汽车驾驶疲劳分析及其监测

为了揭示驾驶员疲劳驾驶导致交通事故的根本理论原因,本文分析了驾驶疲劳的形成过程及其机理。基于人因工程学角度,以疲劳相关理论为基础,构建了承担驾驶负荷的驾驶员身体系统,并把驾驶行为分为三个阶段,把每一阶段所产生的疲劳严格区分为精神疲劳和体力疲劳。根据驾驶疲劳的程度,把驾驶员的疲劳状况分为了四类,建立了驾驶疲劳累积模型。根据对驾驶疲劳形成的系统分析,概括了现阶段疲劳驾驶监测技术的研究方向,并提出了对疲劳驾驶监测技术的发展趋势和应用前景的建议。

新手驾驶人疲劳状态下的视觉特性研究

为探究新手驾驶人疲劳特性在视觉特征方面的表现,设计了基于驾驶模拟器和Dikablis Glass 3眼动仪的驾驶模拟实验,采集驾驶人视觉数据,结合视频专家法将驾驶人疲劳等级分为清醒、轻度疲劳、中度疲劳、重度疲劳。利用拉依达准则及卡尔曼滤波对数据进行清洗;依据单因素方差分析及事后多重比较结果,选取眨眼持续时长均值、扫视时长均值、扫视总时长、瞳孔面积均值、瞳孔变异系数均值、注视时间均值等视觉特征作为驾驶人的疲劳驾驶评价指标;构建基于新手驾驶人视觉特征的灰狼优化支持向量机(GWO-SVM)疲劳驾驶识别模型。研究结果表明:随着驾驶疲劳累积,新手驾驶人眨眼持续时长显著增加,扫视时长及扫视总时长显著降低,瞳孔面积缩小,瞳孔变异系数增大;SVM识别结果表明:新手驾驶人的疲劳状态可通过眼动指标进行有效识别,而GWO-SVM模型则进一步提升了识别精度,证明了眼动特征在新手驾驶人疲劳检测方面具有较好的适用性。

基于多模态特征组合的真实驾驶疲劳状态识别

对驾驶员在驾驶过程中的疲劳状态进行实时准确的预判,可减少由于驾驶疲劳引发的交通事故。首先,通过无线体域网采集了12名驾驶员在真实驾驶过程中的多模态特征,提取了脑电、肌电、呼吸等3种生理信号的特征参数近似熵,其中基于畸变能密度理论(DED)确定肌电信号的采集位置为颈6棘突旁开2 cm处的上斜方肌;然后,通过模糊C聚类方法分析了3种特征参数组合对疲劳状态的反映效果;最后,建立基于马氏距离理论的真实驾驶疲劳判别模型。研究结果表明,驾驶员颈6部位比颈7部位肌电信号的ApEn值显著下降(P<0.05),表明颈6处肌肉比颈7处肌肉对驾驶员的疲劳状态反映更为敏感,实际检测结果与畸变能密度理论计算结果一致,证明了该位置提取肌电信号的正确性和准确性;脑、肌、呼吸这3种生理信号的ApEn值均随驾驶时间的延长呈递减变化,驾驶约90 min时递减趋势变缓,表明驾驶员进入疲劳状态;通过模糊C聚类分析可知,当脑电与肌电ApEn组合时,清醒与疲劳的概率分布界限清晰,可有效反映驾驶疲劳状态;以脑电和肌电近似熵为自变量,基于马氏距离理论建立真实驾驶过程的疲劳判别模型,其测试集准确率达90.92%,表明该模型能够比较准确的判别出驾驶员的疲劳状态。