趙旭陽

吉林大學汽車工程學院 吉林省長春市 130022

1 引言

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。

2 方法

2.1 數(shù)據采集模塊的建立

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。

2.2 實驗數(shù)據采集與處理模塊的建立

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）

2.3 基于模糊C均值聚類的數(shù)據庫搭建

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

2.4 KNN分類器的建立

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）。

3 實驗結果

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。

4 結語

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。