申请/专利权人:武汉大学
申请日:2024-01-30
公开(公告)日:2024-04-26
公开(公告)号:CN117643470B
主分类号:A61B5/18
分类号:A61B5/18;G06F18/213;G06F18/243;G06N20/20;G06N5/01;G06N3/0464;G06F18/25;G06N3/0442;G06N3/045;A61B5/00
优先权:
专利状态码:有效-授权
法律状态:2024.04.26#授权;2024.03.22#实质审查的生效;2024.03.05#公开
摘要:本发明提出了一种基于脑电解译的疲劳驾驶检测方法及装置。该发明通过记录脑电解译数据,并结合惯性传感器数据,通过卷积神经网络和递归神经网络模型训练疲劳驾驶判断策略,其输入为头皮电位传感器检测的端口序列信号和惯性传感器的三维加速度信号,输出为对疲劳状态特征分类的标签。创新性地结合脑电信号和加速度信号对驾驶时的疲劳状态进行检测,两种模态信号的融合显著提高了疲劳驾驶的检测精度,可有效降低误判率,减少疲劳驾驶事故发生的可能性。
主权项:1.一种基于脑电解译的疲劳驾驶检测方法,其特征在于,包括以下步骤:获取若干驾驶员非疲劳驾驶状态和疲劳驾驶状态下的脑电波信号和与脑电波信号同步的头部加速度数据;分别求非疲劳状态下的脑电波信号和头部加速度数据的平均值,再分别用疲劳状态下的脑电波信号和头部加速度数据减去各自对应非疲劳状态下的平均值,得到脑电波数据集和加速度数据集;构建疲劳状态检测网络,该网络包括信号特征提取模块和决策树判别模块;信号特征提取模块的输入为脑电波数据集和加速度数据集,用于描述脑电波信号和加速度信号特征,并将该特征输入到决策树判别模块,决策树判别模块输出驾驶疲劳状态值;其中,所述信号特征提取模块由卷积神经网络和递归神经网络组成,卷积神经网络用于捕捉信号的空间特征,提取不同尺度的特征映射,递归神经网络用于捕捉特征之间的时间关联信息;利用脑电波数据集和加速度数据集对疲劳状态检测网络进行训练,得到疲劳驾驶检测模型;使用训练好的模型对驾驶员疲劳状态进行检测,具体过程如下:对实时采集的数据进行与训练数据相似的预处理步骤,对于每个时刻,计算过去若干秒接收到的实时采集数据的平均数据值,并将当前时刻的数据值与该平均值做差,以获得一个差异化的数值,这一步骤在装置运行时将连续进行,每个时刻将计算过去五秒的平均值,并将当前时刻的数值与该平均值相减,以得到差异化的数据作为神经网络的输入,确保数据格式与训练数据相匹配,使用训练好的模型来进行推理,将实时的差异化数据传递给模型,模型将输出一个疲劳状态的预测值。
全文数据:
权利要求:
百度查询: 武汉大学 基于脑电解译的疲劳驾驶检测方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。