基于生理参数的驾驶疲劳检测方法综述

疲劳会影响驾驶人员的注意、思维、判断、决定等,是导致交通死亡事故的重要因素之一。实现高精度、强鲁棒性、轻量化的驾驶疲劳检测算法对于提升公共交通安全具有重要意义。该综述从信号模态(单模态、多模态)及分析方法(机器学习、深度学习、迁移学习)两个角度回顾并总结了基于脑电信号(EEG)、眼电信号(EOG)、心电信号(ECG)和肌电信号(EMG)进行驾驶疲劳检测的最新进展。同时,该综述分析了现有工作的局限性并探讨了未来的研究方向,为进一步提升基于生理参数的驾驶疲劳检测算法性能和推广结合可穿戴设备的实际应用提供了新颖的见解。     

基于短时心电信号的身份识别方法

为了提高基于短时(1 s)心电信号进行身份识别的准确率,本文提出了一种残差块的一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的短时心电信号身份识别方法。该方法采用快捷连接设计以解决深层卷积网络随着卷积层数增加而性能退化的问题,并通过增加卷积层数和卷积核数量来保证网络能够更充分地提取特征,进而提升网络的分类性能。本文方法在两个公开数据库心电数据库(electrocardiogram identification database,ECG-ID)和德国联邦物理技术研究院心电图诊断数据库(physikalish-technische bundesanstalt diagnostic ECG database,PTB)进行了实验,当采用一个心动周期(大约1 s)信号进行身份识别时,准确率分别达到了97.963%和99.359%。实验结果表明本文方法可以有效地提高短时心电信号的身份识别的准确率。     

基于BP和GA_BP的疲劳驾驶检测算法对比分析

为了有效检测驾驶人疲劳驾驶状态,利用模拟驾驶器开展疲劳驾驶实验,建立2类(疲劳、正常)样本数据库;采用均值分析法提取特征参数;最终基于BP和GA_BP神经网络建立分类算法进行疲劳驾驶检测。结果显示,基于GA_BP的分类算法的识别准确率、达到设定目标的次数、均方误差和迭代步长均比基于BP的算法好;两种算法的运行时间均呈二次函数增长;但基于GA_BP的分类算法增长速度更快。这表明基于BP和GA_BP建立分类算法进行疲劳驾驶检测具有可行性,且基于GA_BP的算法识别效果更好,虽然其运行时间较长,但满足实时检测的要求。     

基于脑电信号的驾驶疲劳检测综述

围绕基于脑电信号的驾驶疲劳检测,通过大量文献检索,总结了脑电信号采集设备、脑电信号特征提取方法和脑电信号分类方法三个方面现状．分析了采集设备的便携性与舒适度问题、与疲劳相关特征的稳定性问题及疲劳检测模型的鲁棒性问题,进而梳理并总结出基于脑电信号驾驶疲劳检测的三个发展趋势：从湿式电极到干式电极;从通道内特征到通道间特征;从浅层机器学习到深度学习．     

基于眼睛状态识别的疲劳驾驶检测

由于光照变化、头部姿态等因素的影响,现有的疲劳驾驶检测精度仍有待提高。针对该问题,提出一种基于迁移学习的眼睛状态识别网络(Gabor and LBP-convolutional neural networks,GL-CNN),该网络是由Gabor特征和LBP特征通过迁移学习加入卷积神经网络(convolutional neural networks, CNN)调制组成的。首先用多任务级联卷积神经网络(multi-task CNN,MTCNN)检测驾驶员的人脸和双眼,然后经过眼睛筛选机制获取待检测的单只眼睛,通过GL-CNN识别眼睛的睁闭状态,最后根据PERCLOSE准则判断驾驶员的疲劳状态。实验结果表明,该算法具有较高的准确率,可以检测多种姿态眼睛的状态,同时满足实时性的要求。     

基于方向盘握力的疲劳驾驶检测研究

选取6位普通驾驶员参加实际道路驾驶实验,在实验中同步检测驾驶员对方向盘的握力信号和驾驶员的脑电信号。通过独立样本T检验,从时域和时频域两方面筛选出5个与疲劳驾驶密切相关的握力信号特征,将它们作为输入信息;提取脑电功率谱比值作为衡量疲劳驾驶的信号特征,将其作为输出信息;通过BP神经网络方法,以输入信息和输出信息建立基于方向盘握力的疲劳驾驶检测模型。使用部分驾驶数据对检测模型进行验证,结果显示此数学模型对疲劳驾驶的识别率达到87.0%,说明方向盘握力信号可作为检测疲劳驾驶的有效数据。     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

基于脑电信号的草原公路驾驶疲劳研究

草原公路单调枯燥的驾驶环境容易使驾驶员产生驾驶疲劳,严重威胁到行车安全。通过草原二级公路实驾试验,监测驾驶员的脑电信号,探索真实驾驶环境下驾驶员驾驶时的EEG特征。结果表明:β波和(α+θ)/β这两项指标对驾驶员疲劳反应最为敏感,可以把这两项指标作为表征草原公路驾驶员疲劳的脑电指标;在草原公路150 min的驾驶过程中,驾驶员出现较明显疲劳症状时间段是:20~30 min,80~90 min,90~100 min,100~110 min。其中,在90~110 min这个时间段内疲劳趋势尤为明显。结果可为草原公路驾驶疲劳预警提供部分理论支撑。     

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

基于机器学习的运营商客户行为分析

为了有效处理企业越来越多的业务数据,为企业业务提升和用户价值挖掘提供积极帮助,将机器学习方法应用于某运营商客户业务数据处理过程。首先对原始数据进行预处理,去除重复值、缺失值、异常值,并进行标准化处理,然后对不平衡数据采用合成少数类过采样(synthetic minority over-sampling technique, SMOTE)技术进行过采样,减少了预测的偏差。对处理后数据分别建立传统神经网络模型、优化神经网络模型和随机森林模型,并通过结构调优和参数调优等进行模型优化,对运营商客户进行预测与分析。结果表明,优化后的模型预测准确率可达96%,有良好的客户预测与分析效果,可见优化模型的有效性。最后为运营商挽留流失客户、维系非流失客户提供了解决方案,为运营商实施精准营销、节省运营商营销成本和创造更多利润提供了技术支持。     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证....     

基于小波分析和神经网络的胎儿心电提取

通过小波分析方法和自适应线性神经网络相结合,对围产期母体腹壁混合心电信号进行处理,采用两种方案进行仿真并分析对比。分别采用小波变换和小波包分解技术对心电信号消噪处理,探索一种提取出胎儿清晰心电信号的方法,为下一步胎儿心电信号特征提取和健康状况的诊断奠定基础。实验结果表明,先提取胎儿心电信号,再进行消噪处理效果较好。     

视觉车辆识别迁移学习算法

针对采用大样本离线训练的车辆识别分类器在新场景中性能显著下降的问题,提出了一种具有样本自标注能力的车辆识别迁移学习算法,并采用概率神经网络(probability neural netw ork,PNN)进行分类器训练.首先,提出一种基于多细节先验信息的样本标注策略,融合复杂度、垂直平面和相对速度等先验信息实现新样本的自动标注;然后,充分利用PNN训练速度快以及增加新样本时只需分类器进行局部更新的特点,将其引入到分类器训练模型中,取代传统机器学习算法中的Adaboost分类器.实验结果表明:该算法在新场景下的新样本标注准确率高达99.76%.通过迁移学习,新场景的车辆识别分类器性能较通用分类器在检测率和误检率指标上均有显著提升.     

基于自组织联想小波神经网络的QRS波聚类方法

介绍一个由小波变换和神经网络结合的自组织联想神经网络模型,它可用在心电信号的自动分析中对ＱＲＳ波进行聚类．还对算法实现中的一些具体问题及详细的编程步骤进行了讨论．用ＭＩＴ心电数据库对此算法的性能进行评估的结果表明,此神经网络对ＱＲＳ波具有较高的分类精度,尤其适合于室性早搏等异位心搏的检测．     

驾驶人眼睛局部区域定位算法

基于机器视觉的驾驶人疲劳检测系统,通过对驾驶人眼睛动作的分析实现对驾驶人疲劳状态的估计。眼睛区域的准确定位是保证疲劳检测精度的前提条件。然而,实际行车过程中,驾驶人头部姿态随机、快速变化会造成眼睛区域定位精度的严重下降。该文在基于主动形状模型(ASM)算法实现驾驶人眼睛区域粗定位的基础上,针对ASM模型在实际检测过程中的姿态适应性较低与定位精度不高的问题,提出局部ASM模型来增强ASM算法的姿态适应性; 进一步引入平均合成精确滤波器(ASEF)算法与ASM算法相结合的思路提高对眼睛区域的定位精度; 同时,提出单、双眼相结合的ASEF算法来提高眼睛虹膜中心定位的鲁棒性。实验结果表明: 该算法对于驾驶人头部姿态变化具有较强的适应性,能够实现眼睛区域的准确定位。     

基于机器学习的城市环境跨频段跨场景路径损耗预测方法

为解决传统路径损耗模型未考虑环境信息、跨场景跨频段预测性能不佳等问题,提出了环境特征驱动的跨频段跨场景路径损耗预测方法。结合二维线性和矩形环境特征描述传播环境,在随机森林路径损耗预测模型基础上引入迁移学习,实现跨频段跨场景预测;搭建了两个城市场景,场景1频段为140、220、280和300 GHz,场景2频段为140 GHz;使用140和220 GHz数据集预测280和300 GHz路径损耗,并用场景1数据集预测场景2路径损耗。结果表明,与未经迁移学习调优的预测方法相比,所提方法实现280和300 GHz跨频段预测的均方根误差分别下降了3.331 1和4.321 5 dB,跨场景预测的均方根误差下降了0.724 4 dB。     

基于姿态估计的驾驶员分心驾驶状态分类算法研究

大量研究证明驾驶员分心驾驶与交通安全性降低之间存在很大的关联.采用YOLO v3算法检测人体,并用人体姿态估计系统检测人体骨骼关键点;利用欧氏距离、角的余弦构建特征,并用Fisher判定函数进行特征选择;利用筛选高精度子树的方式去除传统随机森林算法中表现较差的树;以Kappa统计量作为评估决策树相似度的标准,利用谱聚类算法选择一致性低的决策树作为子树来改进随机森林算法;运用改进前后的两种随机森林算法在分心驾驶数据样本上进行试验并比较.结果表明,在相同数量的子树下改进的随机森林算法比传统算法检测精度高,具有更好的鲁棒性和泛化能力.     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征;提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络;利用卷积神经网络提取输入图像的浅层特征;同时利用卷积神经网络和递归神经网络并行提取高层特征;最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题;并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响;实验结果表明;改进的网络结构与其它网络进行对比;错误率降低了 3% 。