CN105139070A - 基于人工神经网络和证据理论的疲劳驾驶评价方法 - Google Patents

Abstract

本发明公开了基于人工神经网络和证据理论的疲劳驾驶评价方法，包括以下步骤，步骤一，采集疲劳特征数据样本；步骤二，构建人工神经网络，利用样本数据确定人工神经网络参数；步骤三，实时计算疲劳特征参数；步骤四，基于人工神经网络的特征级融合；步骤五，基于D-S证据理论的决策级融合；步骤六，根据决策规则进行驾驶状态辨识。本发明克服了基于单一类别特征或单一信息源特征疲劳驾驶评价方法的局限性，降低其误检率和漏检率，提高疲劳驾驶评价的可靠性和准确率，适合于准确性高、鲁棒性强的驾驶疲劳实时评价场合。

Description

基于人工神经网络和证据理论的疲劳驾驶评价方法

技术领域

本发明涉及一种基于人工神经网络和证据理论的疲劳驾驶评价方法，属于驾驶员疲劳驾驶评价技术领域。

背景技术

疲劳驾驶检测和评价已成为汽车主动安全领域中的研究热点，其中基于物理传感器的非接触式疲劳驾驶检测方法在理论研究和应用领域近年来引起广泛重视。但现有的疲劳驾驶评价方法大都只针对驾驶员某一方面的单一疲劳特征，如频繁的眨眼和打呵欠，头部转动异常，或车辆行驶状态异常等。随着信息融合技术的发展，不少评价方法虽然已开始考虑融合多个疲劳特征，但它们大多只融合驾驶员面部的几个疲劳特征，而对于间接反应驾驶员是否疲劳的车辆行为特征，如因疲劳驾驶而产生的车辆异常偏离车道，方向盘转动和车速变化异常等却被忽略，导致目前这些方法的评价效果不够理想，容易造成误评，漏评等。同时，疲劳驾驶是一个非常复杂的生理现象，存在诱发原因多，症状复杂，难以检测和评价等问题，这些都给传统的疲劳驾驶评价方法带来了极大地挑战。

发明内容

为了解决上述技术问题，本发明提供了一种基于人工神经网络和证据理论的疲劳驾驶评价方法。

为了达到上述目的，本发明所采用的技术方案是：

基于人工神经网络和证据理论的疲劳驾驶评价方法，包括以下步骤，

步骤一，采集疲劳特征数据样本，用以人工神经网络训练；

步骤二，构建人工神经网络，利用样本数据确定人工神经网络参数；

步骤三，实时计算疲劳特征参数；

步骤四，基于人工神经网络的特征级融合；

步骤五，基于D-S证据理论的决策级融合；

步骤六，根据决策规则进行驾驶状态辨识。

疲劳特征数据样本采集过程为，

A1)招募若干受试驾驶员，并根据疲劳状态进行自我评价；

A2)对受试驾驶员的疲劳特征参数进行采集；

所述疲劳特征参数包括面部行为特征信号和车辆行为特征信号；

所述面部行为特征信号包括眨眼信号、打哈欠信号和眼睛持续闭合信号；

所述车辆行为特征信号包括车辆前方车道标志线信号、方向盘转动信号和车辆车速信号；

A3)根据面部行为特征信号计算出眨眼频率x_1,1、打哈欠频率x_1,2和眼睛持续闭合时间均值x_1,3；根据车辆行为特征信号计算出车辆横向偏离频率x_2,1、方向盘零速转动百分比x_2,2和车辆纵向车速方差x_2,3；

A4)利用EEG检测装置同步采集受试驾驶员脑电信号，记录当前时刻受试驾驶员是否疲劳的指标r_α,θ,β；

r_α,θ,β＝(P_α+P_θ)/P_β

其中，P_α，P_θ和P_β分别为脑电波在α，θ和β三个波段的功率谱；

A5)根据r_α,θ,β的大小对受试驾驶员的驾驶状态进行分类；

当r_α,θ,β＜s₁时，受试驾驶员的驾驶状态为“清醒”；

当s₁≤r_α,θ,β＜s₂时，受试驾驶员的驾驶状态为“轻度疲劳”；

当r_α,θ,β≥s₂时，受试驾驶员的驾驶状态为“重度疲劳”；

s₁＜s₂，s₁和s₂均为设定的阈值；

A6)将受试驾驶员的自我评价和步骤A5中获得的分类情况进行比较，当两者相同时，则将该受试驾驶员的疲劳特征参数作为有效样本数据存入样本数据集中，否则，作为无效数据剔除。

构建的人工神经网络有两个，第一个人工神经网络用ANN-1表示，第二个人工神经网络用ANN-2表示；

ANN-1结构为：将眨眼频率x_1,1、打哈欠频率x_1,2和眼睛持续闭合时间均值x_1,3作为ANN-1输入层三个神经元的输入向量，ANN-1输出层神经元用y_1,1、y_1,2和y_1,3表示，分别对应“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态的概率值，ANN-1隐含层神经元个数其中，a₁为ANN-1输入层的神经元个数，b₁为ANN-1输出层神经元个数，c₁为一个常数；

ANN-2结构为：将车辆横向偏离频率x_2,1、方向盘零速转动百分比x_2,2和车辆纵向车速方差x_2,3作为ANN-2输入层三个神经元的输入向量，ANN-2输出层神经元用y_2,1、y_2,2和y_2,3表示，分别对应“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态的概率值，ANN-2隐含层神经元个数其中，a₂为ANN-2输入层的神经元个数，b₂为ANN-2输出层神经元个数，c₂为一个常数。

ANN-1和ANN-2的网络参数利用样本参数，通过BP算法训练确定；

ANN-1的网络参数通过BP算法训练确定的过程为：

B1)ANN-1网络参数初始化；

定义w¹ _i,j为ANN-1输入层与隐含层之间的连接权值，θ¹ _j为ANN-1输入层与隐含层之间的连接阈值，v¹ _j,t为ANN-1隐含层与输出层之间的连接权值，γ¹ _t为ANN-1隐含层与输出层之间的连接阈值，ε₁为ANN-1训练的误差精度，n_M为最大迭代次数；

其中，i、t、j均为整数，i∈[1,3]，t∈[1,3]，j∈[1,n₁]；

B2)从样本数据集I中选取受试驾驶员面部行为特征样本数据I¹ _k；

${I^1}_k=\[X_1^k,Y_1^k\]$

其中，x^k _1,1为第k个受试驾驶员的面部行为特征中的眨眼频率，x^k _1,2为第k个受试驾驶员的面部行为特征中的打哈欠频率，x^k _1,3为第k个受试驾驶员的面部行为特征中的眼睛持续闭合时间均值；

Y₁ ^k＝[y^k _1,1,y^k _1,2,y^k _1,3]，y^k _1,1、y^k _1,2和y^k _1,3分别表示第k个数据样本在“清醒”，“轻度疲劳”和“重度疲劳”三种驾驶状态下的3个概率值；

B3)将作为ANN-1的输入向量，将Y₁ ^k作为ANN-1的期望输出向量输到ANN-1中；

B4)定义N＝1，w¹ _i,j(1)为第一次迭代ANN-1输入层与隐含层之间的连接权值，θ¹ _j(1)为第一次迭代ANN-1输入层与隐含层之间的连接阈值，v¹ _j,t(1)为第一次迭代ANN-1隐含层与输出层之间的连接权值，γ¹ _t(1)为第一次迭代ANN-1隐含层与输出层之间的连接阈值；

B5)执行输入模式的正向传播过程；

正向传播过程如下：

a1)计算ANN-1隐含层各个神经元的输出

$h_{1,j}^k=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{w^1}_{i,j}\·{x^k}_{1,i}-{{\mathrm{\θ}}^1}_j\]\};$

a2)计算ANN-1输出层各个神经元的实际输出

$O_{1,t}^k=1/\{1+\exp \[-\underset{j=1}{\overset{n_1}{\Σ}}{v^1}_{j,t}\·h_{1,j}^k-{{\mathrm{\γ}}^1}_t\]\};$

a3)计算ANN-1期望输出跟实际输出的误差

$E_1^k=\frac{1}{2}\underset{t=1}{\overset{3}{\Σ}}{(y^k{1,t}_{}-O_{1,t}^k)}^2;$

B6)执行误差的逆向传播过程；

逆向传播过程如下：

b1)计算ANN-1输出层各个单元的校正误差

$d_{1,t}^k=(y^k{1,t}_{}-O_{1,t}^k)\·O_{1,t}^k\·(1-O_{1,t}^k);$

b2)计算ANN-1隐含层各个单元的校正误差

$e_{1,j}^k=\[\underset{t=1}{\overset{3}{\Σ}}{d}_{1,t}^k\·{v^1}_{j,t}\]\·h_{1,j}^k\·(1-h_{1,j}^k);$

B7)计算下一次迭代时ANN-1输入层与隐含层之间的新连接权值w¹ _i,j(N+1)和新阈值θ¹ _j(N+1)；

${w^1}_{i,j}(N+1)={w^1}_{i,j}\left(N\right)+{\mathrm{\β}}_1\·e_{1,j}^k\·x^k{1,t}_{}$

${{\mathrm{\θ}}^1}_j(N+1)={{\mathrm{\θ}}^1}_j\left(N\right)+{\mathrm{\β}}_1\·e_{1,j}^k$

其中，β₁为ANN-1的学习系数；

B8)计算下一次迭代时ANN-1隐含层与输出层之间的新连接权值v¹ _j,t(N+1)和新阈值γ¹ _t(N+1)；

${v^1}_{j,t}(N+1)={v^1}_{j,t}\left(N\right)+{\mathrm{\α}}_1\·d_{1,t}^k\·h_{1,j}^k$

${{\mathrm{\γ}}^1}_t(N+1)={{\mathrm{\γ}}^1}_t\left(N\right)+{\mathrm{\α}}_1\·d_{1,t}^k$

其中，α₁为ANN-1的学习系数；

B9)判断是否小于等于ε₁，或者N+1是否等于n_M，若满足，则训练结束，转至步骤B10，否则，N＝N+1，转至步骤B5；

B10)将满足步骤B9条件时，训练获得的连接权值和阈值作为ANN-1的最优网络参数；

其中，作为ANN-1的最优网络参数的连接权值分别记作和作为ANN-1的最优网络参数的连接阈值分别记作和

ANN-2的网络参数通过BP算法训练确定的过程为：

C1)ANN-2网络参数初始化；

定义w² _i,j′为ANN-2输入层与隐含层之间的连接权值，θ² _j′为ANN-2输入层与隐含层之间的连接阈值，v² _j′,t为ANN-2隐含层与输出层之间的连接权值，γ² _t为ANN-2隐含层与输出层之间的连接阈值，ε₂为ANN-2训练的误差精度；

其中，j′为整数，j′∈[1,n₂]；

C2)从样本数据集I中选取受试驾驶员车辆行为特征样本数据I² _k；

${I^2}_k=\[X_2^k,Y_2^k\]$

其中，x^k _2,1为第k个受试驾驶员的车辆行为特征中的车辆横向偏离频率，x^k _2,2为第k个受试驾驶员的车辆行为特征中的方向盘零速转动百分比，x^k _2,3为第k个受试驾驶员的车辆行为特征中的车辆纵向车速方差；

y^k _2,1，y^k _2,2和y^k _2,3分别表示第k个数据样本在“清醒”，“轻度疲劳”和“重度疲劳”三种驾驶状态下的3个概率值；

C3)将作为ANN-2的输入向量，将作为ANN-2的期望输出向量输到ANN-2中；

C4)定义N＝1，w² _i,j′(1)为第一次迭代ANN-2输入层与隐含层之间的连接权值，θ² _j′(1)为第一次迭代ANN-2输入层与隐含层之间的连接阈值，v² _j′,t(1)为第一次迭代ANN-2隐含层与输出层之间的连接权值，γ² _t(1)为第一次迭代ANN-2隐含层与输出层之间的连接阈值；

C5)执行输入模式的正向传播过程；

正向传播过程如下：

c1)计算ANN-2隐含层各个神经元的输出

$h_{2,j^{\′}}^k=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{w^2}_{i,j^{\′}}\·{x^k}_{2,i}-{{\mathrm{\θ}}^2}_{j^{\′}}\]\};$

c2)计算ANN-2输出层各个神经元的实际输出

$O_{2,t}^k=1/\{1+\exp \[-\underset{j^{\′}=1}{\overset{n_2}{\Σ}}{v^2}_{j^{\′},t}\·h_{2,j^{\′}}^k-{{\mathrm{\γ}}^2}_t\]\};$

c3)计算ANN-2期望输出跟实际输出的误差

$E_2^k=\frac{1}{2}\underset{t=1}{\overset{3}{\Σ}}{({y^k}_{2,t}-O_{2,t}^k)}^2;$

C6)执行误差的逆向传播过程；

逆向传播过程如下：

d1)计算ANN-2输出层各个单元的校正误差

$d_{2,t}^k=({y^k}_{2,t}-O_{2,t}^k)\·O_{2,t}^k\·(1-O_{2,t}^k);$

d2)计算ANN-2隐含层各个单元的校正误差

$e_{2,j^{\′}}^k=\[\underset{t=1}{\overset{3}{\Σ}}{d}_{2,t}^k\·{v^2}_{j^{\′},t}\]\·h_{2,j^{\′}}^k\·(1-h_{2,j^{\′}}^k);$

C7)计算下一次迭代时ANN-2输入层与隐含层之间的新连接权值w² _i,j′(N+1)和新阈值θ² _j′(N+1)；

${w^2}_{i,j^{\′}}(N+1)={w^2}_{i,j^{\′}}\left(N\right)+{\mathrm{\β}}_2\·e_{2,j^{\′}}^k\·{x^k}_{2,i}$

${{\mathrm{\θ}}^2}_{j^{\′}}(N+1)={{\mathrm{\θ}}^2}_{j^{\′}}\left(N\right)+{\mathrm{\β}}_2\·e_{2,j^{\′}}^k$

其中，β₂为ANN-2的学习系数；

C8)计算下一次迭代时ANN-2隐含层与输出层之间的新连接权值v² _j′,t(N+1)和新阈值γ² _t(N+1)；

${v^2}_{j^{\′},t}(N+1)={v^2}_{j^{\′},t}\left(N\right)+{\mathrm{\α}}_2\·d_{2,t}^k\·h_{2,j^{\′}}^k$

${{\mathrm{\γ}}^2}_t(N+1)={{\mathrm{\γ}}^2}_t\left(N\right)+{\mathrm{\α}}_2\·d_{2,t}^k$

其中，α₂为ANN-2的学习系数；

C9)判断是否小于等于ε₂，或者N+1是否等于n_M，若满足，则训练结束，转至步骤C10，否则，N＝N+1，转至步骤C5；

C10)将满足步骤B9条件时，训练获得的连接权值和阈值作为ANN-2的最优网络参数；

其中，作为ANN-2的最优网络参数的连接权值分别记作和作为ANN-2的最优网络参数的连接阈值分别记作和

实时计算疲劳特征参数的过程为，

D1)实时采集驾驶员的面部行为特征信号和车辆行为特征信号，分别记作和

D2)根据计算出实时的眨眼频率打哈欠频率和眼睛持续闭合时间均值

根据计算出实时的车辆横向偏离频率方向盘零速转动百分比和车辆纵向车速方差

基于人工神经网络的特征级融合包括基于ANN-1的特征级融合辨识和基于ANN-2的特征级融合辨识；

ANN-1的特征级融合辨识：

将和作为ANN-1的输入，根据BP人工神经网络模型对车辆行为特征参数进行特征级融合，ANN-1的实际输出为

${\tilde{y}}_{1,i}=1/\{1+\exp \[-\underset{j=1}{\overset{n_1}{\Σ}}{\tilde{v}}_{j,t}^1\·{\tilde{h}}_{i,j}-{\widetilde{\mathrm{\γ}}}_t^1\]\}$

其中， ${\tilde{h}}_{1,j}=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{\tilde{w}}_{i,j}^1\·{\tilde{x}}_{1,i}-{\widetilde{\mathrm{\θ}}}_j^1\]);$

ANN-2的特征级融合辨识：

将和作为ANN-2的输入，根据BP人工神经网络模型对车辆行为特征参数进行特征级融合，ANN-2的实际输出为

${\tilde{y}}_{2,i}=1/\{1+\exp \[-\underset{j^{\′}=1}{\overset{n_2}{\Σ}}{\tilde{v}}_{j^{\′},t}^2\·{\tilde{h}}_{2,j^{\′}}-{\widetilde{\mathrm{\γ}}}_t^2\]\}$

其中， ${\tilde{h}}_{2,j^{\′}}=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{\tilde{w}}_{i,j^{\′}}^2\·{\tilde{x}}_{2,i}-{\widetilde{\mathrm{\θ}}}_{j^{\′}}^2\]\}.$

基于D-S证据理论的决策级融合的过程为，

E1)对人工神经网络输出归一化处理；

将ANN-1的输出进行归一化处理，得到归一化后的结果

将ANN-2的输出进行归一化处理，得到归一化后的结果 ${\stackrel{\‾}{y}}_{2,i}={\tilde{y}}_{2,i}/\underset{i=1}{\overset{3}{\Σ}}{\tilde{y}}_{2,i};$

E2)证据理论识别框架基本概率分配；

令证据理论的识别框架Θ＝{A₁,A₂,A₃}，A₁、A₂和A₃分别代表驾驶的三种状态“清醒”、“轻度疲劳”和“重度疲劳”，证据集e＝{e₁,e₂}，e₁和e₂分别表示基于面部行为特征的证据体和基于车辆行为特征的证据体，m₁(A₁)、m₁(A₂)和m₁(A₃)表示基于面部行为特征的证据体分别在“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态下的基本概率分配，m₂(A₁)、m₂(A₂)和m₂(A₃)表示基于车辆行为特征的证据体分别在“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态下的基本概率分配，将人工神经网络归一化后的结果作为识别框架Θ上的基本概率分配，即令 $\begin{array}{cccc}{m}_1\left(A_1\right)={\stackrel{\‾}{y}}_{1,1},& m_1\left(A_2\right)={\stackrel{\‾}{y}}_{1,2},& m_1\left(A_3\right)={\stackrel{\‾}{y}}_{1,3},& m_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,1}\end{array},$ $\begin{array}{cc}{m}_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,2},& m_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,3}\end{array};$

E3)基于D-S证据理论的决策级融合；

基于D-S证据理论的决策级融合的规则为，

m(A_z)为决策级融合后的结果在识别框架ΘΘ上的基本概率分配，z为A的下标值，等于1，2或3，

所述决策规则的表达式为，

$\left\{\begin{array}{c}m\left(A_f\right)=\max \{m\left(A_z\right),A_z\⋐\mathrm{\Θ}\}\\ m\left(A_s\right)=\max \{m\left(A_z\right),A_z\⋐\mathrm{\Θ}and{A}_z\≠A_f\}\\ m\left(A_f\right)-m\left(A_s\right)>{\mathrm{\ϵ}}_{T1}\\ m\left(A_f\right)>{\mathrm{\ϵ}}_{T2}\end{array}\right.$

其中，ε_T1和ε_T2为设定的阈值，m(A_f)、m(A_s)分别表示m(A₁)，m(A₂)和m(A₃)中的最大值和第二大值，A_f表示最大值所对应的驾驶状态，A_s表示第二大值所对应的驾驶状态；

当A_f代表的驾驶状态为A₁时，那么决策级融合的辨识结果为“清醒”；当A_f代表的驾驶状态为A₂时，那么决策级融合的辨识结果为“轻度疲劳”；当A_f代表的驾驶状态为A₃时，那么决策级融合的辨识结果为“重度疲劳”。

本发明所达到的有益效果：

1、本发明综合考虑反映疲劳驾驶的三个面部行为特征和三个车辆行为特征，其中，三个面部行为特征分别为眨眼频率，打呵欠频率和眼睛持续闭合时间均值，三个车辆行为特征分别为车辆横向偏离度，方向盘转动零速百分比以及车辆纵向车速方差，上述六个疲劳特征能够全面、客观、准确的衡量驾驶员的疲劳驾驶状态；

2、对来自两个信息源的六个疲劳特征参数，运用人工神经网络和D-S证据理论对驾驶员疲劳驾驶进行双级融合评价，克服了基于单一类别特征或单一信息源特征疲劳驾驶评价方法的局限性，降低其误检率和漏检率，提高疲劳驾驶评价的可靠性和准确率，适合于准确性高、鲁棒性强的驾驶疲劳实时评价场合；

3、基于人工神经网络的特征级融合为后续决策级融合提供实时、客观、动态的基本概率分配，提高了疲劳驾驶融合辨识评价的准确性，克服现有融合方法主观、静态分配基本概率的缺陷。

附图说明

图1为本发明的流程图。

图2为确定ANN-1网络参数的流程图。

图3为确定ANN-2网络参数的流程图

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，基于人工神经网络和证据理论的疲劳驾驶评价方法，包括以下步骤：

步骤一，采集疲劳特征数据样本，用以人工神经网络训练。

疲劳特征数据样本采集过程为：

A1)招募若干受试驾驶员，并根据疲劳状态进行自我评价。

招募的受试驾驶员一般需要至少有3年驾龄，身体健康，无疾病，心情舒畅，实验前24小时没有酗酒，喝浓茶或咖啡。受试驾驶员在受试之前，需要根据受试内容和注意事项对自身疲劳状态进打分，自我评价自身的驾驶状态。如：得分在0、1或2时，状态为“清醒”，得分在3、4或5时，状态在“轻度疲劳”，得分在6或7时，状态为“重度疲劳”。

A2)对受试驾驶员的疲劳特征参数进行采集。

疲劳特征参数包括面部行为特征信号和车辆行为特征信号；面部行为特征信号包括眨眼信号、打哈欠信号和眼睛持续闭合信号；车辆行为特征信号包括车辆前方车道标志线信号、方向盘转动信号和车辆车速信号。

A3)根据面部行为特征信号计算出眨眼频率x_1,1、打哈欠频率x_1,2和眼睛持续闭合时间均值x_1,3；根据车辆行为特征信号计算出车辆横向偏离频率x_2,1、方向盘零速转动百分比x_2,2和车辆纵向车速方差x_2,3。

A4)利用EEG检测装置同步采集受试驾驶员脑电信号，记录当前时刻受试驾驶员是否疲劳的指标r_α,θ,β，

r_α,θ,β＝(P_α+P_θ)/P_β

其中，P_α，P_θ和P_β分别为脑电波在α，θ和β三个波段的功率谱，在本这里α，θ和β三个波段的频域范围分别为(8-13Hz)、(4-8Hz)和(0.5-4Hz)，利用傅里叶变换可以将EEG脑电信号分成上述三个波段。

A5)根据r_α,θ,β的大小对受试驾驶员的驾驶状态进行分类；

当r_α,θ,β＜s₁时，受试驾驶员的驾驶状态为“清醒”；

当s₁≤r_α,θ,β＜s₂时，受试驾驶员的驾驶状态为“轻度疲劳”；

当r_α,θ,β≥s₂时，受试驾驶员的驾驶状态为“重度疲劳”；

s₁＜s₂，s₁和s₂均为设定的阈值。

A6)将受试驾驶员的自我评价和步骤A5中获得的分类情况进行比较，当两者相同时，则将该受试驾驶员的疲劳特征参数作为有效样本数据存入样本数据集中，否则，作为无效数据剔除。

步骤二，构建人工神经网络，利用样本数据确定人工神经网络参数。

构建的人工神经网络有两个，第一个人工神经网络用ANN-1表示，第二个人工神经网络用ANN-2表示。

ANN-1结构为：将眨眼频率x_1,1、打哈欠频率x_1,2和眼睛持续闭合时间均值x_1,3作为ANN-1输入层三个神经元的输入向量，ANN-1输出层神经元用y_1,1、y_1,2和y_1,3表示，分别对应“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态的概率值，ANN-1隐含层神经元个数此处n₁＝7，其中，a₁为ANN-1输入层的神经元个数，b₁为ANN-1输出层神经元个数，c₁为一个常数，此处c₁＝5。

ANN-2结构为：将车辆横向偏离频率x_2,1、方向盘零速转动百分比x_2,2和车辆纵向车速方差x_2,3作为ANN-2输入层三个神经元的输入向量，ANN-2输出层神经元用y_2,1、y_2,2和y_2,3表示，分别对应“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态的概率值，ANN-2隐含层神经元个数此处n₂＝7，其中，a₂为ANN-2输入层的神经元个数，b₂为ANN-2输出层神经元个数，c₂为一个常数，此处c₂＝5。

ANN-1和ANN-2的网络参数利用样本参数，通过BP算法训练确定。

ANN-1的网络参数通过BP算法训练确定的过程如图2所示：

B1)ANN-1网络参数初始化；

定义w¹ _i,j为ANN-1输入层与隐含层之间的连接权值，θ¹ _j为ANN-1输入层与隐含层之间的连接阈值，v¹ _j,t为ANN-1隐含层与输出层之间的连接权值，γ¹ _t为ANN-1隐含层与输出层之间的连接阈值，ε₁为ANN-1训练的误差精度，此处为0.001，n_M为最大迭代次数，此处为10000；

其中，i、t、j均为整数，i∈[1,3]，t∈[1,3]，j∈[1,n₁]；

B2)从样本数据集I中选取受试驾驶员面部行为特征样本数据I¹ _k；

样本数据集I的第k个数据样本 $I_k=\{x_{1,1}^k,x_{1,2}^k,x_{1,3}^k,x_{2,1}^k,x_{2,2}^k,x_{2,3}^k,y_{1,1}^k,y_{1,2}^k,y_{1,3}^k,y_{2,1}^k,y_{2,2}^k,y_{2,3}^k\},$ k表示数据样本的索引，k为自然数，k∈[1,C_T]，C_T为数据样本的总数，当第k个数据样本被分类为“清醒”时，那么令和都等于F_e，和均等于F′_e，如果最终的驾驶状态被判定为“轻度疲劳”，那么令和都等于F_e，和均等于F′_e，如果最终的驾驶状态被判定为“重度疲劳”，那么令和都等于F_e，和均等于F′_e，其中，F_e为设定的一个阈值，F′_e＝0.5×(1-F_e)，并且满足(F_e-F′_e)≥0.5。

${I^1}_k=\[X_1^k,Y_1^k\]$

其中，x^k _1,1为第k个受试驾驶员的面部行为特征中的眨眼频率，x^k _1,2为第k个受试驾驶员的面部行为特征中的打哈欠频率，x^k _1,3为第k个受试驾驶员的面部行为特征中的眼睛持续闭合时间均值；

Y₁ ^k＝[y^k _1,1,y^k _1,2,y^k _1,3]，y^k _1,1、y^k _1,2和y^k _1,3分别表示第k个数据样本在“清醒”，“轻度疲劳”和“重度疲劳”三种驾驶状态下的3个概率值；

B3)将作为ANN-1的输入向量，将Y₁ ^k作为ANN-1的期望输出向量输到ANN-1中；

B4)定义N＝1，w¹ _i,j(1)为第一次迭代ANN-1输入层与隐含层之间的连接权值，θ¹ _j(1)为第一次迭代ANN-1输入层与隐含层之间的连接阈值，v¹ _j,t(1)为第一次迭代ANN-1隐含层与输出层之间的连接权值，γ¹ _t(1)为第一次迭代ANN-1隐含层与输出层之间的连接阈值；

B5)执行输入模式的正向传播过程；

正向传播过程如下：

a1)计算ANN-1隐含层各个神经元的输出

$h_{1,j}^k=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{w^1}_{i,j}\·{x^k}_{1,i}-{{\mathrm{\θ}}^1}_j\]\};$

a2)计算ANN-1输出层各个神经元的实际输出

$O_{1,t}^k=1/\{1+\exp \[-\underset{j=1}{\overset{n_1}{\Σ}}{v^1}_{j,t}\·h_{1,j}^k-{{\mathrm{\γ}}^1}_t\]\};$

a3)计算ANN-1期望输出跟实际输出的误差

$E_1^k=\frac{1}{2}\underset{t=1}{\overset{3}{\Σ}}{({y^k}_{1,t}-O_{1,t}^k)}^2;$

B6)执行误差的逆向传播过程；

逆向传播过程如下：

b1)计算ANN-1输出层各个单元的校正误差

$d_{1,t}^k=({y^k}_{1,t}-O_{1,t}^k)\·O_{1,t}^k\·(1-O_{1,t}^k);$

b2)计算ANN-1隐含层各个单元的校正误差

$e_{1,j}^k=\[\underset{t=1}{\overset{3}{\Σ}}{d}_{1,t}^k\·{v^1}_{j,t}\]\·h_{1,j}^k\·(1-h_{1,j}^k);$

B7)计算下一次迭代时ANN-1输入层与隐含层之间的新连接权值w¹ _i,j(N+1)和新阈值θ¹ _j(N+1)；

${w^1}_{i,j}(N+1)={w^1}_{i,j}\left(N\right)+{\mathrm{\β}}_1\·e_{1,j}^k\·x^k{1,t}_{}$

${{\mathrm{\θ}}^1}_j(N+1)={{\mathrm{\θ}}^1}_j\left(N\right)+{\mathrm{\β}}_1\·e_{1,j}^k$

其中，β₁为ANN-1的学习系数，此处β₁＝0.15；

B8)计算下一次迭代时ANN-1隐含层与输出层之间的新连接权值v¹ _j,t(N+1)和新阈值γ¹ _t(N+1)；

${v^1}_{j,t}(N+1)={v^1}_{j,t}\left(N\right)+{\mathrm{\α}}_1\·d_{1,t}^k\·h_{1,j}^k$

${{\mathrm{\γ}}^1}_t(N+1)={{\mathrm{\γ}}^1}_t\left(N\right)+{\mathrm{\α}}_1\·d_{1,t}^k$

其中，α₁为ANN-1的学习系数，此处α₁＝0.15；

B9)判断是否小于等于ε₁，或者N+1是否等于n_M，若满足，则训练结束，转至步骤B10，否则，N＝N+1，转至步骤B5；

B10)将满足步骤B9条件时，训练获得的连接权值和阈值作为ANN-1的最优网络参数；

其中，作为ANN-1的最优网络参数的连接权值分别记作和作为ANN-1的最优网络参数的连接阈值分别记作和

ANN-2的网络参数通过BP算法训练确定的过程如图3所示：

C1)ANN-2网络参数初始化；

定义w² _i,j′为ANN-2输入层与隐含层之间的连接权值，θ² _j′为ANN-2输入层与隐含层之间的连接阈值，v² _j′,t为ANN-2隐含层与输出层之间的连接权值，γ² _t为ANN-2隐含层与输出层之间的连接阈值，ε₂为ANN-2训练的误差精度，此处为0001；

其中，j′为整数，j′∈[1,n₂]；

C2)从样本数据集I中选取受试驾驶员车辆行为特征样本数据I² _k；

用I² _k表示第k个受试驾驶员的车辆行为特征的样本数据，

${I^2}_k=\[X_2^k,Y_2^k\]$

其中，x^k _2,1为第k个受试驾驶员的车辆行为特征中的车辆横向偏离频率，x^k _2,2为第k个受试驾驶员的车辆行为特征中的方向盘零速转动百分比，x^k _2,3为第k个受试驾驶员的车辆行为特征中的车辆纵向车速方差；

y^k _2,1，y^k _2,2和y^k _2,3分别表示第k个数据样本在“清醒”，“轻度疲劳”和“重度疲劳”三种驾驶状态下的3个概率值；

C3)将作为ANN-2的输入向量，将作为ANN-2的期望输出向量输到ANN-2中；

C4)定义N＝1，w² _i,j′(1)为第一次迭代ANN-2输入层与隐含层之间的连接权值，θ² _j′(1)为第一次迭代ANN-2输入层与隐含层之间的连接阈值，v² _j′,t(1)为第一次迭代ANN-2隐含层与输出层之间的连接权值，γ² _t(1)为第一次迭代ANN-2隐含层与输出层之间的连接阈值；

C5)执行输入模式的正向传播过程；

正向传播过程如下：

c1)计算ANN-2隐含层各个神经元的输出

$h_{2,j^{\′}}^k=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{w^2}_{i,j^{\′}}\·{x^k}_{2,i}-{{\mathrm{\θ}}^2}_{j^{\′}}\]\};$

c2)计算ANN-2输出层各个神经元的实际输出

$O_{2,t}^k=1/\{1+\exp \[-\underset{j^{\′}=1}{\overset{n_2}{\Σ}}{v^2}_{j^{\′},t}\·h_{2,j^{\′}}^k-{{\mathrm{\γ}}^2}_t\]\};$

c3)计算ANN-2期望输出跟实际输出的误差

$E_2^k=\frac{1}{2}\underset{t=1}{\overset{3}{\Σ}}{({y^k}_{2,t}-O_{2,t}^k)}^2;$

C6)执行误差的逆向传播过程；

逆向传播过程如下：

d1)计算ANN-2输出层各个单元的校正误差

$d_{2,t}^k=({y^k}_{2,t}-O_{2,t}^k)\·O_{2,t}^k\·(1-O_{2,t}^k);$

d2)计算ANN-2隐含层各个单元的校正误差

$e_{2,j^{\′}}^k=\[\underset{t=1}{\overset{3}{\Σ}}{d}_{2,t}^k\·{v^2}_{j^{\′},t}\]\·h_{2,j^{\′}}^k\·(1-h_{2,j^{\′}}^k);$

C7)计算下一次迭代时ANN-2输入层与隐含层之间的新连接权值连接权值w² _i,j′(N+1)和新阈值θ² _j′(N+1)；

${w^2}_{i,j^{\′}}(N+1)={w^2}_{i,j^{\′}}\left(N\right)+{\mathrm{\β}}_2\·e_{2,j^{\′}}^k\·{x^k}_{2,i}$

${{\mathrm{\θ}}^2}_{j^{\′}}(N+1)={{\mathrm{\θ}}^2}_{j^{\′}}\left(N\right)+{\mathrm{\β}}_2\·e_{2,j^{\′}}^k$

其中，β₂为ANN-2的学习系数，此处β₂＝0.15；

C8)计算下一次迭代时ANN-2隐含层与输出层之间的新连接权值v² _j′,t(N+1)和新阈值γ² _t(N+1)；

${v^2}_{j^{\′},t}(N+1)={v^2}_{j^{\′},t}\left(N\right)+{\mathrm{\α}}_2\·d_{2,t}^k\·h_{2,j^{\′}}^k$

${{\mathrm{\γ}}^2}_t(N+1)={{\mathrm{\γ}}^2}_t\left(N\right)+{\mathrm{\α}}_2\·d_{2,t}^k$

其中，α₂为ANN-2的学习系数，此处α₂＝0.15；

C9)判断是否小于等于ε₂，或者N+1是否等于n_M，若满足，则训练结束，转至步骤C10，否则，N＝N+1，转至步骤C5；

C10)将满足步骤B9条件时，训练获得的连接权值和阈值作为ANN-2的最优网络参数；

其中，作为ANN-2的最优网络参数的连接权值分别记作和作为ANN-2的最优网络参数的连接阈值分别记作和

步骤三，实时计算疲劳特征参数。

实时计算疲劳特征参数的过程为：

D1)实时采集驾驶员的面部行为特征信号和车辆行为特征信号，分别记作和

D2)根据计算出实时的眨眼频率打哈欠频率和眼睛持续闭合时间均值

根据计算出实时的车辆横向偏离频率方向盘零速转动百分比和车辆纵向车速方差

步骤四，基于人工神经网络的特征级融合。

基于人工神经网络的特征级融合包括基于ANN-1的特征级融合辨识和基于ANN-2的特征级融合辨识。

ANN-1的特征级融合辨识：

将和作为ANN-1的输入，根据BP人工神经网络模型对面部行为特征参数进行特征级融合，ANN-1的实际输出为

${\tilde{y}}_{1,i}=1/\{1+\exp \[-\underset{j=1}{\overset{n_1}{\Σ}}{\tilde{v}}_{j,t}^1\·{\tilde{h}}_{1,j}-{\widetilde{\mathrm{\γ}}}_t^1\]\}$

其中， ${\tilde{h}}_{1,j}=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{\tilde{w}}_{i,j}^1\·{\tilde{x}}_{1,i}-{\widetilde{\mathrm{\θ}}}_j^1\]);$

ANN-2的特征级融合辨识：

将和作为ANN-2的输入，根据BP人工神经网络模型对车辆行为特征参数进行特征级融合，ANN-2的实际输出为

${\tilde{y}}_{2,i}=1/\{1+\exp \[-\underset{j=1}{\overset{n_2}{\Σ}}{\tilde{v}}_{j^{\′},t}^2\·{\tilde{h}}_{2,j^{\′}}-{\widetilde{\mathrm{\γ}}}_t^2\]\}$

其中， ${\tilde{h}}_{2,j^{\′}}=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{\tilde{w}}_{i,j^{\′}}^2\·{\tilde{x}}_{2,i}-{\widetilde{\mathrm{\θ}}}_{j^{\′}}^2\]\}.$

步骤五，基于D-S证据理论的决策级融合。

基于D-S证据理论的决策级融合的过程为，

E1)对人工神经网络输出归一化处理；

将ANN-1的输出进行归一化处理，得到归一化后的结果

将ANN-2的输出进行归一化处理，得到归一化后的结果 ${\stackrel{\‾}{y}}_{2,i}={\tilde{y}}_{2,i}/\underset{i=1}{\overset{3}{\Σ}}{\tilde{y}}_{2,i};$

E2)证据理论识别框架基本概率分配；

令证据理论的识别框架Θ＝{A₁,A₂,A₃}，A₁、A₂和A₃分别代表驾驶的三种状态“清醒”、“轻度疲劳”和“重度疲劳”，证据集e＝{e₁,e₂}，e₁和e₂分别表示基于面部行为特征的证据体和基于车辆行为特征的证据体，m₁(A₁)、m₁(A₂)和m₁(A₃)表示基于面部行为特征的证据体分别在“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态下的基本概率分配，m₂(A₁)、m₂(A₂)和m₂(A₃)表示基于车辆行为特征的证据体分别在“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态下的基本概率分配，将人工神经网络归一化后的结果作为识别框架Θ上的基本概率分配，即令 $\begin{array}{cccc}{m}_1\left(A_1\right)={\stackrel{\‾}{y}}_{1,1},& m_1\left(A_2\right)={\stackrel{\‾}{y}}_{1,2},& m_1\left(A_3\right)={\stackrel{\‾}{y}}_{1,3},& m_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,1}\end{array},$ $\begin{array}{cc}{m}_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,2},& m_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,3}\end{array};$

E3)基于D-S证据理论的决策级融合；

基于D-S证据理论的决策级融合的规则为，

m(A_z)为决策级融合后的结果在识别框架ΘΘ上的基本概率分配，z为表示A的下标值，等于1，2或3，

步骤六，根据决策规则进行驾驶状态辨识。

决策规则的表达式为，

$\left\{\begin{array}{c}m\left(A_f\right)=\max \{m\left(A_z\right),A_z\⋐\mathrm{\Θ}\}\\ m\left(A_s\right)=\max \{m\left(A_z\right),A_z\⋐\mathrm{\Θ}and{A}_z\≠A_f\}\\ m\left(A_f\right)-m\left(A_s\right)>{\mathrm{\ϵ}}_{T1}\\ m\left(A_f\right)>{\mathrm{\ϵ}}_{T2}\end{array}\right.$

其中，ε_T1和ε_T2为设定的阈值，m(A_f)、m(A_s)分别表示m(A₁)，m(A₂)和m(A₃)中的最大值和第二大值，A_f表示最大值所对应的驾驶状态，A_s表示第二大值所对应的驾驶状态；；

当A_f代表的驾驶状态为A₁时，那么决策级融合的辨识结果为“清醒”；当A_f代表的驾驶状态为A₂时，那么决策级融合的辨识结果为“轻度疲劳”；当A_f代表的驾驶状态为A₃时，那么决策级融合的辨识结果为“重度疲劳”。

综上所述，上述评价方法克服了基于单一类别特征或单一信息源特征疲劳驾驶评价方法的局限性，降低其误检率和漏检率，提高疲劳驾驶评价的可靠性和准确率，适合于准确性高、鲁棒性强的驾驶疲劳实时评价场合。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：包括以下步骤，

步骤一，采集疲劳特征数据样本，用以人工神经网络训练；

步骤二，构建人工神经网络，利用样本数据确定人工神经网络参数；

步骤三，实时计算疲劳特征参数；

步骤四，基于人工神经网络的特征级融合；

步骤五，基于D-S证据理论的决策级融合；

步骤六，根据决策规则进行驾驶状态辨识。

2.根据权利要求1所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：疲劳特征数据样本采集过程为，

A1)招募若干受试驾驶员，并根据疲劳状态进行自我评价；

A2)对受试驾驶员的疲劳特征参数进行采集；

所述疲劳特征参数包括面部行为特征信号和车辆行为特征信号；

所述面部行为特征信号包括眨眼信号、打哈欠信号和眼睛持续闭合信号；

所述车辆行为特征信号包括车辆前方车道标志线信号、方向盘转动信号和车辆车速信号；

A3)根据面部行为特征信号计算出眨眼频率x_1,1、打哈欠频率x_1,2和眼睛持续闭合时间均值x_1,3；根据车辆行为特征信号计算出车辆横向偏离频率x_2,1、方向盘零速转动百分比x_2,2和车辆纵向车速方差x_2,3；

A4)利用EEG检测装置同步采集受试驾驶员脑电信号，记录当前时刻受试驾驶员是否疲劳的指标r_α,θ,β；

r_α,θ,β＝(P_α+P_θ)/P_β

其中，P_α，P_θ和P_β分别为脑电波在α，θ和β三个波段的功率谱；

A5)根据r_α,θ,β的大小对受试驾驶员的驾驶状态进行分类；

当r_α,θ,β＜s₁时，受试驾驶员的驾驶状态为“清醒”；

当s₁≤r_α,θ,β＜s₂时，受试驾驶员的驾驶状态为“轻度疲劳”；

当r_α,θ,β≥s₂时，受试驾驶员的驾驶状态为“重度疲劳”；

s₁＜s₂，s₁和s₂均为设定的阈值；

A6)将受试驾驶员的自我评价和步骤A5中获得的分类情况进行比较，当两者相同时，则将该受试驾驶员的疲劳特征参数作为有效样本数据存入样本数据集中，否则，作为无效数据剔除。

3.根据权利要求2所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：构建的人工神经网络有两个，第一个人工神经网络用ANN-1表示，第二个人工神经网络用ANN-2表示；

ANN-1结构为：将眨眼频率x_1,1、打哈欠频率x_1,2和眼睛持续闭合时间均值x_1,3作为ANN-1输入层三个神经元的输入向量，ANN-1输出层神经元用y_1,1、y_1,2和y_1,3表示，分别对应“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态的概率值，ANN-1隐含层神经元个数其中，a₁为ANN-1输入层的神经元个数，b₁为ANN-1输出层神经元个数，c₁为一个常数；

ANN-2结构为：将车辆横向偏离频率x_2,1、方向盘零速转动百分比x_2,2和车辆纵向车速方差x_2,3作为ANN-2输入层三个神经元的输入向量，ANN-2输出层神经元用y_2,1、y_2,2和y_2,3表示，分别对应“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态的概率值，ANN-2隐含层神经元个数其中，a₂为ANN-2输入层的神经元个数，b₂为ANN-2输出层神经元个数，c₂为一个常数。

4.根据权利要求3所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：ANN-1和ANN-2的网络参数利用样本参数，通过BP算法训练确定；

ANN-1的网络参数通过BP算法训练确定的过程为：

B1)ANN-1网络参数初始化；

定义w¹ _i,j为ANN-1输入层与隐含层之间的连接权值，θ¹ _j为ANN-1输入层与隐含层之间的连接阈值，v¹ _j,t为ANN-1隐含层与输出层之间的连接权值，γ¹ _t为ANN-1隐含层与输出层之间的连接阈值，ε₁为ANN-1训练的误差精度，n_M为最大迭代次数；

其中，i、t、j均为整数，i∈[1,3]，t∈[1,3]，j∈[1,n₁]；

B2)从样本数据集I中选取受试驾驶员面部行为特征样本数据I¹ _k，

${I^1}_k=\[X_1^k,Y_1^k\]$

其中，x^k _1,1为第k个受试驾驶员的面部行为特征中的眨眼频率，x^k _1,2为第k个受试驾驶员的面部行为特征中的打哈欠频率，x^k _1,3为第k个受试驾驶员的面部行为特征中的眼睛持续闭合时间均值；

y^k _1,1、y^k _1,2和y^k _1,3分别表示第k个数据样本在“清醒”，“轻度疲劳”和“重度疲劳”三种驾驶状态下的3个概率值；

B3)将作为ANN-1的输入向量，将作为ANN-1的期望输出向量输到ANN-1中；

B4)定义N＝1，w¹ _i,j(1)为第一次迭代ANN-1输入层与隐含层之间的连接权值，θ¹ _j(1)为第一次迭代ANN-1输入层与隐含层之间的连接阈值，v¹ _j,t(1)为第一次迭代ANN-1隐含层与输出层之间的连接权值，γ¹ _t(1)为第一次迭代ANN-1隐含层与输出层之间的连接阈值；

B5)执行输入模式的正向传播过程；

正向传播过程如下：

a1)计算ANN-1隐含层各个神经元的输出

$h_{1,j}^k=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{w^1}_{i,j}\·{x^k}_{1,i}-{{\mathrm{\θ}}^1}_j\]\};$

a2)计算ANN-1输出层各个神经元的实际输出

$O_{1,t}^k=1/\{1+\exp \[-\underset{j=1}{\overset{n_1}{\Σ}}{v^1}_{j,t}\·h_{1,j}^k-{{\mathrm{\γ}}^1}_t\]\};$

a3)计算ANN-1期望输出跟实际输出的误差

$E_1^k=\frac{1}{2}\underset{t=1}{\overset{3}{\Σ}}{(y^k{1,t}_{}-O_{1,t}^k)}^2;$

B6)执行误差的逆向传播过程；

逆向传播过程如下：

b1)计算ANN-1输出层各个单元的校正误差

$d_{1,t}^k=(y^k{1,t}_{}-O_{1,t}^k)\·O_{1,t}^k\·(1-O_{1,t}^k);$

b2)计算ANN-1隐含层各个单元的校正误差

$e_{1,j}^k=\[\underset{t=1}{\overset{3}{\Σ}}{d}_{1,t}^k\·{v^1}_{j,t}\]\·h_{1,j}^k\·(1-h_{1,j}^k);$

B7)计算下一次迭代时ANN-1输入层与隐含层之间的新连接权值w¹ _i,j(N+1)和新阈值θ¹ _j(N+1)；

$w^1{i,j}_{}(N+1)=w^1{i,j}_{}\left(N\right)+{\mathrm{\β}}_1\·e_{1,j}^k\·x^k{1,i}_{}$

${{\mathrm{\θ}}^1}_j(N+1)={{\mathrm{\θ}}^1}_j\left(N\right)+{\mathrm{\β}}_1\·e_{1,j}^k$

其中，β₁为ANN-1的学习系数；

B8)计算下一次迭代时ANN-1隐含层与输出层之间的新连接权值v¹ _j,t(N+1)和新阈值γ¹ _t(N+1)；

${v^1}_{j,t}(N+1)={v^1}_{j,t}\left(N\right)+{\mathrm{\α}}_1\·d_{1,t}^k\·h_{1,j}^k$

${{\mathrm{\γ}}^1}_t(N+1)={{\mathrm{\γ}}^1}_t\left(N\right)+{\mathrm{\α}}_1\·d_{1,t}^k$

其中，α₁为ANN-1的学习系数；

B9)判断是否小于等于ε₁，或者N+1是否等于n_M，若满足，则训练结束，转至步骤B10，否则，N＝N+1，转至步骤B5；

B10)将满足步骤B9条件时，训练获得的连接权值和阈值作为ANN-1的最优网络参数；

其中，作为ANN-1的最优网络参数的连接权值分别记作和作为ANN-1的最优网络参数的连接阈值分别记作和

ANN-2的网络参数通过BP算法训练确定的过程为：

C1)ANN-2网络参数初始化；

定义w² _i,j′为ANN-2输入层与隐含层之间的连接权值，θ² _j′为ANN-2输入层与隐含层之间的连接阈值，v² _j′,t为ANN-2隐含层与输出层之间的连接权值，γ² _t为ANN-2隐含层与输出层之间的连接阈值，ε₂为ANN-2训练的误差精度；

其中，j′为整数，j′∈[1,n₂]；

C2)从样本数据集I中选取受试驾驶员车辆行为特征样本数据I² _k；

${I^2}_k=\[X_2^k,Y_2^k\]$

其中，x^k _2,1为第k个受试驾驶员的车辆行为特征中的车辆横向偏离频率，x^k _2,2为第k个受试驾驶员的车辆行为特征中的方向盘零速转动百分比，x^k _2,3为第k个受试驾驶员的车辆行为特征中的车辆纵向车速方差；

y^k _2,1，y^k _2,2和y^k _2,3分别表示第k个数据样本在“清醒”，“轻度疲劳”和“重度疲劳”三种驾驶状态下的3个概率值；

C3)将作为ANN-2的输入向量，将作为ANN-2的期望输出向量输到ANN-2中；

C4)定义N＝1，w² _i,j′(1)为第一次迭代ANN-2输入层与隐含层之间的连接权值，θ² _j′(1)为第一次迭代ANN-2输入层与隐含层之间的连接阈值，v² _j′,t(1)为第一次迭代ANN-2隐含层与输出层之间的连接权值，γ² _t(1)为第一次迭代ANN-2隐含层与输出层之间的连接阈值；

C5)执行输入模式的正向传播过程；

正向传播过程如下：

c1)计算ANN-2隐含层各个神经元的输出

$h_{2,j^{\′}}^k=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{w^2}_{i,j^{\′}}\·{x^k}_{2,i}-{{\mathrm{\θ}}^2}_{j^{\′}}\]\};$

c2)计算ANN-2输出层各个神经元的实际输出

$O_{2,t}^k=1/\{1+\exp \[-\underset{j^{\′}=1}{\overset{n_2}{\Σ}}{v^2}_{j^{\′},t}\·h_{2,j^{\′}}^k-{{\mathrm{\γ}}^2}_t\]\};$

c3)计算ANN-2期望输出跟实际输出的误差

$E_2^k=\frac{1}{2}\underset{t=1}{\overset{3}{\Σ}}{({y^k}_{2,t}-O_{2,t}^k)}^2;$

C6)执行误差的逆向传播过程；

逆向传播过程如下：

d1)计算ANN-2输出层各个单元的校正误差

$d_{2,t}^k=({y^k}_{2,t}-O_{2,t}^k)\·O_{2,t}^k\·(1-O_{2,t}^k);$

d2)计算ANN-2隐含层各个单元的校正误差

$e_{2,j^{\′}}^k=\[\underset{t=1}{\overset{3}{\Σ}}{d}_{2,t}^k\·{v^2}_{j^{\′},t}\]\·h_{2,j^{\′}}^k\·(1-h_{2,j^{\′}}^k);$

C7)计算下一次迭代时ANN-2输入层与隐含层之间的新连接权值w² _i,j′(N+1)和新阈值θ² _j′(N+1)；

${w^2}_{i,j^{\′}}(N+1)={w^2}_{i,j^{\′}}\left(N\right)+{\mathrm{\β}}_2\·e_{2,j^{\′}}^k\·{x^k}_{2,i}$

${{\mathrm{\θ}}^2}_{j^{\′}}(N+1)={{\mathrm{\θ}}^2}_{j^{\′}}\left(N\right)+{\mathrm{\β}}_2\·e_{2,j^{\′}}^k$

其中，β₂为ANN-2的学习系数；

C8)计算下一次迭代时ANN-2隐含层与输出层之间的新连接权值v² _j′,t(N+1)和新阈值γ² _t(N+1)；

${v^2}_{j^{\′},t}(N+1)={v^2}_{j^{\′},t}\left(N\right)+{\mathrm{\α}}_2\·d_{2,t}^k\·h_{2,j^{\′}}^k$

${{\mathrm{\γ}}^2}_t(N+1)={{\mathrm{\γ}}^2}_t\left(N\right)+{\mathrm{\α}}_2\·d_{2,t}^k$

其中，α₂为ANN-2的学习系数；

C9)判断是否小于等于ε₂，或者N+1是否等于n_M，若满足，则训练结束，转至步骤C10，否则，N＝N+1，转至步骤C5；

C10)将满足步骤B9条件时，训练获得的连接权值和阈值作为ANN-2的最优网络参数；

其中，作为ANN-2的最优网络参数的连接权值分别记作和作为ANN-2的最优网络参数的连接阈值分别记作和

5.根据权利要求4所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：实时计算疲劳特征参数的过程为，

D1)实时采集驾驶员的面部行为特征信号和车辆行为特征信号，分别记作和

D2)根据计算出实时的眨眼频率打哈欠频率和眼睛持续闭合时间均值根据计算出实时的车辆横向偏离频率方向盘零速转动百分比和车辆纵向车速方差

6.根据权利要求5所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：基于人工神经网络的特征级融合包括基于ANN-1的特征级融合辨识和基于ANN-2的特征级融合辨识；

ANN-1的特征级融合辨识：

将和作为ANN-1的输入，根据BP人工神经网络模型对面部行为特征参数进行特征级融合，ANN-1的实际输出为

${\tilde{y}}_{1,i}=1/\{1+\exp \[-\underset{j=1}{\overset{n_1}{\Σ}}{\tilde{v}}_{j,t}^1\·{\tilde{h}}_{i,j}-{\widetilde{\mathrm{\γ}}}_t^1\]\}$

其中， ${\tilde{h}}_{1,j}=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{\tilde{w}}_{i,j}^1\·{\tilde{x}}_{1,i}-{\widetilde{\mathrm{\θ}}}_j^1\]);$

ANN-2的特征级融合辨识：

将和作为ANN-2的输入，根据BP人工神经网络模型对车辆行为特征参数进行特征级融合，ANN-2的实际输出为

${\tilde{y}}_{2,i}=1/\{1+\exp \[-\underset{j^{\′}=1}{\overset{n_2}{\Σ}}{\tilde{v}}_{j^{\′},t}^2\·{\tilde{h}}_{2,j^{\′}}-{\widetilde{\mathrm{\γ}}}_t^2\]\}$

其中， ${\tilde{h}}_{2,j^{\′}}=1/\{1+\exp \[-\underset{i=1}{\overset{3}{\Σ}}{\tilde{w}}_{i,j^{\′}}^2\·{\tilde{x}}_{2,i}-{\widetilde{\mathrm{\θ}}}_{j^{\′}}^2\]\}.$

7.根据权利要求6所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：基于D-S证据理论的决策级融合的过程为，

E1)对人工神经网络输出归一化处理；

将ANN-1的输出进行归一化处理，得到归一化后的结果

将ANN-2的输出进行归一化处理，得到归一化后的结果 ${\stackrel{\‾}{y}}_{2,i}={\tilde{y}}_{2,i}/\underset{i=1}{\overset{3}{\Σ}}{\tilde{y}}_{2,i};$

E2)证据理论识别框架基本概率分配；

令证据理论的识别框架Θ＝{A₁,A₂,A₃}，A₁、A₂和A₃分别代表驾驶的三种状态“清醒”、“轻度疲劳”和“重度疲劳”，证据集e＝{e₁,e₂}，e₁和e₂分别表示基于面部行为特征的证据体和基于车辆行为特征的证据体，m₁(A₁)、m₁(A₂)和m₁(A₃)表示基于面部行为特征的证据体分别在“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态下的基本概率分配，m₂(A₁)、m₂(A₂)和m₂(A₃)表示基于车辆行为特征的证据体分别在“清醒”、“轻度疲劳”和“重度疲劳”三种驾驶状态下的基本概率分配，将人工神经网络归一化后的结果作为识别框架Θ上的基本概率分配，即令 $\begin{array}{cccc}{m}_1\left(A_1\right)={\stackrel{\‾}{y}}_{1,1},& m_1\left(A_2\right)={\stackrel{\‾}{y}}_{1,2},& m_1\left(A_3\right)={\stackrel{\‾}{y}}_{1,3},& m_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,1}\end{array},$ $\begin{array}{cc}{m}_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,2},& m_2\left(A_2\right)={\stackrel{\‾}{y}}_{2,3}\end{array};$

E3)基于D-S证据理论的决策级融合；

基于D-S证据理论的决策级融合的规则为，

m(A_z)为决策级融合后的结果在识别框架Θ上的基本概率分配，z为A的下标值，等于1，2或3，

8.根据权利要求7所述的基于人工神经网络和证据理论的疲劳驾驶评价方法，其特征在于：所述决策规则的表达式为，

$\left\{\begin{array}{c}m\left(A_f\right)=\max \{m\left(A_z\right),A_z\⋐\mathrm{\Θ}\}\\ m\left(A_s\right)=\max \{m\left(A_z\right),A_z\⋐\mathrm{\Θ}and{A}_z\≠A_f\}\\ m\left(A_f\right)-m\left(A_s\right)>{\mathrm{\ϵ}}_{T1}\\ m\left(A_f\right)>{\mathrm{\ϵ}}_{T2}\end{array}\right.m\left(A_3\right)$

其中，ε_T1和ε_T2为设定的阈值，m(A_f)、m(A_s)分别表示m(A₁)，m(A₂)和中的最大值和第二大值，A_f表示最大值所对应的驾驶状态，A_s表示第二大值所对应的驾驶状态；

当A_f代表的驾驶状态为A₁时，那么决策级融合的辨识结果为“清醒”；当A_f代表的驾驶状态为A₂时，那么决策级融合的辨识结果为“轻度疲劳”；当A_f代表的驾驶状态为A₃时，那么决策级融合的辨识结果为“重度疲劳”。