刁建華　楊濤　關(guān)菁華

摘 要：近年來疲勞駕駛檢測技術(shù)發(fā)展迅速。但現(xiàn)有技術(shù)提供的方法大多是基于某一固定時(shí)間段的預(yù)測。本文提出了一種基于HTM技術(shù)的多時(shí)間段疲勞駕駛檢測方法。利用HTM網(wǎng)絡(luò)分層的特性，不同層學(xué)習(xí)處理不同時(shí)間段長度的數(shù)據(jù)，產(chǎn)生基于不同時(shí)間段的預(yù)測結(jié)果。實(shí)驗(yàn)結(jié)果性能分析顯示，本文提出的方法在存儲(chǔ)和時(shí)間效率上有明顯的提高。

關(guān)鍵詞：疲勞駕駛 HTM技術(shù) 多時(shí)間段檢測

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）01（c）-0070-02

疲勞駕駛檢測是一個(gè)復(fù)雜的過程，基于單一時(shí)間段的疲勞駕駛檢測方法都有其不可靠性和不穩(wěn)定性。本文提出了基于HTM技術(shù)的多時(shí)間段疲勞駕駛檢查方法。為了構(gòu)建適用于多時(shí)間段疲勞駕駛檢測的HTM網(wǎng)絡(luò)，我們提出了一個(gè)新的節(jié)點(diǎn)類型。新節(jié)點(diǎn)由一個(gè)空間池，一個(gè)時(shí)間池和一個(gè)監(jiān)督分類器三部分組成。利用新節(jié)點(diǎn)構(gòu)成的HTM網(wǎng)絡(luò)分層的特性，我們讓HTM網(wǎng)絡(luò)的不同層學(xué)習(xí)處理不同時(shí)間段長度的數(shù)據(jù)，以生成基于不同時(shí)間段的檢測結(jié)果。我們對(duì)HTM網(wǎng)絡(luò)的性能進(jìn)行了分析。最后，我們在第五部分對(duì)本文提出的疲勞檢測方法進(jìn)行了總結(jié)。

1 HTM網(wǎng)絡(luò)結(jié)構(gòu)

HTM網(wǎng)絡(luò)是一個(gè)由節(jié)點(diǎn)構(gòu)成的分層的樹狀結(jié)構(gòu)。我們讓HTM網(wǎng)絡(luò)的不同層學(xué)習(xí)處理不同時(shí)間段長度的數(shù)據(jù)，以生成基于不同時(shí)間段的檢測結(jié)果。如圖1HTM網(wǎng)絡(luò)結(jié)構(gòu)所示，數(shù)據(jù)由最底端輸入到HTM網(wǎng)絡(luò)指定的底層節(jié)點(diǎn)。高一層的節(jié)點(diǎn)接收的數(shù)據(jù)來自于低一層的一個(gè)或多個(gè)子節(jié)點(diǎn)。因此，節(jié)點(diǎn)處理的數(shù)據(jù)段長度隨著它所處網(wǎng)絡(luò)層級(jí)的升高而增長。

如圖1HTM網(wǎng)絡(luò)結(jié)構(gòu)所示，處于HTM網(wǎng)絡(luò)第二層節(jié)點(diǎn)處理的數(shù)據(jù)由最底層的4個(gè)子節(jié)點(diǎn)提供。假設(shè)底層的每個(gè)子節(jié)點(diǎn)處理的數(shù)據(jù)段長度是4min，第二層節(jié)點(diǎn)處理的數(shù)據(jù)段長度是8min。則處于最高層節(jié)點(diǎn)處理的時(shí)間段長度是16min。在接收足夠數(shù)量的訓(xùn)練數(shù)據(jù)后，HTM網(wǎng)絡(luò)切換到推理模式。推理模式下，該網(wǎng)絡(luò)可以生成分別基于4min、8min和16min3個(gè)時(shí)間段的檢測結(jié)果。

傳統(tǒng)方式提供基于3個(gè)時(shí)間段的檢測需要3個(gè)網(wǎng)絡(luò)框架，而基于本文提出的新節(jié)點(diǎn)構(gòu)成的HTM網(wǎng)絡(luò)僅需一個(gè)。

2 節(jié)點(diǎn)結(jié)構(gòu)和原理

為了構(gòu)建一個(gè)HTM網(wǎng)絡(luò)處理多時(shí)間段的數(shù)據(jù)以獲得基于多時(shí)間段的檢測結(jié)果，我們采用了3種類型的節(jié)點(diǎn)構(gòu)建HTM網(wǎng)絡(luò)。如圖2節(jié)點(diǎn)結(jié)構(gòu)所示，由一個(gè)空間池和一個(gè)時(shí)間池兩部分組成的節(jié)點(diǎn)位于HTM網(wǎng)絡(luò)的低層，進(jìn)行無監(jiān)督的學(xué)習(xí)。節(jié)點(diǎn)的輸出作為上一層父節(jié)點(diǎn)的輸入，直到HTM網(wǎng)絡(luò)的最高層。由一個(gè)空間池和一個(gè)監(jiān)督分類器兩部分組成的節(jié)點(diǎn)位于HTM網(wǎng)絡(luò)的最高層，進(jìn)行有監(jiān)督的學(xué)習(xí)并基于分類信息生成預(yù)測結(jié)果。由一個(gè)空間池，一個(gè)時(shí)間池和一個(gè)監(jiān)督分類器三部分組成的節(jié)點(diǎn)位于HTM網(wǎng)絡(luò)每一層的最左端，可以同時(shí)進(jìn)入無監(jiān)督和有監(jiān)督兩種學(xué)習(xí)模式。

圖2節(jié)點(diǎn)結(jié)構(gòu)中所有節(jié)點(diǎn)類型都有學(xué)習(xí)和推理兩種操作模式。HTM網(wǎng)絡(luò)能夠基于不同時(shí)間段進(jìn)行預(yù)測是因?yàn)槲覀冊诿恳粚幼钭蠖嗽O(shè)置了一個(gè)由一個(gè)空間池，一個(gè)時(shí)間池和一個(gè)監(jiān)督分類器三部分組成的節(jié)點(diǎn)。我們以該節(jié)點(diǎn)為例詳細(xì)介紹節(jié)點(diǎn)的學(xué)習(xí)和推理的過程。

每一個(gè)節(jié)點(diǎn)在激活后首先進(jìn)入學(xué)習(xí)模式。學(xué)習(xí)模式下，位于HTM網(wǎng)絡(luò)每一層最左側(cè)的節(jié)點(diǎn)首先將數(shù)據(jù)輸入到空間池。空間池將接收的數(shù)據(jù)轉(zhuǎn)換成為相對(duì)較少的代表數(shù)據(jù)的有限集合。集合中代表數(shù)據(jù)的索引值被同時(shí)輸入給時(shí)間池和監(jiān)督分類器進(jìn)行分析處理。時(shí)間池接收到數(shù)據(jù)并追蹤分析哪些數(shù)據(jù)出現(xiàn)的時(shí)間更頻繁緊密，將之分為一組。同時(shí)，監(jiān)督分類器將接收的數(shù)據(jù)的索引值與分類傳感器中的分類進(jìn)行比對(duì)歸類。

學(xué)習(xí)結(jié)束后，節(jié)點(diǎn)可以接收新的數(shù)據(jù)進(jìn)行推理預(yù)測。在推理模式下，節(jié)點(diǎn)的空間池不再更新矩陣而是對(duì)每一個(gè)輸入數(shù)據(jù)進(jìn)行比較分析并計(jì)算生成一個(gè)相似矢量值?？臻g池的生成結(jié)果被同時(shí)輸入給時(shí)間池和分類器。時(shí)間池利用數(shù)據(jù)分組對(duì)輸入的相似矢量值進(jìn)行轉(zhuǎn)換作為高層節(jié)點(diǎn)的輸入數(shù)據(jù)。分類器對(duì)輸入的相似矢量值進(jìn)行分類作為該節(jié)點(diǎn)即該層的推理預(yù)測結(jié)果。

3 性能分析

本文提出的基于3個(gè)節(jié)點(diǎn)構(gòu)成的HTM網(wǎng)絡(luò)相比傳統(tǒng)方式構(gòu)建的HTM網(wǎng)絡(luò)在多時(shí)間段數(shù)據(jù)檢測方面有效的減少了內(nèi)存和時(shí)間的消耗。

3.1 內(nèi)存消耗

傳統(tǒng)的方式若要實(shí)現(xiàn)基于多時(shí)間段的檢測，需要構(gòu)建多個(gè)HTM網(wǎng)絡(luò)處理不同時(shí)間段的數(shù)據(jù)。HTM網(wǎng)絡(luò)的數(shù)量隨著處理時(shí)間段數(shù)量的增加而增加。而本文提出的基于3個(gè)節(jié)點(diǎn)構(gòu)成的HTM網(wǎng)絡(luò)，只需要構(gòu)建一個(gè)HTM網(wǎng)絡(luò)即可支持基于任何指定時(shí)間段長度的數(shù)據(jù)的處理及檢測分析。如表1內(nèi)存消耗所示，隨著預(yù)測時(shí)間段的增加傳統(tǒng)的HTM網(wǎng)絡(luò)比本文提出的新方法構(gòu)建的HTM網(wǎng)絡(luò)消耗更多的內(nèi)存。

3.2 時(shí)間消耗

除了內(nèi)存消耗，本文提出的基于3個(gè)節(jié)點(diǎn)構(gòu)成的HTM網(wǎng)絡(luò)在時(shí)間消耗方面也遠(yuǎn)遠(yuǎn)低于傳統(tǒng)的HTM網(wǎng)絡(luò)。如表2時(shí)間消耗所示，隨著預(yù)測時(shí)間段的增加傳統(tǒng)的HTM網(wǎng)絡(luò)比本文提出的新方法構(gòu)建的HTM網(wǎng)絡(luò)消耗更多的時(shí)間。

參考文獻(xiàn)

[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.