基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法

本发明属于智能驾驶安全监测、驾驶员状态识别和脑电信号分析，具体涉及一种基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法。

背景技术：

1、随着自动驾驶技术向有条件自动驾驶和人机共驾阶段发展，车辆在特定条件下能够执行部分或大部分驾驶任务，但在复杂交通环境、系统能力边界或突发风险出现时，仍然需要驾驶员及时恢复对车辆的监控和控制。因此，驾驶员是否具备足够的接管准备度，是影响人机共驾安全性的重要因素。

2、现有驾驶员状态监测方法多依赖摄像头、眼动仪、车辆操控数据或生理信号。基于摄像头和眼动的监测方式能够获取眨眼、闭眼、视线偏离、注视点分布等外部行为信息，但该类信息通常在驾驶员已经表现出明显疲劳或分心行为时才发生明显变化，对接管准备度早期变化的感知能力有限。脑电信号能够直接反映驾驶员中枢神经活动，对注意力、疲劳和认知负荷等状态变化较为敏感，适合用于人机共驾场景下驾驶员接管准备度评估。

3、然而，现有基于脑电信号的驾驶员状态识别方法仍存在以下不足：

4、第一，不同驾驶员之间脑电信号幅值、频带能量分布和节律变化规律差异较大，若直接采用统一阈值、统一特征尺度或统一分类模型，容易导致跨个体泛化能力不足。

5、第二，现有方法通常直接输出“疲劳/不疲劳”“分心/不分心”或“高负荷/低负荷”等离散类别，难以直接表征驾驶员在人机共驾场景下的连续接管准备程度。

6、第三，不同脑电通道、不同脑电频带以及不同特征类型在不同驾驶员身上的稳定性并不一致，若对所有通道、频带和特征类型采用相同权重，容易受到噪声通道、不稳定频带或异常特征的干扰，从而降低评估结果的可靠性。

7、第四，已有脑电状态识别模型通常侧重于状态分类本身，与实际接管表现之间的关联不足，难以充分利用接管反应时间、方向盘接管延迟、车道偏移量等任务表现信息对脑电准备度评估结果进行优化。

8、现有方法即使采用脑电信号或多模态生理信号评估驾驶员状态，也多侧重于疲劳、分心、认知负荷或接管准备度的直接分类，较少从驾驶员个体正常监控脑电基线出发，进一步结合用于建立个体脑电基线的若干基线时间窗中各脑电通道、脑电频带和特征类型的稳定程度，对实时脑电节律偏离进行显式可靠性筛选和稳定性加权建模。

9、因此，有必要提出一种面向人机共驾接管任务的脑电接管准备度评估方法。该方法应当能够以驾驶员自身脑电基线为参照，描述实时脑电状态相对于个体正常监控状态的偏离程度，并根据用于建立个体脑电基线的若干基线时间窗中不同脑电通道、脑电频带和特征类型的稳定程度构建可靠性掩膜和稳定性权重，进一步输出连续化的接管准备度指数，为后续接管提示、接管时机判断和驾驶员能力评估提供基础输入。

技术实现思路

1、本发明的目的在于提出一种基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，以解决现有脑电驾驶员状态识别方法中个体差异影响大、输出结果离散化、通道和频带可靠性未充分考虑以及脑电状态与实际接管表现关联不足的问题。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，包括：

4、采集驾驶员在人机共驾状态下的脑电信号；

5、对采集的脑电信号进行预处理，获得清洁脑电信号；

6、在驾驶员处于正常监控状态时建立个体脑电基线，获得个体基线均值张量和个体基线标准差张量；

7、对实时脑电信号进行分窗、频带分解和多特征提取，构建实时脑电节律特征张量；

8、根据所述个体基线均值张量和所述个体基线标准差张量，将所述实时脑电节律特征张量转换为个体化节律偏离张量；

9、根据若干基线时间窗中各脑电通道、脑电频带和特征类型的变异程度，构建基线可靠性掩膜和基线稳定性权重张量；

10、利用所述基线稳定性权重张量对所述个体化节律偏离张量进行逐元素加权，获得稳定性加权节律偏离张量；

11、将所述稳定性加权节律偏离张量输入基线稳定性门控节律偏离融合模型，所述基线稳定性门控节律偏离融合模型包括注意力偏离分支、疲劳偏离分支和认知负荷偏离分支；

12、通过所述基线稳定性门控节律偏离融合模型输出驾驶员接管准备度指数；

13、根据所述驾驶员接管准备度指数输出驾驶员接管准备度等级。

14、本发明与现有技术相比，具有如下有益效果：

15、1、本发明通过建立驾驶员个体脑电基线，将实时脑电状态转化为相对于自身正常监控状态的节律偏离特征，避免直接比较不同驾驶员脑电原始幅值或绝对频带能量所导致的个体差异干扰。

16、2、本发明通过构建个体化节律偏离张量，将脑电通道、脑电频带和特征类型统一到同一张量表达中，能够同时表征不同脑区、不同节律和不同特征类型的脑电变化。

17、3、本发明根据用于建立驾驶员个体脑电基线的若干基线时间窗中各脑电通道、脑电频带和特征类型的变异程度，构建基线可靠性掩膜，对明显不稳定的通道—频带—特征单元进行显式筛选，从而降低异常基线波动对接管准备度评估结果的影响。

18、4、本发明进一步根据基线变异程度构建基线稳定性权重张量，使在用于建立个体脑电基线的若干基线时间窗中变异程度较小、可靠性较高的脑电特征在接管准备度评估中获得更高权重，区别于仅依靠群体统一权重或模型隐式注意力权重的处理方式。

19、5、本发明提出基线稳定性门控节律偏离融合模型，将注意力偏离、疲劳偏离和认知负荷偏离分别建模，并通过门控机制自适应融合，从而提高接管准备度评估的针对性和可解释性。

20、6、本发明输出连续化的驾驶员接管准备度指数，而不是简单的疲劳、分心或认知负荷分类结果，能够作为后续人机共驾接管预警、接管时机判断和驾驶员能力评估的基础输入。

21、7、本发明可结合接管反应时间、方向盘接管延迟和车道偏移量等弱监督信息进行模型优化，减少对大量精确脑电状态标签的依赖，使接管准备度指数与实际接管表现建立对应关系。

22、下面结合附图对本发明作进一步详细描述。

1.一种基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，包括：

2.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，建立驾驶员个体脑电基线，获得个体基线均值张量和个体基线标准差张量的具体方法为：

3.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，对实时脑电信号进行分窗、频带分解和多特征提取，构建实时脑电节律特征张量具体包括：

4.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，根据所述个体基线均值张量和所述个体基线标准差张量，将所述实时脑电节律特征张量转换为个体化节律偏离张量的具体方法为：

5.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，根据若干基线时间窗中各脑电通道、脑电频带和特征类型的变异程度，构建基线可靠性掩膜和基线稳定性权重张量具体包括：

6.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，所述基线稳定性门控节律偏离融合模型包括节律偏离编码层、注意力偏离分支、疲劳偏离分支、认知负荷偏离分支、稳定性门控融合层和准备度映射层；所述节律偏离编码层用于对稳定性加权节律偏离张量进行编码处理，获得节律偏离编码特征；

7.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，根据所述驾驶员接管准备度指数确定驾驶员接管准备度等级具体包括：

8.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，所述基线稳定性门控节律偏离融合模型采用弱监督训练策略进行优化，具体包括：

9.根据权利要求1所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，还包括结果存储与个体模型更新步骤，具体包括：

10.根据权利要求9所述的基于个体基线可靠性加权节律偏离的驾驶员接管准备度评估方法，其特征在于，个体脑电基线更新具体包括：