1.一种驾驶员疲倦识别方法,其特征在于,包括以下步骤:S1:以时间段T为区间,连续监测某一驾驶员驾驶过程中的心电图,获得该驾驶员若干个区间的心电图,并对若干个区间心电图进行预处理;具体包括以下步骤:S1.1:计算某一区间心电图相邻R波时间间隔,结合该区间心电图的开始时刻,组成该区间心电图的结果序列,为:[tm,RR(1,tm),RR(2,tm),……,RR(Q,tm),……,RR(i,tm)];其中,tm为第m个区间ECG的开始时刻;RR(Q,tm)表示第m个区间内ECG中第Q个时间间隔;
S1.2:计算该区间内心电图的均方差根,公式为:S1.3:对S1.1中的结果序列进行傅里叶变换FFT,提取HRV的频率域特征,公式为:其中,LF range和HF range分别表示ECG中低频0.04-0.15HZ和高频0.15-0.4HZ的频率范围;P(f1)和P(f2)分别表示ECG中低频和高频的功率谱密度;
S2:设置所有驾驶员在不同驾驶时段的权重矩阵;
W1=[α1,α2,……,αp],其中,αp为疲倦系数;
S3:将结果序列中的驾驶开始时刻、均方差根和LF/HF输入到神经网络中,结合驾驶员在不同驾驶时段的权重矩阵,迭代计算出最优的权重矩阵;
S4:用最优权重矩阵,代入到S3中,计算出当前的驾驶状态概率,评判当前的驾驶状态;
其中,步骤S3包括以下步骤:
S3.1:获取大量样本,每个样本包括不同驾驶员结果序列的时刻点、均方差根和LF/HF;将大量样本按比例划分为训练集、验证集和测试集;
S3.2:设置输入层和隐藏层的神经元数量;并计算隐藏层的输出,公式为:hd=f(Wk·xk+bd)(1)
其中,f为激活函数Relu,Wk为第k个特征的权重矩阵,k∈[1,3],k为整数;xk为输入特征向量;bd为随机生成的第d个隐藏层神经元的偏置项,d∈[1,32],d为整数;hd第d个隐藏层神经元的输出;
S3.3:计算输出层的疲倦驾驶概率;
βz=σ(Wh·hd+bh) (2)
σ是Sigmoid函数;Wh是从隐藏层到输出层的权重,为已知量;bh是输出层的偏置;
S3.4:计算损失函数;
其中,yz表示第z个样本的真实标签,为0或者1;βz表示第z个样本预测的概率;S为样本的总数;
S3.5:迭代权重矩阵;
Wk,new为更新后的第k个权重矩阵;Wk为更新前的原始权重;η为学习率;为第k个权重矩阵的梯度;
S3.6:设置迭代次数,循环S3.2-S3.5,获得最优的权重矩阵,记为Wk,best;
在步骤S4中,将S3中的Wk,best代入到式(1)(2)中,解出当前样本的驾驶状态概率β当前;利用评价公式评价驾驶状态,评价公式为:其中,θ=0.5。
2.根据权利要求1所述的一种驾驶员疲倦识别方法,其特征在于,步骤S3.6中,设置S3.6中的迭代次数为100次。
3.根据权利要求1所述的一种驾驶员疲倦识别方法,其特征在于,步骤S2中,在W1中设置容易疲倦的时间段,公式为: