中国公路学报

作者：孙一帆, 王榕, 张晖, 吴超仲, 丁乃侃, 周涂强

单位：1. 武汉理工大学 智能交通系统研究中心, 湖北 武汉 430063;2. 华东交通大学 交通运输工程学院, 江西 南昌 330013;3. 交通信息与安全教育部工程研究中心, 湖北 武汉 430063;4. 湖北文理学院, 湖北 襄阳 441053"],"fundList_en":["National Natural Science Foundation of China (52502418,52072289，52372341，52202413); Jiangxi Provincial Natural Science Foundation (20252BAC200360); Postdoctoral Science Foundation of China (2025M771635); Jiangxi Province Association for Science and Technology Youth Talent Support Program (2023QT15)

关键词：交通工程,疲劳驾驶辨识,卷积神经网络,驾驶行为,个性化建模

基金：国家自然科学基金项目(52502418,52072289，52372341，52202413)；江西省自然科学基金项目(20252BAC200360); 中国博士后科学基金项目(2025M771635);江西省科协青年人才支持计划项目(2023QT15)

为了避免个体差异对疲劳驾驶辨识精度的影响并且提高疲劳驾驶辨识的个性化水平和效率，将主成分分析(Principal Component Analysis, PCA)与一维卷积神经网络(1 Dimension Convolutional Neural Network， 1DCNN)结合，提出一种快速个性化的疲劳驾驶辨识方法。首先，组织高速公路场景下的模拟驾驶试验，低侵入地采集24名被试的驾驶行为数据、面部关键点坐标及疲劳得分。然后，使用双层滑动时间窗切分原始数据并计算出486种指标。最后，采用结构紧凑的深度学习算法构建基于PCA-1DCNN的个性化疲劳驾驶辨识模型。使用5折交叉验证划分每位被试的数据集，训练并验证个体疲劳驾驶辨识模型，得到个性化疲劳阈值。结果表明：所提出的个性化疲劳辨识模型对所有被试的平均精度、敏感度、特异度分别达到99.93%、99.92%、99.94%，对所有被试的辨识效果较为稳定，精度、敏感度和特异度的标准差分别为0.07%、0.11%和0.09%;所提方法无需人工提取特征，采用轻量化的1DCNN，能快速辨识疲劳驾驶，平均检测耗时为0.010 3 s。所提方法规避个体差异的影响，提高个体疲劳驾驶辨识的精度和速度，可用于研发高效的个性化疲劳驾驶预警系统，亦能推动其他危险驾驶行为的个性化建模研究。

来源：2025年第12期

《中国公路学报》期刊编辑部

查看中国公路学报杂志2025年第12期