趙旭陽
吉林大學汽車工程學院 吉林省長春市 130022
隨著社會和經濟的迅猛發(fā)展,全球的汽車保有量也隨之急劇增長。但交通事故的數(shù)量也隨之增長。因此,交通安全問題成為了當今全世界都必須要面對的問題。根據大量統(tǒng)計數(shù)據顯示,由疲勞駕駛引起的交通事故數(shù)量占總數(shù)量的49%,是引發(fā)交通事故所有原因的首位。因此,研究疲勞駕駛預警系統(tǒng)對于駕駛安全問題的改善有重大意義。
人們研究疲勞駕駛監(jiān)測的歷史很長,但如何定義疲勞依舊是較困難的問題。原因就是疲勞的定義不能被實驗數(shù)據精確地量化。在本文中,模糊C-均值聚類被用來分析不可精確測量的特征量,KNN分類器被用來建立特征參數(shù)值與疲勞程度間的關系。
在本文中,E6B2-CWZ3E光電編碼器被選用來收集方向盤角度的數(shù)據;而光脈搏傳感器被用來收集脈搏幅度的數(shù)據,進而可得到便于隨后數(shù)據分析過程中處理與分析的數(shù)據;在收集方向盤握力的數(shù)據時,我們運用RFP02型壓力傳感器收集,傳感器可以測量方向盤上各個部分的壓力值,系統(tǒng)則可經計算得出各個非零值的平均值。
為簡化實驗程序和減少數(shù)據處理的難度,實驗道路的路況被限定為平直路面。實驗數(shù)據被分為65組。其中,第1-40組是在駕駛員清醒狀況下測得的,第41-65組是在駕駛員疲勞狀況下測得的。
駕駛員需不斷地調整方向盤的角度以保證車輛以正常路徑行駛。因此,方向盤的轉動角度是駕駛員操縱車輛的重要特征指標。不像在駕駛員清醒狀況下所表現(xiàn)的那樣,在駕駛員疲勞狀況下,方向盤轉角信號會表現(xiàn)出兩項特征:其一是方向盤調整頻率明顯下降,其二則是方向盤的調整幅度變大在方向盤轉角的特征參數(shù)中,以下六個參數(shù)[1]被證明在辨別駕駛員疲勞狀況方面有更好的辨別力:
方向盤轉角絕對平均值(SAMEAN)是方向盤轉角數(shù)據絕對值化后取平均得到(公式略)。
方向盤轉角標準差(SASTD)是方向盤轉角數(shù)據取標準差計算得到的(公式略)。
在數(shù)據的處理中,方向盤的轉角的絕對數(shù)值如果超過絕對值的最大值的3/4被認為是角度過大,若小于絕對值的最大值的1/4被認為是角度過小。Q1MEAN代表了一定時間內方向盤轉角絕對值小于絕對值的最大值的1/4的樣本數(shù)量所占總樣本數(shù)的比例,Q3MEAN代表了一定時間內方向盤轉角絕對值大于絕對值的最大值的3/4的樣本數(shù)量所占總樣本數(shù)的比例,Q1MEAN和Q3MEAN統(tǒng)稱為方向盤角度的四分位值。
方向盤角速度的絕對值平均值(SAVMEAN)是代表了方向盤轉動速度的衡量指標,是由方向盤轉角速度數(shù)據絕對值化后取平均得到(公式略)。
方向盤角速度的標準差(SAVSTD)由方向盤轉角角速度的標準差計算得到,其值越大,方向盤的轉動頻率越高(公式略)。
在處理脈搏數(shù)據時,我們預先對其信號進行了降噪處理[2],降噪結果如下圖所示:
在生理科學領域,脈搏信號被廣泛地用來評價測試對象的生理狀況[3],除了脈搏頻率以外,在其余特征參數(shù)中,以下指標被驗證在判斷駕駛員疲勞程度時具有良好地評價能力[4]:
脈搏信號的均方根(由數(shù)據值平方加和取平均得到)
為了分析離散的數(shù)據以及為后續(xù)的KNN分類器建立做準備,我們引入歐式距離和模糊理論。為了消除各個特征參數(shù)量綱的影響,我們先對數(shù)據進行標準化處理,標準化公式
KNN分類器是一種通用的數(shù)據分類算法,由數(shù)學家Cover和Hart于1968年提出。首先,應算出樣本x與每個已知的預測聚類中心的距離。而后我們將得到的距離進行分類。最后,K預測樣本可從距離最近的已知樣本中得到。KNN算法的原則是:在K預測樣本中,若某類數(shù)據占最大比例,那么x則可被分為此類。KNN算法的具體步驟如下:
(1)利用已有的數(shù)據構建訓練集并得到供預測的集合。訓練集為P集合,而預測集為Q集合,P集合可由以下公式得到:i個維度的矢量矩陣,ci代表了第i個預測集合的類。
圖1
(2)根據K的初始值,K被預先分為10類,K的具體數(shù)值會隨著實驗結果調整。
(3)本文中運用歐氏距離計算樣本與訓練集的距離,其計算公式為:
(4)找出與K與所有數(shù)據庫樣本中聚類中心的距離值,并排序。
(5)找出樣本x的主的主類,計算距離K最近的幾個聚類中心,列為:他們對應的類為,則其最多的標記類即為最終的預測結果(疲勞與否)。
因為系統(tǒng)在KNN分類器建立時可將正確的測試結果作為數(shù)據庫的樣本,這樣便可增加數(shù)據庫的樣本量,提高整個系統(tǒng)的預測準確率。本文中,疲勞駕駛預警系統(tǒng)用65組數(shù)據進行驗證準確性的實驗,可發(fā)現(xiàn),隨著樣本數(shù)從15變?yōu)?5,預測的準確率也相應提升。
在本文中,通過對由方向盤轉角數(shù)據,脈搏數(shù)據以及握力的處理,可得到10項特征參數(shù)值。在利用C均值聚類分析實驗數(shù)據之后,KNN分類器被用來建立特征參數(shù)與疲勞程度的關系。通過比較驗證實驗的結果,本系統(tǒng)被證明擁有良好的準確性和魯棒性,并且隨著樣本數(shù)的增加與分析的迭代,系統(tǒng)的預測準確性也明顯提高。