原文传递
基于人体节律性生理信号的驾驶分心研究
| 论文题名： | 基于人体节律性生理信号的驾驶分心研究 |
| 关键词： | 人体节律性;生理信号;驾驶障碍;机器学习;交通安全 |
| 摘要： | 交通安全问题，一直是当今社会面临的最为严峻的问题之一。有统计数据表明，随着汽车保有量的上升，我国已经成为世界上交通事故死亡人数最多的国家之一。在我国每年由交通事故导致的经济损失均超过十亿元人民币，这其中驾驶员相关的交通事故占总事故率的90%左右。作为人、车、路、环境闭环系统中的最重要的一环，人的因素越来越多的受到相关学者的关注。如何从这一角度出发，通过实验获取驾驶员分心状态下的节律性生理数据，从而提出有效的预测模型，以降低由驾驶员因素引起的交通事故的发生率和伤亡率是本文的关注重点。 本文首先介绍了相关学者对于驾驶员因素诱发的交通事故的分类定义，驾驶障碍包括：疲劳驾驶、酒驾、情绪障碍以及驾驶分心，传统方法对于驾驶障碍的识别是基于车辆数据或者视频数据的，受限于系统的鲁棒性和经济性没有得到很好的应用。根据对市场的观察，发现人体生理数据的获得随着智能可穿戴设备的蓬勃发展越来越简单可靠，通过文献调研证明了人体生理数据和驾驶障碍之间的相关性，如果能够建立某种预测模型对于驾驶障碍给出可靠的预测，从而在事故发生前做相应的应急处置，则可以一定程度的达到上述提升交通安全的目标。 利用驾驶员的节律性生理指标预测驾驶分心属于模式分类问题，可以用机器学习算法建模解决。为了获取用于建立驾驶员分心识别模型的驾驶员生理节律性生理数据，需要用特定的驾驶模拟实验来实现。在实验设计阶段，首先自主搭建了一个驾驶员模拟实验的虚拟环境，接着利用正交实验设计，初步探索了对驾驶员分心影响比较显著的外部条件，通过极差分析得到了最优的实验条件组合。然后利用人因工程领域比较成熟的双任务试验范式在最优实验条件组合的基础上获取了20位志愿者在驾驶模拟条件下的五种节律性生理数据。 以上述实验获取的驾驶员生理数据样本库为基础，进行机器学习建模。在机器学习建模阶段，首先，利用传统的机器学习分类方法SVM（支持向量机）和深度学算法CNN（卷积神经网络）分别以EEG（脑电）信号为训练样本分别建模并比较其表现，在发现CNN在处理此类问题上的优势后，以上述基于LeNet—5的卷积神经网络模型继续对其他信号进行端到端的训练，并评估其表现。最后提出了一个基于上述驾驶员分心预测模型的驾驶员实时智能检测应用的框架。 |
| 作者： | 徐磊 |
| 专业： | 生物医学工程 |
| 导师： | 郭新红;李凡;林汉权 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
