本發(fā)明涉及識(shí)別控制技術(shù)領(lǐng)域，特別涉及一種駕駛疲勞識(shí)別方法及系統(tǒng)。

背景技術(shù)：

駕駛疲勞是指由于長時(shí)間連續(xù)行車而導(dǎo)致的駕駛員信息獲取、信息處理以及操縱能力下降的現(xiàn)象。駕駛員在長時(shí)間駕駛過程中，易引發(fā)駕駛疲勞，從而導(dǎo)致其對(duì)突發(fā)事件反應(yīng)時(shí)間的延長，影響駕駛安全。因此，對(duì)駕駛員疲勞狀態(tài)予以有效識(shí)別，是構(gòu)建危險(xiǎn)性駕駛狀態(tài)預(yù)警系統(tǒng)的關(guān)鍵。

目前，國內(nèi)外就駕駛疲勞狀態(tài)識(shí)別已開展了一系列研究，如：利用眼見閉合度與眼睛閉合速度來判斷駕駛員駕駛狀態(tài)，并建立了基于圖像分割方法的疲勞識(shí)別模型。通過分析模擬駕駛實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，腦電和心電指標(biāo)可用于疲勞的識(shí)別。應(yīng)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，建立了基于心電數(shù)據(jù)和信息融合的疲勞識(shí)別模型。采用神經(jīng)網(wǎng)絡(luò)，構(gòu)建了基于心率變異性(heartratevariability,hrv)的駕駛疲勞識(shí)別模型。吳超仲等提出綜合考慮駕駛行為操作和駕駛員生理指標(biāo)的疲勞識(shí)別模型。葉檸等針對(duì)疲勞發(fā)生過程中腦電信號(hào)的變化，提出了一種基于小波包子帶能量比的疲勞駕駛狀態(tài)檢測(cè)方法。

上述文獻(xiàn)從不同角度豐富和拓展了疲勞識(shí)別研究。腦電信號(hào)與駕駛員的精神狀態(tài)高度相關(guān)，在疲勞檢測(cè)和識(shí)別中敏感性最高，因而得到較為深入的研究，但仍存在以下兩點(diǎn)問題：⑴腦電信號(hào)存在大量冗余，因而在一定程度上影響了識(shí)別模型的效率和精度；⑵現(xiàn)有研究在選取疲勞識(shí)別指標(biāo)時(shí)只側(cè)重于對(duì)若干電極的腦電指標(biāo)選取，未利用其他電極的腦電指標(biāo)，即在識(shí)別指標(biāo)選取上具有局部性。

因此，亟待開發(fā)一種有效的駕駛疲勞識(shí)別方案，以克服上述不足。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明旨在提供一種駕駛疲勞識(shí)別方法及系統(tǒng)，以期實(shí)現(xiàn)對(duì)駕駛員疲勞狀態(tài)的有效識(shí)別，為危險(xiǎn)性駕駛狀態(tài)預(yù)警和干預(yù)系統(tǒng)的開發(fā)提供理論依據(jù)。

具體而言，本發(fā)明的所述方法包括步驟：獲取所述被測(cè)人員的腦電數(shù)據(jù)；對(duì)腦電數(shù)據(jù)利用傅里葉變換計(jì)算，提取腦電特征數(shù)據(jù)；采用核主元分析對(duì)腦電特征數(shù)據(jù)進(jìn)行特征降維，依次按照貢獻(xiàn)率從大到小選取主元直至總貢獻(xiàn)率超過預(yù)定值，被選中的主元構(gòu)成疲勞識(shí)別腦電指標(biāo)；將所述疲勞識(shí)別腦電指標(biāo)作為支持向量機(jī)的輸入，得到被測(cè)人員的駕駛疲勞識(shí)別結(jié)果。

另一方面，本發(fā)明的所述系統(tǒng)包括：腦電信號(hào)收集單元，用于獲取被測(cè)人員的腦電數(shù)據(jù)；腦電特征數(shù)據(jù)提取單元，用于對(duì)腦電數(shù)據(jù)利用傅里葉變換計(jì)算，提取腦電特征數(shù)據(jù)；疲勞識(shí)別腦電指標(biāo)獲取單元，用于采用核主元分析對(duì)腦電特征數(shù)據(jù)進(jìn)行特征降維，依次按照貢獻(xiàn)率從大到小選取主元直至總貢獻(xiàn)率超過預(yù)定值，被選中的主元構(gòu)成疲勞識(shí)別腦電指標(biāo)；疲勞識(shí)別單元，用于將所述疲勞識(shí)別腦電指標(biāo)作為支持向量機(jī)的輸入，得到被測(cè)人員的駕駛疲勞識(shí)別結(jié)果。

本發(fā)明的駕駛疲勞識(shí)別方法及系統(tǒng)，用腦電特征參數(shù)作為客觀識(shí)別指標(biāo)，通過核主元分析進(jìn)行降維和指標(biāo)提取，形成疲勞識(shí)別腦電指標(biāo)，在此基礎(chǔ)上，結(jié)合svm算法，構(gòu)建駕駛員疲勞狀態(tài)識(shí)別模型，以期實(shí)現(xiàn)對(duì)駕駛員疲勞狀態(tài)的有效識(shí)別，為危險(xiǎn)性駕駛狀態(tài)預(yù)警和干預(yù)系統(tǒng)的開發(fā)提供理論依據(jù)。

附圖說明

并入到說明書中并且構(gòu)成說明書的一部分的附圖示出了本發(fā)明的實(shí)施例，并且與描述一起用于解釋本發(fā)明的原理。在這些附圖中，類似的附圖標(biāo)記用于表示類似的要素。下面描述中的附圖是本發(fā)明的一些實(shí)施例，而不是全部實(shí)施例。對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種駕駛疲勞識(shí)別方法的流程示意圖；

圖2為本發(fā)明實(shí)施例主觀疲勞與行為數(shù)據(jù)檢驗(yàn)結(jié)果示意圖；

圖3為主元數(shù)量對(duì)模型識(shí)別效果的影響示意圖；

圖4為模型識(shí)別效果及roc曲線；

圖5為圖本發(fā)明實(shí)施例提供的一種駕駛疲勞識(shí)別系統(tǒng)的方框示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。需要說明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互任意組合。

下面結(jié)合附圖詳細(xì)說明本發(fā)明實(shí)施涉及的駕駛疲勞識(shí)別方法及系統(tǒng)。

實(shí)施例一：

參見圖1所示，實(shí)施例一的方法包括步驟：

首先：獲取所述被測(cè)人員的腦電數(shù)據(jù)；

其次：對(duì)腦電數(shù)據(jù)利用傅里葉變換計(jì)算，提取腦電特征數(shù)據(jù)；

具體地，腦電信號(hào)是大腦活動(dòng)狀態(tài)的外在反映，其頻段分布特征與駕駛員精神狀態(tài)高度相關(guān)。當(dāng)駕駛員處于重度疲勞狀態(tài)時(shí)，大腦活動(dòng)趨于平穩(wěn)，腦電信號(hào)，頻段分布趨向于低頻段；當(dāng)駕駛員處于輕度疲勞狀態(tài)時(shí)，大腦接受和處理大量信息，腦電信號(hào)頻段分布趨向于高頻段?；诖?，本文利用傅里葉變換計(jì)算由低至高的θ(4～8hz)、α(8～13hz)、β(13～30hz)3個(gè)頻段對(duì)每個(gè)電極的腦電數(shù)據(jù)利用傅里葉變換計(jì)算，并計(jì)算由低至高的第一頻段、第二頻段、第三頻段的幅值序列，并求第一頻段的幅度均值θ、第二頻段的幅度均值α、第三頻段的幅度均值β；

根據(jù)第一頻段的幅度均值θ、第二頻段的幅度均值α、第三頻段的幅度均值β，計(jì)算((α+β)/β，α/β，(θ+α)/(α+β)，θ/β，(α+β)/θ)；

將q個(gè)電極的腦電信號(hào)對(duì)應(yīng)的第一頻段的幅度均值θ、第二頻段的幅度均值α、第三頻段的幅度均值β、((α+β)/β，α/β，(θ+α)/(α+β)，θ/β，(α+β)/θ)作為腦電特征數(shù)據(jù)，相應(yīng)得到8×q項(xiàng)腦電特征數(shù)據(jù)；

再次：采用核主元分析對(duì)腦電特征數(shù)據(jù)進(jìn)行特征降維，依次按照貢獻(xiàn)率從大到小選取主元直至總貢獻(xiàn)率超過預(yù)定值，被選中的主元構(gòu)成疲勞識(shí)別腦電指標(biāo)；

具體地，為提高識(shí)別精度，降低識(shí)別模型的訓(xùn)練時(shí)間及加快學(xué)習(xí)速度，本文采用核主元分析(kpca)對(duì)上述8q項(xiàng)腦電特征參數(shù)進(jìn)行特征降維，選取若干貢獻(xiàn)率高的主元構(gòu)成疲勞識(shí)別腦電指標(biāo)。

對(duì)于一個(gè)腦電特征參數(shù)樣本e＝(e1,e2,…em)，其中m＝8q，其在高維特征空間的映射為φ(e)，給定φ(e)的協(xié)方差矩陣的特征矢量為wk，則腦電特征參數(shù)樣本e在特征矢量wk上的投影，即為所求主元tk

其中，k(ej,e)為核函數(shù)，各主元的貢獻(xiàn)率w按下式進(jìn)行計(jì)算：

w＝(tk,tk+1,…,tm)e′

將主元按照貢獻(xiàn)率進(jìn)行排序，取前p(p<m)個(gè)主元，使其累計(jì)貢獻(xiàn)率在90％以上，構(gòu)成疲勞識(shí)別腦電指標(biāo)x＝(x1,x2,…,xp)。

最后：將所述疲勞識(shí)別腦電指標(biāo)作為支持向量機(jī)的輸入，得到被測(cè)人員的駕駛疲勞識(shí)別結(jié)果。

具體可以包括：

對(duì)于給定的疲勞識(shí)別腦電指標(biāo)樣本集{xi,yi}，xi＝(xi1,xi2,...,xip)^t∈r^d，r為實(shí)數(shù)集yi∈{+1,-1}為類標(biāo)記，i＝1,2,...,n，n為疲勞識(shí)別指標(biāo)樣本個(gè)數(shù)，其分類面函數(shù)設(shè)為：

其中，αi為標(biāo)量常數(shù)，b為分類閾值，k(xi,xj)為核函數(shù)；

其中，c為lagrange乘子設(shè)定的上限，c>0，在上式得到的最優(yōu)解集中，選取αi>0(i＝1,2,...,s且s<n)的對(duì)應(yīng)樣本作為輸入，從而構(gòu)造的識(shí)別器決策函數(shù)為：

對(duì)于一組未知狀態(tài)的駕駛員疲勞特征指標(biāo)向量xr＝{xr1,xr2,...,xrp}，若f(xr)＝-1則判定駕駛員為輕度疲勞狀態(tài)；若f(xr)＝+1則判定駕駛員為重度疲勞狀態(tài)。

可以對(duì)識(shí)別效果測(cè)評(píng)：

假定輕度疲勞等級(jí)為陰性，記為n，重度疲勞等級(jí)為陽性，記為p，則疲勞識(shí)別結(jié)果有以下4種情況；①樣本為輕度等級(jí)狀態(tài)，模型識(shí)別結(jié)果為陰性，記為真陰(tn)；②樣本為輕度疲勞等級(jí)，模型識(shí)別結(jié)果為陽性，記為偽陽(fp)；③樣本為重度疲勞等級(jí)，模型識(shí)別結(jié)果為陰性，記為偽陰(fn)；④樣本為重度疲勞等級(jí)，模型識(shí)別結(jié)果為陽性，記為真陽(tp)。根據(jù)上述假設(shè)，定義以下3項(xiàng)指標(biāo)用于識(shí)別效果測(cè)評(píng)，

式中，tl為svm識(shí)別器對(duì)輕度疲勞等級(jí)的識(shí)別正確率，th為識(shí)別器對(duì)重度疲勞等級(jí)的識(shí)別正確率，ac為svm識(shí)別器對(duì)整個(gè)樣本的識(shí)別正確率。

優(yōu)選地，上述獲取所述被測(cè)人員的腦電數(shù)據(jù)的步驟可以先進(jìn)行駕駛疲勞等級(jí)劃分，可以包括：

獲取第一駕駛時(shí)長或第二駕駛時(shí)長的所述被測(cè)人員的腦電數(shù)據(jù)；所述第二駕駛時(shí)長大于所述第一駕駛時(shí)長。

具體地，步驟1：等級(jí)劃分：長時(shí)間(≥2h)[10-11]連續(xù)駕駛易導(dǎo)致駕駛疲勞，以前后時(shí)間段劃分疲勞等級(jí)是駕駛安全性研究中常用的方法[12]。本研究依據(jù)上述方法對(duì)駕駛疲勞等級(jí)進(jìn)行如下劃分：在駕駛?cè)蝿?wù)初始階段，駕駛員的信息感知、處理能力較強(qiáng)以及駕駛操作失誤率較低，其疲勞程度處于輕微狀態(tài)，故將駕駛?cè)蝿?wù)前段時(shí)間作為輕度疲勞等級(jí)；隨著駕駛時(shí)長不斷增加，駕駛員對(duì)復(fù)雜的道路交通信息的感知、處理能力逐漸下降，駕駛操作失誤率有所增加，其疲勞程度將逐漸上升，直到駕駛?cè)蝿?wù)結(jié)束前達(dá)到最高，故將駕駛?cè)蝿?wù)后段時(shí)間作為重度疲勞等級(jí)。

步驟2：合理性驗(yàn)證：駕駛疲勞研究中常采用主觀疲勞評(píng)價(jià)、駕駛行為等指標(biāo)來表征駕駛員疲勞程度[13]。基于上述結(jié)論，為驗(yàn)證疲勞等級(jí)劃分的合理性，本文將前后兩個(gè)時(shí)段駕駛員疲勞主觀量表[14](karolinskasleepinessscale,kss)得分、駕駛行為績效進(jìn)行對(duì)比分析，通過配對(duì)樣本t檢驗(yàn)(paired-samplesttest)確定不同疲勞等級(jí)下主觀疲勞程度、駕駛行為績效是否存在顯著性差異。其方法如下，

步驟3：驗(yàn)證方法：假定輕度疲勞等級(jí)下數(shù)據(jù)樣本集為z′i＝{s′i,o′i}，s′＝{s′i}、o′＝{o′ij}，其中，s′為主觀量表數(shù)據(jù)樣本，o′為駕駛行為績效數(shù)據(jù)樣本，i為樣本數(shù)，i＝1,2,3…n，

j為行為績效指標(biāo)，j＝1,2,3…m(本文取4項(xiàng)行為績效指標(biāo)，故取m＝4)，同理，可定義重度疲勞等級(jí)下數(shù)據(jù)樣本集z″i＝{s″i,o″i}。令zi＝z′i-z″i，構(gòu)造統(tǒng)計(jì)量t：

式中，計(jì)算統(tǒng)計(jì)量t的觀測(cè)值及對(duì)應(yīng)概率p值。在給定的顯著性水平α(一般取0.05)的情況下，若p<α即為差異顯著。

本發(fā)明還進(jìn)行了試驗(yàn)驗(yàn)證：

實(shí)驗(yàn)設(shè)計(jì)

本次實(shí)驗(yàn)有償招募了30名男性駕駛員作為被試，其年齡在20-27歲，均值為24.8歲，標(biāo)準(zhǔn)差為1.28歲；駕齡在3-8年，均值為5.3年，標(biāo)準(zhǔn)差為1.59年。模擬駕駛場(chǎng)景為一條單向2車道公路，每車道寬度為3.75m，無車流干擾。要求被試駕駛車輛跟隨前車行駛，車速保持在60km/h左右，禁止超車或撞車。實(shí)驗(yàn)過程中，前車剎車燈以120±10s的隨機(jī)時(shí)間間隔亮起，被試在燈亮起后盡可能快的做出按鍵反應(yīng)(如反應(yīng)時(shí)間大于1000ms，則該次反應(yīng)視為無效)。整個(gè)駕駛?cè)蝿?wù)持續(xù)120min，全程無休息。

在實(shí)驗(yàn)過程中，同步記錄被試對(duì)前車隨機(jī)剎車信號(hào)刺激的反應(yīng)時(shí)間，數(shù)據(jù)采集頻率為10hz。同時(shí)，采用德國neuroscan公司的64導(dǎo)腦電采集系統(tǒng)連續(xù)采集被試腦電數(shù)據(jù)，并記錄水平與垂直眼電。腦電采樣率設(shè)置為1000hz，采集頻率帶寬設(shè)置為0.5-100hz，電極與頭皮之間阻抗小于5kω。

基于上述實(shí)驗(yàn)，對(duì)所獲取的模擬駕駛數(shù)據(jù)分析處理如下。

5.2疲勞等級(jí)劃分合理性驗(yàn)證

為驗(yàn)證第1節(jié)中將實(shí)驗(yàn)時(shí)間劃分為前后兩個(gè)時(shí)段以對(duì)應(yīng)不同疲勞等級(jí)的合理性，同時(shí)考慮到被試疲勞累積，選取實(shí)驗(yàn)16-46min作為第1時(shí)段，90-120min作為第2時(shí)段，分別對(duì)應(yīng)輕、重疲勞等級(jí)。對(duì)上述兩個(gè)時(shí)段的主觀疲勞數(shù)據(jù)(kss量表)、3項(xiàng)客觀行為數(shù)據(jù)(反應(yīng)時(shí)間、速度偏差、有效檢測(cè)率)進(jìn)行計(jì)算及配對(duì)t檢驗(yàn)，其結(jié)果如圖2所示。

從圖2可以看出，第1時(shí)段的kss量表得分顯著低于第2時(shí)段(均值：2.15vs7.33；方差：0.79vs0.98；p<0.01)，表明被試主觀駕駛疲勞感知程度加深；第1時(shí)段的反應(yīng)時(shí)間顯著低于第2時(shí)段(均值：570.12vs609.75；方差：21.03vs27.78；p<0.01)，表明被試對(duì)剎車刺激感知和處理能力的下降；第1時(shí)段速度偏差顯著低于第2時(shí)段(均值：1.48vs3.68，方差：0.85vs0.90，p<0.05)，表明被試對(duì)車輛操縱能力的下降；第1時(shí)段的有效檢測(cè)率明顯高于第2時(shí)段(均值：90.15vs77.92，方差：3.58vs5.21，p<0.05)，表明被試對(duì)信息獲取和處理效能的下降。上述主觀疲勞和行為績效數(shù)據(jù)對(duì)比結(jié)果表明，選取第1時(shí)段、第2時(shí)段以對(duì)應(yīng)不同程度的疲勞等級(jí)是合理的。

5.3腦電指標(biāo)降維

采用第2節(jié)所述方法對(duì)腦電原始數(shù)據(jù)進(jìn)行處理，共獲得512項(xiàng)腦電特征參數(shù)，對(duì)所獲腦電特征參數(shù)進(jìn)行核主元分析和降維，選取前30個(gè)主元(其累計(jì)貢獻(xiàn)率在在90％以上)，構(gòu)成疲勞識(shí)別腦電指標(biāo)樣本。按照上述方法，對(duì)全部腦電原始數(shù)據(jù)進(jìn)行處理，從而獲得一個(gè)包含絕大多數(shù)特征信息的疲勞識(shí)別腦電指標(biāo)樣本集。為使識(shí)別器識(shí)別效果最優(yōu)，需確定疲勞識(shí)別腦電指標(biāo)的最優(yōu)主元個(gè)數(shù)。為此，從腦電指標(biāo)樣本集中隨機(jī)抽取200個(gè)樣本，將其輸入到svm識(shí)別器中，通過改變主元個(gè)數(shù)觀察svm識(shí)別器的識(shí)別正確率，識(shí)別結(jié)果如圖3。

從圖3可以看出，主元個(gè)數(shù)對(duì)模型識(shí)別效果影響較為顯著，主元個(gè)數(shù)過少和過多，svm識(shí)別器識(shí)別正確率均較低，其原因是：主元個(gè)數(shù)過少，疲勞識(shí)別腦電指標(biāo)不能夠提供足夠的特征信息用以識(shí)別；主元個(gè)數(shù)過多，將保留噪音信息，影響識(shí)別準(zhǔn)確率。當(dāng)取19個(gè)主元時(shí)，模型識(shí)別正確率最高，達(dá)到92.31％，故確定疲勞識(shí)別腦電指標(biāo)的主元為19。

5.4疲勞識(shí)別效果測(cè)評(píng)

在確定最優(yōu)主元個(gè)數(shù)后，將全部疲勞識(shí)別腦電指標(biāo)樣本作如下處理：隨機(jī)抽取其中75％的樣本作為訓(xùn)練樣本，余下作為測(cè)試樣本，識(shí)別效果如圖4。

模型識(shí)別正確率在79.17％-92.03％之間，平均正確率為84.62％，表明模型具有較高的識(shí)別精度，且模型對(duì)重度疲勞等級(jí)識(shí)別正確率明顯高于輕度疲勞等級(jí)(見圖4(a))。此外，模型受試者工作特征曲線(receiveroperatingcharacteristiccurve,roc)線下面積(areaunderthecurve,auc)[17]為0.935(見圖4(b))，說明模型具有較高的正確性。為驗(yàn)證kpca-svm模型具有較好的識(shí)別效果，對(duì)文獻(xiàn)[18]所提bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試，兩者的識(shí)別結(jié)果對(duì)比如表1所示，

表1模型效果對(duì)比

從表1可以看出，本文所構(gòu)建模型在識(shí)別效果、auc等指標(biāo)上均明顯優(yōu)于bp神經(jīng)網(wǎng)絡(luò)模型，證明了模型具有較好的識(shí)別效果。

實(shí)施例二：

參見圖5所示，駕駛疲勞識(shí)別系統(tǒng)可以包括：腦電信號(hào)收集單元，用于獲取被測(cè)人員的腦電數(shù)據(jù)；

腦電特征數(shù)據(jù)提取單元，用于對(duì)腦電數(shù)據(jù)利用傅里葉變換計(jì)算，提取腦電特征數(shù)據(jù)；

疲勞識(shí)別腦電指標(biāo)獲取單元，用于采用核主元分析對(duì)腦電特征數(shù)據(jù)進(jìn)行特征降維，依次按照貢獻(xiàn)率從大到小選取主元直至總貢獻(xiàn)率超過預(yù)定值，被選中的主元構(gòu)成疲勞識(shí)別腦電指標(biāo)；

疲勞識(shí)別單元，用于將所述疲勞識(shí)別腦電指標(biāo)作為支持向量機(jī)的輸入，得到被測(cè)人員的駕駛疲勞識(shí)別結(jié)果。

優(yōu)選地，所述腦電特征數(shù)據(jù)提取單元用于：對(duì)每個(gè)電極的腦電數(shù)據(jù)利用傅里葉變換計(jì)算，并計(jì)算由低至高的第一頻段、第二頻段、第三頻段的幅值序列，并求第一頻段的幅度均值θ、第二頻段的幅度均值α、第三頻段的幅度均值β；

根據(jù)第一頻段的幅度均值θ、第二頻段的幅度均值α、第三頻段的幅度均值β，計(jì)算((α+β)/β，α/β，(θ+α)/(α+β)，θ/β，(α+β)/θ)；

將q個(gè)電極的腦電信號(hào)對(duì)應(yīng)的第一頻段的幅度均值θ、第二頻段的幅度均值α、第三頻段的幅度均值β、((α+β)/β，α/β，(θ+α)/(α+β)，θ/β，(α+β)/θ)作為腦電特征數(shù)據(jù)，相應(yīng)得到8×q項(xiàng)腦電特征數(shù)據(jù)。

優(yōu)選地，所述腦電特征數(shù)據(jù)提取單元用于：對(duì)于一個(gè)腦電特征參數(shù)樣本e＝(e1,e2,…em)，其中m＝8q，其在高維特征空間的映射為φ(e)，給定φ(e)的協(xié)方差矩陣的特征矢量為wk，則腦電特征參數(shù)樣本e在特征矢量wk上的投影，即為所求主元tk

其中，k(ej,e)為核函數(shù)，各主元的貢獻(xiàn)率w按下式進(jìn)行計(jì)算：

w＝(tk,tk+1,…,tm)e′

將主元按照貢獻(xiàn)率進(jìn)行排序，取前p(p<m)個(gè)主元，使其累計(jì)貢獻(xiàn)率在90％以上，構(gòu)成疲勞識(shí)別腦電指標(biāo)x＝(x1,x2,…,xp)。

優(yōu)選地，所述疲勞識(shí)別腦電指標(biāo)獲取單元用于：對(duì)于給定的疲勞識(shí)別腦電指標(biāo)樣本集{xi,yi}，xi＝(xi1,xi2,...,xip)^t∈r^d，r為實(shí)數(shù)集yi∈{+1,-1}為類標(biāo)記，i＝1,2,...,n，n為疲勞識(shí)別指標(biāo)樣本個(gè)數(shù)，其分類面函數(shù)設(shè)為：

其中，αi為標(biāo)量常數(shù)，b為分類閾值，k(xi,xj)為核函數(shù)；

其中，c為lagrange乘子設(shè)定的上限，c>0，在上式得到的最優(yōu)解集中，選取αi>0(i＝1,2,...,s且s<n)的對(duì)應(yīng)樣本作為輸入，從而構(gòu)造的識(shí)別器決策函數(shù)為：

對(duì)于一組未知狀態(tài)的駕駛員疲勞特征指標(biāo)向量xr＝{xr1,xr2,...,xrp}，若f(xr)＝-1則判定駕駛員為輕度疲勞狀態(tài)；若f(xr)＝+1則判定駕駛員為重度疲勞狀態(tài)。

此外，前述方法實(shí)施例涉及的一些擴(kuò)展也適用于系統(tǒng)實(shí)施例，在此不再一一贅述。并且能夠直接和毫無疑義得出，本發(fā)明實(shí)施例的駕駛疲勞識(shí)別系統(tǒng)，采用主觀疲勞指標(biāo)和客觀行為數(shù)據(jù)對(duì)疲勞等級(jí)劃分進(jìn)行了驗(yàn)證，證明了依據(jù)時(shí)間段劃分疲勞等級(jí)是合理的。基于特征降維的核主元分析，提出了一種通過對(duì)比不同主元個(gè)數(shù)下的正確率大小，選取疲勞識(shí)別腦電指標(biāo)的方法。在確定最優(yōu)主元個(gè)數(shù)的基礎(chǔ)上，結(jié)合svm模型，構(gòu)建了一種駕駛員疲勞狀態(tài)識(shí)別模型，該模型具有較高的識(shí)別正確率。

本領(lǐng)域普通技術(shù)人員可以理解，實(shí)現(xiàn)上述實(shí)施例的全部或者部分步驟/單元/模塊可以通過程序指令相關(guān)的硬件來完成，前述程序可以存儲(chǔ)于計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，執(zhí)行包括上述實(shí)施例各單元中對(duì)應(yīng)的步驟；而前述的存儲(chǔ)介質(zhì)包括：rom、ram、磁碟或者光碟等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。