论文部分内容阅读
研究资料表明,将近20%的交通事故与驾驶员有着直接或者间接的关系,其中由疲劳驾驶所引发的交通事故占特大交通事故中的比例则高达40%。随着汽车智能化相关技术的发展,对于驾驶人疲劳状态的检测已成为车辆工程领域研究的热点之一。目前大部分安全辅助驾驶系统所采用的预警策略很大程度上取决于系统对驾驶人疲劳状态出现与否的判断,对于疲劳水平的分级问题则涉及很少。然而,合理的疲劳水平分级对于提高监测系统的实时性及危险态势预判具有重要作用。本文基于对驾驶疲劳相关表征指标因素的分析,结合隐马尔科夫相关理论,针对驾驶疲劳水平分级方法开展相关研究工作。主要研究内容为:(1)以往大部分研究中,通常是运用聚类方法对眼部开闭参数PERCLOS、AECS和嘴部开度参数PERLVO进行单独聚类,然后输入到驾驶员疲劳评估模型中,从而判断驾驶员疲劳状态。研究分析发现,这些表征驾驶员疲劳特征的观测指标,其数据变化具有一致性变化规律。因此,本文采用整体聚类方法,基于模糊聚类算法(Fuzzy Clustering algorithm,FCM)算法对上述指标进行分析,并通过混合F统计量确定观测指标的最佳聚类数,以简化数据处理过程和模型构建复杂性。(2)脑电信号被认为是最能反映驾驶员疲劳程度的显性特征指标。相关研究表明,在脑电信号中有很多可以反映驾驶员疲劳状态的波形。本文基于对相关参数的详细分析,构建混合统计特征指标参数T对驾驶员疲劳状态进行评价。在此基础上,结合FCM聚类方法确定了适用于本文研究的驾驶员疲劳状态数。(3)为验证本文驾驶员疲劳状态分类的合理性和准确性,分别建立了基于隐马尔可夫模型(Hidden Markov Model,HMM)的三状态和两状态评估模型,进而结合试验数据对其进行了对比测试和分析。结果表明本文提出的三状态评估模型具有较高的识别准确率,验证了将驾驶员疲劳状态分为三类的合理性和准确性。(4)基于课题研究目标,针对所提出的驾驶员疲劳险态表征指标体系构成,本文在实验方案详细制定、分析基础上,利用眼动仪、脑电仪等相关实验设备对相关特征参数进行了采集,并结合实验数据对所构建的驾驶疲劳险态辨识模型进行了验证分析。