欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025111955349
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种多车监管场景下的云舱安全员疲劳辨识预警方法,其特征在于,包括以下步骤:根据不同人车比场景,获取各人车比场景下对应的多模态数据;

通过LSTM模型-注意力机制构建不同人车比场景下的差异化子模型体系,生成适应各人车比场景下疲劳规律的个性化疲劳辨识子模型;各个个性化疲劳辨识子模型分别对对应的多模态数据进行疲劳特征提取,输出子疲劳辨识结果;

通过多任务联邦学习融合各个个性化疲劳辨识子模型的参数信息,生成全局疲劳辨识模型;通过全局疲劳辨识模型整合各个个性化疲劳辨识子模型的疲劳特征和子疲劳辨识结果,得到综合疲劳辨识结果;

基于所述综合疲劳辨识结果,结合人车比参数和疲劳风险矩阵,划分疲劳等级,并根据分级预警策略生成安全警示措施;

所述根据不同人车比场景,获取各人车比场景下对应的多模态数据,具体包括:当人车比为1:1时,重点采集生理基础指标,包括眨眼频率、脑电α波频率、心率变异性,辅以鼠标操作频率、单屏注视时长和车道偏离次数;

当人车比为1:2时,增加多任务处理相关指标,包括操作反应时间、注视转移频率和跟车距离;

当人车比为1:3时,新增神经认知指标及多车协同数据,包括瞳孔直径、头部俯仰角、多任务切换错误率以及多车轨迹安全性和接管延迟;

所述通过LSTM模型-注意力机制构建不同人车比场景下的差异化子模型体系,具体包括:当人车比为1:1时,采用单层LSTM模型加固定注意力机制,其中生理基础指标权重最高;

当人车比为1:2时,采用双层LSTM模型加动态注意力机制,动态注意力机制引入人车比系数动态调整特征权重;

当人车比为1:3时,采用双向LSTM模型加自适应注意力机制,神经认知指标权重增加,并设置多车轨迹协方差触发的动态权重调整机制。

2.根据权利要求1所述的云舱安全员疲劳辨识预警方法,其特征在于,所述生成适应各人车比场景下疲劳规律的个性化疲劳辨识子模型,具体包括:对多模态数据进行归一化处理以消除不同量纲的影响;

对归一化后的个体最佳疲劳特征指标进行主成分分析,提取关键特征;

将样本主成分作为LSTM模型的输入,以样本的状态值为输出,通过LSTM模型神经元的信息传递和误差反向传播算法调整网络系数,建立该人车比场景下的个性化疲劳辨识子模型。

3.根据权利要求1所述的云舱安全员疲劳辨识预警方法,其特征在于,在人车比场景切换时,保留前人车比场景下LSTM模型的隐藏状态数据和T1时间内的疲劳特征数据,并将前人车比场景的隐藏状态数据作为当前人车比场景的子模型的初始输入,为前人车比场景的子模型的疲劳特征数据赋予第一权重,为当前人车比场景的子模型的疲劳特征数据赋予第二权重,并每间隔T2时间进行权重更新,直至当前人车比场景的子模型的疲劳特征数据的第二权重等于1,此时当前人车比场景的子模型完全适应当前人车比场景。

4.根据权利要求1所述的云舱安全员疲劳辨识预警方法,其特征在于,所述通过多任务联邦学习融合各个个性化疲劳辨识子模型的参数信息,生成全局疲劳辨识模型;通过全局疲劳辨识模型整合各个个性化疲劳辨识子模型的疲劳特征和子疲劳辨识结果,得到综合疲劳辨识结果,具体包括:定期收集各人车比场景下的子模型的包括梯度更新信息、模型权重、疲劳特征和子疲劳辨识结果的参数信息;

根据不同人车比场景下的疲劳特征信息,以各人车比场景下的数据量驱动各子模型的子模型参数加权聚合和自适应调整,形成各人车比疲劳特征的融合策略,生成新一轮的全局疲劳辨识模型;

新一轮的全局疲劳辨识模型根据各子模型的疲劳特征和子疲劳辨识结果,输出融合后的全局疲劳辨识结果,将融合后的全局疲劳辨识结果与实际状态值进行对比,利用误差反馈调节机制优化新一轮的全局疲劳辨识模型,将优化后的全局模型参数发送至各子模型,各子模型根据优化后的全局模型参数进行迭代更新;重复上述过程,直至融合后的全局疲劳辨识结果满足收敛条件,得到符合实际的全局疲劳辨识模型,全局疲劳辨识模型输出综合疲劳辨识结果。

5.根据权利要求1所述的云舱安全员疲劳辨识预警方法,其特征在于,所述基于所述综合疲劳辨识结果,结合人车比参数和疲劳风险矩阵,划分疲劳等级,具体包括:基于所述疲劳辨识结果,结合人车比参数h,构建疲劳风险矩阵,确定疲劳等级;疲劳等级包括风险性逐渐增高的Ⅰ级疲劳、Ⅱ级疲劳、Ⅲ级疲劳、Ⅳ级疲劳和Ⅴ级疲劳;

当人车比为1:1时,Ⅰ级疲劳对应低风险,Ⅱ级疲劳对应中风险,Ⅲ级疲劳对应高风险;

当人车比为1:2时,Ⅱ级疲劳对应中风险,Ⅲ级疲劳对应高风险,Ⅳ级疲劳对应极高风险;

当人车比为1:3时,Ⅲ级疲劳对应高风险,Ⅳ级疲劳对应极高风险,Ⅴ级疲劳对应紧急风险。

6.根据权利要求5所述的云舱安全员疲劳辨识预警方法,其特征在于,所述根据分级预警策略生成安全警示措施,具体包括:基于疲劳等级划分结果,确定是否开启对应的安全警示;

当疲劳等级为Ⅰ级时,启动黄色预警,语音提示“当前疲劳等级较低,请保持警惕”;

当疲劳等级为Ⅱ级时,启动橙色预警,界面上弹出红色警告框,显示“疲劳等级升级,建议减少监管车辆”,并自动降档,若人车比≥2,则自动将人车比下降一个档;

当疲劳等级为Ⅲ级时,启动红色预警,强制休息,锁定操作界面,同步通知备用安全员接管一辆车,并对剩余车辆启用自动驾驶辅助;

当疲劳等级为Ⅳ或Ⅴ级时,启动紧急响应,全车辆接管,触发自动驾驶,安全员退出监管队列,启动备用安全员接管。

7.一种多车监管场景下的云舱安全员疲劳辨识预警系统,其特征在于,用于实现如权利要求1至6任一项所述的云舱安全员疲劳辨识预警方法,包括中央处理中心、疲劳风险辨识单元和安全预警单元;

所述中央处理中心用于数据交互与指令分发,支持与疲劳风险辨识单元和安全预警单元的双向通讯;

所述疲劳风险辨识单元用于实时获取不同人车比场景下的多模态数据,并通过构建差异化子模型体系进行疲劳辨识;

所述安全预警单元用于根据疲劳辨识结果确定疲劳等级,并采取分级预警策略生成安全警示措施。