買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜山東科技大學申請的專利一種基于多模態(tài)融合的駕駛狀態(tài)識別方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119416003B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-02發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510012081.5，技術(shù)領(lǐng)域涉及：G06F18/24；該發(fā)明授權(quán)一種基于多模態(tài)融合的駕駛狀態(tài)識別方法及系統(tǒng)是由管德永;宋新宇;王可;王奇;趙文麗;王睿設(shè)計研發(fā)完成，并于2025-01-06向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于多模態(tài)融合的駕駛狀態(tài)識別方法及系統(tǒng)在說明書摘要公布了：本發(fā)明屬于智能交通技術(shù)領(lǐng)域，公開了一種基于多模態(tài)融合的駕駛狀態(tài)識別方法及系統(tǒng)。本發(fā)明通過非侵入性的生理手環(huán)采集駕駛員的手腕運動信息，其中手腕運動信息與傳統(tǒng)的生理信號和駕駛績效數(shù)據(jù)等結(jié)合，提升了駕駛狀態(tài)識別的準確性和魯棒性。本發(fā)明提出了一種特征動態(tài)加權(quán)模型，該模型利用LSTM模塊捕捉時間序列中的長期依賴關(guān)系，利用交叉注意力機制模塊對不同模態(tài)間的特征進行加權(quán)，使得各個特征的動態(tài)重要性能夠根據(jù)不同駕駛狀態(tài)發(fā)生調(diào)整，利用Transformer模塊實現(xiàn)不同模態(tài)數(shù)據(jù)的深度交互和特征增強。本發(fā)明利用XGBoost模型，并基于加權(quán)后的多模態(tài)特征進行駕駛狀態(tài)分類，能夠準確區(qū)分不同的駕駛狀態(tài)。

本發(fā)明授權(quán)一種基于多模態(tài)融合的駕駛狀態(tài)識別方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種基于多模態(tài)融合的駕駛狀態(tài)識別方法，其特征在于，包括如下步驟：步驟1.對心理信號數(shù)據(jù)、生理信號數(shù)據(jù)、駕駛績效數(shù)據(jù)以及手腕運動信息進行多模態(tài)數(shù)據(jù)信息綜合采集，并對采集到的多模態(tài)數(shù)據(jù)進行預(yù)處理；駕駛績效數(shù)據(jù)則是由車輛的踏板傳感器和慣性導航傳感器采集得到的數(shù)據(jù)；步驟2.針對預(yù)處理后的多模態(tài)數(shù)據(jù)進一步進行特征提取，并通過Friedman檢驗和Bonferroni修正，從特征提取結(jié)果中篩選出在不同駕駛狀態(tài)下具有顯著性差異的特征；步驟3.搭建特征動態(tài)加權(quán)模型，用于捕捉駕駛狀態(tài)下的特征動態(tài)變化和特征間的關(guān)聯(lián)性并根據(jù)特征狀態(tài)變化實時調(diào)整特征的重要性權(quán)重；該特征動態(tài)加權(quán)模型包括LSTM模塊、交叉注意力機制模塊以及Transformer模塊；將篩選出的特征送入LSTM模塊，LSTM模塊捕捉不同特征的時間依賴關(guān)系；每個輸入LSTM模塊的特征，在LSTM模塊中都會經(jīng)歷時序建模過程，LSTM從每個特征的時序模式中學習駕駛員在不同行為狀態(tài)下的動態(tài)變化；LSTM模塊將每個特征在不同時間步的隱藏狀態(tài)向量輸出；將LSTM模塊輸出的隱藏狀態(tài)向量分為四類，分別對應(yīng)生理信號數(shù)據(jù)、心理信號數(shù)據(jù)、駕駛績效數(shù)據(jù)及手腕運動信息；其中，每類隱藏狀態(tài)向量分別包含對應(yīng)模態(tài)中各特征的時間依賴信息；將四類隱藏狀態(tài)向量輸入交叉注意力機制模塊，交叉注意力機制模塊計算多個模態(tài)之間的注意力權(quán)重，動態(tài)調(diào)整每個模態(tài)特征的貢獻，并融合不同模態(tài)的信息；將交叉注意力機制模塊的輸出特征輸入Transformer模塊，進一步利用Transformer模塊的多頭自注意力機制，實現(xiàn)不同模態(tài)數(shù)據(jù)的深度交互和特征增強，在Transformer輸出的融合后的全局特征Zfinal上，進行特征加權(quán)計算特征權(quán)重，將Zfinal輸入一個全連接層MLP進行特征加權(quán)系數(shù)，并經(jīng)過softmax函數(shù)計算得到每個特征的動態(tài)加權(quán)系數(shù)，歸一化后所有動態(tài)加權(quán)系數(shù)的和為1，使用每個特征的動態(tài)加權(quán)系數(shù)對原始特征進行加權(quán)融合，得到加權(quán)后的特征X′，即加權(quán)后生理信號數(shù)據(jù)、心理信號數(shù)據(jù)、駕駛績效數(shù)據(jù)以及手腕運動信息特征；X′＝X⊙W；其中，X＝[x1,x2,...,xT]，x1,x2,...,xT表示原始特征值，X′表示加權(quán)后的特征值，X′＝[x1w1,x2w2,…,xTwT]＝[x′1,x′2,...,x′T]，x′1,x′2,...,x′T表示加權(quán)后的特征值；步驟4.搭建基于XGBoost的駕駛狀態(tài)識別模型，并進行模型訓練，訓練后的駕駛狀態(tài)識別模型基于步驟3計算得到的加權(quán)后的特征X′，從而預(yù)測得到駕駛狀態(tài)識別結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人山東科技大學，其通訊地址為：266590 山東省青島市黃島區(qū)前灣港路579號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。