CN108268887B - 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法 - Google Patents

基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法 Download PDF

Info

Publication number
CN108268887B
CN108268887B CN201711345175.6A CN201711345175A CN108268887B CN 108268887 B CN108268887 B CN 108268887B CN 201711345175 A CN201711345175 A CN 201711345175A CN 108268887 B CN108268887 B CN 108268887B
Authority
CN
China
Prior art keywords
driver
driving
safety consciousness
consciousness
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711345175.6A
Other languages
English (en)
Other versions
CN108268887A (zh
Inventor
万波
庞敏
宋文静
马新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201711345175.6A priority Critical patent/CN108268887B/zh
Publication of CN108268887A publication Critical patent/CN108268887A/zh
Application granted granted Critical
Publication of CN108268887B publication Critical patent/CN108268887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于虚拟驾驶与EEG检测的驾驶人安全意识评估方法，主要解决现有技术缺少对驾驶人安全意识综合评估的问题。其实现方案是：使用商用unity3D软件构建动态虚拟场景，并且用头盔进行调试预览；然后，在虚拟场景中通过驾驶模拟器采集驾驶人的操作数据、车辆状态数据和脑电信号并判定驾驶人格；按照所设计的调查问卷计算驾驶操作在某一场景中的评分权重；通过类神经网络模型对驾驶人进行安全意识综合评分。本发明可展示驾驶人的个人安全意识水平，以及个人相较于平均水平的安全意识水平，对处于平均水平之下的驾驶群体，给出暂时不适合单独上路的建议，可用于虚拟驾驶环境下驾驶人的驾驶操作与脑电信号状态的分析实验。

Description

基于虚拟驾驶与EEG检测的驾驶人安全意识评估方法
技术领域
本发明涉及实验设备技术领域，具体涉及一种驾驶人安全意识评估方法，可用于虚拟驾驶环境下驾驶人的驾驶操作与脑电信号状态的分析实验。
背景技术
近年来随着交通工具的增多，交通事故频繁发生。据我国中国道路交通安全蓝皮书统计数据显示，我国公民的交通安全意识普遍薄弱。由于人为因素造成的交通事故占交通事故总数的最大比例，由此可见，提高驾驶人的安全意识是减少交通事故发生的首要手段。与此同时，我国每年发生的交通事故数约为16万余起，其中由于驾驶人情绪不稳定而造成事故的数量约占35.7％，驾驶人员情绪焦躁同样成为交通事故发生的重要原因。但反观我国的驾驶考核机制，考核的重点大多都放在驾驶人的操作行为上，很少关注并评估驾驶人的安全意识。并且，在已经拥有驾驶执照的驾驶人员中，有相当一部分人员具有潜在的易怒型或攻击性人格，这种人格将在驾驶过程中表现出‘路怒’症状，埋下交通安全隐患。由此可见，一套行之有效的驾驶人安全意识评估***企足而待。
我国对于安全意识的研究不在少数，李延红等曾对上海市的小学生及老年人的交通意识进行了调查研究，李峰等曾对山东省高速公路职工的安全意识绽开了调查和分析，张宇婧曾提出按照心理素质，业务素质，安全态度和安全行为倾向四个方面对出租车驾驶人的安全意识进行测评分析，然后采取心理测量的量表制作方式，结合文献调查等制定出了安全意识测评量表，之后使用该量表对北京市出租车技术员的安全意识进行调查研究，并根据结果提出了建议。上述调查均通过问卷进行，其准确性与真实性都有待提高。
有关涉及驾驶人的驾驶安全评估专利申请也有不少，例如：专利公开号CN107334481A提出了一种驾驶分心检测方法及***，专利公开号为N106937869A提出了基于虚拟驾驶平台的紧急制动工况下驾驶人生物电分析实验***。专利公开号CN107095671A则在驾驶评估中加入了脑电信号，提出了一套驾驶疲劳识别方法及***。
上述研究大多关注单一的驾驶安全问题，对于驾驶人的整体交通安全意识的关注较少，缺乏详细且全面的安全意识评价体系，且只根据单一的驾驶行为做出判断具有一定的误差性，无法完全真实的对驾驶人的安全意识做出等级评估。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种构建基于虚拟驾驶与EEG检测的驾驶人安全意识评估方法，以通过采集驾驶人在虚拟交通场景下的驾驶操作数据与脑电信号，对驾驶人在面对日常交通场景或存在潜在危险的交通场景下的交通安全意识做出真实的评估等级。
为实现上述目的，本发明的技术方案包括如下：
(1)将交通安全意识分为三类，即交通法规安全意识，日常警觉安全意识，突发事件应对意识；使用商用软件unity 3D生成6个虚拟驾驶场景，其中，交通法规安全意识对应3个场景，日常警觉安全意识对应2个场景，突发事件应对意识对应1个场景；
(2)通过罗技G29方向盘套件与制动踏板，实时采集驾驶人在虚拟驾驶场景下的驾驶操作数据，即方向盘转动数据、刹车数据、转向灯开启数据、危险警报灯开启数据和油门数据；实时感知车辆的状态信息，将车辆当前状态以世界坐标系位置存储；
(3)通过EmotivEpoc意念控制器实时采集驾驶人的脑电信号，使用基于EEG的驾驶人情绪评估方法对驾驶人脑电信号中的alpha波形，beta波形，theta波形依次进行预处理、特征提取和分类，得出驾驶人当前所表现的平静、积极、消极、愤怒的不同情绪状态，并根据驾驶人是否容易出现愤怒或消极情绪，得出驾驶人的驾驶人格；
(4)使用调查问卷对驾驶人进行调查，问卷评分使用十分制的李克特量表，通过调查问卷给出***所采集的5个驾驶操作数据占各场景评估总分数的比例权重、三类交通意识占安全意识评估总分数的比例权重和驾驶人格占安全意识评估总分数的比例权重；
(5)使用类神经网络对驾驶人的操作以及驾驶人格进行综合评分，得出驾驶人个人的安全意识得分，将所有实验参与人员的安全意识得分进行汇总，再求出平均值；
(6)将个人安全意识得分与所有实验参与人员得分的均值进行比较，得出个人的安全意识水平处于平均之上或平均之下；对处于平均水平之下的驾驶群体，由于其对突发状况的处理缺乏一定的应对能力，在驾驶过程中存在较多的安全隐患，将给出暂时不适合单独上路的建议。
本发明与现有技术相比，具有如下优点：
1.本发明由于搭建了日常生活中常见且存在一定安全隐患的虚拟交通场景，使驾驶人通过在虚拟场景中驾驶，能够提升危险预判能力；
2.本发明由于提出了综合驾驶操作数据与脑电信号的驾驶人安全意识评估方法，相较于其他单一关注驾驶操作或生理电信号的评估方法，评估更加全面；
3.本发明将安全意识分为三类，对用户在各类安全意识层面下的场景操作进行打分，比起笼统的交通安全意识，分类更加细致；
4.本发明将脑电信号加入到评估方法中，由于脑电信号是最真实的人体电信号，因而比眼电信号更能真实的反映出驾驶人的心理状态；
5.本发明由于通过类神经网络对驾驶人的安全意识进行评估，得到的评估数据不仅可展示驾驶人的个人安全意识水平，以及个人相较于平均水平的安全意识水平，还可以为交通部门提供相关决策支持。
附图说明
图1为本发明的实现流程图；
图2为本发明中驾驶人行为操作评估以及情绪评估数据处理示意图；
图3为本发明中基于类神经网络的安全意识评估模型图。
具体实施方式
下面将结合图1,2,和3对本发明的具体实施方案进行详细、完整的描述。需要说明的是本发明中涉及到的所有序号仅用于描述，不可理解为其相对重要性。
本发明使用的硬件设备具体包括罗技G29驾驶模拟器、显示器、HTC VIVE头盔显示器，EmotivEpoc意念控制器。驾驶模拟器由方向盘、制动踏板、档位控制器以及驾驶座椅构成，其中，方向盘上有启动装置、转向灯按钮、危险警报灯按钮以及其他可编程按钮。
档位控制器和制动踏板通过USB接口连接到方向盘上，再由方向盘通过USB接口接入PC机。通过接口将方向盘、制动踏板、档位控制器等操作数据输入到业务控制层成为场景中的主控车辆控制参数，驱动主控车辆在虚拟场景中行驶。对于场景中出现的其他车辆，采取预先定义行驶路线的方式进行操控，设定车辆状态信息例如：速度、加速度、位移以及与主控车辆的相对位置信息。
参照图1，本发明的实现步骤如下：
步骤1，构建动态虚拟场景。
(1a)对以往的交通事故场景进行统计，提取6个交通场景作为虚拟场景的原型，所述虚拟场景，包括：路口转弯、直行路口遇交通灯、直行单行道遇到警车、雨雪天气、住宅区旁滚出皮球及行驶过程中车辆爆胎，其与三类安全意识的对应关系如下表所示：
Figure BDA0001509189020000041
(1b)使用3Dmax商用软件对虚拟场景的原型进行三维建模，再将该三维模型导入到unity3D商用软件中，使用模型组件搭建虚拟场景，使用C#语言，通过VS编写场景驱动脚本，并使用动态生成技术提取场景模型，最终完虚拟驾驶场景的设计；
(1c)实时记录虚拟驾驶场景中主控车辆的状态信息以及驾驶人操作数据，即转动方向盘、刹车、开启转向灯、开启危险警报灯和踩油门；将该数据反馈到虚拟驾驶场景中，驱动场景之间的动态转换，获得动态虚拟场景；
(1d)验证场景的正确性，若车辆发生穿越地面或墙壁等违反现实规律的状况，就在车辆属性中添加Rigidbody属性，防止穿越。
步骤2，使用HTC VIVE头盔进行调试预览。
(2a)将HTC VIVE的电源适配器连接线连接到串流盒上对应的端口，然后将另外一端***电源插座以开启串流盒；
(2b)将HDMI连接线***串流盒上的HDMI端口，然后将另外一端***电脑显卡上的HDMI端口，将头戴式设备三合一连接线，即HDMI端口、USB接口和电源的三合一连接线对准串流盒上的橙色面并***，开始预览。
步骤3采集驾驶人操作数据、车辆状态数据及脑电信号数据，判定驾驶人格。
参照图2，本步骤的具体实现如下：
(3a)驾驶过程中，驾驶模拟器自动采集驾驶人操作数据，驾驶操作数据通过驾驶模拟器中的方向盘接口传输到场景中，驱动车辆行驶，并调用编写好的脚本程序将驾驶模拟器数据记录保存在本地文件中；
(3b)驾驶人头戴EmotivEpoc意念控制器，从启动车辆开始，打开EmotivEpoc意念控制器，自动采集驾驶人脑电信号；
(3c)将采集到的脑电信号通过商用软件EEGLAB进行预处理，即加入事件相关电位信号，根据事件相关电位信号去除无关的脑电信号数据；
(3d)使用自回归模型对采集的脑电信号y(n-k)进行特征提取，即将y(n-k)序列经过一个线性***之后，输出一次处理后的脑电信号y(n)：
Figure BDA0001509189020000051
其中，n表示采样点；v(n)为误差项，表示具有有限方差的零均值白噪声；p表示自回归模型的阶数，ak表示自回归模型模型的系数，k的默认值为1；
(3e)通过支持向量机分类器对一次处理后的脑电信号y(n)进行分类，输出能表示情绪的脑电信号波形y(x,w,b)：
Figure BDA0001509189020000052
其中，k(x,xi)表示核函数，为空间样本中任一点x到某一中心xi之间的欧氏距离；wi是拉格朗日乘子；yn为经过自回归模型处理过的脑电信号；w是超平面法向量；b是偏移量；
该脑电信号波形y(x,w,b)，包括alpha波形，beta波形和theta波形；当beta波的频率处于22～30赫兹的高频段时，表明驾驶人出现了愤怒情绪；
(3f)实验使用步骤3设定的6个交通场景，当驾驶人在超过2/3的交通场景中出现愤怒或消极情绪时，则判定该驾驶人具有负面驾驶人格。
步骤4，计算评分权重。
(4a)按照专家和交警的建议，设计调查问卷，将不同场景下的驾驶人操作设置为选项，使用李克特量表进行十分制评分；将三类安全意识和驾驶人格作为选项，对其在交通安全中的重要性进行评分；
(4b)对问卷进行统计，对不同场景下操作的的评分进行分类统计，得出不同场景下操作的权重Wij：
Figure BDA0001509189020000061
其中，Wij表示驾驶人操作j对应虚拟场景i的权重，Xij表示驾驶人的驾驶操作j在虚拟场景i中的得分，n表示参与调查的人数；
(4c)计算三类安全意识和驾驶人格在安全意识总分中所占的比例权重Wi：
Figure BDA0001509189020000062
其中，Xi表示三类安全意识和驾驶人格所得分数。
步骤5，对驾驶人进行安全意识综合评分。
将步骤4中采集的操作数据和驾驶人格输入到类神经网络中，进行综合评分。
参照图3，本步骤的具体实现如下：
(5a)根据驾驶操作参数与交通场景建立一个4层的类神经网络，该网络包含：一个输入层、两个隐藏层和一个输出层：
输入层：将虚拟驾驶过程中采集的操作数据作为输入，即图3所示操作1～n；
隐藏层：隐藏层包括虚拟场景层和权重分数层这两层结构；其中，虚拟场景层包括图3所示场景1～n；权重分数层包括三级安全意识分数Z1、Z2、Z3和驾驶人格分和Z4；
输出层：记载驾驶人安全意识的综合得分总和；
(5b)计算驾驶人个人的安全意识综合得分：
Z＝W1*Z1+W2*Z2+W3*Z3+W4*Z4，
其中，Z表示驾驶人安全意识总分；Z1表示驾驶人交通法规安全意识得分；Z2表示驾
驶
人日常警觉安全意识得分；Z3表示驾驶人突发事件应对意识得分；Z4表示驾驶人格得分，其负面驾驶人格为负20分，正面驾驶人格为0分；W1、W2、W3和W4分别表示Z1、Z2、Z3和Z4所占权重；
Figure BDA0001509189020000071
Figure BDA0001509189020000072
Figure BDA0001509189020000073
其中，i1-6表示步骤(3c)所述的6个场景；Mj1-5表示步骤(3c)所述的5个操作；M6表示超速；Wij表示操作j对应场景i的权重；Z1max，Z2max，Z3max分别为三类安全意识的满分。
步骤6，根据驾驶人安全意识总分给出驾驶人合理建议。
(6a)统计所有参与实验的驾驶人安全意识平均得分Za；
Figure BDA0001509189020000074
其中，Zt表示第t个参与实验的驾驶人安全意识总分，t＝1,2,3,4......n，n表示参与实验的总人数；
(6b)将个体安全意识总分Zt与驾驶人安全意识平均得分Za进行比较:
若Zt>Za，则表示个人的安全意识水平处于平均值之上，对于处于平均水平之上的驾驶群体，说明其对交通规则以及突发状况的应对能力良好，可以单独上路；
若Zt≤Za，则表示个人的安全意识水平处于平均值之下，处于平均水平之下的驾驶群体，由于其对突发状况的处理缺乏应对能力或者其为负面驾驶人格，在驾驶过程中存在较多的安全隐患，将给出暂时不适合单独上路的建议。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说在了解本发明的内容和原理后，都可能在不背离发明原理、结构的情况下，进行形式和细节上的修改和改变，例如对本发明所述的虚拟交通场景可继续根据需要进行扩展和完善，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (2)

1.基于虚拟驾驶与EEG检测的驾驶人安全意识评估方法，其特征在于，包括：
(1)将交通安全意识分为三类，即交通法规安全意识，日常警觉安全意识，突发事件应对意识；使用商用软件unity 3D生成6个虚拟驾驶场景，其中，交通法规安全意识对应3个场景，日常警觉安全意识对应2个场景，突发事件应对意识对应1个场景；所述6个虚拟驾驶场景，其实现如下：
(1a)查阅交通法规，结合日常生活中的交通场景，提出实验使用的6个交通场景，
即路口转弯、直行路口遇交通灯、直行单行道遇到警车、雨雪天气、住宅区旁滚出皮球和行驶过程中车辆爆胎；
(1b)使用unity 3D中的对象和组件，搭建所述的6个交通场景；
(1c)通过VS编写场景驱动，使用动态生成技术对场景进行建模；
(1d)验证场景的正确性并进行修正；
(2)通过罗技G29方向盘套件与制动踏板，实时采集驾驶人在虚拟驾驶场景下的驾驶操作数据，即方向盘转动数据、刹车数据、转向灯开启数据、危险警报灯开启数据和油门数据；实时感知车辆的状态信息，将车辆当前状态以世界坐标系位置存储；
(3)通过EmotivEpoc意念控制器实时采集驾驶人的脑电信号，使用基于EEG的驾驶人情绪评估方法对驾驶人脑电信号中的alpha波形，beta波形，theta波形依次进行预处理、特征提取和分类，得出驾驶人当前所表现的平静、积极、消极、愤怒的不同情绪状态，并根据驾驶人是否容易出现愤怒或消极情绪，得出驾驶人的驾驶人格；对驾驶人脑电信号进行预处理、特征提取和分类，其实现如下：
(3a)使用商用软件EEGLAB对脑电信号进行预处理；
(3b)使用自回归模型对去噪后的脑电信号进行特征提取，提取出能反映用户情绪特性的信号特征；
(3c)利用支持向量机分类器，对提取出能反映用户情绪特性的信号特征进行分类；得出驾驶人当前所表现的不同情绪状态；
步骤(3)中根据驾驶人是否容易出现愤怒或消极情绪，得出驾驶人的驾驶人格，是将驾驶人出现愤怒或消极情绪的场景数量作为评判标准：
当驾驶人在超过2/3的交通场景中出现愤怒或消极情绪时，则判定该驾驶人具有负面驾驶人格；
反之，则为正面驾驶人格；
(4)使用调查问卷对驾驶人进行调查，问卷评分使用十分制的李克特量表，通过调查问卷给出***所采集的5个驾驶操作数据占各场景评估总分数的比例权重、三类交通意识占安全意识评估总分数的比例权重和驾驶人格占安全意识评估总分数的比例权重；
(5)使用类神经网络对驾驶人的操作以及驾驶人格进行综合评分，得出驾驶人个人的安全意识得分，将所有实验参与人员的安全意识得分进行汇总，再求出平均值；其中，驾驶人个人安全意识得分，按如下公式计算：
Z＝W1*Z1+W2*Z2+W3*Z3+W4*Z4，
其中，Z表示驾驶人安全意识总分；Z1表示驾驶人交通法规安全意识得分；Z2表示驾驶人日常警觉安全意识得分；Z3表示驾驶人突发事件应对意识得分；Z4表示驾驶人格得分，其负面驾驶人格为负20分，正面驾驶人格为0分；W1、W2、W3和W4分别表示Z1、Z2、Z3和Z4所占权重；
Figure FDA0003331075550000021
Figure FDA0003331075550000022
Figure FDA0003331075550000023
式中，i1-6表示步骤(3a)所述的6个场景；Mj1-5表示***所采集的5个驾驶操作数据，M6表示超速；Wij表示操作j对应场景i的权重，上述权重通过步骤(4)的调查问卷得到；Z1max，Z2max，Z3max分别为三类安全意识的满分；
(6)将个人安全意识得分与所有实验参与人员得分的均值进行比较，得出个人的安全意识水平处于平均之上或平均之下；对处于平均水平之下的驾驶群体，由于其对突发状况的处理缺乏一定的应对能力，在驾驶过程中存在较多的安全隐患，将给出暂时不适合单独上路的建议。
2.如权利要求1所述方法，其特征在于，步骤(2)中的车辆状态信息，包括车辆的位置，驾驶人的行驶速度是否超过了规定路段的限速，以及驾驶人在驾驶过程中是否发生碰撞这些信息。
CN201711345175.6A 2017-12-15 2017-12-15 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法 Active CN108268887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711345175.6A CN108268887B (zh) 2017-12-15 2017-12-15 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711345175.6A CN108268887B (zh) 2017-12-15 2017-12-15 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法

Publications (2)

Publication Number Publication Date
CN108268887A CN108268887A (zh) 2018-07-10
CN108268887B true CN108268887B (zh) 2021-12-03

Family

ID=62772061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711345175.6A Active CN108268887B (zh) 2017-12-15 2017-12-15 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法

Country Status (1)

Country Link
CN (1) CN108268887B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108984275A (zh) * 2018-08-27 2018-12-11 洛阳中科龙网创新科技有限公司 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法
CN110171361B (zh) * 2019-06-17 2022-09-23 山东理工大学 一种基于驾驶员情绪和驾驶倾向性的汽车安全预警方法
CN110531855B (zh) * 2019-08-28 2022-09-27 长安大学 一种基于vr技术的驾驶人有效视野检测方法
CN110866537B (zh) * 2019-09-27 2022-10-25 华南理工大学 一种基于脑电波的用于游戏评估的情感识别方法
CN111582209A (zh) * 2020-05-14 2020-08-25 重庆邮电大学 一种基建现场施工人员异常行为监管方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756705A (zh) * 2008-11-14 2010-06-30 北京宣爱智能模拟技术有限公司 一种驾驶事故倾向性测试***及方法
CN102332219A (zh) * 2011-08-26 2012-01-25 赵诩侬 实践互动教学方法的机器汽车驾驶教练的实现方法
CN103035140A (zh) * 2012-12-24 2013-04-10 吉林大学 汽车驾驶员危险驾驶行为矫正及评价***
CN103268426A (zh) * 2013-06-05 2013-08-28 北京宣爱智能模拟技术股份有限公司 一种汽车驾驶人安全驾驶水平测评的方法
CN103989471A (zh) * 2014-05-08 2014-08-20 东北大学 一种基于脑电图识别的疲劳驾驶检测***及方法
CN104133720A (zh) * 2014-07-08 2014-11-05 公安部交通管理科学研究所 机动车驾驶人驾驶安全度评测***
CN106529421A (zh) * 2016-10-21 2017-03-22 燕山大学 基于混合脑机接口技术的情绪及疲劳检测辅助驾驶***
CN106960613A (zh) * 2017-05-26 2017-07-18 交通运输部公路科学研究所 非侵入式驾驶人潜在危险辨识能力评估与训练***及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100004762A1 (en) * 2008-04-24 2010-01-07 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Computational system and method for memory modification

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756705A (zh) * 2008-11-14 2010-06-30 北京宣爱智能模拟技术有限公司 一种驾驶事故倾向性测试***及方法
CN102332219A (zh) * 2011-08-26 2012-01-25 赵诩侬 实践互动教学方法的机器汽车驾驶教练的实现方法
CN103035140A (zh) * 2012-12-24 2013-04-10 吉林大学 汽车驾驶员危险驾驶行为矫正及评价***
CN103268426A (zh) * 2013-06-05 2013-08-28 北京宣爱智能模拟技术股份有限公司 一种汽车驾驶人安全驾驶水平测评的方法
CN103989471A (zh) * 2014-05-08 2014-08-20 东北大学 一种基于脑电图识别的疲劳驾驶检测***及方法
CN104133720A (zh) * 2014-07-08 2014-11-05 公安部交通管理科学研究所 机动车驾驶人驾驶安全度评测***
CN106529421A (zh) * 2016-10-21 2017-03-22 燕山大学 基于混合脑机接口技术的情绪及疲劳检测辅助驾驶***
CN106960613A (zh) * 2017-05-26 2017-07-18 交通运输部公路科学研究所 非侵入式驾驶人潜在危险辨识能力评估与训练***及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"EEG alpha spindles and prolonged brake reaction times during auditory distraction in an on-road driving study";Sonnleitner, Andreas 等;《Accident Analysis & Prevention》;20140131;第62卷;110–118 *
"基于置信规则库的驾驶人愤怒情绪识别模型";万平 等;《交通运输***工程与信息》;20151015;第15卷(第5期);96-102 *

Also Published As

Publication number Publication date
CN108268887A (zh) 2018-07-10

Similar Documents

Publication Publication Date Title
CN108268887B (zh) 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法
CN103956028B (zh) 一种汽车多元驾驶安全防护方法
CN111428699A (zh) 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及***
CN110103822A (zh) 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法
Wan et al. On‐road experimental study on driving anger identification model based on physiological features by ROC curve analysis
CN106114516A (zh) 一种自适应驾驶人特性的愤怒驾驶行为监测及干预装置
Kang et al. Analysis of vehicle maneuverability and driving characteristics on a curved road condition
CN113743471A (zh) 一种驾驶评估方法及其***
CN103268426A (zh) 一种汽车驾驶人安全驾驶水平测评的方法
CN113460062A (zh) 驾驶行为分析***
Huda et al. Mobile-based driver sleepiness detection using facial landmarks and analysis of EAR values
Wang et al. Effect of human factors on driver behavior
CN115179960A (zh) 一种多源数据采集人车状态综合监测***及方法
CN113657716B (zh) 基于熵权法的驾驶员驾驶行为安全性综合评价方法
Sagberg et al. Recommendations for a large-scale European naturalistic driving observation study. PROLOGUE Deliverable D4. 1.
CN112308136B (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN107563404B (zh) 一种交通标志分类方法及装置
Yarlagadda et al. Heterogeneity in the Driver Behavior: An Exploratory Study Using Real‐Time Driving Data
Karrouchi et al. Driving behavior assessment: a practical study and technique for detecting a driver's condition and driving style
TWI496709B (zh) Car driving behavior analysis system and its device
Walker et al. Vehicle feedback and driver situation awareness
Williams et al. Exploratory analysis of motorcycle incidents using naturalistic riding data
CN112168190B (zh) 驾驶压力实时监测***及方法
Karkouch et al. Cads: A connected assistant for driving safe
Taib et al. Human-centric analysis of driver inattention

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant