基于HTM技術多時間段汽車疲勞駕駛檢測技術的研究

刁建華　楊濤　關菁華

摘 要：近年來疲勞駕駛檢測技術發展迅速。但現有技術提供的方法大多是基于某一固定時間段的預測。本文提出了一種基于HTM技術的多時間段疲勞駕駛檢測方法。利用HTM網絡分層的特性，不同層學習處理不同時間段長度的數據，產生基于不同時間段的預測結果。實驗結果性能分析顯示，本文提出的方法在存儲和時間效率上有明顯的提高。

關鍵詞：疲勞駕駛 HTM技術 多時間段檢測

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2018）01（c）-0070-02

疲勞駕駛檢測是一個復雜的過程，基于單一時間段的疲勞駕駛檢測方法都有其不可靠性和不穩定性。本文提出了基于HTM技術的多時間段疲勞駕駛檢查方法。為了構建適用于多時間段疲勞駕駛檢測的HTM網絡，我們提出了一個新的節點類型。新節點由一個空間池，一個時間池和一個監督分類器三部分組成。利用新節點構成的HTM網絡分層的特性，我們讓HTM網絡的不同層學習處理不同時間段長度的數據，以生成基于不同時間段的檢測結果。我們對HTM網絡的性能進行了分析。最后，我們在第五部分對本文提出的疲勞檢測方法進行了總結。

1 HTM網絡結構

HTM網絡是一個由節點構成的分層的樹狀結構。我們讓HTM網絡的不同層學習處理不同時間段長度的數據，以生成基于不同時間段的檢測結果。如圖1HTM網絡結構所示，數據由最底端輸入到HTM網絡指定的底層節點。高一層的節點接收的數據來自于低一層的一個或多個子節點。因此，節點處理的數據段長度隨著它所處網絡層級的升高而增長。

如圖1HTM網絡結構所示，處于HTM網絡第二層節點處理的數據由最底層的4個子節點提供。假設底層的每個子節點處理的數據段長度是4min，第二層節點處理的數據段長度是8min。則處于最高層節點處理的時間段長度是16min。在接收足夠數量的訓練數據后，HTM網絡切換到推理模式。推理模式下，該網絡可以生成分別基于4min、8min和16min3個時間段的檢測結果。

傳統方式提供基于3個時間段的檢測需要3個網絡框架，而基于本文提出的新節點構成的HTM網絡僅需一個。

2 節點結構和原理

為了構建一個HTM網絡處理多時間段的數據以獲得基于多時間段的檢測結果，我們采用了3種類型的節點構建HTM網絡。如圖2節點結構所示，由一個空間池和一個時間池兩部分組成的節點位于HTM網絡的低層，進行無監督的學習。節點的輸出作為上一層父節點的輸入，直到HTM網絡的最高層。由一個空間池和一個監督分類器兩部分組成的節點位于HTM網絡的最高層，進行有監督的學習并基于分類信息生成預測結果。由一個空間池，一個時間池和一個監督分類器三部分組成的節點位于HTM網絡每一層的最左端，可以同時進入無監督和有監督兩種學習模式。

圖2節點結構中所有節點類型都有學習和推理兩種操作模式。HTM網絡能夠基于不同時間段進行預測是因為我們在每一層最左端設置了一個由一個空間池，一個時間池和一個監督分類器三部分組成的節點。我們以該節點為例詳細介紹節點的學習和推理的過程。

每一個節點在激活后首先進入學習模式。學習模式下，位于HTM網絡每一層最左側的節點首先將數據輸入到空間池。空間池將接收的數據轉換成為相對較少的代表數據的有限集合。集合中代表數據的索引值被同時輸入給時間池和監督分類器進行分析處理。時間池接收到數據并追蹤分析哪些數據出現的時間更頻繁緊密，將之分為一組。同時，監督分類器將接收的數據的索引值與分類傳感器中的分類進行比對歸類。

學習結束后，節點可以接收新的數據進行推理預測。在推理模式下，節點的空間池不再更新矩陣而是對每一個輸入數據進行比較分析并計算生成一個相似矢量值。空間池的生成結果被同時輸入給時間池和分類器。時間池利用數據分組對輸入的相似矢量值進行轉換作為高層節點的輸入數據。分類器對輸入的相似矢量值進行分類作為該節點即該層的推理預測結果。

3 性能分析

本文提出的基于3個節點構成的HTM網絡相比傳統方式構建的HTM網絡在多時間段數據檢測方面有效的減少了內存和時間的消耗。

3.1 內存消耗

傳統的方式若要實現基于多時間段的檢測，需要構建多個HTM網絡處理不同時間段的數據。HTM網絡的數量隨著處理時間段數量的增加而增加。而本文提出的基于3個節點構成的HTM網絡，只需要構建一個HTM網絡即可支持基于任何指定時間段長度的數據的處理及檢測分析。如表1內存消耗所示，隨著預測時間段的增加傳統的HTM網絡比本文提出的新方法構建的HTM網絡消耗更多的內存。

3.2 時間消耗

除了內存消耗，本文提出的基于3個節點構成的HTM網絡在時間消耗方面也遠遠低于傳統的HTM網絡。如表2時間消耗所示，隨著預測時間段的增加傳統的HTM網絡比本文提出的新方法構建的HTM網絡消耗更多的時間。

參考文獻

[1] Numenta.Numenta HTM Home page[EB/OL].http：//numenta.com/.

[2] Zhong Jingang，Huang Yu.Time-frequency Representation Based on an Adaptive Short-time Fourier Transform[J].IEEE Transactions on Signal Processing，2010，58（10）：5118-5128.

[3] Upadhyay D.Classification of EEG Signals Under Different Mental Tasks Using Wavelet Transform and Neural Network with One Step Secant Algorithm[J].International Journal of Scientific Engineering & Technology，2013，2（4）：256-259.

[4] YUAN Xiang，SUN Xiangmei.Development of driver fatigue detectionmethod research[J].Chinese Journal of Automotive Engineering，2012，2（3）：157-164.