python实现基于bp-svm的自适应疲劳驾驶检测源码+详细文档说明.zip

# An Adaptive Fatigue Driving Detection Method Based On BP-SVM（基于bp-svm的自适应疲劳驾驶检测） _Guo H, WengJ, LinC. An Adaptive Fatigue Driving Detection Method Based on BP-SVM[M]//CICTP2023. 2023:1246-1255._ # 介绍 _【目的】_ 准确判断驾驶员是否处于疲劳驾驶状态，对于减少疲劳驾驶现象，降低交通事故的发生率具有重要意义。然而，不同驾驶员的驾驶风格和各种天气条件下的车辆信息不尽相同，导致模型的鲁棒性不能令人满意。因此，本研究提出一种自适应疲劳驾驶检测方法，提高模型在不同驾驶员和天气中的精度和鲁棒性。 <br> _【方法】_ 在SLIAB驾驶模拟平台（图1）的帮助下，本研究调查了不同驾驶员在不同天气（晴天和雾天）下的车辆行为特征。受试者是从上海海事大学招募的14名学生（男性7名，女性7名），视力正常或矫正为正常。他们被要求在实验期间每十五分钟报告一次卡罗林斯卡嗜睡量表（KSS）分数，用以监测驾驶员疲劳嗜睡的变化。图2、图3描述了本研究中使用的模型（BP-SVM）与自适应机制模块。该模块基于反向传播（BP）和贝叶斯优化原理，使用高斯过程代理SVM的黑盒函数为参数引入不确定性，并通过后验分布构造的采集函数循环优化参数，保证总损失最小的同时避免过度拟合，增加模型的鲁棒性。最后，为了验证BP-SVM的有效性，与随机森林（RF）、视觉几何组卷积（VGG）和支持向量机（SVM）在精度和受试者工作特征曲线（ROC）方面的性能进行比较。 <br> _【结果】_ 实验共产生了加速度、方向盘转动等7种车辆行为特征的14组数据。图4描绘了四种模型在晴天和雾天两种不同天气条件下的精度。BP-SVM在晴天的平均精度为94.04%，而RF、SVM和VGG的平均精度分别为89.53%、83.88%和91.95%，均低于BP-SVM。在雾天，BP-SVM保持了优良的识别性能，平均精度为93.78%，而RF、SVM和VGG的平均精度较低。值得注意的是，BP-SVM模型在两种天气条件下都达到了98.15%和97.54%的最大精度，并且还在继续改进，而RF、SVM和VGG模型已经达到稳定阶段。图5描绘了四种模型在ROC方面的性能。ROC是一种图形工具，用于描述真阳性率（TPR）和假阳性率（FPR）之间的关系。RF、SVM、VGG 和 BP-SVM 的 ROC曲线下面积（AUC）分别为 0.94、0.92、0.83 和 0.99，表明 BP-SVM模型优于其他分类模型，尤其是 VGG 模型。 <br> _【结论】_ 在考虑不同驾驶员和天气条件（晴天、雾天）时，BP-SVM的识别精度明显高于其它3种模型，也表现出较好的鲁棒性。结果表明，使用驾驶行为特征并考虑天气变化的BP-SVM模型在驾驶员疲劳状态识别方面优于其他模型。对于未来的研究，需要适当删减驾驶行为特征。7种14组数据虽然较好地提取了驾驶中包含的驾驶员疲劳水平信息，但参数过多会减慢模型训练过程。同时，数据源可以考虑长途客车驾驶数据，利用现有客车驾驶数据构建长途客车司机疲劳驾驶检测模型，无需添加额外仪器，保障新冠疫情下长途货运道路的安全高效。 # 软硬件基础 1.SLIAB驾驶模拟平台 2.Python 3.8.5 3.pytorch 1.10.0 4.cpu AMD Ryzen 7 5800H with Radeon Graphics 5.gpu NVIDIA GeForce RTX 3070 Laptop GPU——30.0.15.1236 # 结果展示 ## 1.模型结构与隐藏层  ## 2.不同天气下的精度（上图雾天，下图晴天）.jpg).jpg) ## 3.模型的roc曲线