原文传递
基于隐马尔可夫模型的无侵入疲劳等级判别
| 题名： | 基于隐马尔可夫模型的无侵入疲劳等级判别 |
| 正文语种： | 中文 |
| 作者： | 尉志礼;胥川;王雪松;王岳川 |
| 作者单位： | 西南交通大学交通运输与物流学院;西南交通大学综合交通运输智能化国家地方联合工程实验室;同济大学交通运输工程学院;道路交通集成优化与安全分析技术国家工程实验室 |
| 关键词： | 交通安全;疲劳等级判别;隐马尔可夫模型;无侵入测量指标;驾驶模拟器 |
| 摘要： | 为对驾驶人疲劳状态等级进行有效准确的判别，通过模拟驾驶试验获取了12位驾驶人的驾驶操作数据、车辆运行特征数据和眼动数据，并使用主观疲劳程度量表(KSS)获取了驾驶人的主观疲劳等级数据。从试验数据中提取了车道偏移标准差、单路段方向盘反转次数、闭眼时间比例和平均瞳孔直径共4个无侵入测量指标。结合反映累计驾驶时长的驾驶圈数，利用主成分分析(PCA)进行降维处理得到重要度最高的两个主成分后，根据KSS将驾驶人疲劳状态划分为3个等级，建立了疲劳分级隐马尔可夫模型(HMM),同时建立了支持向量机(SVM)用以对比。疲劳等级判别结果为：将12位驾驶人随机分为4组的情况下，HMM交叉验证平均判别正确率为77.26%，,单组最高判别正确率为81.25%，而SVM平均判别正确率为65.02%,单组最高判别正确率为70.37%；去除了驾驶圈数这一指标重新进行疲劳等级判别，HMM平均判别正确率下降到55.61%，SVM平均判别正确率下降到50.46%。结果表明：在仅使用无侵入测量指标进行疲劳等级判别时，引入驾驶圈数能够有效提高模型精度，并且HMM在判别正确率以及稳定性上均优于SVM；在使用HMM进行疲劳等级判别时，引入PCA进行降维可有效解决指标增加带来的观测概率矩阵稀疏问题，提升了模型的普适性。 |
| 期刊名称： | 公路交通科技 |
| 出版年： | 2022 |
| 期： | 05 |
| 页码： | 112-121 |
检索历史
应用推荐
