[发明专利]一种疲劳驾驶检测方法、装置及存储介质

权利要求书

1.一种疲劳驾驶检测方法，其特征在于，包括以下步骤：

采集驾驶者的脑电信号；

对所述脑电信号预处理；

将经预处理的所述脑电信号输入分类网络进行分类，以判断驾驶者的疲劳程度；

其中，所述分类网络包括第一分类模块和第二分类模块；所述第一分类模块由CNN网络与LSTM网络连接组合而成；所述第二分类模块用于对所述第一分类模块的结果进行二次分类。

2.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述CNN网络包括：

裁剪层，特征维度为24*248，卷积核大小为5*5；

第一卷积层，特征维度为24*248，卷积核大小为2*2；

第一最大池化层，特征维度为12*124，卷积核大小为5*5；

第二卷积层，特征维度为12*124，卷积核大小为2*2；

第二最大池化层，特征维度为6*62，卷积核大小为5*5；

第三卷积层，特征维度为6*62，卷积核大小为2*2；

第三最大池化层，特征维度为3*31；

延展层，特征维度为11904*1；

所述裁剪层、所述第一卷积层、所述第一最大池化层、所述第二卷积层、所述第二最大池化层、所述第三卷积层、所述第三最大池化层和所述延展层依次连接。

3.根据权利要求2所述的一种疲劳驾驶检测方法，其特征在于，所述第一卷积层、所述第二卷积层和所述第三卷积层均执行如下的卷积运算：f()＝1/(1+ε^-z)；式中f()为激活函数，表示第j个卷积层的第l个卷积核输出的特征向量，M_j表示第j个卷积层的神经元的可接受域，表示第j个卷积层的第l个卷积核的第i个加权系数，表示第j个卷积层的第l个卷积核的偏移系数。

4.根据权利要求2所述的一种疲劳驾驶检测方法，其特征在于，所述第一最大池化层、所述第二最大池化层、所述第三最大池化层均执行如下的卷积运算：f()＝1/(1+ε^-z)；式中f()为激活函数，down()表示下采样运算，是第j个最大池化层的第l个卷积核的权重系数，是第j个最大池化层的第l个卷积核的偏差系数。

5.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述CNN网络的代价函数如下:式中y为所述CNN网络输出的特征向量，a是所述CNN网络的目标向量。

6.根据权利要求5所述的一种疲劳驾驶检测方法，其特征在于，根据所述代价函数调整所述CNN网络中包含的权重系数和偏差系数，以优化所述CNN网络。

7.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述第二分类模块为采用softmax函数的分类器，其中softmax函数如下：式中θ₁和θ₂为所述分类器的参数；p(yⁱ＝1|xⁱ；θ)表示输出为1的概率，p(yⁱ＝2|xⁱ；θ)表示输出为2的概率；表示规范化概率分布，使两个概率之和为1并概率值高对应的疲劳程度作为分类结果。

8.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述对脑电信号预处理具体为：采用快速独立分量分析方法对所述脑电信号进行去噪处理。

9.一种疲劳驾驶检测装置，其特征在于，采用如权利要求1至8任一项所述的一种疲劳驾驶检测方法，包括：

采集器，用于采集驾驶者的脑电信号；

预处理模块，用于对所述脑电信号预处理；

分类模块，用于将经预处理的所述脑电信号输入分类网络进行分类，以判断驾驶者的疲劳程度；

其中，所述分类网络包括第一分类模块和第二分类模块；所述第一分类模块由CNN网络与LSTM网络连接而成；所述第二分类模块用于对所述第一分类模块的结果进行二次分类。

10.存储介质，其特征在于，存储有可执行指令，可执行指令能被计算机执行，使所述计算机运行如权利要求1至8任一项所述的一种疲劳驾驶检测方法。