朱興林,克然木·司馬義,姚亮,葉拉森·庫(kù)肯
(新疆農(nóng)業(yè)大學(xué)交通與物流工程學(xué)院,烏魯木齊 830052)
隨著全球氣候變暖,極端高溫天氣事件對(duì)人們生命安全構(gòu)成嚴(yán)重威脅[1],相關(guān)研究表明極端高溫天氣對(duì)人體健康產(chǎn)生不利影響,在高溫天氣下人的反應(yīng)能力等知覺能力會(huì)有所減弱[2]。由此可見,相比于正常天氣,在極端高溫駕駛環(huán)境下行車時(shí)駕駛員生理特性指標(biāo)變化較顯著,并導(dǎo)致駕駛員疲勞程度的快速增加。
根據(jù)國(guó)內(nèi)外研究者對(duì)道路交通事故的研究結(jié)果,疲勞駕駛是道路交通事故的主要隱患,具有很難被發(fā)現(xiàn)的特點(diǎn)[3-4]。疲勞駕駛通常會(huì)使駕駛員對(duì)車輛操控能力的下降,從而導(dǎo)致道路交通事故,因此關(guān)于駕駛疲勞的研究引起了許多國(guó)內(nèi)外研究者的關(guān)注。
Kecklund 等[5]通過駕駛時(shí)間設(shè)定為8 h,發(fā)現(xiàn)駕駛員腦電信號(hào)(α波、β波)和主觀疲勞等級(jí)隨時(shí)間顯著增加。裴玉龍等[6]以不同年齡駕駛員為研究對(duì)象,通過自然駕駛環(huán)境下進(jìn)行行車試驗(yàn),分析不同年齡駕駛員在駕駛過程中的疲勞程度差異性,獲取了不同年齡段最優(yōu)駕駛時(shí)間。Bittner等[7]以車輛方向盤正常轉(zhuǎn)速下的修正時(shí)間與低轉(zhuǎn)速下的修正時(shí)間之比為研究依據(jù),進(jìn)行駕駛疲勞檢測(cè),并得到有效地驗(yàn)證結(jié)果。
駕駛疲勞檢測(cè)是避免交通事故的有效措施,因此國(guó)內(nèi)外學(xué)者使用各種檢測(cè)方法,針對(duì)駕駛疲勞進(jìn)行了檢測(cè)與分類。Khushaba 等[8]利用布爾邏輯、粒子群及支持向量機(jī)(support vector machine,SVM)等3種算法構(gòu)造了駕駛疲勞識(shí)別模型。Yang等[9]以駕駛員心電圖(electrocardiogram,ECG)和腦電圖(electro encephalo gram,EEG)生理指標(biāo)特征為研究基礎(chǔ),提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)、信息融合、多重環(huán)境以及生理特征的駕駛疲勞識(shí)別模型。王連震等[10]利用貝葉斯網(wǎng)絡(luò)在信息融合和概率統(tǒng)計(jì)方面的優(yōu)勢(shì),對(duì)駕駛疲勞進(jìn)行了識(shí)別。李鑫等[11]以駕駛員生物信號(hào)數(shù)據(jù)為研究基礎(chǔ),采用D-S (Dempster-Shefer)證據(jù)理論構(gòu)造了基于(blood pressure waveform,BPW)特征融合的駕駛疲勞檢測(cè)模型,根據(jù)該模型的駕駛疲勞檢測(cè)精度結(jié)果,發(fā)現(xiàn)具有良好的應(yīng)用前景。盧章平等[12]采用實(shí)驗(yàn)生理學(xué)和主觀調(diào)查疲勞等級(jí)方法,研究不同駕駛員在3個(gè)時(shí)間段的疲勞程度變化,通過不同生理指標(biāo)的結(jié)合提高了對(duì)駕駛疲勞識(shí)別準(zhǔn)確率。
目前,大部分駕駛疲勞檢測(cè)的研究主要局限在駕駛員生理特性變化和駕駛時(shí)間,但關(guān)于駕駛環(huán)境等多種影響因素的研究較少。首先從駕駛環(huán)境視角出發(fā),根據(jù)駕駛員自身特征將駕駛員分為本地和外地等兩類,分別開展了三種溫度駕駛環(huán)境下實(shí)車試驗(yàn),采集了兩類駕駛員的主觀疲勞值和生理特性指標(biāo);其次通過統(tǒng)計(jì)學(xué)方法確定兩類駕駛員在不同溫度下主觀疲勞值和各項(xiàng)生理指標(biāo)之間的差異;最終構(gòu)建麻雀搜索算法與(back propagation,BP)神經(jīng)網(wǎng)絡(luò)融合的駕駛疲勞檢測(cè)模型,對(duì)駕駛員疲勞等級(jí)進(jìn)行識(shí)別與分類,以提高駕駛疲勞檢測(cè)準(zhǔn)確率和可靠性。
本次試驗(yàn)?zāi)康氖茄芯繕O端高溫天氣下駕駛員疲勞程度情況,通過采集的試驗(yàn)數(shù)據(jù)分析兩類駕駛員在不同溫度下疲勞程度差異,利用主觀疲勞值和生理指標(biāo)數(shù)據(jù)驗(yàn)證駕駛疲勞等級(jí)檢測(cè)模型的識(shí)別精度與可靠性。
按照試驗(yàn)?zāi)康?,本次試?yàn)共招募了20名駕駛員(即10名本地駕駛員、10名外地駕駛員),均已有C1駕照,平均駕齡為8.25歲。按試驗(yàn)路段熟悉度將駕駛員分為本地和外地等兩類,能夠滿足該疲勞等級(jí)檢測(cè)模型的需求?;诎踩蛩乜紤],試驗(yàn)要求所有試驗(yàn)者為男性、身體健康、無(wú)不良駕駛記錄、試驗(yàn)前睡眠充足、進(jìn)行試驗(yàn)前24 h不得飲酒和咖啡等刺激性飲品。
本次試驗(yàn)儀器選用加拿大Thought Technology公司的ProCamp Infiniti 生理儀設(shè)備,該設(shè)備包括先進(jìn)的計(jì)算機(jī)技術(shù)和傳感器傳導(dǎo)技術(shù)。通過傳輸內(nèi)線路內(nèi)部的光纖,可以采集駕駛員心電、皮電等多種生理信號(hào),采集頻率達(dá)到256 Hz/s。最終利用各種傳輸技術(shù)可以導(dǎo)出txt等格式的數(shù)據(jù)文件。
研究道路交通事故原因時(shí),駕駛環(huán)境影響是不可忽視的主要因素,極端高溫天氣是溫度標(biāo)準(zhǔn)40 ℃及以上的特殊環(huán)境,因此駕駛員在極端高溫天氣下行車時(shí),駕駛員生理特性發(fā)生有所變化,從而導(dǎo)致駕駛疲勞現(xiàn)象。根據(jù)本次試驗(yàn)?zāi)康模瑪M選行車試驗(yàn)路段始于吐魯番地區(qū)鄯善縣蘇巴什村止于吐魯番市高昌區(qū),試驗(yàn)路段來(lái)回一次總里程74 km,試驗(yàn)時(shí)長(zhǎng)均60 min。
在進(jìn)行行車試驗(yàn)時(shí),駕駛員佩戴相關(guān)的試驗(yàn)儀器,采集心率和心率變異性數(shù)據(jù),并在D-Lab軟件中計(jì)算。同時(shí)進(jìn)行行車試驗(yàn)過程中,利用卡羅林斯卡嗜睡表(Karolinska sleepiness scale,KSS)量表進(jìn)行主觀調(diào)查,即每5 min一次詢問試驗(yàn)者疲勞程度,詢問的時(shí)候觀察員根據(jù)駕駛員自身變化對(duì)駕駛員疲勞程度進(jìn)行評(píng)分。最后將駕駛員回答與觀察員評(píng)分結(jié)果對(duì)比,判斷駕駛員疲勞程度,如果試驗(yàn)者回答和觀察員評(píng)分結(jié)果不一致,那觀察員評(píng)分結(jié)果為準(zhǔn)判斷。
1.4.1 主觀疲勞等級(jí)的確定
通過KSS量表量化疲勞等級(jí)是在駕駛疲勞檢測(cè)中常用的方法[13-14]。采用KSS量表主觀疲勞等級(jí)調(diào)查方法,對(duì)駕駛員進(jìn)行主觀評(píng)分,KSS量表具體描述和疲勞等級(jí)如表1所示。
表1 KSS調(diào)查表Table 1 KSS questionnaire
1.4.2 駕駛疲勞等級(jí)簡(jiǎn)化
由于KSS量表過于詳細(xì),在評(píng)分時(shí)很難避免試驗(yàn)者和觀察員個(gè)人主觀因素的影響,通常采用主觀評(píng)分法結(jié)合3級(jí)疲勞評(píng)價(jià)法建立駕駛疲勞3個(gè)疲勞等級(jí)的標(biāo)準(zhǔn),有效減弱了試驗(yàn)者在實(shí)時(shí)自我評(píng)分時(shí)主觀影響差異因素的影響。根據(jù)前人的研究成果,將KSS量表主觀疲勞值簡(jiǎn)化為清醒、過度、重度疲勞等3個(gè)等級(jí)[15-16],即當(dāng)KSS≤4時(shí),則試驗(yàn)者處于在清醒狀態(tài);當(dāng)5 表2 疲勞等級(jí)表Table 2 Fatigue level table 通過閱讀前人的駕駛疲勞檢測(cè)研究成果,選取了心率(heart rating,HR)、心率變異性指標(biāo)SDNN(standard deviation of R-R interval)和RMSSD(root-mean-square difference value of adjacent R-R interval);根據(jù)天氣溫度影響人體特征參數(shù),選取了表皮溫度指標(biāo),并與心率HR、SDNN和RMSSD相結(jié)合,運(yùn)用數(shù)理統(tǒng)計(jì)方法,分析了兩類駕駛員各項(xiàng)生理指標(biāo)在三種溫度駕駛環(huán)境下變化差異。 (1)HR。HR是指心臟每分鐘跳動(dòng)的次數(shù),人處在正常、疲勞及運(yùn)動(dòng)狀或緊張態(tài)下的HR跳動(dòng)次數(shù)有差別,如正常狀態(tài)下成年人心率一般跳動(dòng)次數(shù)60~100 次/min,激烈運(yùn)動(dòng)狀態(tài)下心率跳動(dòng)次數(shù)一般在120~180 次/min范圍內(nèi),而睡眠狀態(tài)下心率一般50~70 次/min[17]。研究表明,心率的變化在辨識(shí)駕駛疲勞研究中具有舉足輕重的意義,即經(jīng)過長(zhǎng)時(shí)間行車導(dǎo)致駕駛員心率急劇下降[18]。 表3 選取指標(biāo)與介紹Table 3 Selection indicators and introduction (2)SDNN。SDNN是指RR間標(biāo)準(zhǔn)差,評(píng)價(jià)自主神經(jīng)系統(tǒng)受損和恢復(fù)的主要指標(biāo)。RR間標(biāo)準(zhǔn)差SDNN作為可以分析極端高溫天氣下駕駛員疲勞程度,計(jì)算公式為 (1) (3)RMSSD。指相鄰RR間差值的均方根,表示心率變異性(heart rate variability,HRV)的快速變化。計(jì)算公式為 (2) (4)表皮溫度。一般指人體皮膚表面的溫度,也稱為體表溫度,由于皮膚分布在身體的表面,容易受到外界環(huán)境的影響,因此與體溫而言皮膚溫度不穩(wěn)定,變化的范圍比較大[19],正常情況下皮膚溫度標(biāo)準(zhǔn)為36~37 ℃。伴隨天氣溫度增大,表皮溫度的越來(lái)越不穩(wěn)定。 2.2.1 駕駛員主觀疲勞值和生理指標(biāo)數(shù)據(jù)統(tǒng)計(jì) 在夏季時(shí),本地駕駛員通常在極端高溫天下開車,因此本地駕駛員適應(yīng)性與外地駕駛員相比較好,從而疲勞程度之間也存在明顯的差異。圖1為測(cè)試的兩類駕駛KSS量表主觀疲勞值。可以看出,隨著駕駛環(huán)境溫度的升高,駕駛員主觀疲勞值呈上升趨勢(shì),外地駕駛員的主觀疲勞值大于本地駕駛員主觀疲勞值。 圖1 兩類駕駛員主觀疲勞值KSSFig.1 The subjective fatigue value KSS of two types of drivers 針對(duì)兩類駕駛員指標(biāo)數(shù)據(jù)進(jìn)行統(tǒng)計(jì),分析各項(xiàng)指標(biāo)在三種溫度駕駛環(huán)境下的變化情況,匯總結(jié)果見圖2所示。匯總結(jié)果顯示,隨著駕駛環(huán)境溫度變化,兩類駕駛員心率HR、表皮溫度、SDNN及RMSSD等4個(gè)特征指標(biāo)之間存在顯著差異。 從圖2可見,在極端高溫天氣下兩類駕駛員各項(xiàng)生理指標(biāo)變化顯著,通過此4項(xiàng)生理指標(biāo)變化與主觀回答結(jié)果結(jié)合,初步可知極端高溫天氣下駕駛員疲勞速度較快。 圖2 不同溫度下兩類駕駛員相關(guān)指標(biāo)數(shù)據(jù)匯總Fig.2 Summary graph of two types of driver-related index data at different temperatures 2.2.2 主觀疲勞值與生理指標(biāo)相關(guān)性分析 由于駕駛疲勞程度增加與駕駛員自身特性變化密切相關(guān),駕駛員主觀疲勞值和生理特性指標(biāo)之間存在一定的關(guān)聯(lián)性,因此應(yīng)用Person相關(guān)性分析方法,分析得到兩類駕駛員在極端高溫天氣下采集的4項(xiàng)生理特性指標(biāo)之間的相關(guān)矩陣,如表4所示。 表4 基于極端高溫天氣生理數(shù)據(jù)相關(guān)性分析Table 4 Correlation analysis of physiological data based on extreme high temperature weather 分析結(jié)果表明,在極端高溫天氣下本地和外地駕駛員心率變異性指標(biāo)SDNN和RMSSD共同兩個(gè)指標(biāo)與駕駛員主觀疲勞值KSS相關(guān)性最顯著,同時(shí)與前人研究成果相結(jié)合,選取SDNN為極端高溫道路環(huán)境駕駛疲勞程度檢測(cè)研究中建議參考的生理指標(biāo)。 2.2.3 不同溫度下兩類駕駛員生理指標(biāo)差異性分析 在極端高溫天氣下本地與外地兩類駕駛員心理、生理特性指標(biāo)數(shù)據(jù)變化程度之間有所差異,需要對(duì)本文選取的生理指標(biāo)數(shù)據(jù)進(jìn)行差異性分析。為分析極端高溫道路環(huán)境下兩類駕駛員生理數(shù)據(jù)變化之間的差異,采用非參數(shù)檢驗(yàn)(曼-惠特尼U檢驗(yàn))針對(duì)極端高溫天氣、高溫天氣及正常天氣等3種溫度駕駛環(huán)境下兩類駕駛員4項(xiàng)生理指標(biāo)進(jìn)行差異性分析,檢驗(yàn)結(jié)果如表5所示。 表5 不同溫度駕駛環(huán)境下兩類駕駛員非參數(shù)檢驗(yàn)Table 5 Two types of non-parametric tests of drivers in different temperature driving environments 從表5可知,極端高溫和高溫兩種天氣下本地與外地駕駛員生理數(shù)據(jù)之間存在顯著差異,而正常天氣下此兩類駕駛員各項(xiàng)生理數(shù)據(jù)之間差異不顯著,檢驗(yàn)結(jié)果表明極端高溫天氣對(duì)兩類駕駛員產(chǎn)生不同程度的影響,選取的4項(xiàng)生理指標(biāo)可以用于基于極端高溫駕駛疲勞程度研究。 2.2.4 極端高溫天氣下兩類駕駛員生理指標(biāo)配對(duì)檢驗(yàn) 根據(jù)前人的研究成果和駕駛員特征分析檢驗(yàn),以兩類駕駛員生理指標(biāo)里選取SDNN為主要特征參數(shù),針對(duì)兩類駕駛員SDNN進(jìn)行配對(duì)T檢驗(yàn),分別得到基于極端高溫道路環(huán)境2類駕駛員產(chǎn)生疲勞的駕駛時(shí)間。首先將兩類駕駛員SDNN指標(biāo)數(shù)據(jù) 按5 min 的標(biāo)準(zhǔn)進(jìn)行分組,前5 min的SDNN數(shù)據(jù)與其他數(shù)據(jù)組進(jìn)行配對(duì)T檢驗(yàn)(即5 min-10 min,5 min-15 min,…,5 min-60 min)。檢驗(yàn)結(jié)果如表6所示。 由表6可知,本地駕駛員心率變異性指標(biāo)SDNN數(shù)據(jù)到35 min的時(shí)候,配對(duì)檢驗(yàn)結(jié)果顯示為非常顯著,表明本地駕駛員在極端高溫道路環(huán)境下行駛時(shí)間到35 min左右開始產(chǎn)生疲勞駕駛;而外地駕駛員在25 min時(shí),檢驗(yàn)結(jié)果顯示為非常顯著,表明外地駕駛員在極端高溫道路環(huán)境下行駛時(shí)間到25 min左右開始產(chǎn)生疲勞駕駛。 表6 極端高溫兩類駕駛員SDNN數(shù)據(jù)配對(duì)檢驗(yàn)Table 6 Paired test of SDNN data for two types of drivers in extreme high temperature BP神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中常見的預(yù)測(cè)模型,它通過建立類似于大腦神經(jīng)突鏈接的結(jié)構(gòu)進(jìn)行信息處理。BP神經(jīng)網(wǎng)絡(luò)利用逆向傳播的方法,針對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練將誤差反饋給神經(jīng)網(wǎng)絡(luò),在訓(xùn)練過程中對(duì)網(wǎng)絡(luò)中的權(quán)重值和閾值進(jìn)行不斷地調(diào)整,并實(shí)現(xiàn)最優(yōu)擬合結(jié)果[20]。BP神經(jīng)網(wǎng)絡(luò)的基本拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層及輸出層等3個(gè)元素,如圖3所示。最終根據(jù)預(yù)測(cè)結(jié)果與主觀疲勞等級(jí)標(biāo)簽擬合程度判斷預(yù)測(cè)準(zhǔn)確率。 X1、X2、X3及X4表示為選取的4項(xiàng)生理指標(biāo),而X5表示為主觀疲勞等級(jí)標(biāo)簽;Wij和Wjk表示為隱含層函數(shù);A1、A2、A3、A4及A5分別表示為疲勞預(yù)測(cè)輸出值圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Structure diagram of BP neural network 隨著BP神經(jīng)網(wǎng)絡(luò)使用領(lǐng)域的擴(kuò)大,國(guó)內(nèi)外學(xué)者研究發(fā)現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)和不足,即BP神經(jīng)網(wǎng)絡(luò)存在局部小化問題,導(dǎo)致預(yù)測(cè)結(jié)果不一致;存在算法收斂的速度較慢問題,引起了算法效率低的情況;訓(xùn)練網(wǎng)絡(luò)機(jī)構(gòu)選擇不一致問題,影響網(wǎng)絡(luò)結(jié)構(gòu)的逼近能力。因此為提高疲勞檢測(cè)的精度,本文利用麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),建立駕駛疲勞檢測(cè)模型。 麻雀搜索算法[21-22](sparrow search algrothm,SSA)是根據(jù)模擬麻雀覓食和逃避危險(xiǎn)的行為提出的一種優(yōu)化算法。麻雀群體的覓食行為包括三種,發(fā)現(xiàn)者尋找食物、加入者跟隨發(fā)現(xiàn)者發(fā)現(xiàn)食物位置、觀察者決定該群體是否放棄食物。其中發(fā)現(xiàn)者與加入者之間存在一定的相互轉(zhuǎn)換關(guān)系,發(fā)現(xiàn)者的數(shù)量占整個(gè)群體的10%~20%,由于發(fā)現(xiàn)者的活動(dòng)范圍廣,通過不斷地更新自己的位置,并確定食物的具體位置。加入者則跟著發(fā)現(xiàn)者不斷地覓食行為,以獲得更高的適應(yīng)度。而觀察者則偵查食物位置周圍的危險(xiǎn),負(fù)責(zé)捕食出現(xiàn)時(shí)提醒群體避免反捕食的行為,一般占群體數(shù)量的10%~20%[23]。 (1)發(fā)現(xiàn)者的位置更新表達(dá)式為 (3) 式(3)中:Cmax表示算法最大迭代次數(shù);a則表示(0,1]的均勻隨機(jī)數(shù);Q是服從正態(tài)分布的隨機(jī)數(shù);L表示為1×d的矩陣;其元素為1;且R2∈[0,1]和ST∈[0,5,1]表示為預(yù)警值和安全值。 (2)加入者的位置更新公式為 (4) 麻雀群體尋找食物時(shí)部分麻雀進(jìn)行偵查周圍環(huán)境的危險(xiǎn)情況,當(dāng)發(fā)現(xiàn)危險(xiǎn)來(lái)臨時(shí),通過交流方式提醒其他麻雀,從而麻雀群體它們放棄食物,避免捕食者的危險(xiǎn),移動(dòng)其他位置繼續(xù)尋找食物。 (3)觀察者的位置更新公式為 (5) 麻雀搜索算法(SSA)與傳統(tǒng)的優(yōu)化算法相比,受參數(shù)設(shè)置的影響小、收斂速度快、計(jì)算范圍廣,不易陷入局部最優(yōu),因此麻雀搜索算法(SSA)能夠有效地優(yōu)化BP神經(jīng)網(wǎng)絡(luò)駕駛疲勞檢測(cè)模型。SSA-BP神經(jīng)網(wǎng)絡(luò)駕駛疲勞預(yù)測(cè)模型實(shí)現(xiàn)基本步驟(圖4)如下。 圖4 基于麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流計(jì)算程圖Fig.4 Flow calculation diagram of optimizing BP neural network based on sparrow search algorithm (1)確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)輸入層,隱含層、輸出層節(jié)點(diǎn)。 (2)對(duì)駕駛員生理指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理。 (3)初始化BP神經(jīng)網(wǎng)絡(luò)閾值和權(quán)重值。 (4)計(jì)算每一只麻雀?jìng)€(gè)體的適應(yīng)度。 (5)根據(jù)式(3)、(4)、(5)計(jì)算發(fā)現(xiàn)者、加入者及觀察者的更新位置。 (6)更新最優(yōu)適應(yīng)度,判斷是否達(dá)到最優(yōu)迭代數(shù),若滿足下一步輸出結(jié)果,若沒有滿足回到循環(huán)繼續(xù)計(jì)算。 (7)得到種群最優(yōu)個(gè)體賦值BP神經(jīng)網(wǎng)絡(luò)閾值和權(quán)重值。 (8)輸出預(yù)測(cè)結(jié)果。 基于SSA-BP神經(jīng)網(wǎng)絡(luò)駕駛疲勞檢測(cè)模型在MATLAB進(jìn)行實(shí)現(xiàn),建立了極端高溫天氣駕駛疲勞檢測(cè)模型。該模型隨機(jī)抽取70%的樣本作為訓(xùn)練集,30%的樣本作為測(cè)試集,將簡(jiǎn)化后的KKS量表疲勞等級(jí)為標(biāo)簽,對(duì)SSA-BP神經(jīng)網(wǎng)絡(luò)駕駛疲勞預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試,其極端高溫天氣駕駛疲勞預(yù)測(cè)和分類結(jié)果如圖5所示。 圖5 駕駛疲勞等級(jí)預(yù)測(cè)與分類結(jié)果Fig.5 Prediction and classification results of driving fatigue level 從圖5(b)預(yù)測(cè)結(jié)果可見駕駛疲勞等級(jí)越低,預(yù)測(cè)與分類效果越好,誤差越小,疲勞等級(jí)屬性1與疲勞等級(jí)屬性2、3相比較少,說(shuō)明極端高溫天氣下駕駛員快速進(jìn)入疲勞狀態(tài)。根據(jù)駕駛疲勞預(yù)測(cè)值和真實(shí)值之間相互對(duì)比分析,該模型的預(yù)測(cè)和分類效果較好、運(yùn)行時(shí)間短及收斂速度較快,能夠?yàn)闃O端高溫天氣駕駛疲勞檢測(cè)研究提供一定的參考和借鑒。 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)駕駛疲勞預(yù)測(cè)模型準(zhǔn)確率達(dá)到0.885,利用麻雀搜索優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率可達(dá)0.95,SSA優(yōu)化曲線圖越接近1,則預(yù)測(cè)效率越好,從圖6可見,優(yōu)化準(zhǔn)確率達(dá)到0.945時(shí)開始平穩(wěn),最終結(jié)果達(dá)到了最佳適應(yīng)度。表明SSA有效地優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,基于SSA改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)駕駛疲勞檢測(cè)精度更準(zhǔn)確。 圖6 SSA優(yōu)化曲線圖Fig.6 SSA optimization curve 從駕駛環(huán)境視角出發(fā),針對(duì)極端高溫天氣駕駛環(huán)境中駕駛員疲勞程度進(jìn)行研究。通過分析三種溫度駕駛環(huán)境下駕駛員相關(guān)生理指標(biāo)變化差異,發(fā)現(xiàn)極端高溫天氣對(duì)兩類駕駛員產(chǎn)生不利影響。在此基礎(chǔ)上,建立了基于SSA-BP駕駛疲勞檢測(cè)模型,得出如下結(jié)論。 (1)首先按試驗(yàn)道路熟悉程度,將駕駛員分為本地和外地等兩類,分別在極端高溫天氣、高溫天氣及正常天氣等3種氣溫環(huán)境下開展實(shí)車試驗(yàn),采集了兩類駕駛員的主觀疲勞值和生理數(shù)據(jù),共選取4項(xiàng)指標(biāo)并進(jìn)行分析與研究。 (2)駕駛員特征分析結(jié)果表明,在極端高溫天氣下兩類駕駛員SDNN、RMSSD指標(biāo)與KSS量主觀疲勞值之間的相關(guān)性最顯著;在極端高溫天氣和高溫天氣下兩類駕駛員生理特性指標(biāo)變化之間存在顯著差異;配對(duì)檢驗(yàn)結(jié)果顯示,本地駕駛員行駛時(shí)間到35 min時(shí)出現(xiàn)疲勞狀態(tài),而外地駕駛員行駛時(shí)間到25 min時(shí)出現(xiàn)疲勞狀態(tài),表明相比于本地駕駛員,外地駕駛員受極端高溫天氣不利影響較明顯。 (3)基于SSA-BP駕駛疲勞檢測(cè)模型分析本地及外地駕駛員極端高溫天氣疲勞等級(jí)分類表明,麻雀搜索算法能夠有效地優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,該模型具有良好駕駛疲勞等級(jí)識(shí)別功能,可為極端高溫天氣道路交通安全提供一定的參考與借鑒。2 指標(biāo)選取與數(shù)據(jù)分析
2.1 指標(biāo)介紹
2.2 數(shù)據(jù)統(tǒng)計(jì)與分析
3 疲勞檢測(cè)模型建立
3.1 BP神經(jīng)網(wǎng)絡(luò)的基本概述
3.2 基于SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法
4 實(shí)例分析
5 結(jié)論