论文部分内容阅读
疲劳驾驶是导致交通安全事故发生的重要原因之一,如何准确地检测驾驶员的疲劳状况已经成为国内外研究者们关注的热门问题。已有的疲劳驾驶检测方法还存在准确性低、价格昂贵、推广性差和驾驶员舒适性不佳等问题,因而深入细致地研究疲劳驾驶检测技术和方法,综合应用统计学、信号分析及机器学习等方法,开发出准确性高的疲劳驾驶检测技术是目前疲劳驾驶检测系统的重要设计目标之一。生理信号是检测人体疲劳状态的重要指标之一,本文通过检测人体生理信号来判别驾驶员的疲劳状态,重点分析线性分类模型、支持向量机模型(SVC)以及神经网络模型(MLP Classifier)的疲劳驾驶状态检测方法的优缺点,提出基于特征优化后的随机森林算法和拟自适应随机森林算法疲劳驾驶检测方法,以实现提高疲劳驾驶检测精度的目标。主要工作包括:针对以往疲劳驾驶检测系统数据采集存在干扰、采集设备昂贵的问题,通过采集成本低廉的皮肤电导率、脉搏血氧含量和呼吸信号等非侵入式生理参数,利用希尔伯特变换和滤波器对采集的数据进行过滤除噪,实现降低疲劳驾驶检测成本以及数据干扰的目标。针对疲劳驾驶检测精度不高的问题,提出基于特征优化后的随机森林算法的疲劳驾驶检测方法。通过分析随机森林算法基分类器强度和相关性的关系,利用卡方检验的方法,对随机森林算法特征选择进行优化,实现提高疲劳驾驶检测精度的目标。通过实验证明,该算法较于SVC和MLP Classifier算法精度提高了35.2%和 4.3%。针对疲劳驾驶样本采集规模有限以及样本对检测结果影响存在差异性问题,进一步提出基于拟自适应随机森林算法的疲劳驾驶检测方法。通过结合随机森林算法随机性和Adaboost算法自适应特点,对训练样本以及基分类器进行自适应调整,在保证疲劳驾驶检测精度前提下,提高疲劳驾驶检测鲁棒性目标。通过实验证明,该算法较于SVC和MLP Classifier精确度算法提高了 38%和6.5%。为使疲劳驾驶状态检测实验结果更具客观真实性,实验采用真实驾驶环境下的人体生理数据,并利用准确率、均方误差、ROC曲线、精确率和召回率等评估参数对实验结果进行综合评估,实现在样本集存在干扰以及样本采集规模较小的情况下,提高疲劳驾驶检测精度的目的。