[发明专利]一种驾驶员疲劳状态水平分级方法

权利要求书

1.一种驾驶员疲劳状态水平分级方法，其特征在于，步骤如下：

步骤A，获取驾驶员个人属性信息、采集相应驾驶员在不同疲劳状态下的脑电信号；

所述的驾驶员个人属性信息包括性别、年龄、驾龄；

用于采集脑电信号的脑电仪应保证对驾驶员的工作环境影响尽可能小；

步骤B，将获取到的驾驶员个人属性信息和采集到的脑电信息进行预处理，获取数据集；

数据集由属性和标签组成，以固定步长截取数据集获得时间序列，其中每段时间序列的属性由3部分组成：上一时间序列的驾驶员疲劳状态水平分级结果、驾驶员个人信息属性和脑电信号属性，驾驶员个人信息属性包括驾驶人的性别、年龄、驾龄，脑电信号属性包括当前时间序列内所提取到的α波、β波、θ波和δ波的振幅值；标签为驾驶员在当前时间序列的疲劳状态水平分级结果，按时间顺序将数据集的前70％～90％部分作为本方法的训练集，剩余部分作为本方法的测试集；

所述的脑电信号属性的获取方式：先对获取的脑电信号进行自适应滤波处理去除EOG伪迹的干扰，从而得到有效脑电信号，其次在有效脑电信号中提取出α波、β波、θ波和δ波的振幅值；

所述的标签的获取方式：即疲劳水平等级的分级策略，利用驾驶员在时间序列内的脑电能量作为区分驾驶员疲劳状态水平的分类基准，得到驾驶员在该段时间序列内的疲劳状态水平等级；

利用驾驶员的脑电能量作为疲劳水平分级策略来区分驾驶员疲劳状态水平，具体方法为：计算α波、β波和θ波在时间序列内的能量值，对所得能量值进行如下公式计算得到F；

式(1)中，E_α、E_θ、E_β分别代表α波、θ波和β波在时间序列内的能量值；

分别利用FCM和k-means算法对F进行聚类，比较两者的分类结果确定最终的驾驶员的疲劳水平分级数N；

所述的驾驶员所处的疲劳水平等级将直接影响到测试模型输入数据的采样时间间隔；

步骤C，将训练集输入到具有注意力机制的LSTM模型中进行离线模型训练，得到驾驶员疲劳状态水平分级模型；

本驾驶员疲劳状态水平分级方法包括一个输入层、一个隐含层、一个注意力层和一个输出层；

所述的输入层神经元的个数由数据集的3部分属性维度确定；所述的隐含层用来提取输入数据的特征以及其内在的关联信息，隐含层神经元个数根据具体的测试内容决定，同时根据试验结果进行修正；所述的输出层神经元的个数由数据集标签的独热编码维度确定；

所述的具有注意力机制的LSTM模型训练过程如下：

(1)设训练集的时间序列长度为n，即输入层的输入特征数据为V＝{v₁，v₂，…，v_n}，v_i表示每段时间序列的第i个输入数据集的特征向量；

(2)利用注意力权重强调时间序列的时序特征，得到时间序列的加权时序特征公式如下：

其中，t＝1，2，…，T，T表示时刻总数；

注意力权重的计算公式如下：

其中，W_a、U_a、b_a分别为待学习参数，h_t-1表示上一时刻隐藏单元状态，tanh(·)为双曲正切函数，exp(·)为指数函数；

(3)将加权时序特征输入到LSTM网络中进行运算，利用softmax多分类函数计算当前时间驾驶员疲劳状态水平等级的预测概率分布；

(4)重复步骤(2)和步骤(3)，分别预测出其余n-1个时间的驾驶员疲劳状态水平等级的预测概率分布；

(5)将第n次预测的驾驶员疲劳状态水平等级的预测概率分布和该段时间序列内的驾驶员实际所处的疲劳状态等级标签对比得到误差ε，采用BPTT算法，将误差ε进行反向传播进而更新具有注意力机制的LSTM模型中待学习的参数，完成本轮迭代；

(6)重复步骤(1)～步骤(5)，使网络进行下一轮迭代训练过程，模型共进行M次迭代，得到驾驶员疲劳状态水平分级模型；

步骤D，将测试集输入到驾驶员疲劳状态水平分级模型进行预测，得到驾驶员疲劳状态水平分级结果；

所述的驾驶员疲劳状态水平分级方法测试过程如下：

以固定步长n截取测试集得到测试时间序列，并将该时间序列输入到驾驶员疲劳状态水平分级模型中，选取每一个预测概率分布中概率最大项的维度所对应的类别作为测试时间序列所对应的驾驶员疲劳状态水平，从而得到n个统计结果，将该结果中出现次数最多的驾驶员疲劳状态水平作为该段时间序列驾驶员疲劳状态水平的最终判别结果；如果出现最大次数相等的驾驶员疲劳状态水平判别结果，则将其所对应的预测概率分布中概率最大的维度所对应的疲劳状态水平作为最终判别结果。