基于多信息融合的疲劳驾驶预警系统的研究

赵旭阳

吉林大学汽车工程学院 吉林省长春市 130022

1 引言

随着社会和经济的迅猛发展，全球的汽车保有量也随之急剧增长。但交通事故的数量也随之增长。因此，交通安全问题成为了当今全世界都必须要面对的问题。根据大量统计数据显示，由疲劳驾驶引起的交通事故数量占总数量的49%，是引发交通事故所有原因的首位。因此，研究疲劳驾驶预警系统对于驾驶安全问题的改善有重大意义。

人们研究疲劳驾驶监测的历史很长，但如何定义疲劳依旧是较困难的问题。原因就是疲劳的定义不能被实验数据精确地量化。在本文中，模糊C-均值聚类被用来分析不可精确测量的特征量，KNN分类器被用来建立特征参数值与疲劳程度间的关系。

2 方法

2.1 数据采集模块的建立

在本文中，E6B2-CWZ3E光电编码器被选用来收集方向盘角度的数据；而光脉搏传感器被用来收集脉搏幅度的数据，进而可得到便于随后数据分析过程中处理与分析的数据；在收集方向盘握力的数据时，我们运用RFP02型压力传感器收集，传感器可以测量方向盘上各个部分的压力值，系统则可经计算得出各个非零值的平均值。

2.2 实验数据采集与处理模块的建立

为简化实验程序和减少数据处理的难度，实验道路的路况被限定为平直路面。实验数据被分为65组。其中，第1-40组是在驾驶员清醒状况下测得的，第41-65组是在驾驶员疲劳状况下测得的。

驾驶员需不断地调整方向盘的角度以保证车辆以正常路径行驶。因此，方向盘的转动角度是驾驶员操纵车辆的重要特征指标。不像在驾驶员清醒状况下所表现的那样，在驾驶员疲劳状况下，方向盘转角信号会表现出两项特征：其一是方向盘调整频率明显下降，其二则是方向盘的调整幅度变大在方向盘转角的特征参数中，以下六个参数[1]被证明在辨别驾驶员疲劳状况方面有更好的辨别力：

方向盘转角绝对平均值（SAMEAN）是方向盘转角数据绝对值化后取平均得到（公式略）。

方向盘转角标准差（SASTD）是方向盘转角数据取标准差计算得到的（公式略）。

在数据的处理中，方向盘的转角的绝对数值如果超过绝对值的最大值的3/4被认为是角度过大，若小于绝对值的最大值的1/4被认为是角度过小。Q1MEAN代表了一定时间内方向盘转角绝对值小于绝对值的最大值的1/4的样本数量所占总样本数的比例，Q3MEAN代表了一定时间内方向盘转角绝对值大于绝对值的最大值的3/4的样本数量所占总样本数的比例，Q1MEAN和Q3MEAN统称为方向盘角度的四分位值。

方向盘角速度的绝对值平均值（SAVMEAN）是代表了方向盘转动速度的衡量指标，是由方向盘转角速度数据绝对值化后取平均得到（公式略）。

方向盘角速度的标准差（SAVSTD）由方向盘转角角速度的标准差计算得到，其值越大，方向盘的转动频率越高（公式略）。

在处理脉搏数据时，我们预先对其信号进行了降噪处理[2]，降噪结果如下图所示：

在生理科学领域，脉搏信号被广泛地用来评价测试对象的生理状况[3]，除了脉搏频率以外，在其余特征参数中，以下指标被验证在判断驾驶员疲劳程度时具有良好地评价能力[4]：

脉搏信号的均方根（由数据值平方加和取平均得到）

2.3 基于模糊C均值聚类的数据库搭建

为了分析离散的数据以及为后续的KNN分类器建立做准备，我们引入欧式距离和模糊理论。为了消除各个特征参数量纲的影响，我们先对数据进行标准化处理，标准化公式

2.4 KNN分类器的建立

KNN分类器是一种通用的数据分类算法，由数学家Cover和Hart于1968年提出。首先，应算出样本x与每个已知的预测聚类中心的距离。而后我们将得到的距离进行分类。最后，K预测样本可从距离最近的已知样本中得到。KNN算法的原则是：在K预测样本中，若某类数据占最大比例，那么x则可被分为此类。KNN算法的具体步骤如下：

（1）利用已有的数据构建训练集并得到供预测的集合。训练集为P集合，而预测集为Q集合，P集合可由以下公式得到：i个维度的矢量矩阵，ci代表了第i个预测集合的类。

图1

（2）根据K的初始值，K被预先分为10类，K的具体数值会随着实验结果调整。

（3）本文中运用欧氏距离计算样本与训练集的距离，其计算公式为：

（4）找出与K与所有数据库样本中聚类中心的距离值，并排序。

（5）找出样本x的主的主类，计算距离K最近的几个聚类中心，列为：他们对应的类为，则其最多的标记类即为最终的预测结果（疲劳与否）。

3 实验结果

因为系统在KNN分类器建立时可将正确的测试结果作为数据库的样本，这样便可增加数据库的样本量，提高整个系统的预测准确率。本文中，疲劳驾驶预警系统用65组数据进行验证准确性的实验，可发现，随着样本数从15变为65，预测的准确率也相应提升。

4 结语

在本文中，通过对由方向盘转角数据，脉搏数据以及握力的处理，可得到10项特征参数值。在利用C均值聚类分析实验数据之后，KNN分类器被用来建立特征参数与疲劳程度的关系。通过比较验证实验的结果，本系统被证明拥有良好的准确性和鲁棒性，并且随着样本数的增加与分析的迭代，系统的预测准确性也明显提高。