[发明专利]一种驾驶员疲劳驾驶检测方法、系统及计算机可读介质

权利要求书

1.一种驾驶员疲劳驾驶检测方法，其特征在于，所述的检测方法包括：

步骤1：获取驾驶员驾驶特征数据集，构建样本数据集；

步骤2：对步骤1获取的驾驶特征数据集中的特征变量进行筛选；

步骤3：构建显著驾驶特征数据集，将眼睑闭合百分比PERCLOS×平均瞳孔直径Pupil作为固定效应协变量引入模型，将其作为模型的解释变量；

步骤4：构建考虑时间累积效应的混合效应有序logit模型；

步骤5：将显著驾驶特征数据集输入步骤4中的混合效应有序logit模型，对驾驶员疲劳等级进行预测；

步骤6：输出驾驶员疲劳等级预测结果，完成驾驶员疲劳驾驶检测；

考虑时间累积效应的混合效应有序logit模型表示为：

p为发生疲劳等级m的概率；i为路段编号；j为驾驶员编号；Y_ij为第i个路段上驾驶员j的观测疲劳等级；为表示离散变量Y_ij的连续的隐变量；f(t_[i-1]j)为时间函数，其中t_[i-1]j＝t_ij-t_1j，t_ij为驾驶员j通过路段i时的时间；为受解释变量影响的驾驶员j的第m个累计logit分界点；β^Fixed与分别为固定效应回归系数及随机效应回归系数；和分别为固定效应变量和随机效应变量；

所述的样本数据集为：

D＝{d₁,d₂,…,d_a,e₁,e₂,…,e_b,t,y}

其中，{d₁,d₂,…,d_a}为驾驶员驾驶行为特征数据集；{e₁,e₂,…,e_b}为驾驶员眼动特征数据集；a和b分别为驾驶员驾驶行为特征数据集和眼动特征数据集的维度；t为驾驶时间；y为预测目标，即驾驶员疲劳等级；

所述的步骤2具体为：

利用Spearman等级相关系数方法进行特征变量的筛选，将驾驶行为特征和眼动特征分别与预测目标进行相关性分析，获得驾驶行为特征变量和眼动特征变量与预测目标之间的相关系数R及显著性G，r的绝对值越大，则说明特征变量与预测目标y的相关性越强，该特征越重要；g越小，则表明特征变量与预测目标的相关性越显著，该特征越重要；

其中，R＝{r₁,r₂,…,r_a+b}，G＝{g₁,g₂,…,g_a+b}；

所述方法不仅考虑了车辆横向偏移距离，还考虑了方向盘转动速度和车速的多项驾驶行为特征；同时，结合了平均眨眼持续时间、眼睑闭合百分比、平均瞳孔直径的眼动特征，通过对强相关特征的筛选，选取最后与疲劳等级最为相关的特征进行驾驶疲劳度的检测；

整理最终数据集H共包含5个变量，分别为自变量LP_stdev、PERCLOS、Pupil、Time和因变量Drowsiness_level；

变量LP_stdev受到驾驶员特征Pupil的影响，具有随机效应，因此将LP_stdev×Pupil作为协变量引入模型，将其作为模型的解释变量；PERCLOS与Pupil的交互作用显著，因此将PERCLOS×Pupil作为固定效应协变量引入模型，将其作为模型的解释变量。

2.根据权利要求1所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的驾驶员驾驶行为特征数据集的采集方法为：通过车辆CAN总线采集驾驶员行为特征数据；

所述的驾驶员眼动特征数据集的采集方法为：通过摄像头采集驾驶员的眼动特征。

3.根据权利要求1所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的Spearman等级相关系数方法具体为：

其中，S为变量U和W之间的Spearman相关系数；z为分别对U和W取秩之后每对观测值(u,w)的秩之差；c为样本量。