[发明专利]一种疲劳驾驶检测方法、装置及存储介质

说明书

本发明公开了一种疲劳驾驶检测方法、系统及存储介质，其中方法包括采集驾驶者的脑电信号；对脑电信号预处理；将脑电信号输入分类网络进行分类；分类网络包括第一分类模块和第二分类模块；第一分类模块由CNN网络与LSTM网络连接组合而成；第二分类模块用于对第一分类模块的结果进行二次分类。其通过CNN网络与LSTM网络的连接组合，提高了分类网络的分类精度，使根据脑电信号对驾驶者的疲劳程度的检测更准确，能更好地提醒驾驶者注意疲劳驾驶，以预防交通意外的发生。

技术领域

本发明涉及汽车驾驶安全领域，特别是一种疲劳驾驶检测方法、装置及存储介质。

背景技术

交通事故在全球每年的发生率和死亡率居高不下。而疲劳驾驶是导致交通安全的一个重要因素。目前驾驶员疲劳状态的检测通常参考道路上的车辆状态。这种检测依赖于对车辆电气控制单元处理的传感器信号的分析。方向盘运动的检测和车道偏离检测是驾驶疲劳检测的主要方法。但该方法受到道路信息的影响，这些信息仅在特定环境中有用。据研究，脑电信号能反映人体状况，但难以评估以得到准确的信息。结合现今流行的神经网络学习，则能较准确的分类脑电信号。但脑电信号是一种两个连续时刻相互关联的时间序列。传统的神经网络没有能够处理输入序列的内部状态，从而导致信息的丢失。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种疲劳驾驶检测方法、装置及存储介质。

本发明解决其问题所采用的技术方案是：

本发明的第一方面，一种疲劳驾驶检测方法，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。

根据本发明的第一方面，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。

根据本发明的第一方面，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。