（19）国家知识产权局 （12发明专利申请 (10)申请公布号CN117290781A (43)申请公布日2023.12.26 (21)申请号202311378519.9 A61B 5/12(2006.01) (22)申请日2023.10.24 A61B3/113(2006.01) G06F 18/10 (2023.01) (71)申请人中汽研汽车检验中心(宁波)有限公 G06F 18/213 (2023.01) 司 地址315336浙江省宁波市杭州湾新区滨 海二路727号 (72)发明人李兵王晓亮朱晓勇吴雨欣 张远航吴雯珺陆洪刚 (74)专利代理机构宁波市鄞州盛飞专利代理事 务所（特殊普通合伙）33243 专利代理师陈雪川 (51) Int.CI. G06F 18/2411(2023.01) A61B5/18(2006.01) A61B5/369(2021.01) 权利要求书2页说明书6页附图1页 (54)发明名称 -种用于DDAW系统测试的驾驶员KSS等级自 评估培训方法 (57)摘要 对各驾驶员进行训前预设周期下的状态调整以及理论培训 本发明公开了一种用于DDAW系统测试的驾 在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式 驶员KSS等级自评估培训方法，涉及疲劳驾驶技 的测试，获取不同KSS嗜睡等级下的测试数据 术领域，包括步骤：对各驾驶员进行训前预设周 期下的状态调整以及理论培训：在静态驾驶舱内 对测试数据进行数据清洗，并对别除后的测试数据进行预处理 对驾驶员进行预设时间段内一组试验范式的测 对处理后的测试数据进行特征提取，并通过统计学分析获 试，获取不同KSS嗜睡等级下的测试数据：对测试 取生理数据与KSS等级量表的对应关系 数据进行数据清洗，并对剔除后的测试数据进行 通过机器学习模型进行KSS等级预测，并根据预测结果对驾 驶员的主观评测进行修正 预处理；对处理后的测试数据进行特征提取，并 通过统计学分析获取生理数据与KSS等级量表的 对应关系；通过机器学习模型进行KSS等级预测， 并根据预测结果对驾驶员的主观评测进行修正。 <本发明基于行为学特征和脑电DE特征，对数据 对有一定偏离的驾驶员展开相应的培训,从而对 DDAW系统开展测试认证。 3 权利要求书 CN 117290781 A 1/2页 1.一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特征在于，包括步骤： S1：对各驾驶员进行训前预设周期下的状态调整以及理论培训； S2：在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式的测试,获取不同KSS嗜 睡等级下的测试数据； S3：对测试数据进行数据清洗，并对剔除后的测试数据进行预处理； S4:对处理后的测试数据进行特征提取,并通过统计学分析获取不同KSS嗜睡等级下驾 驶员生理数据与主观测评之间的对应关系； S5：基于提取的特征信息，通过对各机器学习模型的预测性能进行训练，并根据验证结 果筛选最优机器学习模型； S6：通过筛选的机器学习模型进行KSS等级预测，并根据预测结果对驾驶员的主观评测 进行修正。 2.如权利要求1所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特 征在于,所述测试数据是基于驾驶员根据驾驶证统计数据中的男女比例以及年龄段比例分 配进行获取的。 3.如权利要求1所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特 征在于，所述S2步骤中，试验范式的组成包括精神运动警戒任务、卡洛林斯卡嗜睡测试、α衰 减测试、视觉P300测试、听觉P300测试、100毫米视觉模拟量表的嗜睡量表和卡罗林斯卡困 倦量表。 4.如权利要求3所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特 征在于，所述α衰减测试为驾驶员对目标物品进行注视，并记录周期内眼晴开闭交替过程中 的脑电数据。 5.如权利要求4所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特 征在于，所述S3步骤的测试数据采集过程中，采用64导联的脑电设备进行脑电数据的采集， 通过眼动仪进行驾驶员眼动数据的采集。 6.如权利要求5所述的一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，其特 征在于，所述S4步骤中,所述特征提取包括眼动特征、脑电特征，表示为如下公式 blink+CLOS PERCLOS= interval interval=blink+fixation+saccade+CLos 式中,blink为眼动数据中表示为眼的样本点数，CLoS为眼动数据中表示为闭眼状态 的样本点数,fixation为眼动数据中表示为注视状态的样本点数，saccade为眼动数据中表 示为扫视的样本点数，PERCLOS为眼动特征值； DE = - / p(x)log(p(x))dx _(x-μ)2 _(x-w)2 1 20 log 20 dx 2元0 2元 式中,DE为微分熵，p（x）为连续信息的概率密度函数，[a,b]为信息取值的区间，α"为方 2 权利要求 CN 117290781 A 书 2 /2 页 差，i为取值1至n的常数,μ为期望值。 3 说明书 CN 117290781 A 1/6页 一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法 技术领域 [0001]本发明涉及疲劳驾驶技术领域,具体涉及一种用于DDAW系统测试的驾驶员KSS等 级自评估培训方法。 背景技术 [0002]在全球所有致命的道路交通事故中,约有20%是由于驾驶员疲劳驾驶造成的。为 了防止驾驶员疲劳驾驶引发的交通事故，欧盟委员会于2021年4月发布了（EU）2021/ 134lDriverDrowsiness and Attention Warning Systems(DDAw）强制性标准,要求于 2022年7月6日起对新车型开始强制实施。该标准提出DDAW系统的验证测试需采用至少10名 驾驶员开展相关的实车道路测试，测试过程中每名驾驶员使用卡罗林斯卡嗜睡量表（KSS) 准还规定测试前所有驾驶员需经过筛选并进行统一的KSS培训。但是如何开展驾驶员KSS培 训，在标准中并没有给出具体的介绍，而KSS嗜睡程度评估作为一种主观评价方法，受驾驶 员的主观判断能力影响较大，所选取的驾驶员是否能够准确评估当前嗜睡程度直接影响 DDAW系统是否能够通过产品认证。所以如何建立科学的驾驶员KSS等级预测模型，筛选符合 大众化要求的验证测试驾驶员，开展DDAW系统测试认证，成为一项值得研究的重要课题。 发明内容 [0003］为了建立科学的驾驶员KSS等级预测模型，筛选符合大众化要求的验证测试驾驶 员，本发明提出了一种用于DDAW系统测试的驾驶员KSS等级自评估培训方法，包括步骤： [0004] S1：对各驾驶员进行训前预设周期下的状态调整以及理论培训； [0005] S2：在静态驾驶舱内对驾驶员进行预设时间段内一组试验范式的测试，获取不同 KSS嗜睡等级下的测试数据； [0006] S3：对测试数据进行数据清洗,并对剔除后的测试数据进行预处理； [0007] S4：对处理后的测试数据进行特征提取,并通过统计学分析获取不同KSS嗜睡等级 下驾驶员生理数据与主观测评之间的对应关系； [0008］S5：基于提取的特征信息，通过对各机器学习模型的预测性能进行训练，并根据验 证结果筛选最优机器学习模型； S［6000] S6：通过筛选的机器学习模型进行KSS等级预测，并根据预测结果对驾驶员的主观 评测进行修正。 [0010]进一步地，所述测试数据是基于驾驶员根据驾驶证统计数据中的男女比例以及年 龄段比例分配进行获取的。 [0011]］进一步地，所述S2步骤中，试验范式的组成包括精神运动警戒任务、卡洛林斯卡嗜 睡测试、α衰减测试、视觉P300测试、听觉P300测试、100毫米视觉模拟量表的嗜睡量表和卡 罗林斯卡困倦量表。 [0012]进一步地，所述α衰减测试为驾驶员对目标物品进行注视,并记录周期内眼晴开闭 4 说明书 CN 117290781A 2/6页 交替过程中的脑电数据。 [0013]进一步地，所述S3步骤的测试数据采集过程中，采用64导联的脑电设备进行脑电 数据的采集，通过眼动仪进行驾驶员眼动数据的采集。 [0014]进一步地，所述S4步骤中，所述特征提取包括眼动特征、脑电特征，表示为如下公 式 blink+CLOS [0015] PERCLOS= interval [0016] interval=blink+fixation+saccade+CLos [0017] 式中,blink为眼动数据中表示为眼的样本点数,CLOS为眼动数据中表示为闭眼 状态的样本点数，fixation为眼动数据中表示为注视状态的样本点数，saccade为眼动数据 中表示为扫视的样本点数,PERCLOS为眼动特征值； DE =- p(x)log(p(x))dx [0018] _(x-w)2 _(x-u)2 1 1 20 601 e e 20 dx 2元0？ 2元0? [0019]］式中,DE为微分炳，p（x）为连续信息的概率密度函数，[a,b]为信息取值的区间，α~ 为方差，i为取值1至n的常数，u为期望值。 [0020]与现有技术相比,本发明至少含有以下有益效果： [0021]］本发明所述的一种用于DDAW系统的驾驶员KSS等级自评估培训方法，通过采集不 同KSS嗜睡等级下的驾驶员对应相关试验范式下的生理数据，经试验数据预处理后，对试验 数据的行为学、眼动、脑电等特征进行了提取及统计学分析，将其与主观KSS等级量表对应， 得到不同KSS等级的大众化客观生理数据。基于