技术领域
[0001] 本
发明涉及行为分析技术领域，更具体地，涉及一种驾驶分心检测方法及系统。
背景技术
[0002] 目前，驾驶员在行车过程中因受到各种因素的干扰导致注意
力不集中是世界各国普遍存在的问题。美国国家公路交通安全管理局 (NHTSA)在真实的道路驾驶研究中发现78％的车辆碰撞和65％的车辆临界碰撞都与驾驶人员注意力不集中有关。根据我国交警部
门的研究统计，仅驾车时使用手机所导致的交通事故发生率已经与酒后驾车相接近。考虑到驾车时使用手机只是驾驶员分心的一种(其它形式的分心包括驾车时与乘客
聊天、进食、操作辅助设备如车载导航仪、查看仪
表盘、做白日梦等)，驾驶员分心已经成为威胁道路交通安全的重大隐患。
[0003]
现有技术中的分心检测方法多基于眼动或驾驶行为数据，这些方法对显著的分心行为比较有效，但驾驶员分心一般是一种心理特征，往往在显著行为发生之前就已经存在了。为检测这一隐性驾驶分心现象，研究者提出基于脑电
信号的分心检测方法。
[0004] 然而，现有脑
电信号分心检测方法多基于
心理学研究提取有效特征，这种基于知识的方法得到的特征往往并不适合特别个体，基于所述特征进行的驾驶分心检测并不能保证结果的普适性和准确性。
发明内容
[0005] 本发明为克服上述问题或者至少部分地解决上述问题，提供驾驶分心检测方法、系统、设备及存储介质。
[0006] 根据本发明的一个方面，提供一种驾驶分心检测方法，包括：
[0007] 步骤1，获取待检测驾驶者脑电
频谱特征；
[0008] 步骤2，基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0009] 进一步，所述驾驶分心区分性模型通过以下步骤获取：
[0010] 获取驾驶者分心驾驶和正常驾驶时的样本脑电频谱特征；
[0011] 基于所述样本脑电频谱特征，利用个体稀疏区分性分析，得到样本个体有效特征组；
[0012] 利用所述样本个体有效的特征组建立驾驶分心区分性模型。
[0013] 进一步，所述脑电频谱特征通过以下步骤获取：
[0014] 获取驾驶者的脑电信号，利用频谱分析得到驾驶者的脑电频谱特征。
[0015] 进一步，所述利用频谱分析得到驾驶者的脑电频谱特征的步骤进一步包括：
[0016] 对驾驶者的脑电信号进行分
帧并
加窗，窗长为n秒，n＞0；
[0017] 基于分窗后的驾驶者脑电信号，利用傅立叶分析得到驾驶者脑电信号的原始频谱；
[0018] 基于所述驾驶者脑电信号的原始频谱，利用Mel滤波 器获得Mel
能量谱；
[0019] 对所述Mel能量谱取对数后得到驾驶者的脑电频谱在Mel域上的 Fbank频谱特征。
[0020] 进一步，所述步骤2进一步包括：
[0021] 基于所述待检测驾驶者脑电频谱特征，利用所述样本个体有效特征组获得所述待检测驾驶者个体有效特征组。
[0022] 进一步，所述基于所述样本脑电频谱特征，利用个体稀疏区分性分析，得到样本个体有效特征组的步骤进一步包括：
[0023] 基于所述样本脑电频谱特征，计算一个满足如下公式的一组区分性向量{βk}，所述{βk}所对应的非零元素即为个体稀疏区分性分析得到的有效特征：
[0024]
[0025]
[0026] 其中∑b为分类任务中
特征向量的类间协方差，∑w为类内协方差，Ω为一个满秩小量矩阵。
[0027] 进一步，所述确步骤2进一步包括：
[0028] 利用驾驶分心区分性模型，对待检测驾驶者脑电频谱特征中每一帧进行检验，得到所述待检测驾驶者脑电频谱特征各帧的检验分值；
[0029] 利用滑动窗口获取所述待检测驾驶者脑电频谱特征各帧的检验分值；
[0030] 当所述滑动窗口内检验分值之和或均值达到预设
阈值，则获得驾驶者驾驶分心的检测结果。
[0031] 根据本发明另一个方面，提供一种驾驶分心检测系统，包括：
[0032] 获取模
块，用于获取待检测驾驶者脑电频谱特征；
[0033] 检测模块，用于基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0034] 根据本发明另一个方面，提供一种驾驶分心检测方法的设备，包括：
[0035] 至少一个处理器；以及
[0036] 与所述处理器通信连接的至少一个
存储器，其中：
[0037] 所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方案中任一所述的方法。
[0038] 根据本发明另一个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述方案中任一所述的方法。
[0039] 本
申请提出一种驾驶分心检测方法及系统，本发明所述方案具有如下有益效果：1、基于样本
采样得到驾驶分心区分性模型，能够有效解决现有技术中驾驶分心检测普适性的问题；2、利用样本驾驶者原始脑电信号进行特征提取，可得到保留更细节的区分性信息，从而能够更加准确的进行驾驶分心判断；3、通过对每驾驶者个体进行特征提取，可有效提高驾驶者分心的检测准确度。
附图说明
[0040] 图1为根据本发明
实施例一种驾驶分心检测方法的整体流程示意图；
[0041] 图2为根据本发明实施例一种驾驶分心检测方法的流程示意图；
[0042] 图3为根据本发明实施例一种驾驶分心检测方法的脑电频谱特征的流程示意图；
[0043] 图4为根据本发明实施例一种驾驶分心检测系统的整体
框架示意图；
[0044] 图5为根据本发明实施例一种驾驶分心检测方法的设备的结构框架示意图。
具体实施方式
[0045] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0046] 如图1，本发明一个具体实施例中，示出一种驾驶分心检测方法整体流程示意图。总体上，包括：
[0047] 步骤1，获取待检测驾驶者脑电频谱特征；
[0048] 步骤2，基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0049] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述驾驶分心区分性模型通过以下步骤获取：
[0050] 获取驾驶者分心驾驶和正常驾驶时的样本脑电频谱特征；
[0051] 基于所述样本脑电频谱特征，利用个体稀疏区分性分析，得到样本个体有效特征组；
[0052] 利用所述样本个体有效的特征组建立驾驶分心区分性模型。
[0053] 在该本发明具体实施例中，所述区分性模型能够为
支持向量机 (SVM模型)。支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维
模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他
机器学习问题中。在机器学习中，支持向量机(SVM)是与相关的学习
算法有关的
监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
[0054] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述脑电频谱特征通过以下步骤获取：
[0055] 获取驾驶者的脑电信号，利用频谱分析得到驾驶者的脑电频谱特征。
[0056] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述利用频谱分析得到驾驶者的脑电频谱特征的步骤进一步包括：
[0057] 基于驾驶者的脑电信号，利用短时傅立叶分析得到驾驶者的脑电频谱特征。
[0058] 在上述本发明具体实施例中，所述短时傅里叶变换(STFT， short-time Fourier transform，或short-term Fourier transform))是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域
正弦波的
频率与
相位。它的思想是：选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间间隔内是平稳(伪平稳)的，移动窗函数，使 f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的
功率谱。短时傅里叶变换使用一个固定的窗函数，窗函数一旦确定了以后，其形状就不再发生改变，短时傅里叶变换的
分辨率也就确定了。如果要改变分辨率，则需要重新选择窗函数。短时傅里叶变换用来分析分段平稳信号或者近似平稳信号犹可，但是对于非平稳信号，当信号变化剧烈时，要求窗函数有较高的
时间分辨率；而
波形变化比较平缓的时刻，主要是低频信号，则要求窗函数有较高的频率分辨率。短时傅里叶变换不能兼顾频率与时间分辨率的需求。短时傅里叶变换窗函数受到W.Heisenberg不确定准则的限制，时频窗的面积不小于2。这也就从另一个侧面说明了短时傅里叶变换窗函数的时间与频率分辨率不能同时达到最优。
[0059] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述利用频谱分析得到驾驶者的脑电频谱特征的步骤进一步包括：
[0060] 对驾驶者的脑电信号进行分帧并加窗，窗长为n秒，n＞0；
[0061] 基于分窗后的驾驶者脑电信号，利用傅立叶分析得到驾驶者脑电信号的原始频谱；
[0062] 基于所述驾驶者脑电信号的原始频谱，利用Mel滤波 器获得Mel 能量谱；
[0063] 对所述Mel能量谱取对数后得到驾驶者的脑电频谱在Mel域上的 Fbank频谱特征。
[0064] 在本发明该具体实施例中，通过一组Mel
滤波器对所述驾驶者脑电信号进行滤波，输出得到一个过滤后的能量谱，称之为Mel频谱。频谱特征可用短时傅立叶分析得到，但这一频谱维度高，容易产生过拟合，同时容易受到噪音影响。本发明采用Mel Fbank作为频谱特征。输入频谱中数组的数量等于Mel滤波组中的滤波器个数。本具体实施例Mel滤波器的输出为声学特征,即Filter-bank特征(简称Fbank),Fbank 特征包含有更多的频谱信息可用于之后的训练。
[0065] 关于区分性模型，可以采用各种方法，比如线性分类模型神经网络、支持向量机等。本发明实现中我们采用支持向量基模型，即SVM。
[0066] 基于区分性模型对每一帧
语音信号进行判别，计算这一帧属于正常(C1)还是分心(C2)两种状态的概率。用公式表示为P(C|x(t))，其中x(t)表示第t时刻的特征帧，C可取C1或C2。
[0067] 对于SVM，计算P(C|x(t))一般用x(t)到分界面的距离。设SVM 得到的分类面为W，位移为b，则x(t)到该分类面的距离为WTx(t)+b，则有：
[0068]
[0069]
[0070] 每一帧的检测概率得到后，一个
时间窗Δ内的检测分值为该窗内所有帧的检测概率的平均值，依次可做出分心检测。
[0071] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述步骤2进一步包括：
[0072] 基于所述待检测驾驶者脑电频谱特征，利用所述样本个体有效特征组获得所述待检测驾驶者个体有效特征组。
[0073] 在本发明该具体实施例中，所述稀疏区分性分析的目的是从一系列特征中得到最有效的特征，使得得到的特征对区分性任务的区分性最高。稀疏性分析是一种基于核酸
水平的微
生物多样性分析方法，通过统计学分析方法计算单一类型的物种在相应的大类里所占的比例。稀疏性曲线是从样本中随机
抽取一定数量的个体，统计出这些个体所代表物种数目，并以个体数与物种数来构建曲线。它可以用来比较测序数量不同的样本物种的丰富度，也可以用来说明样本的取样大小是否合理。
[0074] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述基于所述样本脑电频谱特征，利用个体稀疏区分性分析，得到样本个体有效特征组的步骤进一步包括：
[0075] 基于所述样本脑电频谱特征，计算一个满足如下公式的一组区分性向量{βk}，所述{βk}所对应的非零元素即为个体稀疏区分性分析得到的有效特征：
[0076]
[0077]
[0078] 其中∑b为分类任务中特征向量的类间协方差，∑w为类内协方差，Ω为一个满秩小量矩阵。
[0079] 在本发明另一个具体实施例中，一种驾驶分心检测方法，所述确步骤2进一步包括：
[0080] 利用驾驶分心区分性模型，对待检测驾驶者脑电频谱特征中每一帧进行检验，得到所述待检测驾驶者脑电频谱特征各帧的检验分值；
[0081] 利用滑动窗口获取所述待检测驾驶者脑电频谱特征各帧的检验分值；
[0082] 当所述滑动窗口内检验分值之和或均值达到预设阈值，则获得驾驶者驾驶分心的检测结果。
[0083] 如图2所示，在本发明另一个具体实施例中，示出一种驾驶分心检测方法
流程图，所述方法具体包括以下步骤。
[0084] 所述方法分为训练和检测两个步骤：
[0085] 训练阶段：提取用户分心和正常时的脑电信号，通过频谱分析，得到脑电频谱特征；通过个体SDA，分析个体有效的特征组，并基于该特征组建立区分性模型，如支持向量机(SVM)模型。
[0086] 检测阶段：提取用户脑电信号，通过频谱分析，得到脑电频谱特征；通过训练阶段得到的有效特征组，提取有效特征，通过区分性模型，对脑电信号每一帧进行检验，得到帧级别的检验分值。用一个滑动窗口累积该检验分值，当该分值达到某一阈值后，检测到分心现象。
[0087] 频谱特征提取：频谱特征可用短时傅立叶分析得到，但这一频谱维度高，容易产生过拟合，同时容易受到噪音影响。本发明采用Mel Fbank作为频谱特征，该特征提取过程如下：首先对脑电信号进行分帧并加窗，窗长为1秒，再通过傅立叶分析得到原始频谱，再经过一组 Mel滤波 器，得到Mel能量谱，取对数后得到Mel Fbank。如图3所示。
[0088] SDA区分性分析：稀疏区分性分析(SDA)的目的是从一系列特征中得到最有效的特征，使得得到的特征对区分性任务的区分性最高。具体而言，我们希望找到一组区分性向量{βk}，使其满足如下优化目标：
[0089]
[0090]
[0091] 其中∑b为分类任务中特征向量(Fbank)的类间协方差，∑w为类内协方差，Ω为一个满秩小量矩阵。上式通过引入βk的一阶规范|| βk||1，因而在优化时βk中非显著元素将被置零，从而得到一个稀疏的向量βk。对于本发明中的二分类任务(分心或正常)，我们只需找到一个这样的稀疏向量，该向量所对应的非零元素即为SDA选择得到的有效特征。
[0092] 如图4，本发明另一个具体实施例中，示出一种驾驶分心检测系统整体框架示意图。总体上，包括：
[0093] 获取模块A1，用于获取待检测驾驶者脑电频谱特征；
[0094] 检测模块A2，用于基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0095] 在本发明另一个具体实施例中，一种驾驶分心检测系统，所述获取模块还用于：获取驾驶者分心驾驶和正常驾驶时的样本脑电频谱特征；基于所述样本脑电频谱特征，建立驾驶分心区分性模型。
[0096] 在本发明另一个具体实施例中，一种驾驶分心检测系统，所述获取模块还用于：获取驾驶者的脑电信号，利用频谱分析得到驾驶者的脑电频谱特征；基于所述各驾驶者的脑电频谱特征，获得各驾驶者的脑电频谱特征。
[0097] 在本发明另一个具体实施例中，一种驾驶分心检测系统，所述获取模块还用于：基于驾驶者的脑电信号，利用短时傅立叶分析得到驾驶者的脑电频谱特征。
[0098] 在本发明另一个具体实施例中，一种驾驶分心检测系统，所述获取模块还用于：
[0099] 对驾驶者的脑电信号进行分帧并加窗，窗长为n秒，n＞0；
[0100] 基于分窗后的驾驶者脑电信号，利用傅立叶分析得到驾驶者脑电信号的原始频谱；
[0101] 基于所述驾驶者脑电信号的原始频谱，利用Mel滤波 器获得Mel 能量谱；
[0102] 对所述Mel能量谱取对数后得到驾驶者的脑电频谱在Mel域上的 Fbank频谱特征。
[0103] 在本发明另一个具体实施例中，一种驾驶分心检测系统，所述获取模块还用于：基于所述各驾驶者的脑电频谱特征，利用稀疏区分性分析，获得各驾驶者的脑电频谱特征。
[0104] 在本发明另一个具体实施例中，一种驾驶分心检测系统，所述检测模块还用于：
[0105] 利用驾驶分心区分性模型，对待检测驾驶者脑电频谱特征中每一帧进行检验，得到所述待检测驾驶者脑电频谱特征各帧的检验分值；
[0106] 利用滑动窗口获取所述待检测驾驶者脑电频谱特征各帧的检验分值；
[0107] 当所述滑动窗口内检验分值之和或均值达到预设阈值，则获得驾驶者驾驶分心的检测结果。
[0108] 图5示出本申请实施例的驾驶分心检测方法的设备的结构
框图。
[0109] 参照图5，所述驾驶分心检测方法的设备，包括：处理器 (processor)501、存储器(memory)502和总线503；
[0110] 其中，
[0111] 所述处理器501和存储器502通过所述总线503完成相互间的通信；
[0112] 所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：步骤1，获取待检测驾驶者脑电频谱特征；步骤2，基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0113] 本实施例公开一种
计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：步骤1，获取待检测驾驶者脑电频谱特征；步骤2，基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0114] 本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：步骤1，获取待检测驾驶者脑电频谱特征；步骤2，基于所述待检测驾驶者脑电频谱特征，利用驾驶分心区分性模型获得检测结果。
[0115] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的
硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0116] 以上所描述的驾驶分心检测方法的设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0117] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助
软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，
服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0118] 最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
