# 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![输入图片说明](1.png)
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
![输入图片说明](%E9%9A%90%E8%97%8F%E5%B1%82.png)![输入图片说明](%E6%A8%A1%E5%9E%8B%E6%A1%86%E6%9E%B6.png)
## 2.不同天气下的精度(上图雾天,下图晴天)![晴天](Accuracy%20in%20four%20models(sun).jpg)![雾天](Accuracy%20in%20four%20models(fog).jpg)
## 3.模型的roc曲线
![输入图片说明](ROC.jpg)
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
python实现基于bp-svm的自适应疲劳驾驶检测项目源码+详细文档说明.zip已获导师指导并通过的99分的高分大作业设计项目,可作为课程设计和期末大作业,下载即用无需修改,项目完整确保可以运行。 【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。 【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
资源推荐
资源详情
资源评论
收起资源包目录
python实现基于bp-svm的自适应疲劳驾驶检测项目源码+详细文档说明.zip (32个子文件)
.1-master
all.ipynb 49KB
模型框架.png 14KB
ROC.jpg 47KB
LICENSE 34KB
Transfer Learning
fine-tunning
.keep 0B
pre-trained model
.keep 0B
1.png 821KB
Cited function
ECG_10_dataset_model.py 11KB
ECG_function.py 9KB
svm.ipynb 41KB
rf.ipynb 719KB
data
ecg 72B
data_label.zip 9.48MB
ECG arrhythmia classification using a 2-D convolutional neural network
segmentation.py 389B
app.py 5KB
sample.csv 11KB
model.py 1KB
gettingData.py 2KB
cropping.py 1KB
index.html 732B
ecgSignalsToImage.py 431B
README.md 3KB
ECG_function_test.py 9KB
botorch-main.zip 6.23MB
cnn.zip 5.37MB
隐藏层.png 14KB
Accuracy in four models(sun).jpg 590KB
Accuracy in four models(fog).jpg 626KB
.gitignore 270B
truck GPS
A GPS Data-Driven Methodology for Detecting Congestion and Hotspot Identifying at the Port Collector-Distributor Road Network 0B
References 5KB
README.md 4KB
共 32 条
- 1
资源评论
m明月Java3
- 粉丝: 2w+
- 资源: 146
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功