刁建华　杨涛　关菁华

摘 要：近年来疲劳驾驶检测技术发展迅速。但现有技术提供的方法大多是基于某一固定时间段的预测。本文提出了一种基于HTM技术的多时间段疲劳驾驶检测方法。利用HTM网络分层的特性，不同层学习处理不同时间段长度的数据，产生基于不同时间段的预测结果。实验结果性能分析显示，本文提出的方法在存储和时间效率上有明显的提高。

关键词：疲劳驾驶 HTM技术 多时间段检测

中图分类号：TP39 文献标识码：A 文章编号：1672-3791（2018）01（c）-0070-02

疲劳驾驶检测是一个复杂的过程，基于单一时间段的疲劳驾驶检测方法都有其不可靠性和不稳定性。本文提出了基于HTM技术的多时间段疲劳驾驶检查方法。为了构建适用于多时间段疲劳驾驶检测的HTM网络，我们提出了一个新的节点类型。新节点由一个空间池，一个时间池和一个监督分类器三部分组成。利用新节点构成的HTM网络分层的特性，我们讓HTM网络的不同层学习处理不同时间段长度的数据，以生成基于不同时间段的检测结果。我们对HTM网络的性能进行了分析。最后，我们在第五部分对本文提出的疲劳检测方法进行了总结。

1 HTM网络结构

HTM网络是一个由节点构成的分层的树状结构。我们让HTM网络的不同层学习处理不同时间段长度的数据，以生成基于不同时间段的检测结果。如图1HTM网络结构所示，数据由最底端输入到HTM网络指定的底层节点。高一层的节点接收的数据来自于低一层的一个或多个子节点。因此，节点处理的数据段长度随着它所处网络层级的升高而增长。

如图1HTM网络结构所示，处于HTM网络第二层节点处理的数据由最底层的4个子节点提供。假设底层的每个子节点处理的数据段长度是4min，第二层节点处理的数据段长度是8min。则处于最高层节点处理的时间段长度是16min。在接收足够数量的训练数据后，HTM网络切换到推理模式。推理模式下，该网络可以生成分别基于4min、8min和16min3个时间段的检测结果。

传统方式提供基于3个时间段的检测需要3个网络框架，而基于本文提出的新节点构成的HTM网络仅需一个。

2 节点结构和原理

为了构建一个HTM网络处理多时间段的数据以获得基于多时间段的检测结果，我们采用了3种类型的节点构建HTM网络。如图2节点结构所示，由一个空间池和一个时间池两部分组成的节点位于HTM网络的低层，进行无监督的学习。节点的输出作为上一层父节点的输入，直到HTM网络的最高层。由一个空间池和一个监督分类器两部分组成的节点位于HTM网络的最高层，进行有监督的学习并基于分类信息生成预测结果。由一个空间池，一个时间池和一个监督分类器三部分组成的节点位于HTM网络每一层的最左端，可以同时进入无监督和有监督两种学习模式。

图2节点结构中所有节点类型都有学习和推理两种操作模式。HTM网络能够基于不同时间段进行预测是因为我们在每一层最左端设置了一个由一个空间池，一个时间池和一个监督分类器三部分组成的节点。我们以该节点为例详细介绍节点的学习和推理的过程。

每一个节点在激活后首先进入学习模式。学习模式下，位于HTM网络每一层最左侧的节点首先将数据输入到空间池。空间池将接收的数据转换成为相对较少的代表数据的有限集合。集合中代表数据的索引值被同时输入给时间池和监督分类器进行分析处理。时间池接收到数据并追踪分析哪些数据出现的时间更频繁紧密，将之分为一组。同时，监督分类器将接收的数据的索引值与分类传感器中的分类进行比对归类。

学习结束后，节点可以接收新的数据进行推理预测。在推理模式下，节点的空间池不再更新矩阵而是对每一个输入数据进行比较分析并计算生成一个相似矢量值。空间池的生成结果被同时输入给时间池和分类器。时间池利用数据分组对输入的相似矢量值进行转换作为高层节点的输入数据。分类器对输入的相似矢量值进行分类作为该节点即该层的推理预测结果。

3 性能分析

本文提出的基于3个节点构成的HTM网络相比传统方式构建的HTM网络在多时间段数据检测方面有效的减少了内存和时间的消耗。

3.1 内存消耗

传统的方式若要实现基于多时间段的检测，需要构建多个HTM网络处理不同时间段的数据。HTM网络的数量随着处理时间段数量的增加而增加。而本文提出的基于3个节点构成的HTM网络，只需要构建一个HTM网络即可支持基于任何指定时间段长度的数据的处理及检测分析。如表1内存消耗所示，随着预测时间段的增加传统的HTM网络比本文提出的新方法构建的HTM网络消耗更多的内存。

3.2 时间消耗

除了内存消耗，本文提出的基于3个节点构成的HTM网络在时间消耗方面也远远低于传统的HTM网络。如表2时间消耗所示，随着预测时间段的增加传统的HTM网络比本文提出的新方法构建的HTM网络消耗更多的时间。

参考文献

[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.