论文部分内容阅读
随着信息技术的飞速发展,车载信息系统及手机的普遍使用等因素引起的驾驶员分心已成为道路交通事故的主要原因之一。因而如何实时监控驾驶员的驾驶状态已成为交通安全领域关注的焦点。驾驶员分心主要分为视觉分心与认知分心两大类。本文针对驾驶员的认知分心,主要完成了以下几个方面的工作:(1)基于Carsim软件搭建实验道路场景,根据实际驾驶中可能存在的认知分心事件,设计了分别模拟谈话和沉思的加减法计算以及手机操作等三项驾驶第二任务,增加驾驶员驾驶过程中的认知负荷,使其处于认知分心驾驶状态。通过驾驶员在环仿真平台同步采集了驾驶员的驾驶绩效信息和眼动信息,根据3δ准则法与Z-score标准化方法对实验采集的原始数据进行预处理,构建了驾驶员认知分心数据库,为后续的驾驶员认知分心的研究提供数据支撑。(2)利用Relief算法与主成分分析法分别对眼动和驾驶绩效指标进行特征提取,以SVM模型的分类精度为评判依据,筛选了特征显著的9种眼动特征指标和7种驾驶绩效特征指标。基于眼动信息分析驾驶员分心状态,并依此结果标记驾驶绩效数据。基于已标记的驾驶绩效数据构建驾驶员认知分心的SVM检测模型,分析道路类型和驾驶第二任务对驾驶员认知分心的影响。结果表明驾驶员在弯道完成连续减法计算时,其操纵方向盘、油门踏板等驾驶行为的变化更加显著。基于上述已标记的驾驶绩效数据集构建了BP神经网络模型,其结果表明BP神经网络模型在多实验条件下识别驾驶员认知状态的平均准确率为87.69%,高于SVM模型的84.26%。(3)基于手机相关第二任务中采集的实验数据,构建BP神经网络模型对驾驶员驾驶时的认知状态进行实时检测,并讨论了不同的时间窗口尺寸与相邻窗口间的重叠率对识别驾驶员认知分心的影响。结果表明采用60秒的时间窗口与95%窗口重叠率实时检测,BP神经网络模型的对驾驶员认知分心的分类性能最好,其平均准确率可达85.2%。