[发明专利]基于语音个性特征和模型自适应的驾驶疲劳检测方法

摘要

本发明提出了一种基于语音个性特征和模型自适应的驾驶疲劳检测方法。包含以下步骤：首先，提取驾驶人语音样本的线性特征和非线性特征；其次，采用基于VQ的说话人识别算法判别驾驶人身份；随后，根据驾驶人的个体疲劳特征差异，采用Relief算法筛选出能够充分反映其疲劳信息的语音特征，构建疲劳个性特征向量；最后，采用SVM分类算法建立驾驶人个体的自适应疲劳检测模型，并对模型进行样本训练以及驾驶疲劳检测。本发明将语音线性特征和非线性特征进行互补结合，同时针对驾驶人的个体差异，从中筛选出能够充分反映驾驶人疲劳信息的语音个性特征用于驾驶疲劳检测，有效降低了驾驶人个体发音差异对疲劳检测的影响，提高了检测的准确性。

主权项

1.基于语音个性特征和模型自适应的驾驶疲劳检测方法，其特征在于包含以下步骤：步骤S1、提取驾驶人语音样本的语音线性特征和语音非线性特征；步骤S2、采用基于矢量量化的说话人识别算法，得到驾驶人的身份标签，并据此从所有驾驶人历史语音样本库中检索该驾驶人的历史语音样本库，用于后续的疲劳个性特征筛选；步骤S3、采用Relief特征选择算法从所提取的语音特征中筛选可以充分反映该驾驶人个体疲劳信息的语音特征参数，构建其语音疲劳个性特征向量；步骤S4、建立自适应疲劳检测模型，应用驾驶人的历史语音样本对其自适应疲劳检测模型进行训练，并将训练好的模型用于待测驾驶人语音样本的驾驶疲劳模式识别，得出驾驶疲劳检测结果；步骤S3中，所述的从所提取的语音特征中筛选可以充分反映该驾驶人个体疲劳信息的语音特征参数，是由Relief特征选择算法实现，该算法可根据不同语音特征对疲劳的分类区分能力而分别赋予不同的权重，其计算过程为：a、从驾驶人历史语音样本库S_n中，随机抽取一个样本S_j，然后再从两类样本S_n+和S_n‑中各选出一个特征空间内距离S_j最近的样本，其中与S_j最近的同类样本用Hit表示，最近的异类样本用Miss表示；b、根据样本间在语音特征F_i上的差异来循环迭代更新该特征的权重w_i：w_i＝w_i‑diff(F_i,S_j,Hit)/r+diff(F_i,S_j,Miss)/r式中，r为抽样迭代次数，diff(F_i,S_j,Hit)和diff(F_i,S_j,Miss)分别代表S_j和Hit以及S_j和Miss在第i个语音特征F_i上的相对差异，定义为：式中，F_i(S_j)为样本S_j的第i个语音特征，F_i(Hit)和F_i(Miss)分别为样本Hit和Miss的第i个语音特征，max(F_i)和min(F_i)分别为特征F_i在样本库中的最大值和最小值；c、对每一个语音特征，不断重复以上步骤a和步骤b，便可获得其分类权重大小，并以此来量化各语音特征对驾驶人疲劳类别的区分能力。