[发明专利]一种疲劳驾驶预测模型的构建方法、装置及存储介质

权利要求书

1.一种疲劳驾驶预测模型的构建方法，其特征在于，包括以下步骤：

获取驾驶员的疲劳特征；

建立基础疲劳驾驶预测模型；

通过boruta特征选择算法从数据集中提取第一特征子集和通过特征递归消除算法从数据集中提取第二特征子集，根据分类性能从两者中选择其一作为最优特征子集，所述数据集由疲劳特征和疲劳标签组成；

利用所述最优特征子集分别训练所述基础疲劳驾驶预测模型中的多个不同的基分类器，并将多个基分类器的输出用于训练次级分类器；

验证优化采集函数的后验分布以确定所述基础疲劳驾驶预测模型中的最优参数值得到最终疲劳驾驶预测模型；

其中，所述通过boruta特征选择算法从数据集中提取第一特征子集包括以下步骤：

将m行n列的数据集随机打乱顺序，再对每一列独立进行随机行变换，得到m行n列的阴影特征数据集；

将所述数据集和所述阴影特征数据集合并得到m行2n列的合并数据集；

计算所述数据集和所述阴影特征数据集的所有疲劳特征的Z_score；

将所述阴影特征数据集中最大的Z_score记为Z_max；

将所述数据集中大于Z_score的疲劳特征标记为“重要”，小于Z_score的疲劳特征标记为“不重要”，并删除；

删除所述阴影特征数据集；

重复上述步骤直至所述数据集的所有疲劳特征均被标记，将标记为“重要”的疲劳特征作为第一特征子集。

2.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法，其特征在于，还包括以下步骤：利用十折交叉验证法对所述最终疲劳驾驶预测模型进行评估。

3.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法，其特征在于，所述疲劳特征包括生理特征和视觉特征；所述生理特征包括心率、血压和体温，所述视觉特征包括眼睑平均闭合速度、眨眼频率、哈欠次数、哈欠所占帧数比、点头次数和点头所占帧数比。

4.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法，其特征在于，Z_score的计算方式如下：通过随机森林分类器对所述合并数据集计算每个疲劳特征相对离开所述合并数据集时的下降精度，根据下降精度评估每个疲劳特征的重要性。

5.根据权利要求4所述的一种疲劳驾驶预测模型的构建方法，其特征在于，所述通过特征递归消除算法从数据集中提取第二特征子集包括以下步骤：

设数据集为当前特征集，第二特征子集为空，基模型为决策树；循环以下步骤直至原始特征集为空，并输出此时的第二特征子集：利用当前特征集训练所述基模型得到分类准确率，若当前特征集的分类准确率大于所述第二特征子集的分类准确率，则更新所述第二特征子集为当前特征集；

对当前特征集进行交叉对比训练；

根据交叉对比训练得到的最低标准化系数对所述数据集中的疲劳特征排序；

移除最低标准化系数最小的E％的疲劳特征，并将移除后的数据集作为当前特征集；

其中，E为设定的删除比例。

6.根据权利要求1所述的一种疲劳驾驶预测模型的构建方法，其特征在于，多个所述基分类器包括决策树、朴素贝叶斯、逻辑回归算法、随机森林、SVM、K最近邻算法、梯度提升迭代决策树、XGBoost和LightGBM。