为了提高呼吸信号判别驾驶疲劳的准确率,通过模拟驾驶试验探究呼吸信号与驾驶员疲劳状态的关系,提出呼吸疲劳节点的概念,并基于呼吸疲劳节点判别驾驶员的疲劳状态。首先,通过模拟驾驶试验采集驾驶员的呼吸信号,采用Karolinska嗜睡量表(K...为了提高呼吸信号判别驾驶疲劳的准确率,通过模拟驾驶试验探究呼吸信号与驾驶员疲劳状态的关系,提出呼吸疲劳节点的概念,并基于呼吸疲劳节点判别驾驶员的疲劳状态。首先,通过模拟驾驶试验采集驾驶员的呼吸信号,采用Karolinska嗜睡量表(Karolinska sleepiness scale, KSS)对疲劳程度进行主观自评量化。其次,把单位时间内眼睛闭合百分比(percentage of eyelid closure over the pupil over time, PERCLOS)作为参考,与主观自评反馈结合,对驾驶员呼吸疲劳节点进行标定。最后,基于呼吸疲劳节点利用随机树算法(random tree, RT)获得轻/重度呼吸疲劳变化节点的判别模型。结果表明:该模型能更加及时、准确地判别出驾驶员的疲劳状态;基于随机树算法获得的筛选条件对轻度呼吸疲劳变化节点识别的准确性要高于重度呼吸疲劳变化节点;轻/重度呼吸疲劳变化节点的平均识别误差分别为3.50 min和3.66 min,预测准确率分别为92.09%和92.03%。展开更多
文摘为了提高呼吸信号判别驾驶疲劳的准确率,通过模拟驾驶试验探究呼吸信号与驾驶员疲劳状态的关系,提出呼吸疲劳节点的概念,并基于呼吸疲劳节点判别驾驶员的疲劳状态。首先,通过模拟驾驶试验采集驾驶员的呼吸信号,采用Karolinska嗜睡量表(Karolinska sleepiness scale, KSS)对疲劳程度进行主观自评量化。其次,把单位时间内眼睛闭合百分比(percentage of eyelid closure over the pupil over time, PERCLOS)作为参考,与主观自评反馈结合,对驾驶员呼吸疲劳节点进行标定。最后,基于呼吸疲劳节点利用随机树算法(random tree, RT)获得轻/重度呼吸疲劳变化节点的判别模型。结果表明:该模型能更加及时、准确地判别出驾驶员的疲劳状态;基于随机树算法获得的筛选条件对轻度呼吸疲劳变化节点识别的准确性要高于重度呼吸疲劳变化节点;轻/重度呼吸疲劳变化节点的平均识别误差分别为3.50 min和3.66 min,预测准确率分别为92.09%和92.03%。
