[发明专利]一种基于D-S证据理论的疲劳驾驶检测方法

权利要求书

1.一种基于D-S证据理论的疲劳驾驶检测方法，其特征在于，该方法具体包括以下步骤：

步骤一：数据采集

通过雷达生理信号采集获取生理信号，从中提取心跳周期、呼吸周期及呼吸幅值三个特征；通过相机面部信息采集面部信息获取样本标签，得到疲劳驾驶数据集；将数据集分为测试集、训练集和验证集；

步骤二：设置不同的代价矩阵；

	0	1	2	3
0	0	OI]]>	OI]]>	OI]]>
1	IO]]>	0	II]]>	II]]>
2	IO]]>	II]]>	0	II]]>
3	IO]]>	II]]>	II]]>	0

表1

表1为代价矩阵，其中：

1、清醒状态：0；

2、一级疲劳状态：1；

3、二级疲劳状态：2；

4、三级疲劳状态：3；

C_IO、C_oI、C_II为代价值：

1.疲劳状态判断为清醒状态：C_IO；

2.清醒状态判断为疲劳状态：C_OI；

3.不同等级疲劳状态判断错误：C_II.

设C_II＝1,C_IO/C_II＝2,C_OI/C_II＝{0.02,0.1,0.2,0.3,0.4,0.5},得到不同的代价矩阵；

步骤三：引入训练集，选择不同的代价矩阵，由代价敏感极限学习机训练多个分类器，求得每个分类器最优参数；

代价敏感极限学习机的目标函数为：

s.t.h(x_i)β＝t_i-ε_i,i＝1,2,...,N (1)

其中，对于样本x_i，t_i表示真实标签向量，ε_i表示误差向量；B是代价信息向量，C表示惩罚因子，β表示隐含层到输出层的权值，N表示样本总数；

B_i＝∑_j(W_N×N·M_N×N)_ij (2)

W_N×N是为每个训练样本分配的权重对角矩阵,M_N×N表示代价权重；

其中，#Class表示训练集样本中类别为c的个数，W_cc表示权重对角矩阵中的元素；

M_ij表示将第i个样本误分为第j个样本的代价损失,其值由第i个样本和第j个样本所属的类别和代价矩阵决定；

由于B是固定的，所以代价敏感极限学习机的目标函数是一个凸优化问题，引入拉格朗日算子α_i，得到：

上式分别对β,ε_i,α_i求导并令其导数值为0得：

β＝H^Tα (5)

α_i＝C·diag(B)·ε_i,i＝1,...,N (6)

h(x_i)β＝t_i-ε_i (7)

其中α_i为α中的元素，H表示隐含层的输出矩阵；

由此可得，

当N＜L时，

表示目标函数的最优解；

当N≥L时，

其中，L为隐含层节点数；

h(·)为激活函数；

步骤四：给定测试样本，采用步骤二得到最优参数的代价敏感极限学习机，得到测试样本的预测结果，采用softmax函数将预测结果转换为概率向量；

其中，y是预测结果向量；

y＝[y_test1,…,y_testc] (12)

采用softmax函数将预测结果向量转为概率向量：

p(ω_k|x_test)表示测试样本x_test属于类别ω_k的概率；

步骤五：采用D-S证据理论对基分类器进行融合，得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。

2.根据权力要求1所述的一种基于D-S证据理论的疲劳驾驶检测方法，其特征在于：将步骤五中的D-S证据理论替换为加权D-S证据理论；具体为：

假设U是一个完整识别框架，U＝{A₁,A₂,…,A_m}，m＞2，里面命题两两互斥；一共有n组证据，m(A_j)表示A_j的基本概率赋值；对于每个A_j，n组证据平均基本概率赋值：

计算第i个证据体的基本概率分配与平均基本概率分配之间的距离：

根据距离d_i大小分配支持度权重ω_i，分配的权重与距离d_i成反比，即与平均基本概率分配之间的距离越大，该证据与其他证据的冲突越大；

对支持度权重ω_i进行归一化处理，得到证据的支持度：

根据每个证据的总代价cost_i大小分配可靠度权重c_i，分配的权重与总代价cost_i成反比，即总代价越大，分配的权重越小；

对可靠度权重c_i进行归一化处理，得到证据的可靠度：

根据证据支持度和证据可靠度，得到复合折扣系数：

其中，α,β∈[0,1],α+β＝1；

对复合折扣系数Di_i进行归一化处理，得到证据的折扣：

综上，加入折扣后，得到加权D-S证据理论的基本概率赋值函数：

m′_i(A)＝discount·m_i(A)+1-discount,A＝U (27)

采用加权D-S证据理论对基分类器进行融合，得到一种鲁棒性强、准确度高的集成分类器。