专利交易市场

本发明公开了基于多尺度卷积核尺寸CNN的驾驶员疲劳状态识别方法，包括如下步骤：S1、数据准备：将采集到的脑电信号进行预处理，得到标准格式数据；S2、数据增强：采用频率掩蔽和频域重组算法对原数据进行数据增强；S3：模型训练，采用多尺度卷积核尺寸混合CNN模型对原始数据和增强数据构成的数据集进行训练，得到分类器；S4、状态识别：把预处理后的脑电数据输入到分类器模型中，得到样本的状态标签以及可解释的模型分类依据；本发明提高了模型分类性能，在持续注意力驾驶任务数据集识别疲劳状态任务中，实现了较高的准确率；并设计了添加频率噪声和频率掩蔽两种数据增强方法与CNN模型集成，进一步提高模型的泛化能力。

本发明涉及智能车远程驾驶安全监控技术领域，尤其是涉及一种多车监管场景下的云舱安全员疲劳辨识预警方法及系统，包括通过LSTM模型‑注意力机制构建不同人车比场景下的差异化子模型体系，生成适应各人车比场景下疲劳规律的个性化疲劳辨识子模型；各个个性化疲劳辨识子模型分别对对应的多模态数据进行疲劳特征提取，输出子疲劳辨识结果；通过多任务联邦学习融合各个个性化疲劳辨识子模型的参数信息，生成全局疲劳辨识模型；通过全局疲劳辨识模型整合各个个性化疲劳辨识子模型的疲劳特征和子疲劳辨识结果，得到综合疲劳辨识结果。本发明能够提升疲劳辨识的准确性与鲁棒性，降低因疲劳导致的远程驾驶监管失效的风险。