基于多信息融合的疲勞駕駛預(yù)警系統(tǒng)的研究

趙旭陽

吉林大學(xué)汽車工程學(xué)院 吉林省長春市 130022

1 引言

隨著社會和經(jīng)濟的迅猛發(fā)展，全球的汽車保有量也隨之急劇增長。但交通事故的數(shù)量也隨之增長。因此，交通安全問題成為了當(dāng)今全世界都必須要面對的問題。根據(jù)大量統(tǒng)計數(shù)據(jù)顯示，由疲勞駕駛引起的交通事故數(shù)量占總數(shù)量的49%，是引發(fā)交通事故所有原因的首位。因此，研究疲勞駕駛預(yù)警系統(tǒng)對于駕駛安全問題的改善有重大意義。

人們研究疲勞駕駛監(jiān)測的歷史很長，但如何定義疲勞依舊是較困難的問題。原因就是疲勞的定義不能被實驗數(shù)據(jù)精確地量化。在本文中，模糊C-均值聚類被用來分析不可精確測量的特征量，KNN分類器被用來建立特征參數(shù)值與疲勞程度間的關(guān)系。

2 方法

2.1 數(shù)據(jù)采集模塊的建立

在本文中，E6B2-CWZ3E光電編碼器被選用來收集方向盤角度的數(shù)據(jù)；而光脈搏傳感器被用來收集脈搏幅度的數(shù)據(jù)，進而可得到便于隨后數(shù)據(jù)分析過程中處理與分析的數(shù)據(jù)；在收集方向盤握力的數(shù)據(jù)時，我們運用RFP02型壓力傳感器收集，傳感器可以測量方向盤上各個部分的壓力值，系統(tǒng)則可經(jīng)計算得出各個非零值的平均值。

2.2 實驗數(shù)據(jù)采集與處理模塊的建立

為簡化實驗程序和減少數(shù)據(jù)處理的難度，實驗道路的路況被限定為平直路面。實驗數(shù)據(jù)被分為65組。其中，第1-40組是在駕駛員清醒狀況下測得的，第41-65組是在駕駛員疲勞狀況下測得的。

駕駛員需不斷地調(diào)整方向盤的角度以保證車輛以正常路徑行駛。因此，方向盤的轉(zhuǎn)動角度是駕駛員操縱車輛的重要特征指標(biāo)。不像在駕駛員清醒狀況下所表現(xiàn)的那樣，在駕駛員疲勞狀況下，方向盤轉(zhuǎn)角信號會表現(xiàn)出兩項特征：其一是方向盤調(diào)整頻率明顯下降，其二則是方向盤的調(diào)整幅度變大在方向盤轉(zhuǎn)角的特征參數(shù)中，以下六個參數(shù)[1]被證明在辨別駕駛員疲勞狀況方面有更好的辨別力：

方向盤轉(zhuǎn)角絕對平均值（SAMEAN）是方向盤轉(zhuǎn)角數(shù)據(jù)絕對值化后取平均得到（公式略）。

方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差（SASTD）是方向盤轉(zhuǎn)角數(shù)據(jù)取標(biāo)準(zhǔn)差計算得到的（公式略）。

在數(shù)據(jù)的處理中，方向盤的轉(zhuǎn)角的絕對數(shù)值如果超過絕對值的最大值的3/4被認(rèn)為是角度過大，若小于絕對值的最大值的1/4被認(rèn)為是角度過小。Q1MEAN代表了一定時間內(nèi)方向盤轉(zhuǎn)角絕對值小于絕對值的最大值的1/4的樣本數(shù)量所占總樣本數(shù)的比例，Q3MEAN代表了一定時間內(nèi)方向盤轉(zhuǎn)角絕對值大于絕對值的最大值的3/4的樣本數(shù)量所占總樣本數(shù)的比例，Q1MEAN和Q3MEAN統(tǒng)稱為方向盤角度的四分位值。

方向盤角速度的絕對值平均值（SAVMEAN）是代表了方向盤轉(zhuǎn)動速度的衡量指標(biāo)，是由方向盤轉(zhuǎn)角速度數(shù)據(jù)絕對值化后取平均得到（公式略）。

方向盤角速度的標(biāo)準(zhǔn)差（SAVSTD）由方向盤轉(zhuǎn)角角速度的標(biāo)準(zhǔn)差計算得到，其值越大，方向盤的轉(zhuǎn)動頻率越高（公式略）。

在處理脈搏數(shù)據(jù)時，我們預(yù)先對其信號進行了降噪處理[2]，降噪結(jié)果如下圖所示：

在生理科學(xué)領(lǐng)域，脈搏信號被廣泛地用來評價測試對象的生理狀況[3]，除了脈搏頻率以外，在其余特征參數(shù)中，以下指標(biāo)被驗證在判斷駕駛員疲勞程度時具有良好地評價能力[4]：

脈搏信號的均方根（由數(shù)據(jù)值平方加和取平均得到）

2.3 基于模糊C均值聚類的數(shù)據(jù)庫搭建

為了分析離散的數(shù)據(jù)以及為后續(xù)的KNN分類器建立做準(zhǔn)備，我們引入歐式距離和模糊理論。為了消除各個特征參數(shù)量綱的影響，我們先對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化公式

2.4 KNN分類器的建立

KNN分類器是一種通用的數(shù)據(jù)分類算法，由數(shù)學(xué)家Cover和Hart于1968年提出。首先，應(yīng)算出樣本x與每個已知的預(yù)測聚類中心的距離。而后我們將得到的距離進行分類。最后，K預(yù)測樣本可從距離最近的已知樣本中得到。KNN算法的原則是：在K預(yù)測樣本中，若某類數(shù)據(jù)占最大比例，那么x則可被分為此類。KNN算法的具體步驟如下：

（1）利用已有的數(shù)據(jù)構(gòu)建訓(xùn)練集并得到供預(yù)測的集合。訓(xùn)練集為P集合，而預(yù)測集為Q集合，P集合可由以下公式得到：i個維度的矢量矩陣，ci代表了第i個預(yù)測集合的類。

圖1

（2）根據(jù)K的初始值，K被預(yù)先分為10類，K的具體數(shù)值會隨著實驗結(jié)果調(diào)整。

（3）本文中運用歐氏距離計算樣本與訓(xùn)練集的距離，其計算公式為：

（4）找出與K與所有數(shù)據(jù)庫樣本中聚類中心的距離值，并排序。

（5）找出樣本x的主的主類，計算距離K最近的幾個聚類中心，列為：他們對應(yīng)的類為，則其最多的標(biāo)記類即為最終的預(yù)測結(jié)果（疲勞與否）。

3 實驗結(jié)果

因為系統(tǒng)在KNN分類器建立時可將正確的測試結(jié)果作為數(shù)據(jù)庫的樣本，這樣便可增加數(shù)據(jù)庫的樣本量，提高整個系統(tǒng)的預(yù)測準(zhǔn)確率。本文中，疲勞駕駛預(yù)警系統(tǒng)用65組數(shù)據(jù)進行驗證準(zhǔn)確性的實驗，可發(fā)現(xiàn)，隨著樣本數(shù)從15變?yōu)?5，預(yù)測的準(zhǔn)確率也相應(yīng)提升。

4 結(jié)語

在本文中，通過對由方向盤轉(zhuǎn)角數(shù)據(jù)，脈搏數(shù)據(jù)以及握力的處理，可得到10項特征參數(shù)值。在利用C均值聚類分析實驗數(shù)據(jù)之后，KNN分類器被用來建立特征參數(shù)與疲勞程度的關(guān)系。通過比較驗證實驗的結(jié)果，本系統(tǒng)被證明擁有良好的準(zhǔn)確性和魯棒性，并且隨著樣本數(shù)的增加與分析的迭代，系統(tǒng)的預(yù)測準(zhǔn)確性也明顯提高。