[发明专利]一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法

说明书

本发明公开了一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法。所述方法包括以下步骤：使用嵌入方向盘的心电传感器测量来自驾驶员手掌的连续心电信号；使用小波分解对心电信号进行去噪；对去噪后的心电信号采用自适应差分阈值法检测R波,提取R‑R间隔的微小波动（HRV）；使用一个包括对抗生成网络和CNN的模型根据得到的R‑R间隔的微小波动（HRV）来判断驾驶员的疲劳状态和醉驾状态。本发明使用嵌入方向盘的ECG电极检测驾驶员心电信号，这种方法更科学，便利，驾驶员也更容易接受。本发明所提出的模型具有良好的抗噪性能和预测精度。

技术领域

本发明属于智能交通技术领域，特别涉及一种基于HRV和对抗网络的预测 醉驾和疲劳驾驶的方法。

背景技术

在过去的几十年里，车载电子和车载信息系统的增加使用导致许多驾驶员 醉酒或疲劳的检测系统的设计和实现变为可能。例如，基于车辆参数、驾驶员 行为模式和生理信号变化的检测系统。与其他方法相比，利用生理参数进行检 测具有更好的准确性和可靠性，因为外部因素对这一特征的干扰较少。

许多生理参数如脑电图(EEG)、心电图(ECG)、眼电图(EOG)和肌电图(EMG) 可用于测量驾驶员的醉酒程度和疲劳程度。在这些检测的指标中，心电图被认为 是一个重要和可靠的信号。心电信号采集具有无创、携带方便的特点，所有生理 信息采集简单。随着监测手段的进步和分析技术的发展，将实现动态监测和实时 处理。因此，基于心电信号的驾驶疲劳评估和醉酒检测成为研究的重点之一。一 些关于心电图的研究表明，它与身心活动密切相关。对于不同的活动，心电图记 录可能在幅度或频率或两者都有所不同。

随着现代机器学习和深度学习方法的兴起，这些方法被应用到心电图的研 究中。机器学习和深度学习方法被广泛用于人体健康检测中。但是这些方法大多 使用传统的接触式方法来测量ECG信号，即通过电极连接到胸腔或大腿皮肤上。 这种方法十分不方便，驾驶员也不容易接受这种方式。使用非接触式的测量ECG 信号的方法又往往会导致原始的心电信号产生大量的噪声，例如公开号为 CN110710957A、CN109171702A的发明中使用的非接触式测量方法需要采用复 杂的手段来消除噪声。

本发明提出了一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法。在 本方法中，ECG电极植入方向盘中，这种方法更科学，便利，驾驶员也更容易 接受。同时，生成对抗式的神经网络被使用在本方法中，用于生成清晰准确的特 征，以减少测量时产生的检测电极片与手之间的噪声。最后，一维卷积神经网络 被用来对得到的特征进行分类。

发明内容

本发明的目的是为了解决上述现有技术存在的缺陷，并给出一种基于HRV 和对抗网络的预测醉驾和疲劳驾驶的方法。

本发明的目的至少通过如下技术方案之一实现。

一种基于HRV和对抗网络的预测醉驾和疲劳驾驶的方法，包括以下步骤：

S1、使用嵌入方向盘的心电传感器测量来自驾驶员手掌的连续心电信号；

S2、使用小波分解对心电信号进行去噪；

S3、对去噪后的心电信号采用自适应差分阈值法检测R波,提取R-R间隔 的微小波动(HRV)；

S4、使用一个包括对抗生成网络和CNN的模型根据步骤S3中得到的R-R 间隔的微小波动(HRV)来判断驾驶员的疲劳状态和醉驾状态。

进一步地，步骤S2中，所述使用小波分解对心电信号进行去噪的步骤如下：

S21、基于4次小波分解对步骤S1中得到的原始心电信号去噪，得到小波 系数；

S22、采用软阈值算法更新小波系数，小波的方向的相似度记为λ，具体如 下：