[发明专利]一种基于眼动指标数据的驾驶疲劳检测系统及识别方法

权利要求书

1.一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，包括以下步骤：

S1、数据采集模块按200Hz的频率采集闭眼时间、眨眼频率、眨眼时间和瞳孔直径四种眼动数据；

S2、数据分析处理模块接收步骤S1所述眼动数据，并将所述眼动数据传入计算程序，程序对数据进行预处理，对缺省、数据为空的数据弃置；

S3、采集驾驶人的眼动指标数据以及每一条数据对应驾驶人疲劳程度作为原始数据建立随机森林模型，通过随机森林模型对实时采集的所述眼动数据进行处理，随机森林模型中每一棵决策树对驾驶人的眼动数据进行分类判断，给出结果；

S4、综合步骤S3中各个决策树给出的分类结果，利用所述随机森林模型进行投票，综合投票概率高的一类即为本次分类的最终结果。

2.根据权利要求1所述的一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，步骤S3中，建立所述随机森林模型的步骤如下：

S31、取原始数据中80％作为原始训练数据，利用通过自助法从训练样本集S中通过放回地重复随机地抽取N个样本组合成一个新的训练样本集合，重复此流程以生成K个子样本集，S₁，S₂……S_K；

S32、对于步骤S1中每个所述子样本集，从所有的特征变量M中随机选出m个特征作为子特征向量集，即每个样本集对应一个子特征向量集M₁，M₂……M_K，其中m<M；

S33、根据步骤S1选择的所述子样本集及其对应的子特征向量，生成K棵决策树Tree₁，Tree₂……Tree_k；

S34、所有的决策树组合在一起成为随机森林，其对数据的判定为所有决策树的投票结果，最终的分类结果为综合决策树分类器的投票概率高的一类决定；

S35、利用原始数据剩余的20％作为模型的测试集，利用建立好的随机森林模型对这部分数据测试，并将测试结果与真实结果对比，确定模型的分类性能；

S36、根据评价结果对步骤S5所述随机森林模型进行参数调优，提高准确率，所述参数包括树的最大深度max_depth、根据属性划分节点时，设置每个划分最少的样本数min_samples_split、叶子节点最少的样本数min_samples_leaf、叶子树的最大样本数max_leaf_nodes和选择最适属性时划分的特征数不能超过此值max_features。

3.根据权利要求2所述的一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于：步骤S33中，所述决策树的纯度度量采用Gini指数，Gini指数越大表示纯度越低，集合K_i包括n类样本记录，每一类的概率为p₁，p₂，……p_n，则Gini指数为：

$Gini=1-\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i^2.$

4.根据权利要求2所述的一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，步骤S34中，每一棵分类树为二叉树，其生成遵循自顶向下的递归分裂原则，即从根节点开始依次对训练集进行划分，在二叉树中，根节点包含全部训练数据，按照节点纯度最小原则，分裂为左节点和右节点，分别包含训练数据的一个子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长。

5.根据权利要求2所述的一种基于眼动指标数据的驾驶疲劳识别方法，其特征在于，步骤S35中，所述模型的分类性能利用混淆矩阵与ROC曲线进行评价，所述混淆矩阵采用识别准确率Accuracy、召回率Recall和识别精确度Precision三个指标来评价模型的准确度。