【技術實現步驟摘要】
本專利技術屬于駕駛監測，特別是涉及一種高原環境下的駕駛員狀態監測與干預方法。
技術介紹
1、在高海拔地區行駛，駕駛員面臨著由高原復雜地形地貌和自然環境所帶來的多重挑戰。這些挑戰不僅包括崎嶇不平的道路、陡峭的山坡以及變幻莫測的天氣條件，還涉及到高原特有的缺氧環境。缺氧環境下，人體會出現一系列生理反應，如心率加快、血壓升高、呼吸頻率增加等，這些生理變化會進一步影響駕駛員的心理狀態和行為表現。
2、從生理層面來看，高原缺氧會導致駕駛員身體機能下降，如體力耐力減弱、反應速度變慢等。這些生理變化會直接影響駕駛員的駕駛操作能力，增加行車風險。從心理層面分析，高原環境還會對駕駛員的心理狀態產生顯著影響。例如，長時間的駕駛和缺氧環境可能引發駕駛員的焦慮、煩躁等負面情緒，降低其注意力和判斷力。此外，高原地區的孤獨感和單調性也可能加劇駕駛員的心理疲勞，進一步影響其駕駛表現。從行為層面來看，高原復雜道路條件和缺氧環境可能導致駕駛員在駕駛過程中做出不安全的決策和操作。例如，為了應對高原缺氧帶來的不適，駕駛員可能會增加休息次數和時間，這可能導致行車時間延長、行車計劃被打亂。同時，缺氧還可能影響駕駛員的判斷力，使其在緊急情況下無法做出正確的反應。
3、綜上所述，高原地區環境的改變對駕駛員的生理、心理和行為產生了顯著的影響。因此，研究高原環境對駕駛員的影響，開發能夠及時監測并干預駕駛員“生理-心理-行為”變化的方法顯得尤為重要。
技術實現思路
1、本專利技術的目的是提供一種高原環境下的駕
2、為實現上述目的，本專利技術提供了一種高原環境下的駕駛員狀態監測與干預方法，包括：
3、獲取高原環境數據和獲取駕駛員的駕駛狀態數據；
4、將所述高原環境數據和所述駕駛狀態數據傳輸至云計算節點進行多源數據融合處理，得到對應的高原環境融合數據和駕駛狀態融合數據，基于所述高原環境融合數據和所述駕駛狀態融合數據構建高原環境變化與駕駛狀態之間的函數關系式；
5、基于構建的函數關系式執行待監測駕駛員的實時風險預測，得到駕駛風險預測結果，基于所述駕駛風險預測結果對待監測駕駛員的駕駛狀態進行干預。
6、可選的，所述高原環境數據包括溫濕度數據、氣壓數據、含氧量數據和風速風向數據。
7、可選的，所述駕駛狀態數據包括駕駛員的生理信息數據、心理信息數據和駕駛行為數據。
8、可選的，所述心理信息數據的獲取流程，具體包括：
9、獲取駕駛員的面部圖像數據；
10、將所述面部圖像數據輸入預先訓練好的表情識別模型中進行面部表情分析，得到情緒狀態數據，并將所述情緒狀態數據作為心理信息數據上傳至云計算節點；其中所述表情識別模型是基于mvcnn網絡構建的。
11、可選的，所述駕駛行為數據的獲取過程，具體包括：
12、基于霍爾式輪速傳感器檢測車輛的超速情況和急停情況，并利用激光雷達檢測車輛的變道情況，將檢測到超速情況、急停情況和變道情況作為駕駛行為數據上傳至云計算節點。
13、可選的，在將所述高原環境數據和所述駕駛狀態數據傳輸至云計算節點進行多源數據融合處理之前，還包括對所述高原環境數據進行數據清洗和格式轉換，得到預處理后的高原環境數據，通過微處理器將預處理后的高原環境數據傳輸至云計算節點進行多源數據融合處理。
14、可選的，所述將所述高原環境數據和所述駕駛狀態數據傳輸至云計算節點進行多源數據融合處理，具體包括：
15、將所述高原環境數據和所述駕駛狀態數據分別輸入多源數據融合模塊中進行數據融合，得到對應的高原環境融合數據和駕駛狀態融合數據；其中所述多源數據融合模塊包括并行設置的bp神經網絡預測模塊和模糊邏輯控制決策模塊。
16、可選的，所述多源數據融合模塊的處理過程，具體包括：
17、將待輸入數據輸入所述bp神經網絡預測模塊和所述模糊邏輯控制決策模塊中進行數據融合，當所述bp神經網絡預測模塊和所述模糊邏輯控制決策模塊的輸出結果一致時，輸出最優融合數據；當所述bp神經網絡預測模塊和所述模糊邏輯控制決策模塊的輸出結果不一致時，以所述bp神經網絡預測模塊的輸出結果為主決策，以所述模糊邏輯控制決策模塊的輸出結果為輔助決策，基于所述主決策和所述輔助決策確定最優融合數據。
18、可選的，所述構建高原環境變化與駕駛狀態之間的函數關系式，具體包括：
19、對所述高原環境融合數據和所述駕駛狀態融合數據進行多項式擬合，得到高原環境變化與駕駛狀態之間的函數關系式，具體計算公式為：
20、
21、式中，m為高原環境融合數據、n為駕駛狀態融合數據，an為權值，xi(i＝1,2,3…n)表示高原環境數據融合后的多維向量，即m＝(x1，x2，x3…xn)，yi(i＝1,2,3…n)表示駕駛員駕駛狀態數據融合后的多維向量，即n＝(y1，y2，y3…yn)，n＝f(m)表示高原環境變化與駕駛狀態之間的函數關系。
22、可選的，基于所述駕駛風險預測結果對待監測駕駛員的駕駛狀態進行干預，具體包括：
23、對待監測駕駛員的生理狀態進行預警干預：
24、基于貝葉斯定理，將駕駛員的初始生理狀態作為先驗概率，將待監測駕駛員在高原環境下行駛時的生理狀態作為條件概率，基于所述先驗概率和所述條件概率計算后驗概率，當所述后驗概率大于預設閾值時，向駕駛員進行預警提示；
25、對待監測駕駛員的負面情緒進行干預：
26、當待監測駕駛員出現負面情緒時，通過播放音樂、調節車內燈光顏色的方法緩解駕駛員情緒。
27、本專利技術的技術效果為：
28、本專利技術通過全面采集高原環境復雜參數與駕駛員實時駕駛狀態信息，不僅能夠即時評估并智能干預駕駛員狀態、確保行車安全，還能夠通過構建精細化的數學模型與模擬函數，實現對無設備輔助車輛在高原環境下行駛區域的精準預測，從而全方位提升高原道路行車的安全性與效率。本專利技術不僅可以提高駕駛員在高原地區的駕駛安全性，還可以為沒有安裝檢測設備的駕駛人員提供高原環境駕駛的參考依據，幫助他們判斷自己所能接受的高原環境極限值，從而做出明智的駕駛決策。
本文檔來自技高網...【技術保護點】
1.一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，包括：
2.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述高原環境數據包括溫濕度數據、氣壓數據、含氧量數據和風速風向數據。
3.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述駕駛狀態數據包括駕駛員的生理信息數據、心理信息數據和駕駛行為數據。
4.根據權利要求3所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述心理信息數據的獲取流程，具體包括：
5.根據權利要求3所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述駕駛行為數據的獲取過程，具體包括：
6.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，在將所述高原環境數據和所述駕駛狀態數據傳輸至云計算節點進行多源數據融合處理之前，還包括對所述高原環境數據進行數據清洗和格式轉換，得到預處理后的高原環境數據，通過微處理器將預處理后的高原環境數據傳輸至云計算節點進行多源數據融合處理。
7.根據權利
8.根據權利要求7所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述多源數據融合模塊的處理過程，具體包括：
9.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述構建高原環境變化與駕駛狀態之間的函數關系式，具體包括：
10.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，基于所述駕駛風險預測結果對待監測駕駛員的駕駛狀態進行干預，具體包括：
...【技術特征摘要】
1.一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，包括：
2.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述高原環境數據包括溫濕度數據、氣壓數據、含氧量數據和風速風向數據。
3.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述駕駛狀態數據包括駕駛員的生理信息數據、心理信息數據和駕駛行為數據。
4.根據權利要求3所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述心理信息數據的獲取流程，具體包括：
5.根據權利要求3所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，所述駕駛行為數據的獲取過程，具體包括：
6.根據權利要求1所述的一種高原環境下的駕駛員狀態監測與干預方法，其特征在于，在將所述高原環境數據和所述駕駛狀態數據傳輸至云計算節點進行多...
【專利技術屬性】
技術研發人員：李世威，馮靜文，王建強，藍肖航，劉琳，姜璇，
申請(專利權)人：蘭州交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。