研究介绍
研究背景
Background
随着科技日益发展，手机对于我们的吸引力也越来越大，但是在驾驶汽车期间被手机分散注意力可能会导致无法及时注意到前方的紧急情况。除此之外，部分驾驶员可能也会因为长时间驾驶或睡眠不足导致反应不及时或操作失误导致交通事故的发生。
因此开发有效的、及时的驾驶员状态识别工具是非常重要且必要的。
研究目的
Objectives
采用多传感器融合方法，监测驾驶员的生理信号、脑电图信号 (EEG) 和心电图信号 (ECG) 以确定其是否处于使用手机或疲劳驾驶状态。
研究方法
研究亮点
1、多信号融合研究
2、便携式脑电采集设备
3、实时反馈模型
一、基于EEG的疲劳驾驶模型
脑电信号复杂且不规则，因此脑电信号的分类和识别是通过计算其熵值信号在不同状态下的信号来实现的。实验采用的脑电图数据集包含 32 个通道，这里选择的是P3和P4两个位于大脑后部与认知功能相关的区域，该区域也便于传感器获得数据。
完整的模型如下图：
二、基于ECG的疲劳驾驶模型
利用R波检测算法找到心电信号中R波的峰值点，从而提取特征。本文提取的特征涉及到：心率变异性、平均心率、RR间期变异程度、RR区间分布的对称性等。
完整的模型如下图：
三、基于图异常驾驶检测
通过卷积神经网络 (CNN) 的深度学习处理图像，CNN可以自动学习图像特征，无需手动设计和选择特征，在处理复杂图像数据时更高效更准确。
本研究共使用了三个不同的卷积层、两个不同的池化层以及三个全连接层。
四、实时反馈模型
实时反馈模型通过应用多个模型、设置动态矩阵、使用滑动窗口和动态规划算法，可以有效地处理和分析实时数据流。这种集成的应用程序使模型能够更好地适应复杂和不断变化的数据情况，并提供准确的实时反馈。
研究发现
一、基于EEG的疲劳驾驶模型
从脑电信号中提取了两类特征，即频率特征和熵特征。频率特征反映了脑电信号在不同频段的能量分布，而熵特征描述了脑电信号的复杂性和随机性。
通过独立评估频率特征和熵特征的使用，准确率分别为79%和77%，而我综合模型在双通道脑电数据集上的准确率高达90.17%，这表明这些特征的融合可以显著提高疲劳驾驶检测模型的性能。
二、基于ECG的疲劳驾驶模型
在这项研究中，本模型专注于HRV特征的提取，经过实验验证，模型使用LightGBM分类器取得了优异的性能，准确率为92%。
结果表明，提取的HRV特征在疲劳驾驶检测中具有较强的判别能力，LightGBM分类器能够有效利用这些特征准确判断驾驶员疲劳程度。
研究讨论
研究局限性
1、驾驶模拟器和真实驾驶环境之间存在差异。
2、基于图像的异常驾驶检测模型可能会受到天气、光线等的影响。
3、这种侵入性获取脑电信号和心电信号可能会影响驾驶员在实验过程的自由运动。
研究未来展望
1、更丰富的多传感器融合技术的发展。
2、在不同道路状态下，均可以使用且得到正确的反馈结果。
3、根据反馈结果，及时提醒驾驶员调节驾驶状态。
参考文献
[1] L. Wang, F. Song, Tie Hua Zhou, J. Hao, and Keun Ho Ryu, “EEG and ECG-Based Multi-Sensor Fusion Computing for Real-Time Fatigue Driving Recognition Based on Feedback Mechanism,” Sensors, vol. 23, no. 20, pp. 8386–8386, Oct. 2023, doi: https://doi.org/10.3390/s23208386.
[2] I. Manners, “Emily Post,” Emily Post, 2015. https://emilypost.com/advice/important-manners-for-driving (accessed Aug. 10, 2024).
文案 | 张睿婕
排版 | 张睿婕
审核 | 姜笑南
发布｜姜笑南
世界生命科学大会
RECRUIT
关注我们，获取生命科学
学界前沿｜促进更多的学术交流与合作
业界前沿｜促进更快的产品创新与应用
政策前沿｜促进更好的治理实践与发展
我们期待你的加入
热门跟贴