[0001] 本申请涉及交通安全控制技术领域，尤其涉及一种基于驾驶员行为及生理特征的隧道安全控制系统。

[0002] 在当前的交通安全管理中，隧道安全问题一直是一项重大挑战。隧道作为交通网络中不可或缺的部分，因其内部环境复杂、视线受限等特点，极大地增加了驾驶难度与风险。传统的隧道管理系统，通常依赖于基础设施和规定的安全规则，如交通信号灯、限速标志、明确的道路标线等。然而，这些传统的措施只能被动地管理交通安全问题，如当交通事故发生时才能进行反应，其主动预防事故的能力较弱。

[0003] 另一方面，传统的隧道管理系统在处理驾驶员行为方面存在明显不足。驾驶员行为是影响道路安全的关键因素之一，然而传统的系统通常无法对驾驶员行为进行有效监控和管理。更重要的是，这些系统无法实时了解和分析驾驶员的生理状态，如疲劳、心跳加速等，这些状态对驾驶员的反应能力和判断力产生重要影响，进而影响道路安全。可见，如何综合采集分析驾驶员生理特征对隧道内安全驾驶进行综合评估，并依据评估结果提供主动防控提醒从而对隧道内的行车安全进行保障就显得尤为重要。

[0051] 为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。

[0052] 应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

[0053] 在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

[0054] 应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

[0055] 需要注意的是，本申请实施例所描述的“上”、“下”、“左”、“右”等方位词是以附图所示的角度来进行描述的，不应理解为对本申请实施例的限定。此外，在上下文中，还需要理解的是，当提到一个元件连接在另一个元件“上”或者“下”时，其不仅能够直接连接在另一个元件“上”或者“下”，也可以通过中间元件间接连接在另一个元件“上”或者“下”。

[0056] 如图1‑3所示，本申请实施例第一方面提供了一种基于驾驶员行为及生理特征的隧道安全控制系统，该隧道安全控制系统的主要特点是将驾驶员行为数据采集模块、生理数据采集模块、云端平台和预警和控制模块集成为一体。这四大模块共同构建了一套完整的隧道交通安全保障体系，实现了对驾驶员行为与生理状况的全面监控，与此同时，梯度决策树分析模型的使用提升了数据处理与分析的精度与效率，进一步提升了系统的整体性能。

[0057] 该隧道安全控制系统包括生理数据采集模块、行为数据采集模块、数据传输模块、云端平台和预警和控制模块。其中，生理数据采集模块能够实时捕获驾驶员的生理状态数据，包括但不限于脑电、心电、眼动等数据。这些生理数据可以通过专门的生理数据采集设备(如可穿戴设备等)收集。生理数据采集模块能够全面、实时地掌握驾驶员的生理状态，同时通过对这些生理数据进行实时分析，可以更深入地了解驾驶员的身体状况以及驾驶精力，为确保驾驶员安全提供有力的数据支持。

[0058] 行为数据采集模块能够实时捕获驾驶员的驾驶行为数据，行为数据采集模块是负责收集驾驶员的驾驶行为数据的核心部分，包括但不限于驾驶速度、车道保持、转向等行为数据。该模块通过高精度的传感器及设备进行数据收集，能够对驾驶员行为进行精准捕捉。数据采集模块所采集的数据类型丰富，收集过程实时、高效，为后续的数据处理分析提供了稳定、准确的基础数据。

[0059] 数据传输模块能够接收生理数据采集模块和行为数据采集模块传输的数据并进行数据处理和传输；云端平台能够根据接收到的数据通过梯度决策树模型对驾驶员行为数据和生理数据进行分析，以判断驾驶员的驾驶状态是否存在安全风险；在云端平台判断驾驶员的驾驶状态存在安全风险时，预警和控制模块向目标区域和/或车辆发出预警信号，和/或采取措施进行干预。

[0060] 具体地，在车辆未启动时，安装包括眼动传感器、心电传感器、脑电波传感器和皮肤电传感器在内的生理数据采集模块，其中，将眼动传感器安装在驾驶员座椅的头部位置，可实时监测驾驶员的眼球移动情况；将心电传感器安装在驾驶员座椅的背部位置，可实时监测驾驶员的心电信号；将脑电波传感器安装在驾驶员的头部，以便实时收集驾驶员的脑电波数据；将皮肤电传感器安装在驾驶员座椅的手臂位置，可实时监测驾驶员的皮肤电反应。

[0061] 同时对车辆安装行为数据采集模块，以驾驶员的驾驶速度、转向行为、制动行为等，例如安装车辆速度传感器和转向角度传感器，以实时收集驾驶员的行为数据。在车辆启动后，启动生理数据采集模块和行为数据采集模块。

[0062] 在生理数据采集模块工作时，眼动传感器开始实时监测驾驶员的眼球移动情况，并将数据实时传输至车载通信系统；心电传感器开始实时监测驾驶员的心电信号，并将数据实时传输至车载通信系统；脑电波传感器开始实时收集驾驶员的脑电波数据，并将数据实时传输至车载通信系统；皮肤电传感器开始实时监测驾驶员的皮肤电反应，并将数据实时传输至车载通信系统。行为数据采集模块中的速度传感器和转向角度传感器开始实时监测驾驶员的行为，如车速变化、转向角度变化，并将数据实时传输至车载通信系统。车载通信系统接收到所有传感器的数据后，对其进行汇总并加以标记，以区分不同类型的数据。

[0063] 在一种具体实施例中，数据传输模块包括车载通信系统和路侧终端，路侧终端包括但不限于车载单元和路侧单元，其中车载单元安装于车辆，车载单元通过车载通信模块实时接收车载传感器收集的驾驶员行为数据和驾驶员生理数据，在接收到数据后，车载单元对数据进行初步处理，包括数据清洗、格式转换等操作，最后，车载单元将处理后的数据通过车载通信模块发送至路侧单元。路侧单元在接收到数据后，进行数据的二次处理，包括数据筛选、数据融合等操作，然后将处理后的数据通过路侧通信模块发送至云端平台。另外，车载单元也可以直接将数据通过车载通信模块发送至云端平台。

[0064] 云端平台在接收到来自车载单元和路侧单元的数据后，进行初步的数据整合、清洗和分析，整合清洗后的数据存储到云端数据库中，为后续风险评估提供数据支持，根据数据分析结果，向路测单元和车载单元发送相关的控制指令或警告信息。

[0065] 在一种具体实施例中，隧道安全控制系统还包括视频监测模块、环境监测模块和主动式安全管理平台，视频监测模块设置于隧道内，视频监测模块能够实时获取隧道内的视频信息；环境监测模块设置于隧道内，环境监测模块能够获取隧道内温湿度、照度和气体含量中的至少一者；主动式安全管理平台能够获取视频监测模块和环境监测模块的监测数据并进行存储和分析，主动式安全管理平台与云端平台数据连接以供云端平台获取数据。

[0066] 具体地，在隧道内安装视频监测模块，该视频监测模块包括高清网络摄像机、视频编码设备以及相关的传输设备。需要说明的是，摄像机应安装在隧道内部的关键位置，例如隧道入口、出口以及隧道内部的转弯处等，以便实时获取隧道内部的视频信息。通过视频编码设备将视频监测模块采集到的视频信号转化为数字信号，以便于数据的传输和处理。

[0067] 同时，在隧道内部安装环境监测模块，该系统包括温湿度传感器、照度传感器、气体传感器等，以实时监测隧道内部的环境情况。其中，温湿度传感器安装在隧道内部的各个关键位置，以实时监测隧道内部的温湿度变化；照度传感器安装在隧道内部的照明设备附近，以实时监测隧道内部的照度情况；气体传感器安装在隧道内部的底部，以实时监测隧道内部的气体状况，如一氧化碳、硫化氢等有害气体的浓度。

[0068] 将视频监测模块和环境监测模块的数据信号通过有线或无线的方式传输至隧道内的数据汇集设备，数据汇集设备将接收到的各种数据进行汇总和编码，形成标准的数据报文，数据报文通过隧道内的通信网络，实时传输至主动式安全管理平台。

[0069] 主动式安全管理平台在接收到数据报文后，首先进行数据解码，还原为原始的视频信号和环境数据，然后对接收到的数据进行实时的存储和分析，以便于进一步的安全风险评估和处理。

[0070] 另外，云端平台也可以从数据库中提取所需的数据，具体提取的数据包括：隧道环境数据，如隧道长度、宽度、湿度、温度、光照条件、通风情况等，这些数据有助于分析隧道的结构和环境特性，以及可能存在的潜在安全风险；驾驶员行为数据，包括车辆行驶速度、车道变换频率、急加速/急减速次数、转向操作等，这些数据反映了驾驶员的驾驶行为和操作习惯，有助于判断其是否存在疲劳、分心、冒险等不安全驾驶行为；驾驶员生理特征数据，如心率、脑电波、眼动数据等，这些数据可以反映驾驶员的生理状态，如是否疲劳、是否分心等，对判断其是否有能力安全驾驶具有重要作用。

[0071] 本申请实施例中涉及的主要模块和传感器等部分主要包括：

[0072] 主动式安全管理平台，是对所有数据进行整合、分析和决策的中心。根据驾驶员行为特征和生理状态数据，进行隧道行车风险的辨识，并做出相应的控制决策。皮肤电状态监测模块：用于实时监测和记录驾驶员的皮肤电状态。皮肤电反应是一个人神经活动的生物反应，通过分析皮肤电反应，可以评估驾驶员的紧张度和精神状态。体温监测模块：通过监测驾驶员的体温，可以评估驾驶员的健康状况，例如是否存在发热等病理状态。刹车力度数据监测模块：可以实时监测驾驶员的刹车力度。驾驶员的刹车力度数据可以反映出驾驶员的驾驶风格和反应速度，对安全风险的评估非常重要。

[0073] 转向角度数据监测模块：实时监测驾驶员转向行为的模块，转向角度数据有助于分析驾驶员的驾驶风格和驾驶技巧，有助于评估可能存在的安全风险。支持向量机模块：用于对驾驶员的行为数据和生理数据进行深入分析。支持向量机是一种强大的机器学习算法，能够处理线性和非线性的分类问题，以及回归和异常检测问题。神经网络模块：神经网络是一种模仿人脑神经元工作原理的计算系统，通过它，我们可以对复杂的非线性模式进行建模和识别。

[0074] 音频预警模块：当检测到驾驶员存在安全风险时，音频预警模块将通过声音警报来提醒驾驶员。振动预警模块：振动预警模块，它可以在检测到驾驶员存在安全风险时，通过振动设备发出警告。自动限速模块：它可以根据从驾驶员的行为数据和生理数据分析出的风险级别，自动调整车辆的最大行驶速度。自动制动模块：当检测到高风险驾驶行为时，它可以自动激活车辆的制动系统，以降低可能发生事故的风险。

[0075] 本申请实施例中的隧道安全控制系统通过实时监控和分析驾驶员的行为特征和生理状态，预测可能的安全风险，并在必要时通过预警信号或控制措施进行干预，以实现对隧道安全的主动管理，提高了隧道驾驶的安全性。该隧道安全控制系统不仅可以自动提取有用的信息并进行分析，还可以根据输入的多源数据，自动提取出有用的信息并进行分析，从而准确地判断驾驶员的驾驶状态及生理状态是否存在安全风险。此外，模型训练和更新非常方便，能够随着数据的积累不断提高预测的准确性，大大提升了隧道驾驶安全系统的性能。

[0076] 如图1‑3所示，本申请实施例第二方面提供了一种隧道安全控制方法，该隧道安全控制方法是基于上述实施例中的隧道安全控制系统实现的，具体地，隧道安全控制方法包括如下步骤：

[0077] 通过生理数据采集模块和行为数据采集模块获取驾驶员的生理状态数据和驾驶行为数据，并将获取的数据传输至数据传输模块；

[0078] 数据传输模块对数据进行处理并传输至云端平台，数据传输模块对数据的处理包括对数据的预处理；

[0079] 云端平台根据获取的数据信息通过梯度决策树模型对驾驶员行为数据和生理数据进行数据分析，判断驾驶员的驾驶状态是否存在安全风险；

[0080] 在云端平台判断驾驶员的驾驶状态存在安全风险时，预警和控制模块向目标区域和/或车辆发出预警信号，和/或采取措施进行干预。

[0081] 在一种具体实施例中，云端平台的数据分析过程包括如下步骤：

[0082] 先进行数据划分，该步骤将采集的驾驶员行为及生理数据进行划分，例如将其中80％的数据作为训练集，用于训练模型，而剩下的20％的数据作为测试集，用于评估模型的性能和准确性。

[0083] 进行数据提取并进行风险定义，以刹车踏板开度变化率作为风险评价指标，定义当驾驶员采取紧急刹车措施并超过预设程度时为风险驾驶行为；

[0084] 选取一系列分位数值并通过人工观察车载视频判断风险样本，选定预设分位值作为风险样本识别阈值；

[0085] 对于提取的样本，构建输入向量为X＝[(x1,y1),(x2,y2),...,(xn,yn)]T，首先经过*归一化处理获得标准化输入X如式：

[0086]

[0087] 其中，xn表示输入特征，yn表示风险标签，X表示输入向量，X*表示标准化输入向量；

[0088] 2)使用梯度提升决策树(LightGBM‑Light Gradient Boosting Machine)算法进行模型训练；在训练模型后，使用网格搜索方法对模型进行调参，通过对模型参数的系统探索，找出能够使模型达到最优表现的参数组合；

[0089] 在构建输入向量后，通过LightGBM算法进行风险识别，该算法通过分层策略和特征并行优化，实现对高维度复杂数据的快速处理，提升隧道行车风险辨识的精度和效率。

[0090] 该算法的目标函数为：

[0091]

[0092] 其中，Loss(·)为模型损失函数，本发明中采用交叉熵损失函数为N为批样本数量，L1为正则化项。

[0093] 3)使用SHAP模型对特征的贡献进行排序，从而理解在驾驶安全风险辨识中起到关键作用的特征；利用网格搜索(Grid Search)算法进行超参数调整，以寻求最优的模型参数；利用优化后的参数对梯度提升决策树模型进行训练，训练过程中根据测试集的表现对模型进行调整，训练结束后，将训练好的模型应用到新收集的数据上，进行风险识别；网格搜索是一种寻找最优超参数的方法，它会系统地遍历多种可能的参数组合，通过交叉验证确定最佳效果参数，从而提升模型的性能。

[0094] 在风险识别结果的基础上，通过SHAP模型进行特征贡献度排序，分析各个特征对驾驶风险的影响，公式表示为：

[0095]

[0096] 其中，g(·)为解释模型，M是输入的特征数，z表示相应的特征是否存在，取值为0或1，φ0为常数，φ为每个特征的Shapley值。

[0097] SHAP是一种用于解释任何机器学习模型输出的游戏理论方法，能够为每个特征分配一个重要度分数，以此来解释模型的预测结果。通过SHAP模型，我们可以更深入地理解驾驶员的行为及生理数据如何影响隧道行车风险辨识的结果。

[0098] 云端平台根据风险评估的结果生成对应的安全控制指令。具体地，安全控制指令首先传输到车载终端，车载终端接收到指令后，会在车内进行提示，例如通过显示屏显示预警信息，或者通过语音提示等方式提醒驾驶员注意安全。云端平台同时将安全控制指令传输到隧道内的可变限速控制设备，根据预警级别调整隧道的限速，限制驾驶员的行驶速度。

[0099] 在高风险预警下，云端平台可以将安全控制指令传输到隧道内的爆闪灯和喇叭，借助强烈的视觉和听觉信号吸引驾驶员的注意力，提醒驾驶员降低速度或者停车等待。云端平台也可以将安全控制指令传输到隧道入口的车道显示牌，动态显示隧道内部的行驶状况，提醒后续进入隧道的驾驶员提前做好准备。云端平台还可以将安全控制指令传输到隧道内的全息投影设备，投影出更直观、更引人注意的预警信息，提高驾驶员的应对效率。

[0100] 具体地，对应的安全控制措施包括但不限于限制车辆速度、发出声光警告、自动控制车辆转向或制动。这些措施的目的是在保证不干扰驾驶员正常驾驶的情况下，最大限度地提高驾驶安全。系统可以根据驾驶员的驾驶状态和生理状态，自动调整车辆的行驶状态，以此来避免或者减小可能的交通事故。

[0101] 本申请实施例中的隧道安全控制方法通过采集驾驶员的行为数据和生理数据，如驾驶行为、脑电、心电、眼动等，进行深度分析和模型建立。其次，该系统利用先进的机器学习算法，如LightGBM、网格搜索和SHAP等，对采集的数据进行处理和分析，实现对驾驶员行为和生理状态的精准识别和风险预测，提高了系统的智能化和准确性；最后，通过主动预警和控制，实现了对驾驶员行为的主动干预，提高了隧道驾驶的安全性。

[0102] 以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。