买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种智能驾驶员分心程度检测方法、装置、设备、介质及产品获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119862418B 。

龙图腾网通过国家知识产权局官网在2025-12-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411930455.3，技术领域涉及：G06F18/214；该发明授权一种智能驾驶员分心程度检测方法、装置、设备、介质及产品是由王亚辉;梁洲硕;何月设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种智能驾驶员分心程度检测方法、装置、设备、介质及产品在说明书摘要公布了：本申请公开了一种智能驾驶员分心程度检测方法、装置、设备、介质及产品，涉及分心驾驶行为识别领域，该方法包括：获取包含驾驶员的视觉行为参数、手动操作参数及车辆动态参数的原始驾驶数据集；运用SF2SOG方法筛选原始驾驶数据集中的关键特征构建训练数据集；通过凝聚聚类算法为训练数据赋予分心程度的标签；构建包含训练数据集和每个训练样本数据对应的分心程度的标签的完整训练数据集，并基于完整训练数据集训练包含随机森林分类器、极端梯度提升树分类器和自适应增强分类器等多个基础分类器及一个元分类器的堆叠集成模型，实现分心程度的精准预测。本申请实现了对驾驶员分心状态的精准、实时识别，有助于预防交通事故，提升道路安全。

本发明授权一种智能驾驶员分心程度检测方法、装置、设备、介质及产品在权利要求书中公布了：1.一种智能驾驶员分心程度检测方法，其特征在于，所述智能驾驶员分心程度检测方法包括： 获取原始驾驶数据集；所述原始驾驶数据集包括不同驾驶参数在不同历史时刻的状态值，不同驾驶参数包括驾驶员的视觉行为参数、手动操作参数和驾驶车辆的动态参数； 采用SF2SOG方法确定原始驾驶数据集中辨别力高的预设数量的驾驶参数作为特征参数，构建训练数据集；所述训练数据集包括多个训练样本数据，所述训练样本数据由同一驾驶员的同一历史时间段内的各个特征参数的状态值组成；原始驾驶数据集中驾驶参数的辨别力的计算公式为： ； 其中，F表示由选取的预设数量的驾驶参数的状态值组成的流形嵌入矩阵，每一列代表一个驾驶参数，每一行代表同一驾驶员同一历史时刻的各个驾驶参数的状态值，W表示用于将流形嵌入矩阵映射到低维空间的降维变换矩阵，G表示由F中各个驾驶参数之间的相似度构成的自适应相似度矩阵，Tr表示矩阵对角线上元素之和，LG表示G的拉普拉斯矩阵，X表示基于原始驾驶数据集构建的原始状态矩阵，S表示由X中各个驾驶参数之间的相似度构成的初始相似性矩阵，和分别表示第一超参数和第二超参数，表示计算F范数并平方，表示W的正交性约束，Im表示m维单位矩阵，表示W的稀疏性约束，h表示选择的特征数量；是矩阵G的第i行向量，表示第i个驾驶参数与所有驾驶参数的相似度，J表示全1矩阵，是G中的第i行第j列元素，表示第i个驾驶参数与第j个驾驶参数的相似度，T表示转置矩阵； 采用凝聚聚类算法对训练数据集进行无监督聚类，得到训练数据集中每个训练样本数据的分心程度的标签；所述分心程度的标签包括：高分心、中分心和低分心； 将训练数据集和训练数据集中每个训练样本数据对应的分心程度的标签构成完整训练数据集； 基于所述完整训练数据集，训练堆叠集成模型，得到训练好的堆叠集成模型；所述堆叠集成模型包括多个不同的基础分类器和一个元分类器；所述多个不同的基础分类器均与元分类器连接；多个不同的基础分类器包括随机森林分类器、极端梯度提升树分类器和自适应增强分类器，所述基础分类器用于进行分心程度的预测，所述元分类器用于融合各个基础分类器输出的分心程度的预测结果，获得分心程度的融合预测结果； 将待检测驾驶员的在预设时间段内的各个特征参数的状态值输入至训练好的堆叠集成模型，得到待检测驾驶员的分心程度的融合预测结果； 得到训练好的堆叠集成模型，之后还包括：基于完整训练数据集，计算每个特征参数的SHAP值；其中，SHAP值表示特征参数对融合预测结果的影响度；特征参数的SHAP值的计算公式为： ； 其中，表示第个特征参数的SHAP值，表示包含M个特征参数的状态值的集合，，N表示特征参数的总数，P表示的任一特征子集，表示第个特征参数的状态值，f表示堆叠集成模型，表示将第个特征的特征值添加到特征子集P中。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。