾驶带来的安全风险问题，因此，人们提出疲劳监测系统来提醒司机。但是传统的方法旨在实时检测司机疲劳，即先是司机进入疲劳状态，而后被疲劳监测系统检测到，进而提供警报，这在很多情况下可能为时已晚。因为疲劳驾驶会降低司机的反应时间和认知注意力，特别是在司机进入疲劳状态到监测系统检测到疲劳状态的这段时间内，司机出于对传统疲劳监测系统的信任，增大了潜在事故的风险概率。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种列车司机疲劳状态的超前预测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种列车司机疲劳状态的超前预测方法，该方法包括如下步骤：

S1：采集列车司机的心电数据及面部数据。

采集列车司机的心电数据的具体过程包括：

通过心电传感器采集心电波形，对心电波形进行滤波处理，截断大于240Hz小于40Hz的频率范围内的波形后，进行基线漂移处理，随后检测R峰，获取心电特征数据。

采集列车司机的面部数据的具体过程包括：

拍摄列车司机的面部视频数据，从视频流循环帧，对图像做维度扩大和灰度化处理，利用Dlib的正向人脸检测器进行人脸检测，提取人脸外部矩形框，并利用Dlib中训练好的人脸68个特征点特征检测器，进行人脸面部轮廓特征提取，进而提取眼部和嘴部特征点。

S2：根据采集的列车司机的心电数据和面部数据提取疲劳特征参数，同时预先对司机的瞳孔面积数据进行采集，获取PERCLOS数据并存储；

进一步地，根据心电数据提取的疲劳特征参数包括SDNN、Mean_hr、Mean_NN、SDSD、Std_hr、RMSSD的值，各值每3秒统计一次。

根据面部数据提取的疲劳特征参数包括根据眼部和嘴部特征点的坐标计算的眼睛长宽比和嘴巴长宽比，各值每3秒统计一次。

进一步地，采用Dikablis眼动仪对司机的瞳孔面积数据进行采集并存储，数据采集频率为120HZ，且每3秒进行一次PERCLOS数据统计。

S3：利用非线性自回归神经网络建立疲劳超前预测模型；

具体地，以预先储存的SDNN、Mean_hr、Mean_NN、SDSD、Std_hr、RMSSD、眼睛长宽比和嘴巴长宽比作为特征列，以预先储存的PERCLOS作为标签，利用非线性自回归神经网络进行疲劳超前预测模型训练，模型的拟合度采用均方差衡量。

基于非线性自回归神经网络，采用开环结构对疲劳超前预测模型进行开环训练，判断训练后的疲劳超前预测模型的拟合度是否符合要求，若符合要求，则将开环训练转换为闭环结构，进行下一步超前预测，否则，再次进行开环训练，直至满足要求。

S4：利用建立的疲劳超前预测模型对列车司机的疲劳状态进行超前预测。具体内容为：