基于驾驶员生理传感器的隐马尔可夫模型变道过程驾驶风险预测方法

A Driver’s Physiology Sensor-Based Driving Risk Prediction Method for Lane-Changing Process Using Hidden Markov Model
 

作者：Yan Li , Fan Wang, Hui Ke, Li-li Wang and Cheng-cheng Xu

期刊：Sensors 2019, 19(12), 2670

研究背景：变道被认为是最危险的驾驶行为之一，因为驾驶员必须同时处理当前车道和目标车道上的交通冲突。

研究目的：通过测量驾驶 员生理数据和车辆动态数据，提出一种基于驾驶员生理特征的变道过程驾驶风险预测方法。

研究方法：该模型中使用的所有数据均由便携式传感器获取，该传感器具有记录实际驾驶过程数据的能力。提出了一种将驾驶风险与驾驶员生理信息和车辆动态数据联系起来的隐马尔可夫模型（HMM）。建立双因素指标，评价眼动、心率变异性和车辆动力学参数对驾驶风险的影响。心率正常到正常R-R间隔的标准差(SDNN)，注视时间，眼跳范围和平均速度作为HMM的输入。利用在西安市收集的野外观测数据对HMM进行了训练和测试。所提出的模型使用的数据来自生理测量传感器可以从正常驾驶状态中识别危险驾驶状态，并预测两种状态之间的转换概率。

研究结果：结果与被测驾驶员的感知相匹配，准确率为90.67%。所提出的模型可用于制定主动碰撞预防策略。

结论：该研究提出了一种基于hmm的模型，利用驾驶员生理数据和相关传感器的车辆动态数据来预测变道过程中的驾驶风险。根据研究过程可以得出以下结论:

(1)利用传感器采集驾驶员生理信息和车辆动态信息，预测变道过程中的驾驶风险。一些眼动数据、心率变异性数据和车辆动态数据被证明对驾驶风险有影响。在变道过程中，驾驶员的HRV参数首先在感知阶段活跃。然后，眼动在意图阶段变得活跃。只有在最后的执行阶段才能确定操作的实施情况。

(2) 提出了一种双因素指标分析法来评价变道过程中各参数对行车风险的影响。结果表明，在不同服务水平和驾驶时长下，注视时间、扫视距离、SDNN的R-R区间和平均速度对驾驶风险有显著影响。

(3)提出了一种基于hmm的变道过程驾驶风险预测模型。基于对眼动、心电图和车辆动态数据影响的评估，注视时间、扫视距离、SDNN和平均速度对变道过程的驾驶风险有显著影响，并作为HMM的观察参数。

该模型使用25名驾驶员变道过程中的500个数据样本进行训练。结果表明，85.84%的驾驶行为是安全的，14.16%的驾驶行为是危险的。维持安全状态的概率为90.67%，维持危险状态的概率为86.42%。从安全状态转移到危险状态的概率为9.33%，从危险状态转移到危险状态的概率为13.58%。结果与被试驾驶员的感知相匹配，准确率为90.67%。

(4) 该方法可用于具有相关传感器和通信设备的主动碰撞预防系统。这些传感器可以是便携式眼动仪、便携式心率/心电图监测仪和OBD。在训练数据充足的情况下，该方法可以估计出未来几个区间内各个驾驶状态的概率。当预测值超过阈值时，系统将停止运行，可以提醒驾驶员，从而提高行车安全状况。

DOI：10.3390/s19122670.

关键词：driving risk prediction;  hidden Markov model;  physiology measurement sensor;vehicle dynamic data;  lane changing

驱动风险预测;隐马尔可夫模型;生理测量传感器;车辆动态数据;车道改变

文章中所引用相关设备

生理仪：美国BIOPAC多通道可穿戴式生理遥测系统

眼动仪：德国SMI眼镜式眼动仪