CN103473890B - 基于多信息的驾驶员疲劳实时监测***及监测方法 - Google Patents

Abstract

本发明公开了一种基于多信息的驾驶员疲劳实时监测***及监测方法，其特征是：由信息采集单元、信息处理单元和警示单元构成监测***；信息采集单元设置有：压力传感器用于提取驾驶员对方向盘的握力信息；角度传感器用于提取方向盘的转角信息；距离传感器用于提取驾驶员的头部位置信息；信息处理单元用于对信息采集单元获得的信息进行处理，获得表征驾驶状态的疲劳度特征参数，以此判断驾驶员疲劳状态等级；警示单元用于在信息处理单元判断驾驶员处在非清醒状态时进行警报。本发明可靠性高、成本低、实时性强、监测效果理想，能够在很大程度上避免因疲劳驾驶引起的交通事故。

Description

基于多信息的驾驶员疲劳实时监测***及监测方法

技术领域

本发明属于智能交通与安全领域，具体涉及基于多信息的驾驶员疲劳实时监测***及监测方法。

背景技术

近几年来，道路交通事故急剧增加，其重要原因之一就是疲劳驾驶，为此，科学有效地监测驾驶员的驾驶状态，并给予驾驶员提示和报警，已成为汽车驾驶员主动安全监测领域中的研究热点。

在目前的研究中，很多对策被用来进行疲劳驾驶状态的监测：利用生理传感器监测驾驶员生理指标变化的方法绝大多数侵入性强，会对驾驶员造成干扰，实用性差；而使用单一疲劳特征的方法可靠性低，实用性不强；而利用机器视觉和图像处理技术的方法，受光线变化和驾驶员个体因素影响较大，导致这些监测装置成本高或疲劳特征提取困难，难以获得广泛应用；虽然也有不少研究融合多个疲劳特征，但很少考虑驾驶疲劳状态比较直观明显的行为特征。目前大多数监测方法通过设定评价指标阈值的方法来判断驾驶状态，却易受个体差异和驾驶习惯等因素影响，导致评价指标阈值难确定，监测实时性不高，效果不理想。

发明内容

本发明目的是克服现有技术存在的不足，提供一种可靠性高、成本低、实时性强、监测效果理想、普遍适用性高、基于多信息的驾驶员疲劳实时监测***和监测方法。

本发明为解决技术问题采用如下技术方案：

本发明基于多信息的驾驶员疲劳实时监测***的特点是：所述监测***是由信息采集单元、信息处理单元和警示单元构成；

所述信息采集单元设置有：压力传感器，设置在方向盘表层，用于提取驾驶员对方向盘的握力信息；角度传感器，设置在方向盘转柱上，用于提取方向盘的转角信息；距离传感器，设置在驾驶员座椅头枕上，用于提取驾驶员的头部位置信息；以所述握力信息、转角信息和驾驶员的头部位置信息为驾驶状态信息；

所述信息处理单元用于对所述驾驶状态信息进行处理，获得表征驾驶状态的疲劳度特征参数，以所述疲劳度特征参数判断驾驶员疲劳状态等级；

所述警示单元用于在信息处理单元判断驾驶员处在非清醒状态时进行警报。

本发明基于多信息的驾驶员疲劳实时监测方法的特点是包括如下步骤：

步骤1、采集驾驶员的驾驶状态信息，所述驾驶状态信息是指通过压力传感器检测获得的驾驶员对方向盘的握力信息、通过角度传感器检测获得的方向盘的转角信息和通过距离传感器检测获得的驾驶员的头部位置信息；

步骤2、对步骤1所述的驾驶状态信息进行处理，获得表征驾驶状态的疲劳度特征参数；

步骤3、按步骤1和步骤2所述方法获取一个样本数为N的样本集，所述样本指由步骤2计算获得的疲劳度特征参数和由主观评价所确定的与所述疲劳度特征参数相对应的驾驶员疲劳状态等级构成；构建一个三层BP网络，利用所述样本集对所述三层BP网络进行离线训练，得到表征疲劳度特征参数与驾驶员疲劳状态等级之间非线性映射关系的数学模型；

步骤4、在每一判断时刻，按步骤1和步骤2所述方法实时获得当前判断时刻的疲劳度特征参数，以所述当前判断时刻的疲劳度特征参数为步骤3所得数学模型的输入信号，利用所述数学模型判断当前判断时刻的驾驶员疲劳状态等级。

本发明基于多信息的驾驶员疲劳实时监测方法的特点也在于：

监测过程中***以0.2s为周期实时采集驾驶员的驾驶状态信息；以30s的采集起始阶段为预设阶段，在所述预设阶段中，驾驶员是处于正常驾驶状态，以30s预设阶段中后20s的采集数据为各驾驶状态信息的初始采集数据；在所述30s预设阶段结束时进入监测阶段，在所述监测阶段中，***每隔2s进行一次驾驶员疲劳状态等级的判断，每个判断时刻所采用的疲劳度特征参数是以本次判断时刻之前、且是以本次判断时刻为结束时刻的采样时间窗的采集数据计算获得，不同的疲劳度特征参数具有相同或不同时长的采样时间窗。

所述疲劳度特征参数为握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD；

所述握力幅值疲劳度FGA按如下方式获得：

利用预设阶段后20s的初始采集数据计算得到驾驶员握力初始值F₀为：式中和分别为预设阶段后20s的驾驶员左手和右手的握力均值；在监测阶段内第n判断时刻的握力值F_n为：n=1，2，3...，式中和分别为第n判断时刻前、且是以第n判断时刻为结束时刻的3s采样时间窗的驾驶员左手和右手的握力均值；则第n判断时刻的握力幅值疲劳度FGA_n为：若FGA_n小于零，则将FGA_n赋值为零；

所述转角标准差疲劳度FASD按如下方式获得：

利用预设阶段后20s的初始采集数据计算得到转角标准差初始值为SD₀，在监测阶段内第n判断时刻前、且是以第n判断时刻为结束时刻的5s采样时间窗的转角标准差为SD_n，n=1，2，3...，则第n判断时刻的转角标准差疲劳度FASD_n为：

所述转角频数疲劳度FAF按如下方式获得：

利用预设阶段后20s的初始采集数据计算得到转角修正频数初始值为AN₀，在监测阶段内第n判断时刻前、且是以第n判断时刻为结束时刻的20s采样时间窗的转角修正频数为AN_n，n=1，2，3...，则第n判断时刻的转角频数疲劳度FAF_n为：若FAF_n小于零，则将FAF_n赋值为零；

所述头位偏离疲劳度FPD按如下方式获得：

所述距离传感器为两个超声波传感器，所述两个超声波传感器分别位于驾驶员座椅头枕的左侧和右侧，利用预设阶段后20s的初始采集数据计算得到驾驶员头部***与所述两个超声波传感器的距离均值分别为和则驾驶员头部横切面中心与两个超声波传感器的距离初始值x₀和y₀分别为：和R为驾驶员头部横切面的平均半径；在监测阶段内第n判断时刻驾驶员头部横切面中心与两个超声波传感器的距离值x_n和y_n分别为：和n=1，2，3...，式中和分别为第n判断时刻前、且是以第n判断时刻为结束时刻的3s采样时间窗的驾驶员头部***与两个超声波传感器的距离均值；

令：两个超声波传感器的中心分别为点A和点B，预设阶段驾驶员头部横切面中心为点C；第n判断时刻驾驶员头部横切面中心为点D；则有：α为直线AC与直线AB间夹角；β为直线AD与直线AB间夹角；θ为β与α之差；L为点A与点B的间距。依据余弦定理和三角函数公式，有：

$\cos \mathrm{\α}=\frac{{x_0}^2+L^2-{y_0}^2}{{2x}_{0}L},\sin \mathrm{\α}=\sqrt{1-{\cos }^2\mathrm{\α}}$

$\cos \mathrm{\β}=\frac{{x_n}^2+L^2-{y_n}^2}{{2x}_{n}L},\sin \mathrm{\β}=\sqrt{1-{\cos }^2\mathrm{\β}}$

cosθ=cos(β-α)=cosαcosβ+sinαsinβ

第n判断时刻驾驶员头部位置偏离预设阶段驾驶员头部位置的距离S_n为： $S_n=\sqrt{{x_0}^2+{x_n}^2-{2x}_0{x}_n\cos \mathrm{\θ}};$ 则第n判断时刻的头位偏离疲劳度FPD_n为： $\mathrm{FP}{D}_n=\frac{S_n}{L}.$

所述步骤3构建的三层BP网络为：第一层为输入层，由4个输入节点构成，所述的4个输入节点所分别对应的4个输入分量x₁、x₂、x₃和x₄依次对应为握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD，4个输入分量构成1个输入矢量X为：X=[x₁，x₂，x₃，x₄]^T；第二层为隐含层；第三层为输出层，由3个输出节点构成，所述的3个输出节点所分别对应的3个输出分量y₁、y₂和y₃依次表示清醒状态、疲劳状态和深度疲劳状态，3个输出分量构成1个输出矢量Y为：Y=[y₁，y₂，y₃]^T，以Y=[1，0，0]^T表征为清醒状态、以Y=[0，1，0]^T表征为疲劳状态、以Y=[0，0，1]^T表征为深度疲劳状态；所述疲劳状态和深度疲劳状态即为非清醒状态。

与现有技术相比，本发明有益效果体现在：

1、本发明监测***在监测过程的30s预设阶段中，每位驾驶员均须处于正常驾驶状态，用于辅助计算在监测阶段中每位驾驶员的疲劳度特征参数，相比设置固定值的方法，提高了***的普遍适用性，实用性增强；

2、本发明监测***在监测阶段中，***每隔2s进行一次驾驶员疲劳状态等级的判断，每个判断时刻所采用的疲劳度特征参数是以本次判断时刻之前、且是以本次判断时刻为结束时刻的采样时间窗的采集数据计算获得，不同的疲劳度特征参数具有相同或不同时长的采样时间窗，既提高了数据资源的利用率，也提高了***的实时性；

3、本发明中利用驾驶员对方向盘的握力信息、方向盘的转角信息和驾驶员的头部位置信息进行多信息融合，与其他使用单一疲劳特征的监测方法和复杂装置相比，可靠性高、疲劳特征提取容易且监测装置成本低；

4、本发明中采用BP网络进行识别，建立疲劳度特征参数与驾驶员疲劳状态等级之间非线性映射关系的数学模型，相比现有技术采用评价指标阈值的判断方法，更有效准确。

附图说明

图1为本发明监测***提取疲劳度特征参数的原理图；

图2为本发明中超声波传感器检测原理示意图。

具体实施方案

本实施例中基于多信息的驾驶员疲劳实时监测***由信息采集单元、信息处理单元和警示单元构成；其中信息采集单元设置有：压力传感器，设置在方向盘表层，用于提取驾驶员对方向盘的握力信息；角度传感器，设置在方向盘转柱上，用于提取方向盘的转角信息；距离传感器，设置在驾驶员座椅头枕上，用于提取驾驶员的头部位置信息；以握力信息、转角信息和驾驶员的头部位置信息为驾驶状态信息；信息处理单元用于对驾驶状态信息进行处理，获得表征驾驶状态的疲劳度特征参数，以疲劳度特征参数判断驾驶员疲劳状态等级；警示单元用于在信息处理单元判断驾驶员处在非清醒状态时进行警报。

本实施例中，对于驾驶状态信息的采集可以使用现有的多种传感技术。具体实施中驾驶员对方向盘的握力信息可以通过柔性触觉压力传感器获得；方向盘的转角信息可以通过模拟式角度传感器获得；驾驶员的头部位置信息可以通过超声波传感器获得。

本实施例中柔性触觉压力传感器是以炭黑填充硅橡胶作为柔性压敏材料制备的传感器，相关技术在《功能材料》2010年第2期，赵兴、黄英等人所发表的“用于复合式柔性触觉传感器的导电复合材料研究”中已有公开。本实施例中将16个柔性触觉压力传感器等间距地分布在方向盘表层，处在方向盘外周；柔性触觉压力传感器、模拟式角度传感器、超声波传感器、警示单元中的报警装置和数字化LCD汽车显示仪表均与信息处理单元硬件装置连接。

本实施例中基于多信息的驾驶员疲劳实时监测方法包括如下步骤：

步骤1、采集驾驶员的驾驶状态信息，驾驶状态信息是指通过压力传感器检测获得的驾驶员对方向盘的握力信息、通过角度传感器检测获得的方向盘的转角信息和通过距离传感器检测获得的驾驶员的头部位置信息；

步骤2、信息处理单元对驾驶状态信息进行处理，获得用于判断驾驶员疲劳状态等级的疲劳度特征参数，疲劳度特征参数包括：握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD；

步骤3、按步骤1和步骤2方法获取一个样本数为N的样本集，样本指由步骤2计算获得的疲劳度特征参数和由主观评价所确定的与疲劳度特征参数相对应的驾驶员疲劳状态等级构成；构建一个三层BP网络，利用样本集对三层BP网络进行离线训练，得到表征疲劳度特征参数与驾驶员疲劳状态等级之间非线性映射关系的数学模型；

具体实施中，构建三层BP网络为：第一层为输入层，由4个输入节点构成，4个输入节点所分别对应的4个输入分量x₁、x₂、x₃和x₄依次对应为握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD，4个输入分量构成1个输入矢量X为：X=[x₁，x₂，x₃，x₄]^T；第二层为隐含层，隐含层节点个数通过训练确定；第三层为输出层，由3个输出节点构成，3个输出节点所分别对应的3个输出分量y₁、y₂和y₃依次表示清醒状态、疲劳状态和深度疲劳状态，3个输出分量构成1个输出矢量Y为：Y=[y₁，y₂，y₃]^T，以Y=[1，0，0]^T表征为清醒状态、以Y=[0，1，0]^T表征为疲劳状态、以Y=[0，0，1]^T表征为深度疲劳状态，其中疲劳状态和深度疲劳状态即为非清醒状态。

对于获取样本集的举例：对14名男性和6名女性共20名驾驶员进行试验，年龄为24-55岁，平均驾龄6.1年，试验时间为午后11时至13时、夜晚24时至凌晨2时和4时至6时这三段时间并对试验过程进行录像，对录像视频以30s为间隔由5名经过训练的试验人员独立对被试人员驾驶状态进行评分，取其平均值作为被试人员驾驶状态的主观评价，主观评价的分类等级与驾驶员疲劳状态等级相同，选择其中300组包含各种驾驶员疲劳状态等级的样本组成样本集。

步骤4、在每一判断时刻，按步骤1和步骤2方法实时获得当前判断时刻的疲劳度特征参数，以当前判断时刻的疲劳度特征参数为步骤3所得数学模型的输入信号，利用数学模型判断当前判断时刻的驾驶员疲劳状态等级。

具体实施中：

监测过程中***以0.2s为周期实时采集驾驶员的驾驶状态信息；以30s的采集起始阶段为预设阶段，在预设阶段中，驾驶员是处于正常驾驶状态，以30s预设阶段中后20s的采集数据为各驾驶状态信息的初始采集数据，前10s用于驾驶员调整驾驶状态；在30s预设阶段结束时进入监测阶段，在监测阶段中，***每隔2s进行一次驾驶员疲劳状态等级的判断，每个判断时刻所采用的疲劳度特征参数是以本次判断时刻之前、且是以本次判断时刻为结束时刻的采样时间窗的采集数据计算获得，不同的疲劳度特征参数具有相同或不同时长的采样时间窗。图1为本发明监测***提取疲劳度特征参数的原理图。

握力幅值疲劳度FGA按如下方式获得：

驾驶员手握方向盘即接触到两个柔性触觉压力传感器，利用预设阶段后20s的初始采集数据计算得到驾驶员握力初始值F₀为：式中和分别为预设阶段后20s的驾驶员左手和右手的握力均值；在监测阶段内第n判断时刻的握力值F_n为：n=1，2，3...，式中和分别为第n判断时刻前、且是以第n判断时刻为结束时刻的3s采样时间窗的驾驶员左手和右手的握力均值；驾驶员处于疲劳状态时，对方向盘的握力随疲劳程度增大而逐渐减小，则第n判断时刻的握力幅值疲劳度FGA_n为：若FGA_n小于零，则将FGA_n赋值为零；

转角标准差疲劳度FASD按如下方式获得：

利用预设阶段后20s的初始采集数据计算得到转角标准差初始值为SD₀，在监测阶段内第n判断时刻前、且是以第n判断时刻为结束时刻的5s采样时间窗的转角标准差为SD_n，n=1，2，3...，驾驶员处于疲劳状态时，伴有大幅修正方向盘的特点，疲劳程度加深时，方向盘转角幅值还表现出在较长时间内无明显变化的特点，则第n判断时刻的转角标准差疲劳度FASD_n为： ${\mathrm{FASD}}_n=|1-\frac{{\mathrm{SD}}_n}{{\mathrm{SD}}_0}|;$

转角频数疲劳度FAF按如下方式获得：

利用预设阶段后20s的初始采集数据计算得到转角修正频数初始值为AN₀，在监测阶段内第n判断时刻前、且是以第n判断时刻为结束时刻的20s采样时间窗的转角修正频数为AN_n，n=1，2，3...，驾驶员处于疲劳状态时，驾驶员对方向盘的修正频数明显减少，则第n判断时刻的转角频数疲劳度FAF_n为：若FAF_n小于零，则将FAF_n赋值为零；

头位偏离疲劳度FPD按如下方式获得：

设置两个超声波传感器，分别位于驾驶员座椅头枕的左侧和右侧，利用预设阶段后20s的初始采集数据计算得到驾驶员头部***与两个超声波传感器的距离均值分别为和则驾驶员头部横切面中心与两个超声波传感器的距离初始值x₀和y₀分别为：和R为驾驶员头部横切面的平均半径；在监测阶段内第n判断时刻驾驶员头部横切面中心与两个超声波传感器的距离值x_n和y_n分别为：和n=1，2，3...，式中和分别为第n判断时刻前、且是以第n判断时刻为结束时刻的3s采样时间窗的驾驶员头部***与两个超声波传感器的距离均值；

令：两个超声波传感器的中心分别为点A和点B，预设阶段驾驶员头部横切面中心为点C；第n判断时刻驾驶员头部横切面中心为点D；则有：α为直线AC与直线AB间夹角；β为直线AD与直线AB间夹角；θ为β与α之差；L为点A与点B的间距。图2为本发明中超声波传感器检测原理示意图。依据余弦定理和三角函数公式，有：

$\cos \mathrm{\α}=\frac{{x_0}^2+L^2-{y_0}^2}{{2x}_{0}L},\sin \mathrm{\α}=\sqrt{1-{\cos }^2\mathrm{\α}}$

$\cos \mathrm{\β}=\frac{{x_n}^2+L^2-{y_n}^2}{{2x}_{n}L},\sin \mathrm{\β}=\sqrt{1-{\cos }^2\mathrm{\β}}$

cosθ=cos(β-α)=cosαcosβ+sinαsinβ

第n判断时刻驾驶员头部位置偏离预设阶段驾驶员头部位置的距离S_n为：驾驶员处于疲劳状态时头部所在位置与清醒状态时头部所在位置相比，偏离程度越大疲劳程度越深，则第n判断时刻的头位偏离疲劳度FPD_n为：

本实施例中各疲劳度特征参数所选取的采样时间窗为优选值，是通过大量试验分析选取决定的。

本实施例中，将得到的表征疲劳度特征参数与驾驶员疲劳状态等级之间非线性映射关系的数学模型嵌入信息处理单元；信息处理单元实时处理驾驶状态信息获得当前判断时刻的疲劳度特征参数，判断当前时刻的驾驶员疲劳状态等级；在预设阶段内，握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD的初值均为0。

本实施例中，信息处理单元为硬件装置，设置在数字化LCD汽车显示仪表旁，驾驶员可通过信息处理单元硬件装置上的操作按键和数字化LCD汽车显示仪表提供的选择窗口，根据当前道路的交通情况等级、路侧环境等级和公路等级，自行设置定时预警提醒模式。

本实施例中警示单元使用数字化LCD汽车显示仪表，实时显示***的监测信息：驾驶员疲劳状态等级、握力、转角、头部位置、***运行时间。当监测到驾驶员处于疲劳状态时，进行语音提醒和灯光闪烁报警；处于深度疲劳状态时，进行语音提醒、灯光闪烁、喷射刺激性气体和振动装置报警，实现听觉、视觉、嗅觉、触觉的多功能化报警方式；该套监测***的报警装置在车内多个位置均有分布，可提高其他乘员的安全和提醒意识，实现多方位化报警方式；此外，当驾驶员处于深度疲劳状态时，进行对前方车辆鸣笛、对后方车辆开双闪灯的外部报警方式，使实时监测***更有效、更实时、更广泛。

Claims (2)

1.一种基于多信息的驾驶员疲劳实时监测方法，其特征是，包括如下步骤：

步骤1、采集驾驶员的驾驶状态信息，所述驾驶状态信息是指通过压力传感器检测获得的驾驶员对方向盘的握力信息、通过角度传感器检测获得的方向盘的转角信息和通过距离传感器检测获得的驾驶员的头部位置信息；

步骤2、对步骤1所述的驾驶状态信息进行处理，获得表征驾驶状态的疲劳度特征参数；

步骤3、按步骤1和步骤2所述方法获取一个样本数为N的样本集，所述样本指由步骤2计算获得的疲劳度特征参数和由主观评价所确定的与所述疲劳度特征参数相对应的驾驶员疲劳状态等级构成；构建一个三层BP网络，利用所述样本集对所述三层BP网络进行离线训练，得到表征疲劳度特征参数与驾驶员疲劳状态等级之间非线性映射关系的数学模型；

步骤4、在每一判断时刻，按步骤1和步骤2所述方法实时获得当前判断时刻的疲劳度特征参数，以所述当前判断时刻的疲劳度特征参数为步骤3所得数学模型的输入信号，利用所述数学模型判断当前判断时刻的驾驶员疲劳状态等级；

所述疲劳度特征参数为握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD；

所述握力幅值疲劳度FGA按如下方式获得：

利用预设阶段中后20s的初始采集数据计算得到驾驶员握力初始值F₀为：式中和分别为预设阶段中后20s的驾驶员左手和右手的握力均值；在监测阶段内第n判断时刻的握力值F_n为：n＝1,2,3...，式中和分别为第n判断时刻前、且是以第n判断时刻为结束时刻的3s采样时间窗的驾驶员左手和右手的握力均值；则第n判断时刻的握力幅值疲劳度FGA_n为：若FGA_n小于零，则将FGA_n赋值为零；

所述转角标准差疲劳度FASD按如下方式获得：

利用预设阶段中后20s的初始采集数据计算得到转角标准差初始值为SD₀，在监测阶段内第n判断时刻前、且是以第n判断时刻为结束时刻的5s采样时间窗的转角标准差为SD_n，n＝1,2,3...，则第n判断时刻的转角标准差疲劳度FASD_n为：

所述转角频数疲劳度FAF按如下方式获得：

利用预设阶段中后20s的初始采集数据计算得到转角修正频数初始值为AN₀，在监测阶段内第n判断时刻前、且是以第n判断时刻为结束时刻的20s采样时间窗的转角修正频数为AN_n，n＝1,2,3...，则第n判断时刻的转角频数疲劳度FAF_n为：若FAF_n小于零,则将FAF_n赋值为零；

所述头位偏离疲劳度FPD按如下方式获得：

所述距离传感器为两个超声波传感器，所述两个超声波传感器分别位于驾驶员座椅头枕的左侧和右侧，利用预设阶段中后20s的初始采集数据计算得到驾驶员头部***与所述两个超声波传感器的距离均值分别为和则驾驶员头部横切面中心与两个超声波传感器的距离初始值x₀和y₀分别为：和R为驾驶员头部横切面的平均半径；在监测阶段内第n判断时刻驾驶员头部横切面中心与两个超声波传感器的距离值x_n和y_n分别为：和n＝1,2,3...，式中和分别为第n判断时刻前、且是以第n判断时刻为结束时刻的3s采样时间窗的驾驶员头部***与两个超声波传感器的距离均值；

令：两个超声波传感器的中心分别为点A和点B，预设阶段驾驶员头部横切面中心为点C；第n判断时刻驾驶员头部横切面中心为点D；则有：α为直线AC与直线AB间夹角；β为直线AD与直线AB间夹角；θ为β与α之差；L为点A与点B的间距；依据余弦定理和三角函数公式，有：

$\cos \mathrm{\α}=\frac{{x_0}^2+L^2-{y_0}^2}{{2x}_{0}L},\sin \mathrm{\α}=\sqrt{1-{\cos }^2\mathrm{\α}}$

$\cos \mathrm{\β}=\frac{{x_n}^2+L^2-{y_n}^2}{{2x}_{n}L},\sin \mathrm{\β}=\sqrt{1-{\cos }^2\mathrm{\β}}$

cosθ＝cos(β-α)＝cosαcosβ+sinαsinβ

第n判断时刻驾驶员头部位置偏离预设阶段驾驶员头部位置的距离S_n为：

则第n判断时刻的头位偏离疲劳度FPD_n为：

监测过程中***以0.2s为周期实时采集驾驶员的驾驶状态信息；以30s的采集起始阶段为预设阶段，在所述预设阶段中，驾驶员是处于正常驾驶状态，以30s预设阶段中后20s的采集数据为各驾驶状态信息的初始采集数据；在所述30s预设阶段结束时进入监测阶段，在所述监测阶段中，***每隔2s进行一次驾驶员疲劳状态等级的判断，每个判断时刻所采用的疲劳度特征参数是以本次判断时刻之前、且是以本次判断时刻为结束时刻的采样时间窗的采集数据计算获得，不同的疲劳度特征参数具有相同或不同时长的采样时间窗。

2.根据权利要求1所述的基于多信息的驾驶员疲劳实时监测方法，其特征是，所述步骤3构建的三层BP网络为：第一层为输入层，由4个输入节点构成，所述的4个输入节点所分别对应的4个输入分量x₁、x₂、x₃和x₄依次对应为握力幅值疲劳度FGA、转角标准差疲劳度FASD、转角频数疲劳度FAF和头位偏离疲劳度FPD，4个输入分量构成1个输入矢量X为：X＝[x₁,x₂,x₃,x₄]^T；第二层为隐含层；第三层为输出层，由3个输出节点构成，所述的3个输出节点所分别对应的3个输出分量y₁、y₂和y₃依次表示清醒状态、疲劳状态和深度疲劳状态，3个输出分量构成1个输出矢量Y为：Y＝[y₁,y₂,y₃]^T，以Y＝[1,0,0]^T表征为清醒状态、以Y＝[0,1,0]^T表征为疲劳状态、以Y＝[0,0,1]^T表征为深度疲劳状态；所述疲劳状态和深度疲劳状态即为非清醒状态。