[0019] 本发明分两个阶段实现,第一阶段是驾驶员突发疾病网络诊断模型的建立,第二阶段是通过驾驶员突发疾病网络诊断模型来输出对应诊断结果,从而输出相应处理方法。
[0020] 如图1和图2所示,在试验车辆上建立驾驶员突发疾病网络诊断模型,具体步骤如下:
[0021] 步骤1:已有的网络数据大平台中存有大量的正常人体生命体征信息参数:包括心率、血压、呼吸频率、体温、瞳孔直径等参数。从已有的网络数据大平台中抽取大量的人体生命体征信息参数,取各自的平均值作为驾驶员正常生命体征参数:取心率参数的平均值作为正常心率S0、取血压参数的平均值作为正常血压B0、呼吸频率参数的平均值作为正常呼吸频率f0、取体温参数的平均值作为正常体温T0、取瞳孔直径参数的平均值作为正常瞳孔直径D0。将这些驾驶员正常生命体征参数输入到数据模块中。
[0022] 步骤2:在试验车辆上,采用驾驶员生命体征传感器模块采集驾驶员的生命体征信息:心率S、血压B、呼吸频率f、体温T、瞳孔直径D。
[0023] 步骤3:将心率S、血压B、呼吸频率f、体温T、瞳孔直径D这些生命体征信息作为数据样本集,输入到数据模块中。数据模块对数据样本集进行处理:即对驾驶员第k个时间片时的生命体征信息进行判定,将第k个时间片时的生命体征信息与驾驶员正常生命体征参数进行比较,输出对应的比较的结果,k=2,3,4,…。本发明中的时间片是指从车辆启动后每间隔20s就开始采集驾驶员生命体征信息。具体是:当对驾驶员第k个时间片时的心率Sk进行判定时,将心率Sk与正常心率S0进行比较,若它们之间的差值ΔS=Sk‑S0大于设定的心率阈值,则将第k个时间片的心率Sk信息输出为ΔS1,反之,输出为ΔS2。当对驾驶员第k个时间片时的血压Bk进行判定时,将血压Bk与正常血压B0进行比较,若它们之间的差值ΔB=Bk‑B0大于设定的血压阈值,则将第k个时间片的血压Bk信息输出为ΔB1,反之,输出为ΔB2。当对驾驶员第k个时间片时的呼吸频率fk进行判定时,将呼吸频率fk与正常频率f0进行比较,若它们之间的差值Δf=fk‑f0大于设定的呼吸频率阈值,则将第k个时间片的呼吸频率fk信息输出为Δf1,反之,输出为Δf2。当对驾驶员第k个时间片时的体温Tk进行判定时,将体温Tk与正常体温T0进行比较,若它们之间的差值ΔT=Tk‑T0大于设定的体温阈值,则将第k个时间片的体温Tk信息输出为ΔT1,反之,输出为ΔT2。当对驾驶员第k个时间片时的瞳孔直径Dk进行判定时,将瞳孔直径Dk与正常瞳孔直径D0进行比较,若它们之间的差值ΔD=Dk‑D0大于设定的瞳孔直径阈值,则将第k个时间片的瞳孔直径Dk信息输出为ΔD1,反之,输出为ΔD2。因此,数据模块得到预处理后的数据样本集:{ΔSj,ΔBm,Δfn,ΔTp,ΔDq},其中,j=1,2,m=1,2,n=1,2,p=1,2,q=1,2,即得到每种生命体征信息预处理后的对应两种结果。
[0024] 步骤4:将预处理后的数据样本集{ΔSj,ΔBm,Δfn,ΔTp,ΔDq}作为贝叶斯网络结构的五个子节点,将驾驶员状态Yi将作为贝叶斯网络结构的父节点,构建如图3所示的第k个时间片的静态贝叶斯网络结构节点图,其中,驾驶员状态Yi分为两类,第一类是驾驶员突发疾病状态,记为Y1,第二类是驾驶员正常状态,记为Y2,i=1,2。五个子节点为预处理后的数据样本集中的心率ΔSj、血压ΔBm、呼吸频率Δfn、体温ΔTp、瞳孔直径ΔDq。
[0025] 步骤5:根据静态贝叶斯网络参数学习,获得五个子节点处于不同情况下,父节点事件(驾驶员突发疾病状态或正常状态)发生的条件概率表。
[0026] 第k个时间片的静态贝叶斯诊断模型P(Yi(TSk)|ΔSj,ΔBm,Δfn,ΔTp,ΔDq)如下:
[0027]
[0028] 式中,i=1,2,j=1,2,m=1,2,n=1,2,p=1,2,q=1,2;P(Yi|ΔSj,ΔBm,Δfn,ΔTp,ΔDq)表示在ΔSj,ΔBm,Δfn,ΔTp,ΔDq的条件下,驾驶员状态为Yi的条件概率;P(Yi)表示驾驶员状态为Yi的全概率;P(ΔSj),P(ΔBm),P(Δfn),P(ΔTp|),P(ΔDq)分别表示ΔSj,ΔBm,Δfn,ΔTp,ΔDq的全概率;P(ΔSj|Yi)表示的是当驾驶员状态为Yi的条件下,时间片输出ΔSj的条件概率;P(ΔBm|Yi)表示的是当驾驶员状态为Yi的条件下,时间片输出ΔBm的条件概率;P(Δfn|Yi)表示的是当驾驶员状态为Yi的条件下,时间片输出Δfn的条件概率;P(ΔTp|Yi)表示的是当驾驶员状态为Yi的条件下,时间片输出ΔTp的条件概率;P(ΔDq|Yi)表示的是当驾驶员状态为Yi的条件下,时间片输出ΔDq的条件概率。各个条件概率都可以通过预处理后的样本数据集中的具体数值得到,从而可以获得各个参数对应的条件概率表。
[0029] 步骤6:基于第k个时间片的静态贝叶斯诊断模型P(Yi(TSk)|ΔSj,ΔBm,Δfn,ΔTp,ΔDq),当第k个时间片驾驶员突发疾病概率P{Y1(TSk)|ΔSj,ΔBm,Δfn,ΔTp,ΔDq}≥50%时,则判定驾驶员在第k个时间片为突发疾病状态Y1;反之,则判定驾驶员在第k个时间片为正常状态Y2。
[0030] 步骤7:根据单个的第k个时间片得到的驾驶员状态Yi,分别对k‑1和k这两个相邻时间片段的驾驶员状态Yi进行诊断,得到不同的诊断结果。具体是:
[0031] 第k‑1个时间片中驾驶员状态为Y1(TSk‑1),即突发疾病状态,第k个时间片中驾驶员状态为Y1(TSk),也是突发疾病状态,将诊断结果进行数组统计,将Y1(TSk‑1)和Y1(TSk)的数组个数记为G11。TSk为第k个时间片,TSk‑1为第k‑1个时间片。
[0032] 第k‑1个时间片中驾驶员状态为Y1(TSk‑1),即突发疾病状态,然而在第k个时间片中驾驶员状态为Y2(TSk),即正常状态;将诊断结果进行数组统计,将Y1(TSk‑1)和Y2(TSk)的数组个数记为G12。
[0033] 第k‑1个时间片中驾驶员状态为Y2(TSk‑1),即正常状态,而在第k个时间片中驾驶员状态为Y1(TSk),即突发疾病状态,将诊断结果进行数组统计,将Y2(TSk‑1)和Y1(TSk)的数组个数记为G21。
[0034] 第k‑1个时间片中驾驶员状态为Y2(TSk‑1),即正常状态,而在第k个时间片中驾驶员状态为Y2(TSk),也是正常状态,将诊断结果进行数组统计,将Y2(TSk‑1)和Y2(TSk)的数组个数记为G22。
[0035] 由此获得诊断结果的数组集合Gxy,Gxy={G11,G12,G21,G22,},得到相邻两个时间片的转移概率,例如:在第k‑1个时间片驾驶员状态为突发疾病状态Y1的条件下,且第k个时间片驾驶员状态为正常状态Y2的转移概率:
[0036]
[0037] 步骤8:根据步骤6中获得的驾驶员在第k个时间片驾驶员状态Yi以及步骤7中相邻两个时间片的转移概率,构建动态贝叶斯网络结构模型,将静态贝叶斯网络结构模型与相邻两个时间片的转移概率相结合就是动态贝叶斯网络结构模型。
[0038] 该动态贝叶斯网络结构模型,在采集到第k‑1个时间片预处理后的生命体征信息,可以预判出第k个时间片(k=1,2,3,4…)时刻的驾驶员状态Yi,同理,再基于第k个时间片预处理后的生命体征信息提前取预判到第k+1个时间片的驾驶员状态Yi。与静态的贝叶斯网络结构模型不同的是,不需要等到传感器采集第k个时间片的信息再分析第k个时间片驾驶员的状态,而是用传感器采集第k‑1个时间片的信息再基于该动态贝叶斯网络结构模型,就能预判第k个时间片驾驶员状态Yi。对于正在行驶的车辆来说,能够提前预知到驾驶员下一刻的状态,能在紧急关头起到重要作用。
[0039] 步骤9:如图4所示,根据步骤6中获得的驾驶员在第k个时间片驾驶员状态Yi,当监测到第k个时间片的驾驶员状态为突发疾病状态Y1时输出电压信号V1,接下来对第k+1、k+2、k+3和k+4的时间片的驾驶员状态陆续进行判定。设N为k、k+1、k+2、k+3和k+4这五个时间片中驾驶员突发疾病状态Y1的个数(N=1,2,3,4,5),当满足条件N≥3时,输出电压信号V11。反之,输出电压信号V12。即将步骤8构建的动态贝叶斯网络结构模型与连续时间片的判断结合,构建出基于动态贝叶斯网络结构模型的驾驶员突发疾病网络诊断模型。其中,仅依靠动态贝叶斯网络结构模型预测驾驶员在第k个时间片时的状态Yj是不够精准的,所以将动态贝叶斯网络结构模型与对连续时间片的分析结合构成驾驶员突发疾病网络疾病诊断模型。
[0040] 第二阶段,再结合图5,通过驾驶员突发疾病网络诊断模型来输出对应诊断结果,从而输出相应处理方法。具体步骤如下:
[0041] 步骤1:在实际运行车辆上,通过驾驶员生命体征传感器采集实时的驾驶员生命体征信息:心率S′、血压B′、呼吸频率f′、体温T′、瞳孔直径D′。
[0042] 步骤2:将采集的实时的驾驶员生命体征信息输入到数据模块进行预处理,数据模块输出预处理后的实时生命体征信息ΔS′j,ΔB′m,Δf′n,ΔT′p,ΔD′q,j=1,2,m=1,2,n=1,2,p=1,2,q=1,2。
[0043] 步骤3:将预处理后的实时生命体征信息输入到第一阶段搭建完成的驾驶员突发疾病诊断模型中,由其输出对应的电压信号。
[0044] 驾驶员突发疾病网络诊断模型对预处理后的实时生命体征信息进行分析并得到诊断结果,当得到第k个时间片驾驶员的状态为突发疾病状态Y1时,为了确保安全,先输出电压信号V1给车辆限制模块,先对车辆进行一定程度上的限制,预防驾驶员突发疾病的可能,参见图2。为了确保模型诊断的准确性,接下来对多个时间片陆续进行判断,即将第k+1、k+2、k+3和k+4的连续时间片包含的实时生命体征信息进行处理,将连续时间片的预处理后实时生命体征信息输入到驾驶员突发疾病诊断模型,获得连续时间片的驾驶员状态,输出连续时间片的驾驶员状态Yi对应的电压信号。因此,得到第k个时间片至第k+4个时间片这五个时间片的驾驶员状态Yi对应的电压信号,将这五个时间片中驾驶员突发疾病状态Y1的个数记录为N(N=1,2,3,4,5)。当N≥3时,即在第k、k+1、k+2、k+3和k+4这五个时间片中驾驶员突发疾病状态Y1的时间片个数超过3个时,则判定驾驶员此时处于突发疾病状态,为保证车辆安全,驾驶员突发疾病网络诊断模型输出电压信号V11给车辆控制模块进行控制,同时解除对车辆的限制。反之,当N<3时,即在第k、k+1、k+2、k+3和k+4这五个时间片中驾驶员突发疾病状态Y1的时间片个数小于3个时,则判定驾驶员此时只是出现身体上的小波动,不影响驾驶员的正常驾驶,不属于突发疾病状态,驾驶员突发疾病网络疾病诊断模型输出电压信号V12,仅解除对车辆的限制,不对车辆做其他限制量的输出,给予驾驶员控制车辆的主导权。
[0045] 车辆限制模块包括车辆加速踏板、制动踏板及方向盘转角限制模块和车辆降速模块。它主要是对车辆进行减速措施,并对方向盘转角、制动踏板和加速踏板位移量有一定限制。对方向盘转角角度进行一定限制量的原因时防止驾驶员突发疾病后对方向盘造成大幅度转动,造成严重交通事故。
[0046] 车辆控制模块包括车辆加速踏板、制动踏板及方向盘锁死模块以及车速传感器模块、车辆智能制动模块、救援及警报模块,这四个模块将同时开启。车辆加速踏板、制动踏板及方向盘锁死模块是防止驾驶员突发疾病后由于身体异常导致对车辆做出错误操作。车辆智能制动模块是在驾驶员突发疾病诊断模块诊断出驾驶员突发疾病后,依据车速传感器模块得到的车辆车速,智能的控制车辆以平稳的减速度刹车停下。救援及警报装置是将开启车辆双闪,频繁鸣笛,提醒周边车辆注意避让,同时联系周边医院及交警部队请求救援。