王連震，裴玉龍

(1.哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院，黑龍江哈爾濱150090；2.東北林業(yè)大學(xué)交通學(xué)院，黑龍江哈爾濱150040)

0 引言

隨著汽車保有量的迅速增加，道路交通事故已成為當(dāng)前世界各國面臨的嚴(yán)重社會問題。據(jù)公安部統(tǒng)計(jì)，中國每年因道路交通事故死亡的人數(shù)約為7萬人，其中因疲勞駕駛導(dǎo)致的死亡人數(shù)約占死亡總數(shù)的15%[1]。疲勞駕駛和酒后駕駛是交通事故的主要隱患，不同的是，酒后駕駛很容易被檢測出來，而駕駛?cè)说钠诔潭葎t不能被直接觀測。因此，研究駕駛疲勞程度的識別和檢測方法，可以有效預(yù)防疲勞駕駛，從而減少由其引發(fā)的道路交通事故、提高道路交通安全水平。

疲勞駕駛程度識別的相關(guān)研究引起了國內(nèi)外學(xué)者的廣泛關(guān)注。文獻(xiàn)[2]將駕駛疲勞的檢測方法概括為主觀評定法(駕駛?cè)岁愂龌蛱畋?、生理指標(biāo)測定法(分析腦電、心電、肌電、呼吸速率、血壓等)和操控性能評定法(監(jiān)測駕駛?cè)藢Ψ较虮P、剎車、檔位的實(shí)際操作結(jié)果)。文獻(xiàn)[3]以心率變異性為檢測指標(biāo)，采用人工神經(jīng)網(wǎng)絡(luò)分析方法對疲勞駕駛進(jìn)行檢測，精度可達(dá)90%。文獻(xiàn)[4]采用腦電指標(biāo)和心電指標(biāo)對駕駛?cè)嗽谀M駕駛過程中的心理疲勞狀況進(jìn)行測定，結(jié)果表明這兩類指標(biāo)能夠較好地表征駕駛?cè)说男睦砥凇Ｎ墨I(xiàn)[5]以方向盤轉(zhuǎn)角的均值和標(biāo)準(zhǔn)差及車輛橫向位置的標(biāo)準(zhǔn)差作為表征指標(biāo)，驗(yàn)證了長時(shí)間駕駛、環(huán)境單調(diào)和困倦狀態(tài)對駕駛?cè)笋{駛行為表現(xiàn)的負(fù)面影響。文獻(xiàn)[6]提出通過采集車輛轉(zhuǎn)向角信號的方法識別疲勞駕駛。文獻(xiàn)[7]選取車速變化、油門、剎車、離合變化等駕駛行為數(shù)據(jù)作為駕駛?cè)似诔潭茸R別的指標(biāo)。文獻(xiàn)[8]以方向盤轉(zhuǎn)動(dòng)程度、車道偏離程度及駕駛?cè)似谔卣鞯茸鳛樵u價(jià)指標(biāo)，建立基于多通道信息融合的駕駛疲勞行為判定模型，提高了疲勞駕駛行為檢測的精度。

文獻(xiàn)[9]采用AdaBoost算法分類器，對自然光條件下駕駛?cè)说难劬顟B(tài)進(jìn)行識別，通過計(jì)算單位時(shí)間內(nèi)眼睛閉合時(shí)間所占的百分比(Percentage of Eyelid Closure over the Pupil over Time,PERCLOS)指標(biāo)來判斷駕駛?cè)似诔潭?。文獻(xiàn)[10]采用閉眼總持續(xù)時(shí)間、時(shí)段內(nèi)眨眼次數(shù)和眨眼時(shí)間均值等眼部行為特征作為表征疲勞程度的指標(biāo)。文獻(xiàn)[11]利用眼睛和嘴巴在駕駛過程中的特征作為參數(shù)判斷駕駛?cè)说钠诔潭取?/p>

文獻(xiàn)[12]通過分析連續(xù)駕駛時(shí)間對駕駛特性指標(biāo)(深度知覺差異、速度知覺差異、選擇反應(yīng)時(shí)間等)的影響，來判斷駕駛?cè)说钠诔潭取Ｎ墨I(xiàn)[13]以反應(yīng)時(shí)間、腦電、駕駛行為等指標(biāo)為參照，通過實(shí)驗(yàn)證明了卡羅林斯卡(Karolinska)睡眠量表與上述指標(biāo)具有較高的相關(guān)性，可以作為檢測駕駛?cè)似诔潭鹊奶娲椒?。文獻(xiàn)[14]設(shè)計(jì)開發(fā)了一種新的綜合性調(diào)查表，不僅對駕駛?cè)说淖杂X疲勞癥狀進(jìn)行評定，而且對交通環(huán)境等影響因素進(jìn)行感官定性測量，分析各種因素對駕駛疲勞的影響。文獻(xiàn)[15]以PERCLOS值、連續(xù)駕駛時(shí)間、方向盤動(dòng)作狀態(tài)及方向變化與駕駛?cè)朔磻?yīng)不一致的情況等作為檢測指標(biāo)，采用TS模糊神經(jīng)網(wǎng)絡(luò)方法進(jìn)行多目標(biāo)信息融合，檢測駕駛疲勞。

綜上所述，國內(nèi)外學(xué)者在駕駛疲勞度量指標(biāo)及其測定方面已取得較為豐富的研究成果。但是，在駕駛疲勞程度識別方面，學(xué)者們大多采用單一類型指標(biāo)進(jìn)行判斷。受儀器設(shè)備、駕駛習(xí)慣及周圍環(huán)境等影響，單一指標(biāo)在檢測時(shí)通常呈現(xiàn)出不穩(wěn)定性，已有部分學(xué)者開始利用綜合指標(biāo)對駕駛疲勞進(jìn)行判斷。本文通過貝葉斯網(wǎng)絡(luò)模型在信息融合和概率推理方面的優(yōu)勢，對駕駛疲勞程度進(jìn)行識別，以提高駕駛疲勞檢測的準(zhǔn)確性和可靠性。

1 基于貝葉斯網(wǎng)絡(luò)模型的駕駛疲勞程度識別

駕駛疲勞作為一個(gè)不可直接觀測的研究對象，其影響因素非常多且難以定量，各類度量指標(biāo)對駕駛疲勞的界定又沒有統(tǒng)一的標(biāo)準(zhǔn)。因此，判斷駕駛疲勞程度是一個(gè)非常復(fù)雜的系統(tǒng)問題。與酒后駕駛的檢測指標(biāo)不同，所有用來檢測駕駛疲勞的指標(biāo)在獲取過程中均會受到不同程度的干擾。目前，還沒有一種方法能夠?qū)︸{駛疲勞程度進(jìn)行準(zhǔn)確無誤的檢測。因此，使用概率論的方法對駕駛疲勞程度進(jìn)行識別具有一定的合理性。

貝葉斯網(wǎng)絡(luò)模型的基本思想是：在信息不完備的情況下，通過可觀察隨機(jī)變量(證據(jù)變量)推斷不可觀察隨機(jī)變量(隱含變量)，進(jìn)行概率推理。利用貝葉斯網(wǎng)絡(luò)求解駕駛疲勞程度識別的問題可以表述為：在已知疲勞度量指標(biāo)測定結(jié)果的情況下，利用貝葉斯網(wǎng)絡(luò)方法求解在一定影響因素條件下，疲勞狀態(tài)處于各種程度(清醒、輕度疲勞、重度疲勞)時(shí)的概率。

駕駛疲勞貝葉斯網(wǎng)絡(luò)的構(gòu)建包括兩個(gè)主要內(nèi)容：1)確定網(wǎng)絡(luò)節(jié)點(diǎn)；2)計(jì)算節(jié)點(diǎn)間的先驗(yàn)概率。其中，網(wǎng)絡(luò)節(jié)點(diǎn)的選擇取決于疲勞的各種特征及影響因素，而節(jié)點(diǎn)先驗(yàn)概率的確定則依賴于某個(gè)特征或因素對判斷疲勞程度的可能性。

2 駕駛疲勞程度識別模型

2.1 駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

駕駛疲勞作為系統(tǒng)的核心，其復(fù)雜的影響因素即該系統(tǒng)的輸入，在生理、眼動(dòng)及駕駛績效等方面表現(xiàn)出來的特征即該系統(tǒng)的輸出。

將駕駛疲勞的影響因素分為三類：駕駛環(huán)境屬性、駕駛?cè)藗€(gè)體屬性以及原始疲勞屬性。各類影響因素的具體度量指標(biāo)見圖1。其中，溫度、天氣等變量是駕駛環(huán)境變量的父節(jié)點(diǎn)，相應(yīng)的駕駛環(huán)境變量是溫度、天氣等變量的子節(jié)點(diǎn)，以此類推。駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的輸入層用變量I表示，其中駕駛環(huán)境屬性用I1表示，駕駛?cè)藗€(gè)體屬性用I2表示，原始疲勞屬性用I3表示。imn表示第m個(gè)輸入層變量的第n種狀態(tài)。輸入層節(jié)點(diǎn)各個(gè)變量的狀態(tài)分類見表1～表3。

圖1 駕駛疲勞影響因素Fig.1 Influencing factors of driving fatigue

表1 駕駛環(huán)境屬性及其父節(jié)點(diǎn)變量狀態(tài)分類Tab.1 Driving environmental attribute and classification of its father nodes variable

表2 駕駛?cè)藗€(gè)體屬性及其父節(jié)點(diǎn)變量狀態(tài)分類Tab.2 Drivers’individual attribute and classification of its father nodes variable

表3 原始疲勞屬性及其父節(jié)點(diǎn)變量狀態(tài)分類Tab.3 Original fatigue attribute and classification of its father nodes variable

目前，駕駛疲勞的檢測方法可歸納為生理指標(biāo)檢測(如腦電、心電等)、面部特征指標(biāo)檢測(如眼動(dòng)指標(biāo))、駕駛績效指標(biāo)檢測等，且均已形成較為成熟的檢測手段。由于駕駛疲勞程度的表征指標(biāo)眾多，本文采用皮爾遜相關(guān)系數(shù)法對各類指標(biāo)之間的相關(guān)性進(jìn)行分析。結(jié)果發(fā)現(xiàn)：腦電指標(biāo)中，θ波與β波在各個(gè)時(shí)段出現(xiàn)頻率的比值θ/β與其他指標(biāo)的相關(guān)性最好；心電指標(biāo)中RR間期(一次心跳的周期)的標(biāo)準(zhǔn)差，即24 h心率變異性參數(shù)(Standard Deviation of NN Intervals,SDNN)與其他各類指標(biāo)的相關(guān)性最好；眼動(dòng)指標(biāo)中PERCLOS與其他各類指標(biāo)的相關(guān)程度最高；駕駛績效指標(biāo)中速度標(biāo)準(zhǔn)差(Standard Deviation of Speed,SDS)與其他各類指標(biāo)的相關(guān)性最高。

因此，選擇腦電指標(biāo)θ/β、心電指標(biāo)SDNN、眼動(dòng)指標(biāo)PERCLOS、駕駛績效指標(biāo)SDS作為駕駛疲勞貝葉斯網(wǎng)絡(luò)的輸出層變量，用O表示，見表4。Oqj表示第q個(gè)輸出層變量的第j種狀態(tài)。采用K均值聚類分析法對各個(gè)度量指標(biāo)進(jìn)行分類研究，各個(gè)指標(biāo)的狀態(tài)分類及閾值見表5～表8。

疲勞程度作為隱含層變量，用H表示，變量的取值用hk表示，其中k=1,2,3，分別表示駕駛疲勞的三種狀態(tài)類型：清醒、輕度疲勞、重度疲勞。

當(dāng)貝葉斯網(wǎng)絡(luò)的輸入層、隱含層及輸出層確定后，駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)即可確定。圖2為某一時(shí)刻t，當(dāng)貝葉斯網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)變量的狀態(tài)一定時(shí)，所有節(jié)點(diǎn)構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)即駕駛疲勞靜態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。其中，駕駛環(huán)境變量是駕駛疲勞變量的父節(jié)點(diǎn)，相應(yīng)的駕駛疲勞變量是駕駛環(huán)境變量的子節(jié)點(diǎn)，以此類推。隨著駕駛時(shí)間的推移，網(wǎng)絡(luò)節(jié)點(diǎn)中某些變量的狀態(tài)勢必會發(fā)生變化。根據(jù)貝葉斯理論，這種變化是由上一時(shí)刻和當(dāng)前時(shí)刻網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的狀態(tài)所決定的。由所有時(shí)刻的靜態(tài)貝葉斯網(wǎng)絡(luò)按時(shí)間順序展開，形成駕駛疲勞動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，見圖3。

2.2 貝葉斯網(wǎng)絡(luò)條件概率表的確定

在建立的駕駛疲勞貝葉斯網(wǎng)絡(luò)模型中，條件概率分為兩類：一類是輸入層變量與隱含層變量之間的條件概率，另一類是隱含層變量與輸出層變量之間的條件概率。

1）第一類條件概率。

首先通過統(tǒng)計(jì)分析疲勞駕駛交通事故數(shù)據(jù)和問卷調(diào)查結(jié)果得到父節(jié)點(diǎn)的先驗(yàn)概率及父節(jié)點(diǎn)與其子節(jié)點(diǎn)的條件概率，然后計(jì)算所有節(jié)點(diǎn)的條件概率分布，計(jì)算公式見式(1)和式(2)。輸入層變量與隱含層變量間的條件概率計(jì)算結(jié)果見表9。

由貝葉斯公式推導(dǎo)可得

將式(1)的計(jì)算結(jié)果進(jìn)行歸一化處理可得

式中：Hk,Hl為變量H的第k，l種狀態(tài)，對駕駛疲勞這個(gè)變量而言，l的取值為1，2，3，分別表示駕駛疲勞的三種狀態(tài)類型，即清醒、輕度疲勞、重度疲勞；Ix為變量H的第x個(gè)父節(jié)點(diǎn)，Ix之間相互獨(dú)立；N為變量I的個(gè)數(shù)；M為變量H狀態(tài)分類的個(gè)數(shù)，對駕駛疲勞而言，M=3。

2）第二類條件概率。

通過分析實(shí)驗(yàn)數(shù)據(jù)獲得。每個(gè)指標(biāo)與隱含層之間的條件概率計(jì)算公式見式(3)。駕駛疲勞程度與輸出層變量間的條件概率計(jì)算結(jié)果見表10。

式中：P(Or|Hk)為疲勞程度為Hk、度量指標(biāo)取值為Or的概率；Nr為第r個(gè)度量指標(biāo)取值為Or的樣本數(shù)量；Na為總樣本數(shù)量。

2.3 駕駛疲勞程度貝葉斯網(wǎng)絡(luò)識別模型

輸入層變量和輸出層變量統(tǒng)稱為貝葉斯網(wǎng)絡(luò)中的證據(jù)變量。利用貝葉斯網(wǎng)絡(luò)建立駕駛疲勞程度識別模型的原理是在已知網(wǎng)絡(luò)中各節(jié)點(diǎn)先驗(yàn)概率的前提下，結(jié)合證據(jù)變量的取值，根據(jù)貝葉斯公式計(jì)算不同駕駛疲勞程度的后驗(yàn)概率。

假設(shè)It,Ht,Ot分別表示駕駛疲勞程度貝葉斯網(wǎng)絡(luò)中的輸入層變量、隱含層變量、輸出層變量在t時(shí)刻的狀態(tài)。輸入層和輸出層各變量之間均滿足條件獨(dú)立性假設(shè)，即輸入層或輸出層中任一變量取值的概率與其他變量的取值無關(guān)。

由貝葉斯公式可得

式中：P(Hk|I,O)為輸入、輸出層變量狀態(tài)一定時(shí)，隱含層變量為Hk的概率；P(Hk)為隱含層變量狀態(tài)為Hk時(shí)的全概率；P(I,O|Hk)為隱含層變量狀態(tài)為Hk時(shí)，輸入、輸出層變量取一定狀態(tài)時(shí)的概率；P(I,O)為輸入、輸出層變量取一定狀態(tài)時(shí)的全概率。

表4 駕駛疲勞度量指標(biāo)Tab.4 Measure index of driving fatigue

表5 腦電指標(biāo)狀態(tài)分類及取值Tab.5θ/β index classification and value

表6 心電指標(biāo)狀態(tài)分類及取值Tab.6 SDNN index classification and value

表7 眼動(dòng)指標(biāo)狀態(tài)分類及取值Tab.7 PERCLOS index classification and value

表8 駕駛績效指標(biāo)狀態(tài)分類及取值Tab.8 SDS index classification and value

由變量間的條件獨(dú)立性假設(shè)可得

由全概率公式可得

式中：P(Hk|I)為輸入層變量狀態(tài)為I、隱含層變量狀態(tài)為Hk的概率；P(O|Hk)為隱含層變量狀態(tài)為Hk、輸出層變量狀態(tài)為O的概率。

由變量間的條件獨(dú)立性假設(shè)和全概率公式可得

圖2 駕駛疲勞靜態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Static Bayesian Network structure of driving fatigue

圖3 駕駛疲勞動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Dynamic Bayesian Network structure of driving fatigue

式中：m，n，q分別為三個(gè)輸入層變量狀態(tài)的不同類型。聯(lián)立式(7)、式(8)和式(9)可得到基于靜態(tài)貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識別模型。根據(jù)動(dòng)態(tài)貝葉斯理論，t時(shí)刻的駕駛疲勞程度只與t時(shí)刻的輸入層變量狀態(tài)It和t-1時(shí)刻的疲勞程度有關(guān)，而與其他時(shí)刻的屬性集狀態(tài)無關(guān)，因此

式中：t=1,2,…,T;k=1,2,3;r=1,2,3,4;v=1,2,3，表示駕駛疲勞的三種狀態(tài)類型；T為時(shí)刻t的個(gè)數(shù)。聯(lián)立式(7)、式(10)和式(11)可得到基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識別模型。

3 模型有效性驗(yàn)證

采用模擬駕駛的方法進(jìn)行實(shí)驗(yàn)設(shè)計(jì)。實(shí)驗(yàn)設(shè)備包括模擬駕駛仿真實(shí)驗(yàn)平臺——AS1300卡車駕駛模擬系統(tǒng)、多通道生物生理記錄儀、攝像機(jī)等。同時(shí)采用斯坦福嗜睡量表(Stanford Sleepiness Scale,SSS)對駕駛?cè)说闹饔^疲勞狀況進(jìn)行問卷調(diào)查，以了解駕駛過程中駕駛?cè)藢ζ诘闹饔^感受。

共有4名實(shí)驗(yàn)對象，其中男性駕駛?cè)?名，女性駕駛?cè)?名，平均年齡33.2歲，駕齡均在1年以上。所有實(shí)驗(yàn)對象均身體健康，無慢性疾病或生理缺陷。實(shí)驗(yàn)開始前一天睡眠質(zhì)量均良好，無不良情緒，且實(shí)驗(yàn)前24 h內(nèi)無飲酒或服用藥物情況。

本次模擬駕駛的實(shí)驗(yàn)場景是平原高速公路，試驗(yàn)線路為近似矩形的環(huán)狀道路，線路全長200 km，交通條件為自由流，行駛速度依照每個(gè)實(shí)驗(yàn)對象的駕駛習(xí)慣自行設(shè)定。在正式實(shí)驗(yàn)之前，需要對實(shí)驗(yàn)對象進(jìn)行模擬駕駛培訓(xùn)和實(shí)驗(yàn)設(shè)備的操作訓(xùn)練，要求所有實(shí)驗(yàn)對象在正式實(shí)驗(yàn)時(shí)能熟練操作各種設(shè)備。實(shí)驗(yàn)開始前，對實(shí)驗(yàn)對象進(jìn)行主觀疲勞問卷調(diào)查并記錄，還要在靜坐狀態(tài)下使用生物生理記錄儀測試每個(gè)實(shí)驗(yàn)對象的腦電和心電指標(biāo)，并用攝像機(jī)記錄眼動(dòng)情況，測試時(shí)間為5 min。正式實(shí)驗(yàn)過程中，使用生物生理記錄儀、攝像機(jī)連續(xù)測試并記錄駕駛?cè)说哪X電、心電、眼動(dòng)、行駛速度等指標(biāo)數(shù)據(jù)，每隔30 min進(jìn)行主觀疲勞問卷調(diào)查。駕駛?cè)蝿?wù)結(jié)束后，立即重復(fù)進(jìn)行上述測試過程。

表9 疲勞程度與輸入層變量間的條件概率Tab.9 Contingent probability of fatigue degree and variables of input layer

表10 疲勞程度與輸出層變量間的條件概率Tab.10 Contingent probability of fatigue degree and variables of output layer

圖4 基于貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識別流程Fig.4 Driving fatigue recognition flow based on Bayesian Network

表11 初始時(shí)刻父節(jié)點(diǎn)變量狀態(tài)Tab.11 Variable state of root nodes at initial moment

利用貝葉斯網(wǎng)絡(luò)模型對疲勞程度進(jìn)行識別的流程見圖4。

根據(jù)實(shí)驗(yàn)設(shè)定的條件和實(shí)驗(yàn)對象的特征，確定初始時(shí)刻父節(jié)點(diǎn)變量的狀態(tài)，見表11。根據(jù)父節(jié)點(diǎn)變量的狀態(tài)，可以獲得駕駛環(huán)境屬性、駕駛?cè)藗€(gè)體屬性和原始疲勞屬性3個(gè)輸入層節(jié)點(diǎn)的先驗(yàn)概率。根據(jù)駕駛疲勞貝葉斯網(wǎng)絡(luò)模型的計(jì)算結(jié)果，取最大概率對應(yīng)的狀態(tài)為該時(shí)刻駕駛疲勞的識別狀態(tài)。

根據(jù)實(shí)驗(yàn)測定的指標(biāo)數(shù)據(jù)，確定輸出層節(jié)點(diǎn)變量的狀態(tài)。以實(shí)驗(yàn)對象1為例，應(yīng)用本文建立的模型對各個(gè)時(shí)刻該對象的疲勞程度進(jìn)行判斷。初始時(shí)刻測得實(shí)驗(yàn)對象1的腦電指標(biāo)、心電指標(biāo)、眼動(dòng)指標(biāo)、駕駛績效指標(biāo)的狀態(tài)均為“正常”。因此，各節(jié)點(diǎn)該狀態(tài)的概率即為1，其他狀態(tài)概率均為0。確定各個(gè)節(jié)點(diǎn)的狀態(tài)和先驗(yàn)概率后，應(yīng)用靜態(tài)貝葉斯網(wǎng)絡(luò)模型可以得到駕駛疲勞在初始時(shí)刻不同狀態(tài)時(shí)的條件概率。

將初始時(shí)刻不同駕駛疲勞程度的概率作為已知條件，利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型，計(jì)算下一時(shí)刻不同駕駛疲勞程度的概率，以此類推，即可得到所有時(shí)刻不同駕駛疲勞程度的概率。實(shí)驗(yàn)對象1的不同駕駛疲勞程度隨駕駛時(shí)間的變化情況見圖5。同理，可獲得其余3名實(shí)驗(yàn)對象在各個(gè)時(shí)刻不同疲勞程度的概率，結(jié)果見表12。

由圖5可知，隨著駕駛時(shí)間的增加，駕駛?cè)吮３智逍褷顟B(tài)的概率不斷降低，保持輕度疲勞狀態(tài)的概率呈現(xiàn)出先增加后降低的趨勢，而保持重度疲勞的概率在開始階段處于較低的水平，隨著清醒和輕度疲勞狀態(tài)概率水平的降低，重度疲勞狀態(tài)的概率水平不斷增加。

利用SSS方法采集駕駛?cè)酥饔^疲勞評價(jià)數(shù)據(jù)，對采集到的108個(gè)疲勞程度樣本進(jìn)行判斷，其中“清醒”程度的樣本數(shù)量為43個(gè)，“輕度疲勞”程度的樣本數(shù)量為45個(gè)，“重度疲勞”程度的樣本數(shù)量為20個(gè)。分別采用單一指標(biāo)以及本文建立的貝葉斯網(wǎng)絡(luò)模型對駕駛?cè)说钠诔潭冗M(jìn)行判斷，并與主觀疲勞測評結(jié)果進(jìn)行對比，結(jié)果見表13。

由表13可知，利用本文建立的貝葉斯網(wǎng)絡(luò)模型與主觀疲勞量表對駕駛疲勞累積程度進(jìn)行對比判斷時(shí)，準(zhǔn)確率可達(dá)92.9%，而采用單一指標(biāo)進(jìn)行判斷時(shí)，準(zhǔn)確率均低于本文建立的模型。說明基于貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識別模型不僅能消除單一指標(biāo)失效時(shí)產(chǎn)生的誤判和漏判，并且具有較高的準(zhǔn)確性。因此，該模型在識別駕駛疲勞累積程度方面具有較高的可信度。

4 結(jié)語

本文以貝葉斯理論為研究基礎(chǔ)，針對單一指標(biāo)在檢測駕駛疲勞程度中的不足，提出融合駕駛疲勞多種度量指標(biāo)和影響因素等信息的駕駛疲勞程度貝葉斯網(wǎng)絡(luò)識別模型。通過模擬駕駛實(shí)驗(yàn)采集駕駛疲勞度量指標(biāo)數(shù)據(jù)，分別以腦電指標(biāo)、心電指標(biāo)、眼動(dòng)指標(biāo)和駕駛績效指標(biāo)等單一指標(biāo)和貝葉斯網(wǎng)絡(luò)模型對駕駛疲勞程度進(jìn)行判斷，并與主觀疲勞評價(jià)結(jié)果進(jìn)行對照。結(jié)果表明，應(yīng)用貝葉斯網(wǎng)絡(luò)模型進(jìn)行駕駛疲勞程度識別不僅能消除單一指標(biāo)失效時(shí)產(chǎn)生的誤判和漏判，而且可以提高識別的準(zhǔn)確性。

模型中條件概率的確定基于事故數(shù)據(jù)、問卷調(diào)查結(jié)果和實(shí)驗(yàn)數(shù)據(jù)，受主觀因素和樣本數(shù)量的影響較大，后續(xù)研究中應(yīng)進(jìn)一步完善條件概率的確定方法，以提高模型精度。

圖5 實(shí)驗(yàn)對象1不同駕駛疲勞程度隨駕駛時(shí)間的變化Fig.5 Change of experimental object I in driving fatigue degree along with driving time

表13 單一指標(biāo)和貝葉斯模型對駕駛疲勞程度的識別結(jié)果Tab.13 Driving fatigue recognition results of single index and Bayesian model

[1]袁翔，黃博學(xué)，夏晶晶.疲勞駕駛檢測方法研究現(xiàn)狀[J].公路與汽運(yùn)，2007，18(3)：51-54.Yuan Xiang,Huang Boxue,Xia Jingjing.Research Status of Fatigue Driving Detecting Methods[J]. Highways and Automotive Applications,2007,18(3):51-54.

[2]Lal S K L,Craiga Ashley.A Critical Review of the Psychophysiology of Driver Fatigue[J].Biological Psychology,2001,55(3):173-194.

[3]Patel M,Lal S K L,Kavanagha D,Rossiterb P.Applying Neural Network Analysis on Heart Rate Variability Data to Assess Driver Fatigue[J].Expert Systems with Applications,2011,38(6):7235-7242.

[4]Zhao Chunlin,Zhao Min,Liu Jianpin,et al.Electroencephalogram and Electrocardiograph Assessment of Mental Fatigue in a Driving Simulator[J].Accident Analysis and Prevention,2012(45):83-90.

[5]Riccardo Rossi,Massimiliano Gastaldi,Gregorio Gecchele.Analysis of Driver Task-related Fatigue Using Driving Simulator Experiments[J].Procedia-Social and Behavioral Sciences,2011(20):666-675.

[6]Takei Y,Furukawa Y.Estimate of Driver’s Fatigue through Steering Motion[C]//IEEE.2005 IEEE InternationalConference On System,Man and Cybernetics.New York:IEEE Conference Publications,2005:1765-1770.

[7]張暉.基于駕駛行為的疲勞程度識別研究[D].武漢：武漢理工大學(xué)，2009.Zhang Hui.Research on Driving Fatigue Recognition Based on Driving Behavior[D].Wuhan:Wuhan University of Technology,2009.

[8]秦洪懋，劉志強(qiáng)，汪澎.基于多通道信息融合的疲勞駕駛行為分析研究[J].中國安全科學(xué)學(xué)報(bào)，2011，21(2)：115-120.Qin Hongmao,Liu Zhiqiang,Wang Peng.Research on Drowsy Driving Behavior Based on Multi-channel Information Fusion[J].China Safety Science Journal,2011,21(2):115-120.

[9]Wu Qing,Sun Bingxi,Xie Bin,Zhao Junjie.A PERCLOS-based Driver Fatigue Recognition Application forSmartVehicle Space[C]//IEEE.Third InternationalSymposium on Information Processing.New York:IEEE,2010:437-441.

[10]潘曉東，李君羨，徐小冬.基于眼部行為的駕駛疲勞評價(jià)指標(biāo)的閾值[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，39(12)：1811-1815.Pan Xiaodong,Li Junxian,Xu Xiaodong.Threshold Value of Indices of Eye States to Monitor Driving Fatigue[J].Journalof Tongji University(Natural Science),2011,39(12):1811-1815.

[11]張建明，魏林峰，劉志強(qiáng)，汪澎.基于貝葉斯網(wǎng)絡(luò)的疲勞度及注意力檢測[J].計(jì)算機(jī)工程，2012，38(9)：189-192.Zhang Jianming,Wei Linfeng,Liu Zhiqiang,Wang Peng.Fatigue and Attention Detection Based on Bayesian Network[J].Computer Engineering,2012,38(9):189-192.

[12]馬艷麗，裴玉龍.連續(xù)駕駛時(shí)間對駕駛特性測評指標(biāo)的影響[J].中國公路學(xué)報(bào)，2009，22(1)：84-88.Ma Yanli, Pei Yulong. Influences of Continuous Driving Time on Test Indicators of Driving Characteristics[J].China Journal of Highway and Transport,2009,22(1):84-88.

[13]Kaida K,Takahashi M,Akerstedt T,et al.Validation ofthe Karolinska Sleepiness Scale against Performance and EEG Variables[J].Clinical Neurophysiology,2006,117(7):1574-1581.

[14]舒紅宇，李發(fā)權(quán)，易樹平，藤本英昭，上野義雪.汽車駕駛疲勞的一種綜合性評定方法[J].上海交通大學(xué)學(xué)報(bào)，2008，42(8)：1338-1343.Shu Hongyu,LiFaquan,YiShuping,HideakiFujimoto,YoshiyukiUeno.A Comprehensive Evaluation Method for Automotive Driving Fatigue[J].Journal of Shanghai Jiaotong University,2008,42(8):1338-1343.

[15]沈永增，胡立芳，馮繼妙.多源信息融合在駕駛疲勞檢測中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2012，29(2)：272-275.Shen Yongzeng,Hu Lifang,Feng Jimiao.Multi-source Information Fusion Application to Driving Fatigue Detection[J].Computer Applications and Software,2012,29(2):272-275.