本發明屬于交通安全領域，涉及一種基于駕駛人心電rr間期的駕駛疲勞判別方法。

背景技術：

當駕駛員處于疲勞狀態時極易出現觀察、判斷以及操縱上的失誤，進而導致交通事故的發生。據美國國家交通安全協會統計，28％的交通事故由駕駛疲勞造成。因此，及時辨識駕駛員疲勞狀態并進行預警對于預防交通事故具有重要意義。

為了能夠及時判別駕駛疲勞，應利用一些駕駛人自身的生理指標及車輛運動等參數對駕駛疲勞進行檢測并預警。但現有的駕駛疲勞判別存在幾點不足：

1、駕駛疲勞判別指標閾值界定的主觀性強。因為駕駛疲勞是根據駕駛人的主觀感受來界定的，如果通過確定判別指標閾值來界定駕駛人是否達到疲勞，主觀性太強，不具有普遍適用性。因此疲勞閾值的界定一直是駕駛疲勞判別的難點。

2、因駕駛人個體差異性導致的疲勞判別的標準不同。駕駛疲勞是根據駕駛人的主觀感受來界定的，因駕駛人的年齡、性別以及駕齡等因素影響導致駕駛疲勞判別的評判標準難以確定。因此由駕駛人個體差異性導致的疲勞判別誤差較大問題一直是駕駛疲勞判別的難點。

技術實現要素：

本發明要解決的技術問題是提供一種基于駕駛人心電rr間期的駕駛疲勞判別方法，該方法能夠避免駕駛疲勞判別主觀性過強，以及因個體差異導致的判別標準不同的缺陷，具有較強的客觀性及普遍適用性。

為了解決上述技術問題，本發明的基于駕駛人心電rr間期的駕駛疲勞判別方法包括下述步驟：

步驟一、利用生理記錄儀實時采集駕駛人心電信號并進行預處理獲得駕駛人心電rr間期的時間序列{x1,x2,......,xt}，t為初始時刻到當前時刻采集的心率rr間期樣本總數；

步驟二、根據基于心電rr間期序列的平穩性模型公式(1)計算對應序列結構殘差ut；其中1≤t≤t；

xt＝c+ut(1)

式中：xt—對應于時刻t的駕駛人心電rr間期；

c—初始時刻到當前時刻t駕駛人心電rr間期時間序列均值，即

步驟三、根據一階自相關模型公式(2)計算自回歸殘差序列對應于時刻t的自回歸殘差et；

ut＝ρut-1+et(2)

其中ut-1為對應于時刻t-1的序列結構殘差；

步驟四、根據最小二乘法公式(3)估計模型參數ρ，ρ取值為[-1,1]；若ut和ut-1正相關，則ρ為正，若ut和ut-1負相關則ρ為負；

步驟五、根據條件方差的garch(1,1)模型公式(4)計算條件方差序列中對應于時刻t的條件方差ht；

其中ht-1是對應于上一時刻t-1的條件方差，ht的初始值h1＝0；et-1是對應于時刻t-1的自回歸殘差；c1、c2、c3是模型參數，c1≥0,c2≥0,c3≥0，并且c1、c2、c3的取值應當使得f(z1)×f(z2)×......f(zt)最大；zt為對應于當前時刻t的標準化殘差，f(zt)為正態分布函數；

步驟六、根據對應于時刻t的條件方差ht判別駕駛人的疲勞等級是否變化：

設va表示條件方差ht的平均值，σ0代表平均值va的標準差，則

設置初始計數值level＝1；當ht-va＞3σ0時，將計數值level加1；若level＝1，則表示駕駛人疲勞等級為清醒，level＝2，則表示駕駛人疲勞等級為輕度疲勞，計數值level＝3則表示駕駛人疲勞等級為重度疲勞；計數值level＝4則表示駕駛人疲勞等級為困倦4個等級。

本發明的有益效果：

1、解決了通過界定指標閾值來判別駕駛疲勞的主觀性過強的問題

因為駕駛疲勞是根據駕駛人的主觀感受來界定的，如果通過確定判別指標閾值來界定駕駛人是否達到疲勞，主觀性太強，不具有普遍適用性。本發明利用駕駛人心電rr間期序列的條件方差有效地擬合了序列的集群效應波動特征，基于波動特征判別駕駛疲勞，解決了通過界定指標閾值來判別駕駛疲勞的主觀性過強的問題。

2、解決了因駕駛人個體差異性導致的疲勞判別的標準不同的問題

駕駛疲勞是根據駕駛人的主觀感受來界定的，因駕駛人的年齡、性別以及駕齡等因素影響導致駕駛疲勞判別的評判標準難以確定。本發明通過建立基于心電rr間期的時間序列判別模型，利用rr間期序列的波動性表征駕駛人自身狀態變化進而判別駕駛疲勞，避免了利用同一指標閾值判別不同駕駛人的疲勞。解決了因駕駛人個體差異性導致的疲勞判別標準不同的問題。

附圖說明

下面結合附圖和具體實施方式對本發明作進一步詳細說明。

圖1是本發明的基于心電rr間期的駕駛人疲勞判別方法的流程圖。

具體實施方式

如圖1所示，本發明的基于心電rr間期的駕駛人疲勞判別方法具體包括下述步驟：

步驟一、數據獲取及預處理:依次流程包括搭建實車道路試驗平臺，該平臺包括美國biopac生理記錄儀及與其連接的計算機；采集駕駛人心電信號；利用biopac生理記錄儀的軟件分析模塊中選擇hemodynamics-ecgintervalextraction，對駕駛人心電信號進行預處理獲取駕駛人心電rr間期的時間序列{x1,x2,......,xt}，t為初始時刻到當前時刻采集的心率rr間期樣本總數；

步驟二、設置初始計數值level＝1；根據基于心電rr間期序列的平穩性模型公式(1)計算對應于時刻t的序列結構殘差ut，其中1≤t≤t；

xt＝c+ut(1)

式中：xt—對應于時刻t的駕駛人心電rr間期；

c—初始時刻到當前時刻t駕駛人心電rr間期時間序列均值；心電rr間期時間序列圍繞固定值c隨機波動；

所述初始時刻到當前時刻駕駛人心電rr間期時間序列均值c可以通過計算均值得到；

xt是對應于任一時刻t的駕駛人心電rr間期，t-初始時刻到當前時刻心率rr間期樣本總數；

步驟三、根據一階自相關模型公式(2)計算自回歸殘差序列對應于當前時刻t的自回歸殘差et；

ut＝ρut-1+et(2)

其中ut-1為對應于上一時刻t-1的序列結構殘差；

步驟四、根據最小二乘法公式(3)估計模型參數ρ，ρ取值為[-1,1]；若ut和ut-1正相關，則ρ為正，若ut和ut-1負相關則ρ為負；

步驟五、根據條件方差的garch(1,1)模型公式(4)計算條件方差序列中對應于當前時刻t的條件方差ht；

其中ht-1是對應于上一時刻t-1的條件方差，ht的初始值h1＝0；et-1是對應于上一時刻t-1的自回歸殘差；c1、c2、c3是模型參數，c1≥0,c2≥0,c3≥0,并且c1、c2、c3的取值應當使得f(z1)×f(z2)×......f(zt)最大；zt為對應于當前時刻t的標準化殘差，f(zt)為正態分布函數；

步驟六、實時或者每隔15min左右根據對應于當前時刻t的條件方差ht判別駕駛人的疲勞等級是否變化；

設va表示條件方差ht的平均值，σ0代表平均值va的標準差，則

若ht-va＞3σ0，表明心率r-r間期序列的殘差序列發生了巨大的變化，進而說明駕駛人的疲勞程度發生了顯著變化，則將計數值level加1；若level＝1，則表示駕駛人疲勞等級為清醒，level＝2，則表示駕駛人疲勞等級為輕度疲勞，計數值level＝3則表示駕駛人疲勞等級為重度疲勞；計數值level＝4則表示駕駛人疲勞等級為困倦4個等級。