基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法、计算机设备及存储介质

本发明涉及智能驾驶辅助系统，特别是基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法、计算机设备及存储介质。

背景技术：

1、智能驾驶辅助系统技术是指利用传感器、人工智能算法和车辆控制技术，实时感知车辆周围环境，并在必要时向驾驶员提供预警或主动干预，以提升行车安全性和驾驶舒适性的综合技术体系。

2、传统方法多采用通用阈值或固定模型，难以适配不同驾驶员在清醒状态下的生理基线差异，导致误报率高或灵敏度不足，且在真实驾驶场景中，光照变化、路面颠簸、车辆剧烈操作等因素会严重污染眼电或脑电信号，而现有系统缺乏对信号质量的动态评估与抑制机制。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法、计算机设备及存储介质解决了传统方法多采用通用阈值或固定模型，难以适配不同驾驶员在清醒状态下的生理基线差异，导致误报率高或灵敏度不足，且在真实驾驶场景中，光照变化、路面颠簸、车辆剧烈操作等因素会严重污染眼电或脑电信号，而现有系统缺乏对信号质量的动态评估与抑制机制的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法，其包括：

5、采集驾驶员清醒状态下的脑电信号与眼电信号，构建包含多维特征统计参数的个性化生理基线，并基于个性化生理基线设定动态疲劳判定阈值；

6、在驾驶过程中同步获取实时脑电信号、实时眼电信号以及反映当前驾驶环境与车辆运行状态的上下文信息；

7、根据上下文信息确定脑电模态和眼电模态的先验可靠性权重，并对实时脑电信号与实时眼电信号进行预处理及去个性化处理，得到适配于个体特征的脑电特征张量与眼电特征向量；

8、将脑电特征张量与眼电特征向量分别输入对应的预训练分支模型，生成原始脑电证据向量与原始眼电证据向量，并结合先验可靠性权重对原始脑电证据向量与原始眼电证据向量进行调制，获得调制后脑电证据向量与调制后眼电证据向量；

9、基于调制后脑电证据向量与调制后眼电证据向量计算初始模态不确定性，并利用车辆行为稳定指标通过轻量级校准网络对初始模态不确定性进行在线校准，输出校准后脑电不确定性与校准后眼电不确定性；

10、根据调制后脑电证据向量、调制后眼电证据向量、校准后脑电不确定性与校准后眼电不确定性生成对应的信念质量，采用dempster-shafer证据理论对信念质量进行融合，输出融合后疲劳状态，并基于融合后疲劳状态执行分级预警。

11、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法的优选方案，其中：所述构建包含多维特征统计参数的个性化生理基线包括以下步骤：

12、在驾驶员处于清醒且静息状态下连续采集脑电信号与眼电信号，采样时长不少于五分钟；

13、对脑电信号进行分段加窗处理，每段窗口长度为两秒，重叠率为百分之五十，对每段信号计算微分熵、功率谱密度在频段的能量占比，以及样本熵，形成脑电特征向量；

14、对眼电信号进行波形检测，提取单次眨眼持续时间、相邻眨眼间隔、慢相眼动速度，构成眼电特征向量；

15、对全部脑电特征向量按维度计算均值与标准差，对全部眼电特征向量按维度计算均值与标准差，组合形成个性化生理基线；

16、其中，表示脑电特征第维在清醒状态下的均值，表示对应标准差，表示眼电特征第维在清醒状态下的均值，表示对应标准差。

17、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法的优选方案，其中：所述基于个性化生理基线设定动态疲劳判定阈值包括以下步骤：

18、对脑电特征第维设定上界阈值与下界阈值，对眼电特征第维设定上界阈值与下界阈值；

19、当实时提取的脑电或眼电特征超出对应维度的上下界阈值时，标记该维度为疲劳敏感维度；

20、所述上下界阈值的设定采用统一尺度因子，满足；

21、脑电特征第维的上界阈值为，下界阈值为；

22、眼电特征第维的上界阈值为，下界阈值为；

23、其中，为预设常量，用于控制个体基线的容忍带宽。

24、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法的优选方案，其中：所述根据上下文信息确定脑电模态和眼电模态的先验可靠性权重包括以下步骤：

25、从车载can总线获取当前光照强度、车速、纵向加速度、横向加速度，并由悬架振动信号计算路面颠簸指数；

26、若光照强度低于暗光阈值，则将眼电模态先验可靠性权重设置为小于一的衰减因子，否则设置为一；

27、若路面颠簸指数高于颠簸阈值，则将脑电模态先验可靠性权重设置为小于一的衰减因子，否则设置为一；

28、所述先验可靠性权重用于后续对原始证据向量进行调制，反映外部环境对生理信号质量的影响程度。

29、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法、计算机设备及存储介质的优选方案，其中：所述去个性化处理包括以下步骤：

30、对实时脑电特征向量的每一维度执行标准化变换，即用该维度特征值减去对应基线均值后除以对应基线标准差，得到去个性化脑电特征张量；

31、对实时眼电特征向量的每一维度执行相同标准化变换，得到去个性化眼电特征向量；

32、所述标准化变换使不同驾驶员的特征表达映射至同一相对偏移空间，消除个体间绝对量级差异。

33、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法的优选方案，其中：所述将脑电特征张量与眼电特征向量分别输入对应的预训练分支模型，生成原始脑电证据向量与原始眼电证据向量，并结合先验可靠性权重对原始脑电证据向量与原始眼电证据向量进行调制，获得调制后脑电证据向量与调制后眼电证据向量，包括以下步骤：

34、将去个性化脑电特征张量输入预训练的卷积神经网络分支，输出原始脑电证据向量；

35、将去个性化眼电特征向量输入预训练的全连接神经网络分支，输出原始眼电证据向量；

36、将原始脑电证据向量与脑电模态先验可靠性权重相乘，得到调制后脑电证据向量；

37、将原始眼电证据向量与眼电模态先验可靠性权重相乘，得到调制后眼电证据向量；

38、其中，表示疲劳状态类别总数，表示脑电分支对第类疲劳状态的原始证据强度，表示眼电分支对第类疲劳状态的原始证据强度，与为取值在区间的实数权重。

39、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法的优选方案，其中：所述根据调制后脑电证据向量、调制后眼电证据向量、校准后脑电不确定性与校准后眼电不确定性生成对应的信念质量，采用dempster-shafer证据理论对信念质量进行融合，输出融合后疲劳状态，包括以下步骤：

40、对调制后脑电证据向量的每个元素加一并归一化，得到脑电支持度，其中；

41、对调制后眼电证据向量的每个元素加一并归一化，得到眼电支持度，其中；

42、计算脑电不确定度，眼电不确定度；

43、计算两模态间的证据冲突系数；

44、若，则计算融合后对第类疲劳状态的支持度与融合不确定度，公式如下：

45、；

46、；

47、式中，表示脑电模态对第类疲劳状态的支持程度，表示眼电模态对第类疲劳状态的支持程度，表示脑电模态的预测不确定度，表示眼电模态的预测不确定度，表示两模态之间的证据冲突程度；输出融合后疲劳状态为。

48、作为本发明所述基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法的优选方案，其中：所述基于融合后疲劳状态执行分级预警包括以下步骤：

49、设定第一不确定性阈值与第二不确定性阈值，满足；

50、当融合后疲劳状态为重度疲劳且融合不确定度时，触发强干预措施，包括声音警报、座椅震动及仪表盘红色闪烁；

51、当融合后疲劳状态为轻度疲劳，或融合后疲劳状态为重度疲劳但融合不确定度时，仅触发弱提示，包括语音提醒与仪表盘黄色提示；

52、当融合不确定度时，不触发任何预警。

53、第二方面，本发明提供了计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法、计算机设备及存储介质的任一步骤。

54、第三方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于脑电-眼电的不确定性证据融合的驾驶疲劳识别方法、计算机设备及存储介质的任一步骤。

55、本发明有益效果为：通过利用清醒期数据建立动态判定阈值，实现对驾驶员生理状态的精准适配，引入上下文信息动态抑制受干扰模态的权重，并通过车辆行为指标校准模态不确定性，有效区分真疲劳与伪异常，dempster-shafer融合规则显式建模支持度、不确定度与冲突度三者关系，在高冲突场景下仍能输出合理置信判断，避免误报或漏报，以融合不确定性为依据实施分级预警，确保强干预仅在高置信重度疲劳时触发，兼顾安全效能与用户体验，解决了多模态生理信号在车载环境下易受干扰、泛化能力弱、融合结果不可靠的问题。