基于多模态数据融合分析的疲劳驾驶检测方法OA

疲劳驾驶是造成道路交通伤害的主要原因之一,高效准确的疲劳驾驶检测是保障交通安全的重要手段。但传统单一信号在捕捉疲劳状态时存在数据采集侵入性高、数据结构复杂、难以实时预测、准确率低等局限性,融合不同模态的信息成为新的发展方向。该文通过长期实车驾驶实验采集的心电信号、车辆轨迹数据、驾驶员脸部图像数据构建基于多模态信号的疲劳驾驶检测模型。该模型包含数据处理、特征提取、特征筛选和疲劳预测等模块,通过自注意力机制捕获长时间依赖关系并输出预测结果。该模型预测疲劳状态类别的准确率最高达97.89%,整体召回率和F1分数达80%以上,表明模型具有较好的预测准确性。将同时利用3个模态数据的检测模型设置为对照组,以仅使用单个模态数据或同时使用2个模态的数据为实验组,共6组实验组。试验发现同时利用3个模态的数据的疲劳驾驶检测模型在不同指标上均取得最优结果,表明所提出的模型成功融合了不同模态的信息,具有较高的准确率和适应性,能够提升驾驶安全的保障水平。