文摘

贡献的测量检测疲劳驾驶是由计算参数,这是直接关系到睡意检测的准确性。先前的研究利用相同的统一计算参数(规定)计算每个司机的测量。然而,由于每个司机都有独特的驾驶行为特征,也就是说,司机指纹,个别司机的最佳计算参数(IDBCPs)使测量更有识别力的睡意都不同。不管司机指纹的差异司机正在测试中,使用跟单信用证代替IDBCPs计算测量将限制的昏睡探测性能测量和减少昏睡探测精度在个体司机的水平。因此,本文提出了一个优化模型计算参数的个体司机的测量和提取个体司机的测量,有效区分疲劳驾驶。通过实车实验,我们收集自然驾驶卡罗林斯卡嗜睡和主观昏昏欲睡水平评估的数据规模。八不drowsiness-related测量计算了双层滑动时间窗口。在该模型中,我们首先应用Wilcoxon测试分析差异测量的清醒状态和昏昏欲睡的状态,并构造适应度函数反映了计算参数和测量的昏睡探测性能之间的关系。第二,遗传算法被用来获得测量IDBCPs优化健身功能。IDBCPs计算,最后,我们选定的测量可以区分疲劳驾驶构成个体司机的最佳昏睡探测测量集。核实IDBCPs的优点,跟单信用证和IDBCPs的测量计算,分别用于构建的昏睡探测模型:DF_U和DF_I基于Fisher判别算法。 The mean drowsiness-detection accuracies of DF_U and DF_I were, respectively, 85.25% and 91.06%. It indicated that IDBCPs could enhance measurements’ drowsiness-detection performance and improve the drowsiness-detection accuracies. This paper contributed to the establishment of personalized drowsiness-detection models considering driver fingerprinting differences.

1。介绍

疲劳驾驶是一个典型的危险驾驶行为,它严重威胁着交通安全,造成大量经济成本对个人和社会1- - - - - -3]。疲劳驾驶是一种常见的现象,结果从多个潜在的原因,包括长时间的开车时间和睡眠不足3,4]。回顾以往的研究表明,有一个明显的疲劳驾驶和交通事故的风险之间的联系(4,5]。所有事故的研究指出,7%和16.5%的所有道路伤亡与疲劳驾驶有关6]。在欧盟,大约20%的商业运输事故是由于昏昏欲睡的司机(7]。发现一个即将撞车事件的风险显著增加夜班后司机昏昏欲睡时(8]。除此之外,这是一个问题判断交通事故是由于睡意[9]。与酒后驾车,许多事故相关的睡意还没有报道由于缺乏客观标准判断嗜睡发生,和实际的危害困倦驾驶可能是更严重的(10]。因此,研究具有重要意义准确实时anti-drowsiness预警系统。

昏睡探测模型的核心anti-drowsiness预警系统,主要分为两类:侵入性和不11,12]。侵入昏睡探测模型依赖于接触设备收集生理数据,如测量(13),肌电图(14)等。例如,研究者们15)获得的信号从表面心电图和心率变异性(HRV)训练睡意探测器使用7特性来源于HRV,和阳性预测值达到0.96。虽然昏睡探测使用生理信号更精确,收集数据的侵扰,限制了实用性(14]。不干扰的昏睡探测模型利用非接触传感器来收集数据不干扰检测疲劳驾驶,如方向盘角度,车道位置,眼动数据等。14,16]。不干扰的昏睡探测模型更实用,因为他们几乎没有干扰司机和更少的限制14]。所以,不干扰昏睡探测方法一直是一个热点在疲劳驾驶研究[12,17]。大部分文献中报道,研究人员建立了各种昏睡探测模型基于不干扰测量,如车道位置提取测量(18[],方向盘角度推导出测量17],和眼部运动派生度量[19),获得相对准确的昏睡探测结果。因此,本文集中在不干扰测量和模型的睡意检测。

睡意不干扰测量的灵敏度取决于时间窗口设置方法和计算参数的测量,大大决定了昏睡探测的准确性(18,19]。许多研究关于测量和检测的方法进行了疲劳驾驶,可以发现在一些复习文献[11,12,14,20.- - - - - -22]。本文不嗜睡的优化计算参数测量。因此,我们总结一些文学,不干扰通常使用测量来检测嗜睡并给出具体的计算参数。表1器,时间窗口设置,不干扰和参数的测量计算局部疲劳驾驶的研究。可以看出,时间窗口设置和计算参数不干扰测量的研究不一致,这表明这些因素影响疲劳驾驶的研究结果。因此,计算参数的测量需要优化改进的昏睡探测性能不干扰测量。

表1
在疲劳驾驶的研究的总结信息。

大部分的疲劳驾驶研究计算每个司机的测量同样的统一计算参数(规定),不考虑个体差异测量的计算参数,结果司机指纹驱动程序之间的区别。已经发现,每个人不仅具有独特的物理特性,而且行为特征(31日]。例如,每个人都有他或她在购物行为特征,写作,阅读等。司机指纹是每个司机开车时独特的驾驶行为特征时间(32),这反映在方向盘角度,速度、眼球运动,和其他驾驶行为数据(33,34]。司机指纹是稳定的和独特的33- - - - - -35]。因此,一些研究人员一直试图描述司机指纹识别驱动程序。芬克等。35)收集多个can总线信号通过田间试验,cepstral特征提取技术被用来分析刹车踏板和油门踏板信号的信号。他们用人工神经网络学习司机指纹特征和司机身份执行。识别精度收益率为84.6%。荀et al。36]使用实际车辆收集自然的驾驶行为数据,包括速度、方向盘角度,油门踏板信号等。他们建造了一个模型来实现驱动指纹识别基于卷积神经网络和支持向量域描述和司机指纹识别用于准确地识别驱动程序。上述研究利用的差异在司机准确地识别司机,司机指纹证明司机驾驶行为特性稳定,不同于其他人。,司机指纹的差异也是个体差异的原因在疲劳驾驶的某些方面的研究中,如计算参数,数据分布和昏睡探测drowsiness-related阈测量(37- - - - - -39]。

许多学者已经注意到了个体差异造成的司机疲劳驾驶检测指纹差异研究(18,38,40,41]。大多数昏睡探测模型广义模型训练的混合测量所有的司机,和这些模型检测到每个司机的睡意利用相同的睡意阈值(14]。司机指纹的差异的重要原因是不干扰的低可靠性广义昏睡探测模型(39,42,43]。经常提到,由于司机指纹差异,司机在等测量数据分布明显不同SDLP [39),方向盘运动的标准偏差(SDSWM) [38],PERCLOS [39),闭目持续时间(43)等。例如,荷兰国际集团(ing)等。37]分析了自我报告的嗜睡水平之间的相关性,眨眼时间和SDLP。结果表明,司机中有明显差异的分布眨眼时间和SDLP在不同水平的睡意。他们还指出,昏睡探测在个体司机水平受到系统性的错误如果疲劳驾驶检测到相同的所有司机昏睡探测阈值。此外,研究人员探索原因的差异影响drowsiness-identification司机指纹。问题,等人采用特征源自心电检测仪和眼动信号构建分类器的subject-dependent司机困倦。他们发现生理信号呈现明显的个人特征,而subject-independent睡意分类器,忽略了个体差异的表现更糟(44]。同样,佩尔森,等人用HRV测量建立一个嗜睡基于机器学习的分类器,并指出精度大幅下降的新司机,因为个体差异(45]。燕et al。41]分析了司机指纹昏睡探测模型的差异,发现测量分布的差异司机可以超越差异引起的嗜睡当所有司机的测量混合培养模型,降低测量数据之间的相关性和嗜睡。因此,昏睡探测模型的精度没有司机指纹差异受损。

消除负面影响的司机指纹差异昏睡探测的准确性,学者们试图利用测量的个体司机建立的模型和实现更精确的昏睡探测(39,41,43,46,47]。楚et al。47]记录自然的驾驶数据实际的车辆,和训练有素的昏睡探测模型由个别司机的速度和车道偏离价值,基于神经网络和支持向量机的组合模型。drowsiness-identification率模型的一些司机超过90%,这验证的模型可以改善昏睡探测的准确性。你,et al。46]眼动行为数据的差异驱动程序处理,提取眼测量像眼睛长宽比,并使用目镜测量的个体司机建立的昏睡探测模型。该模型的准确性达到94.8%,优于广义昏睡探测模型。王等人。39)收集源驾驶行为数据通过模拟驾驶实验,利用23不干扰测量的个体司机建立个性化的疲劳驾驶模型基于多级logit模型。结果验证的昏睡探测精度高个性化模型考虑司机指纹的差异。Naurois et al。48)使用数据的司机培训昏睡探测模型基于人工神经网络和自适应学习个性化昏睡探测模型用于一个新的司机。大约40%的模型增强昏睡探测性能。

上面的昏睡探测模型改善昏睡探测的准确性,这是由于采用个别司机的具体昏睡探测阈值。然而,在上述的模型,测量每个司机仍然计算跟单信用证,而不是个别司机的最佳计算参数(IDBCPs),克制贡献的测量检测嗜睡。由于司机指纹的差异司机,IDBCPs使测量更有识别力的嗜睡是不同的18,49]。对于一些司机,IDBCPs跟单信用证的测量是非常不同的。,利用测量个别司机的规定计算约束的昏睡探测性能测量,这降低了精度的昏睡探测模型。同样,Zhang et al。18IDBCPs]发现,有相当的差异和使用跟单信用证来计算测量可能削弱测量和嗜睡水平之间的相关性对于一些驱动程序。因此,本文的目的是构建一个新的模型来优化参数测量的计算个人的司机。,测量计算IDBCPs可以有效区分睡意被选出的组成个体司机的最佳测量组疲劳驾驶。本文有助于睡意测量计算和昏睡探测模型的建立考虑司机指纹的差异。

本文的其余部分安排如下。在材料和方法,我们描述了实验细节,测量计算方法,提取模型的最优个体司机的疲劳驾驶测量,测量和验证方法的昏睡探测优势由IDBCP计算。结果,我们提出了司机指纹的差异测量使用跟单信用证,模型的结果,使用的昏睡探测优势IDBCPs计算不干扰测量。的讨论结果,重要贡献,本文介绍了应用前景的讨论。研究工作的总结,给出了研究的局限性和未来工作的结论。

2。材料和方法

2.1。实验设计
2.1.1。参与者

按实际比例的男性和女性的商用车辆在本地司机,35岁男司机和5女司机被招募为参与者和编号。所有参与者与丰富的驾驶经验和熟练专业司机驾驶技能。他们的年龄范围从34岁到57岁(平均= 46.83,SD = 5.62);驾驶年龄范围从3年到32年(平均= 16.53,SD = 6.10)。参与者没有任何睡眠障碍和其他身体或精神疾病,他们没有药品前1月内实验。副驾驶,我们安排一个有30年的驾驶经验的教练作为安全官员伴随每一个参与者。安全人员在紧急情况下采取的对策,并训练有素的询问和记录参与者的自我报告使用卡罗林斯卡困倦嗜睡水平规模(KSS)。KSS范围从1到9,9个,分别代表极其警报和极其昏昏欲睡(50]。安全官员有丰富的长途驾驶经验和强大的抗疲劳能力。防止安全官员使用KSS由于过度疲劳,安全官员应该好好休息当到达服务区。此外,在驾驶期间,安全官员保持相对警报通过喝咖啡和清新能量饮料和听流行音乐,等等。

2.1.2。设备

主要的实验设备和线路图所示1。实验车辆修改与实际车辆,配备了各种各样的传感器。源自然的驾驶行为数据是及时收集。三方高清摄像头(帧率是30 Hz)可以捕捉到司机的面部特征,驾驶操作细节,和车外的交通环境包括道路线性和交通流。罗技C910高清摄像头。司机状态传感器采样频率(60 Hz)是W5Y-DSSV3 (AR-ES5430SM)看到机器生产的,使用一个图像识别算法来监测驾驶员的眼睛,眼睑运动。Mobileye c2 - 270(采样频率是15赫兹)可以检测车道线和输出车辆之间的距离中心和车道线。惯性导航系统(采样频率超过20 Hz)收集加速度,速度,和GPS, RT2500牛津大学开发的技术解决方案。工业计算机可以存储原始多个源的实验数据,这是西门子的硅镁质架PC 847 b。方向盘角度传感器LWS 5的博世(采样频率是超过20 Hz),收集方向盘角。 Besides, other materials were also used, such as the KSS, demographic information scale, etc.


图1
实验设备和线路图。
2.1.3。实现过程

在实验中,参与者被告知之前的重要信息,包括实验过程和可能的风险,和每个参与者签署知情同意。参与者被训练为确保正确理解KSS自述嗜睡的可靠性水平。然后,参与者熟悉实验车辆,确保不要把饮料,如咖啡因,会影响测量的睡意。在前一晚的实验中,参与者保持正常作息,保证足够的睡眠时间。在开车前,参与者被要求报告他们的睡眠时间前一天晚上和当前KSS。

在实验中,参与者被要求开车沿着路线如图1与通常的驾驶习惯。实验路段G70(双向四车道)高速公路从武汉到襄阳,中国。路段是平的,相对直接。其交通流很简单。所以道路形状的影响和其他车辆的干扰对驾驶行为可以消除转向和lane-keeping等,这是当前工作的范围。天气的因素,如雪、雨、雾,也会影响自然的驾驶行为(51),它可以干扰分析困倦驾驶行为的影响。控制无关变量,所有实验都是明亮的天气条件下进行,确保温度、湿度等环境因素是一致的。除此之外,每个参与者开始实验在工作日上午9点以避免交通量的变化的影响。所有参与者进入G70注入的高速公路收费站。约2小时后,参与者到随州服务区,花了一个小时休息。然后,参与者驱车前往襄阳北收费站,在这一点上,转过身回到了起点。总行驶时间约为6小时,总旅行在这个实验中大约600公里。在驾驶的过程中,噪音水平控制保持舒适的环境,防止噪音影响参与者的生理和心理状态。参与者被要求开车120公里/小时的速度限制。相同的安全官询问记录40参与者的自我报告KSS每5分钟。

在完成整个实验,参与者支付他们的参与。实验设计,满足当地伦理委员会的指导方针和参与者的个人信息是安全的。最后,35参与者得到了合格的实验数据。有效数据收集的5参与者不由于实验条件不佳或设备问题。

2.2。数据预处理

据流图2,原始实验数据预处理获得疲劳驾驶模型的测量结果满足要求。


图2
工作流的数据预处理。
2.2.1。同步源数据

基于时间戳记录的传感器,我们同步的多源数据,包括视频、自述KSS、车道的位置,方向盘角度,速度,等等。因为司机的嗜睡水平是评估每5分钟,5分钟内我们将原始数据分为样品以避免示例跨越两个KSS。

2.2.2。选择数据的连续驾驶场景

连续驾驶的驾驶行为场景在高速公路上被选为分析。驾驶操作更单调的司机不断地在高速公路上开车的时候,和疲劳驾驶的风险更大,因为高速(39]。根据车辆外的视频,我们提取连续驾驶场景下的驾驶时间和选择的数据连续驾驶场景。

2.2.3。设置双层滑动时间窗口,计算测量

研究该领域的实验发现,疲劳驾驶状态一般持续了15 - 75秒,而典型的昏昏欲睡的运行特点持续时间一般5 - 20秒(30.]。当测量数据计算了整个昏昏欲睡的状态持续时间,计算平均效应涵盖了昏昏欲睡的操作特征(1,18]。因此,提出了双层滑动时间窗口将原始数据划分为样本,计算测量。

首先,我们设置了第一层滑动步骤(年代1)和时间窗口(T1每5分钟内)。的实验数据T1是一个样本的数据,然后呢T1是一个基本单位计算测量和检测嗜睡。数据在一个T1可以用来计算一个测量值,这是一个测量样本。其次,在每个T1时间窗口,我们第二层设置滑动步骤(年代2)和时间窗口(T2)。中的数据T2被用来计算测量。放大中的疲劳驾驶特征样本(T1),最大测量T2在每一个T1被选为样本的最终测量值(T1)。例如,当计算SDLP,如果T1= 60年代,年代2= 5,T2= 20多岁T1包括9个T2并在每个车道的位置数据T2可以用来计算一个SDLP;我们选择的最大SDLP 9T2作为最终的SDLP样本T1。的数量T2决心的大小年代2。越小年代2,越T2可以获得内选择马克斯睡意测量值吗T1。但是如果数量T2太大,模型的计算量会增加,模型的计算速度会降低。除此之外,有一些差距典型疲劳操作功能,年代2不能太小。因此,为减少计算量,避免或缺失的最好的年代2,减少了自由度,我们设计的优化范围年代22和5之间的一个整数。

2.2.4。将测量样本划分为样本的清醒状态和昏昏欲睡的状态

KSS的T1被定义为测量的KSS样本。他指的是文献[18,52),测量样品与KSS小于7属于样本清醒驾驶状态;否则,他们属于疲劳驾驶状态的样本。在图3,我们画了35个参与者的KSS加班。KSS = 0表示停止,因为休息或一些故障。如图3,随着时间的增加驾驶,KSS逐渐增加。之前和之后在服务区休息,增加驾驶的KSS峰值出现的时间。其余服务地区之后,KSS下降到一定程度上,但KSS迅速增加驾驶时间的增加。


图3
随着时间的推移图KSS变化的所有参与者。
2.3。测量计算

睡意会影响司机的方向盘转动,眼球运动,和其他方面12]。根据相关文献[12,18,39不干扰),八个drowsiness-related测量不同类别的选择分析。在前面的研究中,测量所有的司机被规定计算。比较的昏睡探测IDBCPs测量计算的贡献,我们也使用合适的规定计算测量。

我们利用Wilcoxon测试(介绍部分2.4。2)来分析测量结果之间的差异的清醒状态和昏昏欲睡的状态。一个参与者,如果 值< 0.05,测量可以区分疲劳驾驶53]。当测量计算了跟单信用证被用来构建昏睡探测模型不考虑个体差异,参与者的数量的drowsiness-driving可以检测到的模型应该尽可能多的使用统一的参数。跟单信用证和跟单信用证,我们计算测量Wilcoxon测试个别司机的测量。更多的参与者 值< 0.05,跟单信用证是越好。和参与者,相同的原始实验数据被用来计算跟单信用证和IDBCPs,所以实验设置不会影响结果。因此,通过迭代各种规定和比较嗜睡的司机的数量可以被测量计算了不同的规定,我们发现每个测量的合适的规定使参与者的数量 值< 0.05最大。

根据文献[18,30.),我们设计的价值范围规定。T1对应于昏昏欲睡状态的持续时间(15 - 75年代),和T2对应于困倦的典型特征的持续时间(5 20秒)。因此,一系列的值T1和T2被设计成15 - 75和5 - 20,分别。传感器的频率高于20赫兹,每秒钟包含大量的数据,反映了司机的操作细节。因此,嗜睡可以通过使用相关的较小的特征T2计算测量。,更大的T2可以包含nondrowsy数据和削弱嗜睡的特点。年代1和年代2影响的数量T1和T2,分别。使用小年代2是选择马克斯睡意测量值在方便吗T1。然而,如果年代2太小了,它将增加的数量吗T2和增加模型计算。同时,存在差距典型疲劳操作特性。为了确保最好的质量和减少计算量,我们设置的范围年代1和年代2分别是2 - 5和7 - 10,平衡的计算量和减少自由度。表2不干扰测量的重要信息。

表2
不干扰信息drowsiness-related测量。

一些复杂的测量的计算公式如下。

②SRR措施的频率采样点的角超过车轮角阈值,可以反映方向盘控制的稳定性18]。

是采样点的数量角度超过刺,谁的 是总数量的采样点的时间窗口。

④VSA可以消除道路曲率的影响在方向盘角在某种程度上,它反映了嗜睡和方向盘角之间的关系(54]。

分别MSWA和SDSWA方向盘的平均值和标准偏差角的时间窗口。

⑧SDPE描述PERCLOS时间窗口的变化,它反映了眨眼频率。

在采样点PERCLOS吗我, 的总数是PERCLOS采样点的时间窗口。DSS的PERCLOS直接输出。在一定时期,DSS计算的时间比例眼睛是至少80%关闭。然后,增加的数据量,DSS的PERCLOS获得每个采样点插值。的采样频率,PERCLOS大约60赫兹。因此,我们可以计算PERCLOS的平均值和标准偏差T2。

2.4。提取模型的个体司机的最佳昏睡探测测量
2.4.1。模型的结构

最优的提取模型的框架昏睡探测测量个体司机基于Wilcoxon测试和遗传算法(GA)如图4。


图4
提取模型的最优个体司机疲劳驾驶的测量。

如图4,该模型分为三个部分。测量个别司机输入该模型获得IDBCPs和创作个体司机的最佳昏睡探测测量集。在一个部分中,通过执行Wilcoxon测试测量的清醒状态,昏昏欲睡的状态,我们获得| Z -统计数据|(Z | |)代表测量的昏睡探测性能和构造适应度函数反映之间的对应关系计算参数和测量的昏睡探测性能。在B部分中,使用遗传算法优化的适应度函数,得到测量的IDBCPs。在C部分,我们完成Wilcoxon测试测量IDBCPs计算的。我们选择的测量 值< 0.05组成个体司机的最佳昏睡探测测量集。

2.4.2。建立遗传算法的适应度函数

首先,测量样品计算给定的计算参数。根据KSS,测量样本分为样本清醒状态或昏昏欲睡的状态。

其次,我们执行Wilcoxon测试测量的清醒状态,昏昏欲睡的状态和获得Z统计数据。测量样本大小的清醒状态和昏昏欲睡的状态是不同的,样品不是正态分布。因此,Wilcoxon测试是用于分析测量样本之间的差异的清醒状态和昏昏欲睡的状态。Wilcoxon测试是分析两组的未配对样本之间的差异是否显著不要求正态分布(53]。|越大Z|越大,不同测量样品的清醒状态和昏昏欲睡的状态。因此,|Z|代表的昏睡探测性能测量。计算的方法Z统计数据如下。

测量样品在清醒驾驶状态 ,疲劳驾驶状态和测量样品 。样本大小的清醒状态和昏昏欲睡的状态,分别n和米。测量样品的清醒状态和昏昏欲睡的状态好坏参半。混合测量样品在升序排序。

和 是混合样本的秩清醒样品吗 和昏昏欲睡的样本 ,分别。 意味着数据是正态分布的。

最后,建立了适应度函数如下:

是一个向量组成的独立变量和 是jth计算参数的测量。SRR在表2作为一个例子;SRR的计算参数年代1,T1,年代2,T2,用力推。因此, SRR的 。我们可以得到相应的|Z我|当一组计算参数 是给定的。因此,适应度函数计算参数和之间的关系反映了昏睡探测性能(Z | |)的测量。,更大的健身价值(Z | |),计算参数的测量。

2.4.3。使用遗传算法优化计算参数

遗传算法是寻找最优解的方法基于人口情报的优点简单,效率高,和良好的鲁棒性55]。因此,我们使用了遗传算法优化的适应度函数( )获得测量IDBCPs。染色体是个体,和多个个体构成人口。遗传算法的流程图如图5。并介绍了遗传算法的主要步骤如下:编码测量的计算参数:染色体由计算参数的测量需要优化。我们使用二进制编码和解码,因为它的搜索效率高、容易收敛,和计算参数转换成二进制字符串的不同长度根据解决方案空间和计算参数的准确性。例如,当我们把SDLP表2,SDLP的计算参数年代1,T1,年代2,T2SDLP, 。计算适应度值:染色体代表测量的计算参数是输入函数( )。通过Wilcoxon测试测量,健身价值(Z | |)的染色体。选择繁殖:染色体与更大的健身价值更有可能选择繁殖(交叉和变异)55]。染色体被选中的概率等于 。 染色体的健身价值吗我。我们获得更好的染色体通过轮盘赌选择。交叉:两个染色体随机选择交叉根据交叉概率( ),然后一对节点随机选择交换生成两个新的染色体。变异:染色体是随机选择变异根据突变概率( )。,则随机选择一个节点在其二进制串来取代它与一个等位基因值。相关工艺参数的遗传算法:从相关研究(55),参数的遗传算法设计如下, (N是人口规模), , 。终止条件:遗传代数达到200后,遗传算法结束。最后,通过解码、二进制最优解转化为十进制,IDBCPs测量的输出。


图5
遗传算法的流程图。

本文融合多个样本的测量(T1)确定嗜睡,所有测量应该是一样的年代1和T1。首先,一些组织(年代1,T1)是由枚举生成。然后,所有使用相同的测量(年代1,T1),剩下的遗传算法用于优化计算参数获得的最大| Z马克斯|每个测量的相同(下年代1,T1)。最后,(年代1,T1),最大的所有测量值的总和| Z马克斯|选择最好的(年代1,T1)的测量。最后,(年代1,T1),最大的所有测量值的总和| Z马克斯|选择最好的(年代1,T1)的测量,与其他构成测量IDBCPs的最优参数。

2.4.4。创作个体司机的最佳昏睡探测测量集

虽然我们优化的计算参数测量个别司机的B部分中,测量计算是否IDBCPs可以有效地检测疲劳驾驶需要进一步测试。因此,我们执行Wilcoxon IDBCPs测试测量计算,然后测量 - - - - - -选择用于构成最优值< 0.05昏睡探测测量设置单独的驱动程序。

2.5。验证模型的个体司机的测量由IDBCPs计算

IDBCPs验证测量的昏睡探测优势”,对个人的司机,个别司机的多个不干扰测量集成构建的昏睡探测模型基于Fisher判别算法。我们分别使用昏睡探测测量计算了跟单信用证和IDBCPs构建两种的命名DF_U和DF_I昏睡探测模型。使用的昏睡探测优势IDBCPs说明通过比较DF_U和DF_I昏睡探测精度。

Fisher判别算法是一种有效的分类方法,该方法简化了问题,将高维空间中的点(56]。

的函数值是清醒状态,昏昏欲睡的状态,分别。 系数的算法,利用训练样本训练得到的模型。 是个体的昏睡探测测量司机SDLP和SRR等。 样本的概率是属于清醒状态或昏昏欲睡的状态。驾驶状态有更高的概率模型的识别结果。

3所示。结果

节省纸张空间,6个参与者(5号,11号,14号,18号,23号和29号)被随机选为例子来显示相关结果在这一节中。

3.1。司机指纹的差异测量使用跟单信用证

我们把SDLP作为一个例子来显示司机指纹差异测量计算的规定。图6图表显示了雷达组成的四分位数SDLP 6参与者处于清醒状态,昏昏欲睡的状态。

(一)
(一)
(b)
(b)
图6
跟单信用证的SDLP计算雷达图表6参与者。(一)SDLP清醒驾驶状态。(b) SDLP疲劳驾驶状态。

在图6,所有封闭的线没有循环但不规则多边形。这意味着SDLP计算相同的计算参数的分布的不同,参与者的结果司机指纹车道控制行为的差异。有差异的中值的参与者SDLP清醒状态和昏昏欲睡的状态。例如,在清醒状态,11号的中位数和18号最大(0.20),(0.35)和最小的分别。在昏昏欲睡的状态,11号的中位数和18号最大(0.24),(0.41)和最小的分别。此外,SDLP中参与者的范围也不同。在清醒状态下,上、下四分位数之间的差异的11号和18号最大(0.07),(0.18)和最小的分别。昏昏欲睡的状态,上、下四分位数之间的差异的14号和18号最大(0.12),(0.21)和最小的分别。

3.2。最优昏睡探测测量个人的参与者

所有样本分为训练样本集和测试样本集,分别为70%和30%的比例。使用分层随机抽样,70%的数据在清醒和昏昏欲睡的状态,分别选择形成训练样本集,剩下的数据测试样本集。分层随机抽样是重复三次,最后的结果是重复的平均值计算。表3介绍了模型在图的结果4示例的参与者。和表3,Z | |是| Z统计数据|由IDBCPs的测量计算, 意味着 值< 0.05。

表3
IDBCPs和Z | |例如测量参与者。

如表所示3使用IDBCPs可以区分疲劳驾驶,大多数测量( 值< 0.05)。然而,对于一些参与者,虽然测量的计算参数进行了优化,计算出的测量IDBCPs仍然不能区分疲劳驾驶( 值< 0.05)。例如, 11号SDSWM超过0.05的价值。因此,SDSWM不能选择组合最优昏睡探测测量组11号。

参与者14号被选中作为一个例子来显示SRR的计算参数的优化过程。SRR的训练样本输入模型图4。作为显示在图7与迭代,健身价值逐渐增加,表明该模型可以优化的计算参数,提高drowsiness-identification性能测量。


图7
的最大Z | |SRR的迭代遗传算法。
3.3。比较测量计算IDBCPs和跟单信用证

测试样本用于分析的变化由IDBCPs昏睡探测性能的测量计算。在表4,我们把SDSWM作为一个例子,Z | |SDSWM计算的规定(Z | |-UCPs)和IDBCPs (Z | |-IDBCPs)分别列出。

表4
Z | |跟单信用证和IDBCPs SDSWM计算的。

在表4,每一个参与者,|Z| -IDBCPs比|Z| -UCPs,这意味着使用IDBCPs计算SDSWM可以改善的贡献SDSWM睡意检测。然而,参与者的改善程度是不同的,18号和29号,分别最大(2.33),最低(0.66)。可以看到,使用IDBCPs不同参与者的必需品,这是更为紧迫18号使用IDBCPs SDSWM计算。

研究分布差异测量计算了跟单信用证IDBCPs计算,在图818号,我们选择,分别画出的箱线图SDSWM计算了跟单信用证和IDBCPs清醒状态和昏昏欲睡的状态。


图8
的箱线图SDSWM跟单信用证和IDBCPs计算。

在图8,SDSWM是否计算跟单信用证或IDBCPs,中位数的SDSWM昏昏欲睡的状态比在清醒状态。虽然仍然是一个重叠SDSWM清醒状态,昏昏欲睡的状态,通过执行Wilcoxon测试SDSWM清醒状态,昏昏欲睡的状态, 值小于0.05,这说明差异SDSWM清醒状态和SDSWM昏昏欲睡的状态是统计学意义,和疲劳驾驶可以通过使用SDSWM杰出。它表明,睡意受损的能力控制方向盘和方向盘运动的稳定性降低,这与先前的研究结论是一致的(12]。除了与SDSWM计算了跟单信用证,重叠使用IDBCPs计算SDSWM时减少。SDSWM的中值计算之间的区别的跟单信用证清醒状态和昏昏欲睡的状态为0.05,而区别IDBCPs SDSWM的中值计算的清醒状态和昏昏欲睡的状态是0.07。结果表明,测量IDBCPs计算时,测量分布差异的清醒状态,在昏昏欲睡的状态更重要,,昏睡探测性能更强。

3.4。验证个体司机的最佳昏睡探测测量

IDBCPs昏睡探测的优点测量计算的比较验证了昏睡探测精度DF_U DF_I。个别参与者的最优IDBCPs昏睡探测测量计算的融合构建DF_I,和相同的昏睡探测测量计算了跟单信用证也构建DF_U融合。个别司机,根据分层抽样,样本的80%,分别从测量数据中提取的清醒状态,在昏昏欲睡的状态组成训练样本集,和其他构成训练样本的测试样本集。被用来训练的昏睡探测模型基于Fisher判别算法。在表5DF_U和DF_I,我们显示均值,标准差,最短和最长昏睡探测结果的所有参与者。

表5
所有参与者间昏睡探测的结果。

如表所示5,相关的昏睡探测结果DF_U DF_I比这更好。DF_I的平均35参与者间昏睡探测精度为91.06%,这是高于DF_U (85.25%)。基于测量的结果表明建立的模型计算了IDBCPs可以改善昏睡探测精度。

对于每一个参与者,图9显示了DF_U和DF_I昏睡探测精度的比较。在图9的准确性,对于每一个参与者,DF_I高于DF_U。除此之外,不同的参与者,精度改进均等的准确性DF_I - DF_U的准确性是不同的。6号的准确性改善最大的价值8.11% (DF_U = 81.73%, DF_I = 89.84%),而34号的最小值1.56% (DF_U = 86.89%, DF_I = 88.45%)。IDBCPs的可能的解释是,一些参与者被类似于跟单信用证和改善昏睡探测性能的测量使用IDBCPs是有限的。


图9
DF_U和DF_I昏睡探测精度。

4所示。讨论

通过总结上述结果,昏睡探测方法的发展重要的见解和贡献考虑司机指纹的差异。有个体差异数据分布的测量使用跟单信用证(图6),这与先前的研究一致(37]。这一现象的原因是有不同的司机的原始驾驶行为数据,司机指纹识别的典型表现。类似于研究[33,34),这是表明个人司机驾驶行为具有独特的特点和生理,还有司机司机指纹的差异。昏睡探测阈值的平均值都是司机当所有司机的混合使用测量数据作为一个整体来训练模型。,司机个人的指纹图谱差异使昏睡探测司机患系统误差。例如,个别司机的昏睡探测阈值低于平均阈值(如18号在图6),司机的困倦不能检测到当测量超过这个个体司机的昏睡探测阈值而不是达到所有司机的平均阈值。因此,它值得研究准确昏睡探测方法考虑司机指纹的差异。

本文的主要成果是提出一个模型来优化个体司机的计算参数测量考虑司机指纹差异和提取个别司机的最佳昏睡探测测量。发现测量的IDBCPs司机(表明显不同3),这是由于司机指纹驱动程序之间的区别。图8确认使用IDBCPs计算个别司机的测量可以提高测量检测疲劳驾驶的贡献。类似于现有的研究(18,32,36),每个司机都有独特的司机指纹特征,和嗜睡的影响在每个司机的驾驶行为也不同(10),导致许多个体差异相关的原始数据嗜睡。例如,昏昏欲睡的状态的时间长短,典型的疲劳驾驶行为特征,持续时间和分配drowsiness-related每个司机的驾驶行为数据是不同的。不考虑司机指纹的差异,使用跟单信用证来计算测量导致测量不准确反映昏昏欲睡的个体司机的驾驶行为特征,这限制了昏睡探测性能不干扰测量的个体司机的水平。因此,建议优化测量的计算参数的个体司机获得IDBCPs适合个人的驾驶司机指纹特征在不同嗜睡水平,从而加强测量的灵敏度,嗜睡。

比较昏睡探测精度的结果图9说明DF_I优于DF_U,验证使用的昏睡探测优势IDBCPs计算个体司机的测量。原因是DF_I利用测量计算IDBCPs drowsiness-identification性能较强建立模型。之前的研究建立的昏睡探测模型在模拟驾驶环境中使用的测量计算了跟单信用证(39]。尽管DF_U的准确性(84.16%)低于先前的研究(88.60%)、有很多干扰在实际驾驶环境越来越复杂和困难的检测嗜睡。因此,昏睡探测精度DF_U是理想的。此外,平均DF_I昏睡探测精度高于先前的研究[39),和一些司机的精度达到93.00%以上(14号和23号在图9)。是表明,个别司机的嗜睡可以可靠地检测到使用不干扰测量IDBCPs计算精度高,这也是推断在前面研究[18]。

如前所述在现有的研究中,测量数据的计算和选择是一个重要因素影响昏睡探测精度(26,39]。因此,本文的模型和结果可以应用于开发个性化anti-drowsiness系统在实际条件。个别司机的最佳昏睡探测测量计算IDBCPs应该用于火车的昏睡探测模型。结果显示在图9,昏睡探测精度可以提高通过测量计算IDBCPs拥有更高的昏睡探测性能。值得强调的是,对于一些司机的精度改善DF_I很高,更不可缺少的构建的昏睡探测模型使用由IDBCPs测量计算。

5。结论

由于司机指纹图谱差异,IDBCPs匹配个人的驾驶行为特征可能非常不同于跟单信用证,并使用IDBCPs计算测量提高了测量对个别司机的昏睡探测性能。因此,本文的目的是提出一个模型来优化测量个体司机的计算参数。首先,自然的驾驶数据收集和KSS 35参与者通过田间试验。八不干扰测量相关嗜睡是选择和计算使用双层滑动时间窗口。然后,基于Wilcoxon测试和GA,我们建立了一个模型(图4)提取个人司机的最佳昏睡探测测量。最后,基于Fisher判别算法,两种的昏睡探测模型使用测量计算了跟单信用证和IDBCPs,分别。,昏睡探测的优点使用IDBCPs计算测量。

在本文中,我们获得了个别司机的最佳IDBCPs昏睡探测测量计算,和例子参与者的结果如表所示3。图6验证有个体差异不干扰测量计算了跟单信用证,这是由于司机指纹驱动程序之间的区别。本文验证个别司机,昏睡探测性能的测量IDBCPs比计算,测量计算的规定。此外,结果表明,平均昏睡探测精度DF_I DF_U高出6.25%,这表明使用不干扰测量计算IDBCPs建立的昏睡探测模型改善昏睡探测精度在个体司机的水平。

不可否认,有一些限制。例如,我们使用参与者的自我报告KSS作为地面实况嗜睡,昏昏欲睡的水平相对主观的。此外,个别司机的大量实验数据不充分导致模型训练不足,一些参与者不昏睡探测精度高。对于一个新用户,首先,我们需要标签数据与嗜睡和进行推敲,这是麻烦的,在实践中一个限制。然而,对于一些特殊的司机等危险货物运输司机和长途汽车司机,它仍然是非常值得建立一个基于测量的个性化模型计算了IDBCPs改善昏睡探测精度。

在未来,我们将采用更客观和精确标准的地面实况嗜睡如脑电图。更高的性能,如人工神经网络和贝叶斯网络模型将被用来构建昏睡探测模型达到更好的精度。最终,这一研究可以提供参考的计算睡意测量使用自然的驾驶数据,并指导建立昏睡探测模型考虑司机指纹差异,从而加快发展个性化anti-drowsiness驾驶车辆的主动安全系统。同时,努力突出的优点学习司机指纹差异和促进司机指纹识别的应用领域的危险驾驶行为。

数据可用性

在这项研究中使用的原始数据可从相应的作者的请求。

的利益冲突

结果的数据显示没有可用的数据隐私。

确认

这项研究受到了中国国家重点研究项目(2019 yfb1600800);中国国家自然科学基金(52072289和U1764262)。