一种融合眼动与生理特征的驾驶人监管注意力量化方法

本说明书涉及自动驾驶车辆人机共驾，尤其涉及一种融合眼动与生理特征的驾驶人监管注意力量化方法。

背景技术：

1、随着自动驾驶技术的发展，sae l3级有条件自动驾驶系统能够在特定条件下承担车辆控制任务，但仍要求驾驶人持续监控驾驶环境并在系统请求时及时接管。驾驶人的监管注意力（driver monitoring attention, dma）直接关系到接管安全性和人机共驾系统的整体可靠性，dma不足会导致情境感知显著下降、接管反应延迟，进而增加碰撞风险。因此，实时准确量化dma是确保人机共驾安全的关键技术。

2、现有dma量化方法主要依赖眼动数据或生理信号等单一模态。眼动数据虽能反映视觉注意分配，但易受环境光照干扰，且无法区分视线在道路上而认知资源未分配的情况；生理指标如心电、皮肤电可表征情绪唤醒与注意力维持程度，但存在响应延迟及个体基线差异大的局限，难以单独实现实时精准量化。目前，dma量化方法大致分为三类：第一类，基于单一眼动特征的注意力评估方法，虽能捕捉视觉注意动态，但多依赖简单阈值判定，缺乏生理层面的唤醒验证，且易受环境干扰；第二类，基于生理信号的传统监测方法，虽能反映自主神经激活状态，但指标选择缺乏系统性，分析维度单一，无法关联视觉注意分配；第三类，基于单一模态的机器学习模型，适配性不足且缺乏可解释性。尽管眼动与生理信号在注意力表征维度上具有互补性，但上述方法均未实现眼动与生理特征的深度融合，难以全面表征dma的多维本质，导致量化精度受限，影响人机共驾的安全性。

3、为此，本说明书提供了一种融合眼动与生理特征的驾驶人监管注意力量化方法。

技术实现思路

1、本说明书提供一种融合眼动与生理特征的驾驶人监管注意力量化方法，以部分的解决现有技术存在的上述问题。

2、本说明书采用下述技术方案：

3、本说明书提供了一种融合眼动与生理特征的驾驶人监管注意力量化方法，包括：

4、s1.获取自动驾驶场景下驾驶人的指标数据，所述指标数据包括眼动数据、心电信号数据、皮肤电活动数据、主观监控注意力等级问卷评分；

5、s2.对所述指标数据进行预处理，确定眼动指标和生理指标；

6、s3.对所述眼动指标和所述生理指标进行敏感性分析，筛选出核心敏感指标构建融合指标数据集；

7、s4.基于所述融合指标数据集，训练驾驶人监管注意力量化模型，以根据训练完成的驾驶人监管注意力量化模型量化驾驶人监管注意力。

8、根据上述技术手段，本方案提供了一种融合眼动与生理特征的自动驾驶车辆驾驶人监管注意力量化的方法，通过筛选敏感特征，针对人机共驾场景下驾驶人监管注意力动态变化特性，采用lightgbm算法构建驾驶人监管注意力量化模型，实时准确量化注意力状态。本发明计算误差较小且可解释性强，贴合实际中人机共驾场景下驾驶人注意力动态分布特征，有利于自动驾驶动态预警系统、接管时机优化及人机交互策略调整，为预防因注意力不足导致的接管失败事故提供技术支撑。

9、进一步的，s1中还包括步骤s11：

10、通过模拟驾驶器实验采集驾驶人的眼动数据、心电信号数据、皮肤电活动数据，并采用脉冲信号对齐机制实现所述眼动数据、所述心电信号数据、所述皮肤电活动数据的时间同步。

11、进一步的，s2具体包括：

12、对所述指标数据中的眼动数据进行中值滤波，确定眨眼事件和扫视事件；对所述指标数据中的心电信号数据进行心电r波峰值检测，确定心率指标和波段指标；以及对所述指标数据中的皮肤电活动数据进行低通滤波并连续分解分析，确定皮肤电导水平和皮肤电导反应。

13、进一步的，s3具体包括：

14、对所述眨眼事件、所述扫视事件、所述心率指标、所述波段指标、所述皮肤电导水平和所述皮肤电导反应，分别计算标准化回归系数及显著性水平；

15、将标准化回归系数及显著性水平均达到预设条件的指标，作为核心敏感指标并存储至融合指标数据集。

16、进一步的，s3还包括步骤s31：

17、对筛选出的各核心敏感指标，计算pearson相关系数；

18、对pearson相关系数达到预设值的核心敏感指标进行融合后存储至融合指标数据集。

19、进一步的，s4中基于所述融合指标数据集，训练驾驶人监管注意力量化模型，具体包括：

20、将所述融合指标数据集中的指标作为训练样本，所述主观监控注意力等级问卷评分作为标签；

21、将所述训练样本输入待训练的驾驶人监管注意力量化模型，得到所述待训练的驾驶人监管注意力量化模型输出的驾驶人主观监控注意力；

22、根据所述驾驶人主观监控注意力和所述标签之间的差异，确定损失，并以所述损失最小为优化目标，训练所述待训练的驾驶人监管注意力量化模型。

23、进一步的，所述待训练的驾驶人监管注意力量化模型为采用lightgbm算法构建的模型。

24、本说明书提供了一种融合眼动与生理特征的驾驶人监管注意力量化装置，包括：

25、获取模块，用于获取自动驾驶场景下驾驶人的指标数据，所述指标数据包括眼动数据、心电信号数据、皮肤电活动数据、主观监控注意力等级问卷评分；

26、预处理模块，用于对所述指标数据进行预处理，确定眼动指标和生理指标；

27、分析模块，用于对所述眼动指标和所述生理指标进行敏感性分析，筛选出核心敏感指标构建融合指标数据集；

28、训练模块，用于基于所述融合指标数据集，训练驾驶人监管注意力量化模型，以根据训练完成的驾驶人监管注意力量化模型量化驾驶人监管注意力。

29、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种融合眼动与生理特征的驾驶人监管注意力量化方法。

30、本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现一种融合眼动与生理特征的驾驶人监管注意力量化方法。

31、本说明书采用的上述至少一个技术方案能够达到以下有益效果：

32、本方案提供了一种融合眼动与生理特征的自动驾驶车辆驾驶人监管注意力量化的方法，通过筛选敏感特征，针对人机共驾场景下驾驶人监管注意力动态变化特性，采用lightgbm算法构建驾驶人监管注意力量化模型，实时准确量化注意力状态。本发明计算误差较小且可解释性强，贴合实际中人机共驾场景下驾驶人注意力动态分布特征，有利于自动驾驶动态预警系统、接管时机优化及人机交互策略调整，为预防因注意力不足导致的接管失败事故提供技术支撑。

1.一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，包括：

2.如权利要求1所述的一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，s1中还包括步骤s11：

3.如权利要求1所述的一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，s2具体包括：

4.如权利要求3所述的一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，s3具体包括：

5.如权利要求4所述的一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，s3还包括步骤s31：

6.如权利要求1所述的一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，s4中基于所述融合指标数据集，训练驾驶人监管注意力量化模型，具体包括：

7.如权利要求6所述的一种融合眼动与生理特征的驾驶人监管注意力量化方法，其特征在于，所述待训练的驾驶人监管注意力量化模型为采用lightgbm算法构建的模型。

8.一种融合眼动与生理特征的驾驶人监管注意力量化装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。

10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。