CN117290781A - 一种用于ddaw系统测试的驾驶员kss等级自评估培训方法 - Google Patents
一种用于ddaw系统测试的驾驶员kss等级自评估培训方法 Download PDFInfo
- Publication number
- CN117290781A CN117290781A CN202311378519.9A CN202311378519A CN117290781A CN 117290781 A CN117290781 A CN 117290781A CN 202311378519 A CN202311378519 A CN 202311378519A CN 117290781 A CN117290781 A CN 117290781A
- Authority
- CN
- China
- Prior art keywords
- test
- driver
- kss
- data
- ddaw
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 106
- 238000012549 training Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 206010041349 Somnolence Diseases 0.000 claims abstract description 35
- 208000032140 Sleepiness Diseases 0.000 claims abstract description 21
- 230000037321 sleepiness Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000004424 eye movement Effects 0.000 claims description 35
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000004434 saccadic eye movement Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000005262 alpha decay Effects 0.000 claims description 5
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000036626 alertness Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003340 mental effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000035484 reaction time Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 3
- 230000007958 sleep Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008904 neural response Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008454 sleep-wake cycle Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/12—Audiometering
- A61B5/121—Audiometering evaluating hearing capacity
- A61B5/123—Audiometering evaluating hearing capacity subjective methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Educational Technology (AREA)
- Evolutionary Biology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Otolaryngology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，涉及疲劳驾驶技术领域，包括步骤：对各驾驶员进行训前预设周期下的状态调整以及理论培训；在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式的测试，获取不同KSS嗜睡等级下的测试数据；对测试数据进行数据清洗，并对剔除后的测试数据进行预处理；对处理后的测试数据进行特征提取，并通过统计学分析获取生理数据与KSS等级量表的对应关系；通过机器学习模型进行KSS等级预测，并根据预测结果对驾驶员的主观评测进行修正。本发明基于行为学特征和脑电DE特征，对数据KSS等级进行预测，筛选敏感度较高的驾驶员，并对有一定偏离的驾驶员展开相应的培训，从而对DDAW系统开展测试认证。
Description
技术领域
本发明涉及疲劳驾驶技术领域，具体涉及一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法。
背景技术
在全球所有致命的道路交通事故中，约有20％是由于驾驶员疲劳驾驶造成的。为了防止驾驶员疲劳驾驶引发的交通事故，欧盟委员会于2021年4月发布了(EU)2021/1341Driver Drowsiness and Attention Warning Systems(DDAW)强制性标准，要求于2022年7月6日起对新车型开始强制实施。该标准提出DDAW系统的验证测试需采用至少10名驾驶员开展相关的实车道路测试，测试过程中每名驾驶员使用卡罗林斯卡嗜睡量表(KSS)评估嗜睡程度，当驾驶员自我评估疲劳等级≥8时，DDAW系统应向驾驶员发出预警信息。标准还规定测试前所有驾驶员需经过筛选并进行统一的KSS培训。但是如何开展驾驶员KSS培训，在标准中并没有给出具体的介绍，而KSS嗜睡程度评估作为一种主观评价方法，受驾驶员的主观判断能力影响较大，所选取的驾驶员是否能够准确评估当前嗜睡程度直接影响DDAW系统是否能够通过产品认证。所以如何建立科学的驾驶员KSS等级预测模型，筛选符合大众化要求的验证测试驾驶员，开展DDAW系统测试认证，成为一项值得研究的重要课题。
发明内容
为了建立科学的驾驶员KSS等级预测模型，筛选符合大众化要求的验证测试驾驶员，本发明提出了一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，包括步骤：
S1：对各驾驶员进行训前预设周期下的状态调整以及理论培训；
S2：在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式的测试，获取不同KSS嗜睡等级下的测试数据；
S3：对测试数据进行数据清洗，并对剔除后的测试数据进行预处理；
S4：对处理后的测试数据进行特征提取，并通过统计学分析获取不同KSS嗜睡等级下驾驶员生理数据与主观测评之间的对应关系；
S5：基于提取的特征信息，通过对各机器学习模型的预测性能进行训练，并根据验证结果筛选最优机器学习模型；
S6：通过筛选的机器学习模型进行KSS等级预测，并根据预测结果对驾驶员的主观评测进行修正。
进一步地，所述测试数据是基于驾驶员根据驾驶证统计数据中的男女比例以及年龄段比例分配进行获取的。
进一步地，所述S2步骤中，试验范式的组成包括精神运动警戒任务、卡洛林斯卡嗜睡测试、α衰减测试、视觉P300测试、听觉P300测试、100毫米视觉模拟量表的嗜睡量表和卡罗林斯卡困倦量表。
进一步地，所述α衰减测试为驾驶员对目标物品进行注视，并记录周期内眼睛开闭交替过程中的脑电数据。
进一步地，所述S3步骤的测试数据采集过程中，采用64导联的脑电设备进行脑电数据的采集，通过眼动仪进行驾驶员眼动数据的采集。
进一步地，所述S4步骤中，所述特征提取包括眼动特征、脑电特征，表示为如下公式
interval＝blink+fixation+saccade+CLOS
式中，blink为眼动数据中表示为眨眼的样本点数，CLOS为眼动数据中表示为闭眼状态的样本点数，fixation为眼动数据中表示为注视状态的样本点数，saccade为眼动数据中表示为扫视的样本点数，PERCLOS为眼动特征值；
式中，DE为微分熵，p(x)为连续信息的概率密度函数，[a,b]为信息取值的区间，σ2为方差，i为取值1至n的常数，μ为期望值。
与现有技术相比，本发明至少含有以下有益效果：
本发明所述的一种用于DDAW系统的驾驶员KSS等级自评估培训方法，通过采集不同KSS嗜睡等级下的驾驶员对应相关试验范式下的生理数据，经试验数据预处理后，对试验数据的行为学、眼动、脑电等特征进行了提取及统计学分析，将其与主观KSS等级量表对应，得到不同KSS等级的大众化客观生理数据。基于眼动、反应时间等行为学特征和脑电DE特征，使用LR模型对数据KSS等级进行的预测，有效筛选出敏感度较高的驾驶员，并对有一定偏离的驾驶员展开相应的培训，从而科学、高效的对DDAW系统开展测试认证。
附图说明
图1为一种用于DDAW系统的驾驶员KSS等级自评估培训方法的步骤图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
为了建立科学的驾驶员KSS等级预测模型，筛选符合大众化要求的验证测试驾驶员，开展DDAW系统测试认证，如图1所示，本发明提出了一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，包括步骤：
S1：对各驾驶员进行训前预设周期下的状态调整以及理论培训；
S2：在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式的测试，获取不同KSS嗜睡等级下的测试数据；
S3：对测试数据进行数据清洗，并对剔除后的测试数据进行预处理；
S4：对处理后的测试数据进行特征提取，并通过统计学分析获取不同KSS嗜睡等级下驾驶员生理数据与主观测评之间的对应关系；
S5：基于提取的特征信息，通过对各机器学习模型的预测性能进行训练，并根据验证结果筛选最优机器学习模型；
S6：通过筛选的机器学习模型进行KSS等级预测，并根据预测结果对驾驶员的主观评测进行修正。
在本发明中，考虑到驾驶员群里中的男女比例以及年龄段比例，男性女性直接按、不同年龄段驾驶员之间疲劳耐受度的不同，为了使得KSS的等级预测更为符合大众客观生理数据，根据驾驶证统计数据中的男女比例以及年龄段比例进行驾驶员的选取分配。进一步地，为了避免偶发性因素对测试的影响，筛选被试人员还需要满足试验前未服用药物、生理及心理健康、较长一端时间(例如三个月)内无轮班工作史无跨时区旅游经历的要求。
通过筛选过去培训所需的驾驶员后，每一次试验将包含一天的准备日和两天的试验日。准备日用来让被试人员了解试验内容，熟悉试验环境，并签署知情同意书。在准备日中将安排被试人员在14点和17点完成两组试验任务以了解试验内容，并要求被试人员在两天的试验中不得摄入含咖啡因和酒精的食物和饮料，并在准备日保证正常的睡眠-觉醒周期。
而一组试验范式将包含精神运动警戒任务(PVT)、卡洛林斯卡嗜睡测试(KDT)、α衰减测试(AAT)、视觉P300测试(V-P300)、听觉P300测试(A-P300)、100毫米视觉模拟量表(VAS)的嗜睡量表和卡罗林斯卡困倦量表(KSS-CN)。
其中，在精神运动警戒任务(PVT)中使用一个简单的视觉反应时间(RT)范式，刺激间隔从2到10秒不等。采集的性能指标如，RTs的平均值、最快的10％ RTs、最慢的10％ RTs、中位数RTs、超过500ms的失效RTs。
在卡罗林卡嗜睡测验(KDT)的5分钟睁眼测试中，被试人员被要求专注于屏幕上的一张图片。然后，他们被要求以同样的姿势坐着，同时再闭上眼睛2分钟。过程期间全程采集被试者的脑电数据以进行后续的数据分析。
在α衰减测试(AAT)中，被试人员每2分钟交替睁开(睁开眼睛)和闭上(闭上眼睛)眼睛，共持续4分钟，同时盯着屏幕上的一张小明信片。
在视觉P300测试(V-P300)中，被试人员注视面前屏幕，屏幕上将每800ms随机出现X或O持续200毫秒为视觉刺激，X为靶刺激约占总刺激的20％，总计200次刺激。
在听觉P300测试(A-P300)中，被试人员注意倾听面前音响播放的声音，音响上将每800ms随机播放一个低频纯音和一个高频纯音持续120毫秒为声音刺激，高频纯音为靶刺激约占总刺激的20％，总计200次刺激。在听觉P300测试中，应要求被试不在闭眼状态下进行(可以正常眨眼，但是不可以闭眼听声音)，并注意靶刺激。
采用卡罗林卡嗜睡度量表(KSS-CN)对被试人员的嗜睡程度进行测量，KSS-CN包含九个等级：1分警惕度极高，3分比较警醒，5分既不警醒也不困倦，7分困倦(但不抗睡眠)，9分非常困倦(抗睡眠)。
100毫米视觉模拟量表(VAS)是一条100mm的线，“不困”在线的左端，“困”在线的右端。被试人员被要求将这条线视为代表他们个人感受的范围，并在这条线上做一个标记，表示他们当时的感受。
而为了尽可能的模拟驾驶过程中驾驶员的真实乘坐环境，被试人员坐在静态驾驶舱内完成试验范式中的所有任务，同时试验环境光照强度要求小于15lux。脑电数据测量使用64导联的neuroscan设备对KDT、AAT、V-P300、A-P300测试期间被试者的脑电数据进行测量。眼动仪数据测量使用Smart Eye眼动仪在KDT、AAT、V-P300、A-P300试验任务过程中，对被试人员的眼动进行记录测量。
当然测试获得的数据存在缺失、数据质量存在问题和数据中行为学结果明显存在异常的情况，因此还需要对这些异常数据进行剔除处理。而后即可对剔除后的数据进行预处理，例如数字滤波以及降采样重参考。
对预处理后的数据进行特征提取，包括眼动特征和行为学特征。其中眼动特征是指闭眼时间占比(PERCLOS)是指在一段时间内闭眼时间所占比例，计算公式如下：
interval＝blink+fixation+saccade+CLOS
式中，blink为眼动数据中表示为眨眼的样本点数，CLOS为眼动数据中表示为闭眼状态的样本点数，fixation为眼动数据中表示为注视状态的样本点数，saccade为眼动数据中表示为扫视的样本点数，PERCLOS为眼动特征值。
眼动跟踪仪可以将人眼状态分为眨眼(blink)、注视(fixation)、扫视(saccade)三种状态。当三种状态均未被检测到时，即为闭眼状态(CLOS)。通过计算眼动数据中特定时间内检测为blink的样本点数与CLOS状态的样本点数之和占全部样本点数的百分比即可得到该段时间的PERCLOS值。
而行为学特征则是一个简单的时间响应范式，要求被试对屏幕中出现的红色小球做出响应(点击鼠标)。计算的行为学特征有平均反应时间、中值反应时间、最快10％反应时间、最慢10％反应时间以及失误次数(反应时间超过500ms)。这一部分是通过脑电数据进行获取的，脑电特征可以微分熵的形式进行表示。微分熵(DE)是香农信息熵-∑xp(x)log(p(x))dx在连续变量上的推广形式。
式中，DE为微分熵，等于其在特定频段上的能量谱的对数，p(x)为连续信息的概率密度函数，[α,b]为信息取值的区间，σ2为方差，i为取值1至n的常数，μ为期望值。
基于上述提取的特征，在行为学分析过程中，为了研究KSS与各特征参数间的关系，将疲劳等级根据KSS评分划分为1～3、4～5、6、7、8～9五个类别。我们对PVT任务中采集到的数据计算了RTs的平均值、最快的10％ RTs、最慢的10％ RTs、中位数RTs、超过500ms的失效RTs等多个特征，并通过分组进行了分析，通过对多个行为学结果的分析我们得出，在不同主观KSS等级下，被试者有着不同的神经反应时间特征。随着KSS等级的提升，被试困倦程度增强，其神经反应速度变慢，漏过的神经反应测试数量变多，尤其在KSS等级为7和KSS等级为8-9的过程中较为明显。
将采集的主观VAS结果与被试填写的KSS等级进行对比分析，得到如下在不同KSS等级下的VAS评分。同样的，VAS评分分值随着KSS等级的提升一同提升，即随着被试的困倦程度的增长，两种主观困倦评估方法得到了相一致的困倦评估趋势。
而通过对眼动仪数据的分析，眼动特征PERCLOS整体上随着被试困倦程度的加深数值随之增大，但是1-3与4-5KSS等级下的眼动特征有所降低，这可能是不同被试因对KSS量表理解在1-3和4-5两个KSS等级间有部分差异，受主观影响较大导致。
而对脑电数据进行了频域特征计算，α频段能量在睁眼状态下会随着困倦程度的提升而明显上升，闭眼状态下则会随着困倦程度明显减弱。
基于上述分析获得的行为学数据、眼动数据和脑电数据，我们进行统计学分析，通过分析我们获得除脑地形图特征外，虽然所有特征参数的KSS1-3级数据与KSS 4-5级数据未存在显著性差异，但是与KSS 6级以上的数据均存在显著性差异。对于脑地形图特征参数，KSS1-3级数据与其他等级数据均存在显著性特征。
最终，选用基于径向核函数(rbf)的支持向量机和基于liblinear的线性支持向量机(lsvc)、K-近邻(KNN)、逻辑回归(Logistic Regression。输入特征融合了眼动、反应时间等行为学特征和脑电DE特征。考虑到特征参数的KSS1-3级数据与KSS 4-5级数据未存在显著性差异，并且驾驶员最终测试过程中，1～5级的评价对于结果的判定相对影响较小，将疲劳等级根据KSS评分重新划分为1～5、6、7、8～9四个类别。将数据集按照7：3的比例随机划分成培训集和测试集。由于疲劳等级分布的不均衡，在数据集划分时保证划分后培训集和测试集中各类标签所占的比例与划分前的比例相同。交叉验证可以保证数据的充分利用，也可以解决参数调优的问题。在培训集上进行5折交叉验证，通过网格搜索选择在培训集中表现最优模型超参数组合，并在测试集上测试最优模型分类性能。
综上所述，本发明所述的一种用于DDAW系统的驾驶员KSS等级自评估培训方法，通过采集不同KSS嗜睡等级下的驾驶员对应相关试验范式下的生理数据，经试验数据预处理后，对试验数据的行为学、眼动、脑电等特征进行了提取及统计学分析，将其与主观KSS等级量表对应，得到不同KSS等级的大众化客观生理数据。基于眼动、反应时间等行为学特征和脑电DE特征，使用LR模型对数据KSS等级进行的预测，有效筛选出敏感度较高的驾驶员，并对有一定偏离的驾驶员展开相应的培训，从而科学、高效的对DDAW系统开展测试认证。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
Claims (6)
1.一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，包括步骤：
S1：对各驾驶员进行训前预设周期下的状态调整以及理论培训；
S2：在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式的测试，获取不同KSS嗜睡等级下的测试数据；
S3：对测试数据进行数据清洗，并对剔除后的测试数据进行预处理；
S4：对处理后的测试数据进行特征提取，并通过统计学分析获取不同KSS嗜睡等级下驾驶员生理数据与主观测评之间的对应关系；
S5：基于提取的特征信息，通过对各机器学习模型的预测性能进行训练，并根据验证结果筛选最优机器学习模型；
S6：通过筛选的机器学习模型进行KSS等级预测，并根据预测结果对驾驶员的主观评测进行修正。
2.如权利要求1所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，所述测试数据是基于驾驶员根据驾驶证统计数据中的男女比例以及年龄段比例分配进行获取的。
3.如权利要求1所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，所述S2步骤中，试验范式的组成包括精神运动警戒任务、卡洛林斯卡嗜睡测试、α衰减测试、视觉P300测试、听觉P300测试、100毫米视觉模拟量表的嗜睡量表和卡罗林斯卡困倦量表。
4.如权利要求3所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，所述α衰减测试为驾驶员对目标物品进行注视，并记录周期内眼睛开闭交替过程中的脑电数据。
5.如权利要求4所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，所述S3步骤的测试数据采集过程中，采用64导联的脑电设备进行脑电数据的采集，通过眼动仪进行驾驶员眼动数据的采集。
6.如权利要求5所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，所述S4步骤中，所述特征提取包括眼动特征、脑电特征，表示为如下公式
interval＝blink+fixation+saccade+CLOS
式中，blink为眼动数据中表示为眨眼的样本点数，CLOS为眼动数据中表示为闭眼状态的样本点数，fixation为眼动数据中表示为注视状态的样本点数，saccade为眼动数据中表示为扫视的样本点数，PERCLOS为眼动特征值；
式中，DE为微分熵，p(x)为连续信息的概率密度函数，[a，b]为信息取值的区间，σ2为方差，i为取值1至n的常数，μ为期望值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311378519.9A CN117290781A (zh) | 2023-10-24 | 2023-10-24 | 一种用于ddaw系统测试的驾驶员kss等级自评估培训方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311378519.9A CN117290781A (zh) | 2023-10-24 | 2023-10-24 | 一种用于ddaw系统测试的驾驶员kss等级自评估培训方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117290781A true CN117290781A (zh) | 2023-12-26 |
Family
ID=89238990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311378519.9A Pending CN117290781A (zh) | 2023-10-24 | 2023-10-24 | 一种用于ddaw系统测试的驾驶员kss等级自评估培训方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117290781A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117717340A (zh) * | 2024-02-07 | 2024-03-19 | 中汽研汽车检验中心（天津）有限公司 | 一种驾驶员困意检测方法、装置、设备及介质 |
| CN119174610A (zh) * | 2024-09-24 | 2024-12-24 | 中汽研汽车检验中心(宁波)有限公司 | 一种用于驾驶员疲劳状态监测系统的性能验证方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐（北京）科技有限公司 | 一种基于眼动和脑电特征的认知能力评估系统及其方法 |
| US20200151474A1 (en) * | 2017-07-31 | 2020-05-14 | Alcohol Countermeasure Systems (International) Inc. | Non-intrusive assessment of fatigue in drivers using eye tracking |
| CN112617835A (zh) * | 2020-12-17 | 2021-04-09 | 南京邮电大学 | 一种基于迁移学习的多特征融合疲劳检测方法 |
| CN113988123A (zh) * | 2021-10-19 | 2022-01-28 | 杭州电子科技大学 | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 |
| CN114783552A (zh) * | 2022-04-24 | 2022-07-22 | 北京航空航天大学 | 操作人员岗前疲劳检测方法和系统 |
-
2023
- 2023-10-24 CN CN202311378519.9A patent/CN117290781A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200151474A1 (en) * | 2017-07-31 | 2020-05-14 | Alcohol Countermeasure Systems (International) Inc. | Non-intrusive assessment of fatigue in drivers using eye tracking |
| CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐（北京）科技有限公司 | 一种基于眼动和脑电特征的认知能力评估系统及其方法 |
| CN112617835A (zh) * | 2020-12-17 | 2021-04-09 | 南京邮电大学 | 一种基于迁移学习的多特征融合疲劳检测方法 |
| CN113988123A (zh) * | 2021-10-19 | 2022-01-28 | 杭州电子科技大学 | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 |
| CN114783552A (zh) * | 2022-04-24 | 2022-07-22 | 北京航空航天大学 | 操作人员岗前疲劳检测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 姚娟娟 等: "基于脑电和眼电的疲劳检测方法的研究", 《电子设计工程》, 31 March 2020 (2020-03-31), pages 116 - 118 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117717340A (zh) * | 2024-02-07 | 2024-03-19 | 中汽研汽车检验中心（天津）有限公司 | 一种驾驶员困意检测方法、装置、设备及介质 |
| CN117717340B (zh) * | 2024-02-07 | 2024-05-31 | 中汽研汽车检验中心（天津）有限公司 | 一种驾驶员困意检测方法、装置、设备及介质 |
| CN119174610A (zh) * | 2024-09-24 | 2024-12-24 | 中汽研汽车检验中心(宁波)有限公司 | 一种用于驾驶员疲劳状态监测系统的性能验证方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117290781A (zh) | 一种用于ddaw系统测试的驾驶员kss等级自评估培训方法 | |
| Mazzi et al. | Blind-sight vs. degraded-sight: different measures tell a different story | |
| US8340752B2 (en) | Method, apparatus and computer program product for assessment of attentional impairments | |
| Wang et al. | The sensitivity of different methodologies for characterizing drivers’ gaze concentration under increased cognitive demand | |
| Palmer et al. | Linking neuronal and behavioral performance in a reaction-time visual detection task | |
| Panek et al. | A review of age changes in perceptual information processing ability with regard to driving | |
| Svensson | Blink behaviour based drowsiness detection: method development and validation | |
| AU2002305384A1 (en) | Method, apparatus, and computer program product for assessment of attentional impairments | |
| Banks et al. | The development of basic mechanisms of pattern vision: Spatial frequency channels | |
| Bittner et al. | Detecting of fatigue states of a car driver | |
| CN114246589A (zh) | 记忆认知能力测评方法及系统 | |
| Tran et al. | Predicting driver’s work performance in driving simulator based on physiological indices | |
| Overhoff et al. | Neural correlates of metacognition across the adult lifespan | |
| Ebrahim | Driver drowsiness monitoring using eye movement features derived from electrooculography | |
| DE10331800A1 (de) | Belastungssondierung für Fahrzeugführer | |
| Chapman et al. | A psychophysiological causal model of pain report validity | |
| Persinger | Clinical neurological indicators are only moderately correlated with quantitative neuropsychological test scores in patients who display mild-moderate brain impairment following closed-head injuries | |
| Van Benthem et al. | Monitored Versus Non-Monitored Stimuli in Brain-Computer-Interface Methods for Classifying Workload States During Piloting Tasks | |
| Hubbard | Higher-order and medial psychophysics: A new typology | |
| Tran et al. | Improving classification rates for use in fatigue countermeasure devices using brain activity | |
| Crewther et al. | Electrophysiological and psychophysical evidence for the development of magnocellular function in children | |
| Mortensen | Effects of Whole Body Vibration on Inhibitory Control Processes | |
| Brooks et al. | Exploring the phenotype and possible mechanisms of palinopsia in visual snow syndrome | |
| Buczkowicz et al. | EEG and eye-fixation related potentials in children with ADHD | |
| Kouba et al. | Identification and monitoring of traffic operators' fatigue level |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |