驾驶疲劳监测方法综述

随着国民经济的发展,汽车持有量的增加,交通事故也成为交通事业发展的一个严峻挑战。针对这些情况,车辆驾驶安全技术的研究取得了很大发展。文章从驾驶疲劳的研究现状、驾驶疲劳研究存在的问题等方面对驾驶疲劳监测方法进行了综述性研究,着重对基于机器视觉的驾驶疲劳监测方法进行了研究,为驾驶疲劳的检测技术的开展提供了参考。

基于头动与眼动的脑疲劳检测方法研究

目的为实现准确、可靠地检测脑疲劳,研究基于头动与眼动特征判断受试者脑疲劳程度的方法。方法采集16名男性受试者在36h睡眠剥夺(SD)实验中的头动与眼动信号,进行去噪预处理,并基于主成分分析法(PCA)融合头动与眼动特征,综合判断受试者脑疲劳程度,并对由脑电信号判断的脑疲劳程度、双重任务作业绩效、警戒作业任务模拟测试(PVT)反应时间、主观瞌睡度分值进行比对。结果基于头动与眼动特征能很好地判断受试者脑疲劳程度,且与通过脑电信号判断的脑疲劳程度相关性为0.771±0.030;与双重任务作业绩效变化的相关性为0.665±0.024;与PVT反应时间的相关性为0.812±0.011;与主观瞌睡度分值的相关性为0.682±0.023,且均显著相关(P<0.05)。结论基于PCA融合头动与眼动特征能有效、准确检测受试者脑疲劳程度,与传统检测方法相比具有很好的一致性。

基于头动与眼电信号的疲劳检测研究

针对疲劳识别率有待提高和现行疲劳检测设备不便携带的问题,提出一种以便携式眼镜为载体结合处理头动与眼电信号的疲劳检测方法。利用便携式眼镜采集头动与眼电信号并通过蓝牙将数据传输到手机终端。采用融合卡尔曼滤波算法处理头动信号并提取点头频率特征,采用Perclos算法P80原理和分段平均功率比值法处理眼电信号得到眨眼频率和低高频功率比值特征。根据主成分分析法(PCA)进行特征融合,得到疲劳特征值,从而判定疲劳程度,并结合Pearson法分析与通过脑电信号检测疲劳程度结果的相关性。实验结果表明,该方法的疲劳检测识别率达到了90.6%且与脑电检测疲劳结果相关性达到了0.82,具有很好的准确性、有效性且检测设备便于携带,具有很好的实用价值。