论文部分内容阅读
驾驶疲劳是造成重大道路交通事故的重要原因之一,利用疲劳驾驶时驾驶员的一些生理指标的变化,可实现对驾驶疲劳状态的实时监测。为对不同精神状态时驾驶员的特异性生理指标进行分析比较,采集了驾驶模拟器上被测试者连续操作时的心率、皮电、肌电、皮温、呼吸深度/频率等几项生理指标,提取了被试疲劳状态时的生理特征值,建立了驾驶员生理信息库,并利用模糊聚类的方法实现驾驶疲劳状态的识别,为研制简单、实用的驾驶疲劳监测装置奠定了一定的研究基础。 利用驾驶员生理信息采集正交实验,采集了被试在驾驶模拟器连续驾驶时的心率、皮电、肌电、皮温、呼吸深度/呼吸频率等多项生理指标,并利用直观分析法分析了不同实验因素对被试精神状态的影响。 在实验采集的数据基础上,选取被试3种精神状态（正常、临界、疲劳）的各16组生理指标数据。通过在时域中对比分析这48组数据发现,不同精神状态时数据特征表现不明显,因此在频域中对这些数据进行了进一步分析,分别对48组数据进行5尺度的db4小波分解,分析比较各层高频及低频系数及其重构信号,提取了对被试精神状态反应较敏感的8项特征参数（分别为:肌电的σm、 ca5e、cd1e,心率的σh、ca5e、cd1e、rd2range,呼吸量的rd1range）作为驾驶疲劳状态识别的特征向量。 根据驾驶疲劳状态特征向量及其对应的特征数据集,利用模糊聚类方法对被试精神状态分两步进行识别:①对Mca5e进行模糊C-均值聚类,将驾驶状态分为正常和非正常状态:②利用σh、Hca5e、Hcd1e、Hrd2range4项参数分别聚类,根据综合评判加权平均模型得到疲劳和临界状态集的综合判定隶属度函数,并利用最大隶属度判定原则确定疲劳和临界状态。通过16组数据的识别验证实验表明:利用此方法识别驾驶员精神状态效果较好,为今后正确、客观识别驾驶疲劳状态奠定了良好的算法基础。 设计了驾驶疲劳模拟实时监测软件,实现实验过程的视频及实验数据回放,同时利用回放数据实现对被试精神状态进行实时监测。