一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111209815A(43)申请公布日2020.05.29(21)申请号201911382375.8A61B5/024(2006.01)(22)申请日2019.12.28A61B5/08(2006.01)(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区(72)发明人陈龙周玲烽李冰郑雪峰杨柳马学条(74)专利代理机构浙江永鼎律师事务所33233代理人陆永强(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G01S7/41(2006.01)G01S13/88(2006.01)权利要求书1页说明书5页附图3页(54)发明名称一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法(57)摘要本发明公开了一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法，包括以下步骤：S10，通过多普勒雷达模块采集驾驶员的生理信号；S20，对生理信号分类；S30，对生理信号进行滤波及CEEMD算法分解，得到心跳和呼吸两段包含完整时频域特征的信号；S40，设计动量优化的BP神经网络模型对数据集进行训练，从而得到驾驶员疲劳状态检测的算法模型；S50，通过驾驶员疲劳状态检测的算法模型对疲劳状态进行检测。本发明能够避免影响驾驶员正常驾驶的同时，高效且准确的检测驾驶员的疲劳状态。CN111209815ACN111209815A权利要求书1/1页1.一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法，其特征在于，包括以下步骤：S10，通过多普勒雷达模块采集驾驶员的生理信号；S20，对生理信号分类；S30，对生理信号进行滤波及CEEMD算法分解，得到心跳和呼吸两段包含完整时频域特征的信号；S40，设计动量优化的BP神经网络模型对数据集进行训练，从而得到驾驶员疲劳状态检测的算法模型；S50，通过驾驶员疲劳状态检测的算法模型对疲劳状态进行检测。2.如权利要求1所述的一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法，其特征在于，所述生理信号至少包括驾驶员的呼吸信号和心跳信号。3.如权利要求1所述的一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法，其特征在于，所述动量优化的BP神经网络根据误差反向传播算法迭代更新权重矩阵，利用梯度下降来最小化网络实际输出值与期望输出值之间的均方误差，从而得到驾驶员疲劳状态检测的算法模型。4.如权利要求1所述的一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法，其特征在于，所述设计动量优化的BP神经网络模型中，BP神经网络权值迭代方程为：其中，α为学习率，m为样本总量，β为动量系数，并且β∈(0，1)，为前一次迭代的动量梯度值，为权重误差累积值。5.如权利要求1所述的一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法，其特征在于，所述多普勒雷达模块采用微波多普勒雷达探测器探头传感器HB100模块。2CN111209815A说明书1/5页一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法技术领域[0001]本发明属于建模检测领域，具体涉及一种基于动量优化的BP神经网络的非接触式疲劳驾驶检测方法。背景技术[0002]疲劳驾驶是世界上导致交通事故最常见的原因之一。根据WHO(世界卫生组织)的报告，每年有超过130万的人死于交通事故，有2千万到5千万的人因为交通事故遭受非致命伤害，这中间约有20％的致命交通事故是由疲劳驾驶引起的。因此，如果能够研发一种自动检测疲劳驾驶的系统，并且能够提前警告驾驶员正处于疲劳驾驶状态，就可以有效避免大量的交通事故，降低交通事故发生率。[0003]目前检测疲劳状态的方法主要分为两大类：1.接触式疲劳状态检测；2非接触式疲劳状态检测。[0004]接触式的疲劳检测方法主要是检测驾驶员的生理状态。虽然这种方法得到的数据可靠，误差小，受外界干扰较小，但是这种方法要在驾驶员身上安装相应检测生理信号的装置，对于驾驶员的干扰过于大。为此，研究人员通过使用无线电来测量生理信号，并通过ZigBee，蓝牙等来获取信号，这些技术已经比较成熟，但是精确度会大幅度降低，人为干扰会造成检测假象和错误。[0005]非接触式的疲劳检测的方法主要是监测驾驶员的面部特征和车辆参数检测。对于驾驶员面部特征的分析个体差异较大，并且亮度的改变或者驾驶员佩戴墨镜、口罩等遮挡面部的物品都会对检测造成极大的干扰，整套装置所需要的成本也会提高；对于车辆状态和行驶轨迹的检测，所需要的硬件支持较高，价格昂贵。而且对外界的条件的要求比较苛刻(如道路标识，气候和照明条件等)。这种方法的一个很大局限性就是这是对车辆的检测，不是对