驾驶员认知负荷预测方法、系统、设备及存储介质与流程

本发明涉及智能座舱驾驶员状态监测与车载机器学习风险预警，尤其涉及一种驾驶员认知负荷预测方法、系统、设备及存储介质。

背景技术：

1、驾驶员认知负荷指代驾驶员在驾驶车辆、监控辅助驾驶系统、操作车载交互设备、执行接管任务时承受的信息加工总量。当道路路况复杂、导航信息密集、临时接管指令下发、驾驶员身心状态较差时，认知负荷会快速升高；长期处于高认知负荷状态会削弱驾驶员注意力分配能力、环境情境感知能力、车辆操作稳定性，大幅延长驾驶员反应时长，显著提升误操作、道路交通事故发生概率。

2、现有驾驶员认知负荷识别技术普遍采用统一机器学习模型，基于心电ecg、心率变异性hrv、眼动眨眼、皮肤电、车辆动力学信号训练单一分类模型，逐窗口输出认知负荷等级。该类方案在同一名驾驶员、随机划分时序样本的仿真测试条件下识别精度较高，但在严格跨驾驶员测试场景下模型泛化能力显著下降，核心缺陷分为四点：

3、1.驾驶员个体生理响应差异巨大：不同人格、情绪稳定性、压力应对特质的驾驶员，面对同等认知负荷任务时自主神经、眼部运动反应趋势完全相反；部分驾驶员高认知负荷下眨眼频率上升，部分驾驶员高认知负荷下眨眼频率持续下降，统一模型无法适配双向生理变化规律；

4、2.在线实时推理存在时序数据泄露：传统离线训练方案推理时会引入未来时间窗口数据，违背车载数据流逐时序到达、仅能使用历史数据的实时因果推理约束，离线仿真精度无法复现于实车部署场景；

5、3.单点模型输出易受噪声干扰：传感器丢帧、眨眼事件稀疏、心电瞬时波动、车内光线干扰会造成单样本模型判定频繁跳变，直接输出瞬时判定结果会引发座舱高频误提醒，严重影响驾乘体验；

6、4.缺少完整车载落地闭环：现有技术仅输出认知负荷等级数值，未提供标准化概率输出逻辑，无法直接联动座舱交互、辅助驾驶、云端风险记录模块，工程落地适配难度高。

7、综上，现有方案无法通过驾驶员问卷实现生理响应自动分群适配差异化生理规律、缺少驾驶员自身基线个性化归一化手段、未采用纯历史因果时序推理架构、无区间概率聚合平滑防抖机制，导致跨驾驶员泛化差、实车推理失真、频繁误提醒、无法形成标准化车载干预闭环。

8、因此，行业亟需一种可区分驾驶员生理响应个体差异、满足车载因果时序推理约束、抑制单点噪声抖动、完整适配智能座舱闭环安全干预的驾驶员认知负荷预测方案。

技术实现思路

1、本发明的目的在于克服上述现有技术的问题，提供了一种驾驶员认知负荷预测方法、系统、设备及存储介质，用于解决现有驾驶员认知负荷预测技术难以通过问卷分群适配不同驾驶员的个体生理差异，通用模型泛化性较差，同时在线推理过程易存在时序数据泄露问题，单点瞬时判定易受传感器噪声干扰出现抖动误报。且传统方案仅能输出简单负荷判定结果，无法形成标准化概率输出与分层车载干预闭环，难以适配智能座舱实时安全监测需求，无法有效规避驾驶员高认知负荷引发的驾驶风险。

2、上述目的是通过以下技术方案来实现：

3、一种驾驶员认知负荷预测方法，包括如下步骤：

4、s1、获取驾驶员的问卷数据，并根据所述问卷数据生成问卷特征向量；

5、s2、将所述问卷特征向量输入预先训练的问卷分型模型，输出所述驾驶员对应的认知负荷生理响应族；所述认知负荷生理响应族依据驾驶员在不同认知负荷等级下眨眼频率相对自身平稳驾驶基线的变化趋势划分得到；

6、s3、基于所述认知负荷生理响应族匹配对应的分群认知负荷时序模型；

7、s4、持续采集驾驶员平稳驾驶基线特征流与多模态在线特征流，基于所述平稳驾驶基线特征流计算受试者内归一化统计量，并依托所述平稳驾驶基线特征流对所述多模态在线特征流执行个性化归一化预处理，得到预处理后的在线特征流；

8、s5、对归一化预处理后的所述在线特征流构建固定长度滚动时序序列，将所述滚动时序序列输入匹配后的所述分群认知负荷时序模型，输出单样本认知负荷判定结果；

9、s6、在预设输出间隔内统计全部有效单样本的判定结果，统计其中被判定为高认知负荷的样本数量与有效样本总量的比值，计算稳定高认知负荷预测概率；依据所述稳定高认知负荷预测概率生成车载控制指令；本步骤中所述全部有效单样本是指在预设输出间隔内，满足基线就绪条件、时序缓冲区时长约束、窗口数据质量阈值且模型成功完成推理的二元判定结果。

10、作为本方法的进一步优化，所述问卷分型模型通过以下方式训练：采集历史驾驶员的问卷数据及多梯度认知负荷任务下的眼动数据；计算各历史驾驶员在不同认知负荷等级下眨眼频率相对于自身驾驶基线的变化量；依据所述变化量随认知负荷等级提升的变化趋势区分多种生理响应类型，并合并为两类认知负荷生理响应族；以历史驾驶员的问卷特征向量为输入、生理响应族为监督标签训练所述问卷分型模型。

11、作为本方法的进一步优化，所述多模态在线特征流包括眼动行为特征和心电生理特征；所述眼动行为特征包括基于眼部关键点计算的眼纵横比时间序列和眨眼频率；所述心电生理特征包括心率均值和心率变异性指标；同步对齐相同时段的眼动行为特征与心电生理特征，融合形成多维度组合特征窗口。

12、作为本方法的进一步优化，所述预处理包括：步骤s5中，严格遵循因果时序约束，使用历史已到达时序数据完成窗口对齐与滚动时序序列构建；所述分群认知负荷时序模型包括并行设置的眼动流编码器和生理流编码器，各编码器包含一维卷积层、激活层、循环神经网络层和时间注意力层。

13、作为本方法的进一步优化，所述分群认知负荷时序模型采用跨驾驶员数据集划分方式进行训练，按认知负荷生理响应族对历史驾驶员分层处理，同一历史驾驶员的全部时序样本归入训练集、验证集或测试集三者之一，不同数据集对应的驾驶员完全互不交叉；在线推理过程中使用当前时刻及此前已到达的时序数据。

14、作为本方法的进一步优化，基于步骤s5输出的所述单样本认知负荷判定结果统计预设输出间隔内的高认知负荷判定频次，以区间内有效样本占比计算所述稳定高认知负荷预测概率；将所述稳定高认知负荷预测概率与预设阈值对比，当满足概率值大于等于阈值或连续输出间隔移动平均阈值对应的判定逻辑时执行车载干预动作，所述车载干预动作包括降低信息推送频率、输出休息提醒和调整辅助驾驶监控等级中的至少一种。

15、本方案还提供了一种驾驶员认知负荷预测系统，用于实施上述方法，包括：

16、问卷特征生成模块，用于获取所述驾驶员问卷勾选数据，量化处理后生成标准化问卷特征向量；

17、问卷分型模块，用于获取驾驶员的问卷数据并生成问卷特征向量，将所述问卷特征向量输入预先训练的问卷分型模型，输出认知负荷生理响应族；

18、模型路由模块，用于基于所述认知负荷生理响应族匹配专属适配的分群认知负荷时序模型；

19、在线特征处理模块，用于接收所述驾驶员的多模态在线特征流、采集平稳驾驶基线特征流，并依托基线特征流完成在线特征流的受试者内个性化归一化预处理；

20、时序推理模块，用于仅采用历史时序数据构建滚动时序序列，将预处理后的所述多模态在线特征流输入匹配后的所述分群认知负荷时序模型，输出单样本认知负荷判定结果；

21、概率聚合模块，用于在预设输出间隔内聚合全部有效单样本判定结果，计算稳定高认知负荷预测概率；

22、控制指令生成模块，用于基于所述高认知负荷预测概率生成车载控制指令。

23、作为本系统的进一步优化，所述系统还包括特征采集端、应用执行端和云端存储模块；所述特征采集端包括车载摄像头、心电传感器和可穿戴设备中的至少一种，用于采集驾驶员的眼动行为特征、心电生理特征以及平稳驾驶基线数据；所述应用执行端接收基于区间聚合概率生成的车载控制指令，分层执行对应的车载干预动作，并将驾驶风险事件同步上传至所述云端存储模块。

24、本方案提供了一种车载电子设备，包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时，实现上述驾驶员认知负荷预测方法的步骤。

25、本方案还提供了一种计算机可读存储介质，所述存储介质上存储程序或指令，所述程序或指令被处理器执行时实现上述驾驶员认知负荷预测方法的步骤。

26、本发明所提供的驾驶员认知负荷预测方法、系统、设备及存储介质，通过依据驾驶员不同负荷下眨眼变化趋势划分认知负荷生理响应族并依托问卷分型模型匹配专属分群时序模型，实现适配不同驾驶员差异化生理响应规律、提升跨驾驶员识别泛化能力，通过采集驾驶员平稳驾驶基线完成受试者内个性化归一化预处理，实现消除驾驶员个体基础生理指标偏差、降低个体差异对识别结果的干扰，通过仅采用历史时序数据构建滚动序列执行因果推理，实现杜绝时序数据泄露、保障实车推理效果与离线仿真一致，通过区间内有效样本聚合计算高认知负荷预测概率再生成车载控制指令，实现抑制传感器噪声带来的单点判定抖动、减少座舱高频误提醒，完整搭建生理采集负荷预测主动干预的车载安全风控闭环，适配各类智能座舱实时监测场景。