详情

原文传递考虑心电个体差异性的驾驶疲劳辨识方法研究

论文题名：	考虑心电个体差异性的驾驶疲劳辨识方法研究
关键词：	交通安全;驾驶疲劳;心电信号;个体差异性;支持向量机
摘要：	驾驶疲劳是造成道路交通事故的主要原因之一，与其他交通事故致因相比，驾驶疲劳更容易导致死亡或重伤，其具有个体表征多样化和疲劳特征隐匿性强的特点，研究驾驶人在途疲劳状态辨识对改善道路交通安全具有重大意义。由于不同驾驶人间存在个体差异性，导致驾驶疲劳共性特征不明确，现有疲劳辨识算法无法满足疲劳辨识的高前瞻性要求，如何正确处理驾驶人疲劳特征的个体差异，已成为目前驾驶疲劳研究中的关键问题。因此，本文立足于该问题，基于驾驶人心电信号对驾驶疲劳辨识方法展开研究，以建立高性能和高泛化能力的驾驶人疲劳状态辨识算法为目标，着力解决驾驶疲劳辨识过程中疲劳特征的个体差异性问题，以期提高驾驶疲劳辨识方法的准确性及泛化能力。　　首先，本文以驾驶疲劳为研究对象，依托UC-win/Road驾驶模拟试验平台设计了高速公路场景下的驾驶疲劳诱发试验，要求12名被试驾驶人在长时间单调驾驶环境下执行驾驶任务，利用BIOPAC多导生理记录仪和卡罗林斯卡嗜睡量表（KarolinskaSleepinessScale，KSS）主观评价方法获取了驾驶人从清醒状态过渡到疲劳状态期间的心电信号和疲劳主观评分等数据。　　其次，通过分析驾驶人心电信号与驾驶疲劳的研究依据，对采集的原始心电信号进行连续切片处理，利用线性与非线性方法进行深入特征挖掘，从频域、时域、非线性角度提取17个典型特征指标作为驾驶疲劳分类候选特征，再经过特征标准化处理和KSS疲劳等级重划分，获得包括特征向量和特征标签的疲劳样本数据集。　　再次，为了提高驾驶疲劳分类辨识模型的泛化能力，减少个体差异性对泛化模型的负面影响，将支持向量机（SupportVectorMachine,SVM）判别函数信息作为排序评价准则，以递归特征消除算法为搜索策略，为避免评估偏差，引入相关性偏差减少算法，实现了疲劳特征指标重要性排序，建立了每位被试驾驶人疲劳样本中候选特征重要性排序列表。通过构建驾驶疲劳特征重要性评价矩阵K和特征重要度指标Va，提取了能显著表征驾驶疲劳状态的最优特征子集，得到了可用于训练驾驶疲劳辨识模型的8个共性关键特征。　　最后，将8个最优特征的特征向量作为输入向量，结合SVM算法建立了针对驾驶疲劳状态的二分类评估模型，同时选择能提供最高分类器性能的核函数及采用网格搜索法和交叉验证方法对支持向量机的惩罚参数C和核参数γ进行优化。经过测试，模型平均分类准确率为87.04%，与本文所建立的未考虑驾驶人个体差异性的模型准确率79.71%相比，准确率提高了9.20%。　　本文提出的考虑心电个体差异性的疲劳辨识模型可以显著提高辨识效果，同时证明了在建立疲劳辨识模型时考虑个体差异的重要性。研究结论可为未来提高驾驶疲劳辨识方法的可靠性奠定基础，并为提高驾驶疲劳辨识方法的有效性提供参考。
作者：	司仪豪
专业：	载运工具运用工程
导师：	孙文财
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2022