王 倩，苗德華，鄧三鵬，蔣永翔，祁宇明

(天津職業(yè)技術(shù)師范大學(xué)機電工程研究所，天津300222)

隨著機動車保有量的大幅增加以及道路通車?yán)锍痰闹鹉暝鲩L，大量交通事故的發(fā)生給世界各國帶來了巨大的財產(chǎn)損失及人員傷亡[1]，疲勞駕駛是引發(fā)交通事故的重要原因之一.目前，越來越多的專家學(xué)者致力于駕駛員疲勞監(jiān)測方法的研究，陸續(xù)提出了基于D-S證據(jù)理論的駕駛員疲勞決策方法[2]，基于馬氏距離的汽車駕駛員疲勞檢測方法[3]和基于多信號源的駕駛員疲勞監(jiān)測方法[4]等.研究表明，利用多源信息融合的方法來實現(xiàn)疲勞監(jiān)測，提高了疲勞監(jiān)測的準(zhǔn)確性，但在疲勞特征提取過程中存在相同或相似的判定屬性，出現(xiàn)冗余信息，計算復(fù)雜.研究能夠準(zhǔn)確識別疲勞狀態(tài)、高效的監(jiān)測方法對減少疲勞駕駛造成的交通事故具有重要意義.

1 粗糙集理論的知識約簡方法

粗糙集作為一種處理含糊性和不確定性信息的新方法，由波蘭學(xué)者Z Pawlak于20世紀(jì)80年代初提出的[5]，是一種研究不完整、不確定知識和數(shù)據(jù)的表達、學(xué)習(xí)、歸納的理論方法.目前，粗糙集理論已成為信息科學(xué)最為活躍的研究領(lǐng)域之一，同時在醫(yī)學(xué)、化學(xué)、機械、地理學(xué)、管理科學(xué)和材料學(xué)等其他學(xué)科得到了廣泛的應(yīng)用[6].

知識約簡(reduction)是粗糙集理論的核心內(nèi)容之一.知識庫中知識(屬性)并不是同等重要的，甚至其中某些知識是冗余的.所謂知識約簡，就是在保持知識庫分類能力不變的條件下，刪除其中不相關(guān)或不重要的知識.

設(shè)S=(U，A，V，f)是一個決策表，其中 U={x1，x2，…，xn}，A=C∪D，C∩D= φ，C={c1，c2，…，cm}稱為條件屬性集，D=gacoycu稱為決策屬性集.a(x)是記錄x在屬性a上的值，即a(x)=f(x，a)，Cij表示S的區(qū)分矩陣的第i行第j列的元素，其中i，j=1，…，n .區(qū)分矩陣的定義為[7]

由于區(qū)分矩陣是以主對角線為對稱軸的對稱矩陣，所以只考慮其上三角或下三角部分即可(這里只考慮下三角).當(dāng)兩個樣本的決策屬性取值相同時，它們所對應(yīng)的區(qū)分矩陣元素為0;當(dāng)兩個樣本的決策屬性不同且可以通過某些條件屬性的取值不同加以區(qū)分時，它們所對應(yīng)的區(qū)分矩陣元素為這兩個樣本屬性上取值不同的條件屬性集合，即可以區(qū)分這兩個樣本的條件屬性集合;當(dāng)兩個樣本發(fā)生沖突時，即所有的條件屬性取值相同而決策屬性的取值不同時，它們所對應(yīng)的區(qū)分矩陣的元素為1.區(qū)分矩陣元素中是否包含1，可以作為判定決策表是否包含不一致信息的依據(jù)，即不相容決策表的依據(jù).

由區(qū)分矩陣的定義可知，Cij是區(qū)分樣本的所有屬性的集合，若 Cij={a1，a2，…，ak}≠0或1，則指定一個布爾函數(shù)a1∨a2∨…ak，用∑Cij來表示;若Cij=0或1，則指定Cij為布爾常量1.區(qū)分函數(shù)△可定義如下

區(qū)分函數(shù)Δ的極小析取范式中的所有合取式是屬性集A的所有約簡，即約簡是滿足能區(qū)分由整個屬性集區(qū)別的所有對象的屬性極小值.

利用粗糙集模型來提取監(jiān)測駕駛員疲勞狀態(tài)的最有效生理特征，具體過程如圖1所示.

圖1 基于粗糙集的駕駛員疲勞特征提取框圖

2 基于粗糙集的駕駛員疲勞監(jiān)測方法研究

2.1 駕駛員疲勞生理信號的獲取

在室內(nèi)模擬駕駛環(huán)境中，利用腦電測量儀、脈搏傳感器、心率傳感器和呼吸傳感器，獲取20名年齡在20到50歲之間的被測者在清醒和疲勞狀態(tài)下的腦電波、心率、脈搏、眨眼頻率和呼吸次數(shù).同時用攝像機對被測者進行全程實時錄像，根據(jù)測試者進入狀態(tài)的程度僅有14人進入了預(yù)設(shè)狀態(tài)，所以只選用14人的不同狀態(tài)各30分鐘的腦電波、心率、脈搏、眨眼頻率和呼吸次數(shù)，將上述數(shù)據(jù)分別進行小波基線糾漂及降噪處理.以3分鐘為單位時間，取每單位時間的腦電α波絕對均值，心率均值，脈搏幅值峰值，脈搏主頻，眨眼頻率和呼吸次數(shù)作為疲勞敏感特征.截取腦電波、心率、脈搏各單位時間典型特征對比圖如圖2、3、4所示.

圖4 駕駛員清醒與疲勞脈搏波對比圖

通過實驗結(jié)果可看出:駕駛員在清醒和疲勞時的腦電信號有明顯變化;疲勞前后脈搏波的波幅、頻率等多項指標(biāo)亦有明顯的變化;疲勞狀態(tài)心率均值為71.2次/分，清醒心率均值為89.66次/分.監(jiān)測結(jié)果與被測者實際清醒與疲勞情況相符，說明了應(yīng)用腦電、脈搏、心率、眨眼頻率和呼吸次數(shù)的監(jiān)測分析駕駛員疲勞程度具有一定的可行性.然而，具有決策作用的生理特征信號并不能確定，有可能存在具有相似特征的生理信號，為了進行傳感器的優(yōu)化及準(zhǔn)確識別疲勞狀態(tài)，將用粗糙集理論來判定具備決策作用的生理特征信號.

2.2 基于粗糙集的駕駛員疲勞監(jiān)測方法研究

根據(jù)某人在實驗室模擬駕駛狀態(tài)下采集的有關(guān)疲勞的生理信號，應(yīng)用粗糙集(Rough Set)理論對汽車駕駛員疲勞駕駛監(jiān)測過程所采集的相關(guān)人體生理信號進行約簡，實驗數(shù)據(jù)如表1所示.

表1 生理信號數(shù)據(jù)表

表中，對應(yīng)決策屬性G如下:1表示清醒;2表示輕度疲勞;3表示重度疲勞.對條件屬性集A，B，C，D，E，F(xiàn)的內(nèi)容屬性定義如下:A-腦電α波絕對均值，μv;B-心率均值，次/分;C-脈搏幅值峰值，mV;D-脈搏主頻，Hz;E-眨眼頻率，Hz;F-呼吸次數(shù)，次/分.

粗糙集方法的知識約簡是建立在離散數(shù)據(jù)基礎(chǔ)之上的，因此，首先需要將連續(xù)屬性值進行離散化處理.連續(xù)屬性值的離散化，根據(jù)正常狀態(tài)下的平均數(shù)值給出相應(yīng)的區(qū)分，對表1建立離散化規(guī)則如表2所示.

表2 離散化規(guī)則表

通過表2對表1建立離散化處理，對重復(fù)數(shù)據(jù)進行合并，處理結(jié)果如表3所示.根據(jù)公式(1)對表3建立區(qū)分矩陣如表4所示.

表3 駕駛員疲勞監(jiān)測數(shù)據(jù)的離散化

表4 駕駛員疲勞狀態(tài)評估區(qū)分矩陣表

根據(jù)公式(2)，上述區(qū)分矩陣的區(qū)分函數(shù)為

通過計算，這個決策表得到了兩個約簡 {A，D}和 {A，B，C}，其核為 {A}.由以上結(jié)果可以得到最佳屬性約簡為 {A，D}，核屬性為 {A}.即監(jiān)測人體疲勞的多源信息生理特征可以約簡為腦電α波和脈搏主頻，或者腦電α波、心率均值和脈搏幅值，其中，腦電α波具有決策性質(zhì).腦電信號可以作為評價人體疲勞與否的標(biāo)準(zhǔn)，在多源信號采集的過程中可以忽略的不是決策屬性的生理信號.

3 結(jié)論

1)利用粗糙集理論獲取駕駛員疲勞監(jiān)測的屬性約簡方法，避免了多源信號屬性值的重復(fù)提取.

2)通過粗糙集理論的知識約簡，提取出了能夠真實反映人體疲勞的生理特征，降低了非決策性信號的采集給疲勞監(jiān)測帶來的不準(zhǔn)確性.

3)驗證了腦電信號可以作為評價人體疲勞的標(biāo)準(zhǔn)，對準(zhǔn)確監(jiān)測駕駛員疲勞提供了理論依據(jù).

[1] 李都厚.疲勞駕駛與交通事故關(guān)系[J].交通運輸工程學(xué)報，2010，10(2):104-106.

[2] 鄧三鵬，楊雪翠，苗德華等.基于D-S證據(jù)理論的駕駛員疲勞監(jiān)測方法研究[J].車輛與動力技術(shù)，2010(2):28-31.

[3] QI Yuming，DENG Sanpeng，WANG Qian.Research on the detection method of driver fatigue based on Mahalanobis Distance[C] .2010 The 3rd International Conference on Computional Intelligence and Industrial Application.2010(IX):77-80.

[4] MIAO Dehua，WANG Qian，DENG Sanpeng.Experimental Study on the Driver Fatigue Monitoring Based on Multiple Sources[C] .2010 The 3rd International Conference on Computational Intelligence and Industrial Application.2010(VIII):434-437.

[5] PAWLAK Z.Rough sets[J].Information and Computer Science，1982，11(5):341-356.

[6] Francis E H，Taya，Shen Lixiang.Fault diagnosis based on Rough Set Theory[J].Engineering Applications of Artificial Intelligence，2003，16(1):39-43.

[7] Frank Witlox，Hans Tindemans.The application of rough sets analysis in activity-based Modeling Opportunities and constraints[J].Expert Systems with Applications，2004，27(4):585-592.