[发明专利]一种基于生物电及行为特征融合的疲劳驾驶检测方法

权利要求书

1.一种基于生物电及行为特征融合的疲劳驾驶检测方法，其特征在于，具体按照以下步骤进行：

步骤S1：使用TGAM模块进行原始脑电信号、专注度与放松度采集，然后将采集到的脑电信号采用小波包分解；

步骤S2：将小波包分解后的FP1电极脑电波重构后，得到一组脑电信号；进而进行样本熵计算；

步骤S3：用相关系数分析方法对专注度与放松度的比值进行分析；

步骤S4：进而计算出(θ+α)/β的功率谱密度比值随时间的变化曲线，分析曲线判断疲劳区间；

步骤S5：采用加权平均法对驾驶员的视频图像进行灰度化处理；

步骤S6：使用机器学习分类器对图像进行预处理，采用KLT算法进行点跟踪，采用维奥拉-琼斯目标检测算法对其进行检测并用矩形框标示出驾驶员脸部区域；

步骤S7：通过使用适当的阈值来确定眼睛的位置即使用Soble边缘检测算法通过图像直方图和颜色直方图找到眼睛区域的边缘；使用K-means聚类算法识别出嘴部区域；

步骤S8：所述面部多特征模块根据驾驶员眨眼状态判断驾驶员是否疲劳的工作方法为：当驾驶员处于疲劳状态时，眼睛的闭合时间会变长，采用单位时间内眼睛闭合时长所占的百分比K值进行眼部疲劳识别；

步骤S9：所述面部多特征模块根据驾驶员哈欠状态判断驾驶员是否疲劳的工作方法为：基于上述对人脸的嘴部进行检测与定位，通过判断嘴部的宽高比P值进行打哈欠判断；

步骤S10：通过对眼睛焦点位置的跳动幅度及眼跳持续时间的相关信息的研究，分析注视方向和注视时间的变化，可以对驾驶员的驾驶状态进行检测；

步骤S11：所述疲劳监测模块采用LVQ-BP人工神经网络进行各特征指标的融合，形成综合疲劳指标；通过LVQ神经网络对各特征指标进行分类,然后将分类后的指标基于BP神经网络进行多特征融合形成最后的综合指标，建立基于LVQ-BP神经网络的疲劳驾驶检测系统，实现对驾驶员驾驶状态的实时检测；当驾驶员驾驶过程当中综合疲劳指标超过疲劳阈值时，判断驾驶员疲劳，发出预警，并提醒驾驶员尽快停车休息；

所述步骤S1中，首先使用TGAM模块进行原始脑电信号、专注度与放松度的采集，然后将采集到的脑电信号采用小波包分解；该方法不仅分解了信号的低频近似部分，而且分解了信号的高频细节部分，可以更大程度地保留原始信号的特征；分解后的信号更真实，它在继承小波变换本质的同时，也弥补了小波变换的不足，提高脑电信号分析的准确性；在本发明中，选择与疲劳程度密切相关的前额电极FP1进行说明；

根据能量时域计算公式：

E＝∑_t|f(t)|² (1)；

其中：E为能量值，t为时间，f(t)为θ，α，β三种波对应的变化曲线；可得出θ，α，β三种波的能量值；综合分析多个节律的能量变化，得到疲劳指数(α+θ)/β；该比值可进一步设计为实时疲劳驾驶检测的预警数值。

2.根据权利要求1所述的基于多种生物信号相融合的疲劳驾驶检测算法，其特征在于，所述步骤S2中，将小波包分解后的FP1电极脑电波重构后，得到一组脑电信号；样本熵使用SampEn(m，r，N)表示，其中选择参数m＝2，相似容限r＝0.2SD，样本容量N＝1000；

每10秒计算一次样本熵，得到平均的样本熵序列，分析样本熵序列可知不同驾驶状态的样本熵值具有一定的差异，非疲劳驾驶状态的样本熵值集中在0.6-0.9之间，而疲劳驾驶状态的样本熵集中在0.3-0.6之间，即非疲劳驾驶状态的样本熵高于疲劳驾驶状态的样本熵。

3.根据权利要求1所述的一种基于生物电及行为特征融合的疲劳驾驶检测方法，其特征在于，所述步骤S3中，用相关系数分析方法对专注度与放松度的比值进行分析；专注度和放松度两者在同一时间段内存在着相关性；所以引用相关系数分析方法，分析观察专注度与放松度的比值，比值的区间代表了疲劳的程度。