王琳虹，李世武，高振海，冀秉魁（.吉林大學(xué)交通學(xué)院，3005長(zhǎng)春；.吉林大學(xué)汽車工程學(xué)院，3005長(zhǎng)春）

基于粒子群優(yōu)化與支持向量機(jī)的駕駛員疲勞等級(jí)判別

王琳虹1，2，李世武1，高振海2，冀秉魁1
（1.吉林大學(xué)交通學(xué)院，130025長(zhǎng)春；2.吉林大學(xué)汽車工程學(xué)院，130025長(zhǎng)春）

為客觀、準(zhǔn)確地判別駕駛員的疲勞程度，采用多項(xiàng)駕駛員生理指標(biāo)、基于粒子群與支持向量機(jī)（SVM）算法建立駕駛疲勞等級(jí)判別模型，首先將駕駛員疲勞狀態(tài)分為清醒、輕度疲勞、重度疲勞和睡意4個(gè)等級(jí)，然后將駕駛員的心電RR間期標(biāo)準(zhǔn)差、心率均值、呼吸潮氣量、腦電的α波、β波和δ波功率譜密度積分等作為SVM的輸入變量，駕駛疲勞等級(jí)作為輸出變量，引入粒子群算法優(yōu)化SVM的懲罰系數(shù)和核函數(shù)參數(shù)對(duì)判別模型進(jìn)行標(biāo)定，采用吉琿高速公路上的實(shí)車實(shí)驗(yàn)數(shù)據(jù)對(duì)模型有效性進(jìn)行驗(yàn)證.結(jié)果表明:本模型對(duì)4項(xiàng)疲勞等級(jí)的判別準(zhǔn)確率均高于85%，對(duì)于駕駛員疲勞預(yù)警具有重要意義.通過對(duì)模型各個(gè)輸入變量的敏感性分析，證明基于多項(xiàng)生理指標(biāo)的疲勞判別較基于單生理指標(biāo)的疲勞判別更加有效.

駕駛員生理指標(biāo)；疲勞判別；支持向量機(jī)；粒子群；敏感性分析

當(dāng)駕駛員處于疲勞狀態(tài)時(shí)極易出現(xiàn)觀察、判斷以及操縱上的失誤，進(jìn)而導(dǎo)致交通事故的發(fā)生.據(jù)美國(guó)國(guó)家交通安全協(xié)會(huì)統(tǒng)計(jì)，28%的交通事故由駕駛疲勞造成.因此，及時(shí)辨識(shí)駕駛員疲勞狀態(tài)并進(jìn)行預(yù)警對(duì)于預(yù)防交通事故具有重要意義.

在駕駛員狀態(tài)由清醒變?yōu)槠诘倪^程中，其生理指標(biāo)如腦電、心電等會(huì)產(chǎn)生一定的變化，因此，許多學(xué)者嘗試基于生理指標(biāo)研究駕駛疲勞的判別方法，并取得了一定成果［1-3］.李默涵等［4］基于腦電信號(hào)參數(shù)，依托灰色模型GM（1，1）建立了駕駛疲勞灰色判別系統(tǒng).趙春臨等［5］提取前額、頂葉、枕葉等6個(gè)通道的多維腦電信號(hào)特征組成特征向量，基于核主分量分析和優(yōu)化支持向量機(jī)建立了駕駛員精神疲勞等級(jí)判別模型.Hu Shuyan等［6］根據(jù)KSS分類法將駕駛疲勞分為3個(gè)等級(jí)，并選擇眼瞼相關(guān)參數(shù)最小持續(xù)時(shí)間、最小睜眼速度和睜眼高度作為判別指標(biāo)，基于支持向量機(jī)建立了駕駛員疲勞判別算法；Yang Guosheng等［7］對(duì)心電ECG、腦電EEG信息進(jìn)行融合，并利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)判別駕駛員疲勞的概率，之后對(duì)比只有ECG或者EEG以及兩參數(shù)皆有時(shí)的判別率，實(shí)驗(yàn)結(jié)果表明ECG與EEG的綜合信息在表征駕駛員疲勞狀態(tài)方面更加有效.

綜上，國(guó)內(nèi)外學(xué)者在基于生理指標(biāo)判別駕駛員疲勞方面進(jìn)行了大量研究，促進(jìn)了疲勞判別技術(shù)的快速發(fā)展.然而目前國(guó)內(nèi)外學(xué)者通常選取相對(duì)比較單一的生理指標(biāo)作為疲勞判別模型的輸入?yún)?shù)，而在駕駛員狀態(tài)由清醒到疲勞的過程中，其多項(xiàng)生理指標(biāo)如腦電、心電、呼吸等均會(huì)不同程度地發(fā)生變化，上述生理指標(biāo)如何綜合反應(yīng)駕駛員疲勞狀態(tài)并未見報(bào)道.因此本文嘗試選擇多項(xiàng)生理指標(biāo)的不同特征參數(shù)作為判別駕駛疲勞的特征變量，基于粒子群優(yōu)化與支持向量機(jī)建立駕駛疲勞判別模型.

1 生理指標(biāo)優(yōu)選

影響駕駛員疲勞的因素包括駕駛時(shí)間、交通環(huán)境等.若駕駛時(shí)間過長(zhǎng)或交通環(huán)境過于單調(diào)均會(huì)弱化駕駛員對(duì)于外界的感知能力、交通狀況的判別能力及對(duì)車輛的操縱能力，這種弱化會(huì)體現(xiàn)在駕駛員的各項(xiàng)生理指標(biāo)中.駕駛員生理指標(biāo)可以客觀準(zhǔn)確地反應(yīng)駕駛員的生理及精神狀態(tài)，本文參照幾類生理指標(biāo)對(duì)疲勞等級(jí)進(jìn)行參數(shù)選擇.

1）腦電.人體任何細(xì)微的動(dòng)作及心理變化均可以在腦電中有所體現(xiàn)，利用腦電（EEG）監(jiān)測(cè)駕駛員是相對(duì)客觀、精確的方法之一.高速公路上路側(cè)景觀、交通狀況、標(biāo)志標(biāo)線等均可以對(duì)駕駛員產(chǎn)生視覺及心理刺激，進(jìn)而反映在腦電波中.人類腦電圖中腦波頻率一般在1～30 Hz，根據(jù)腦電中的不同頻帶可以將腦電波劃分為α、β、θ、δ4個(gè)節(jié)律．α波的頻率為8～13 Hz，通常駕駛員較放松時(shí)的腦電圖以α波為主；β波的頻率為14～30 Hz，在駕駛員處于清醒狀態(tài)時(shí)β波會(huì)大量出現(xiàn)；θ波的頻率為4～7 Hz，δ波的頻率為1～4 Hz，多在駕駛員疲勞時(shí)出現(xiàn)［8］.以往研究結(jié)果表明，δ波較θ波對(duì)疲勞狀態(tài)敏感性更強(qiáng)．腦電圖不同節(jié)律的功率譜密度均能夠不同程度地表征駕駛員的感知、判斷能力的準(zhǔn)確性，因此選擇腦電的α波、β波和δ波功率譜密度積分（即能量）作為判別駕駛員疲勞程度的生理指標(biāo)參數(shù)．

2）心電.心電反映的是心臟的活動(dòng)情況，心臟同時(shí)受交感神經(jīng)和副交感神經(jīng)的支配，而交感神經(jīng)系統(tǒng)的主要功能在于提高有機(jī)體的喚醒水平；副交感神經(jīng)系統(tǒng)的功能是使興奮起來的軀體返回到較低的喚醒水平.駕駛員的疲勞程度與機(jī)體的喚醒水平密切相關(guān)，因此心電可以在一定程度上反映駕駛員的疲勞程度.一次完整的心跳包括P、Q、R、S、T 5種波，如圖1所示.R波的峰值遠(yuǎn)高于其他波（P、S等）峰值，因此心率等于單位計(jì)數(shù)時(shí)間內(nèi)R波的數(shù)量.RR間期即為相鄰兩個(gè)R波之間的間隔時(shí)間，單位時(shí)間內(nèi)一系列RR波時(shí)間間隔的標(biāo)準(zhǔn)差即為RR間期標(biāo)準(zhǔn)差.心率可反應(yīng)作業(yè)強(qiáng)度及心理生理負(fù)擔(dān)程度，隨著工作負(fù)荷的變化而變化；心電RR間期的標(biāo)準(zhǔn)差可以反映心率變異性，因此選擇心率以及RR間期標(biāo)準(zhǔn)差作為判別駕駛員疲勞程度的生理指標(biāo).

圖1 心電圖簡(jiǎn)圖

3）呼吸.呼吸可一定程度表征駕駛員的情緒、疲勞程度，每次呼出或吸入的空氣量定義為潮汐量（潮氣量）.呼吸潮氣量作為呼吸深度的量化指標(biāo)，可有效地反映駕駛員的精神及體力狀態(tài).

綜合分析駕駛員的駕駛行為與各項(xiàng)生理指標(biāo)的相關(guān)性，選擇如下6個(gè)生理參數(shù)作為判別駕駛員疲勞程度的依據(jù)：腦電的α波、β波和δ波功率譜密度積分，心電RR間期標(biāo)準(zhǔn)差，心率均值，呼吸潮氣量．

2 SVM判別模型建立

支持向量機(jī)（support vectormachine，SVM）是Corinna Corte等于1995年首先提出的，在解決小樣本、非線性、高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中［9］.受實(shí)驗(yàn)條件的限制，駕駛員的生理數(shù)據(jù)的數(shù)據(jù)采集量有限，且選擇的生理指標(biāo)特征參數(shù)較多，而支持向量機(jī)可以較好地解決樣本有限及高維模式問題，因此本文選擇支持向量機(jī)作為駕駛疲勞判別模型.

2.1 SVM原理

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，其基本思想可用圖2所示的二維情況表明.

圖2 可分?jǐn)?shù)據(jù)點(diǎn)集與分類超平面

圖2 為兩個(gè)可分的數(shù)據(jù)點(diǎn)集與分類超平面，圖中存在多個(gè)分類超平面，需找到最優(yōu)分類超平面.設(shè)有兩類線性可分的樣本集合［10］（xi，yi），i=1，…，n，xi∈Rn，yi∈｛+1，-1｝，線性判別函數(shù)的一般形式為f（x）=ωTx+b，對(duì)應(yīng)的分類超平面方程為ωTx+b=0．

將判別函數(shù)進(jìn)行歸一化，使兩類所有樣本滿足｜f（x）｜≥1，此時(shí)離分類面最近的樣本為｜f（x）｜=1，要求分類面對(duì)所有樣本都能正確分類，即滿足

此時(shí)分類間隔等于2／‖ω‖，間隔最大等價(jià)于‖ω‖2最?。疂M足式（1）、且使‖ω‖2最小的分類面就是圖2的最優(yōu)分類面［10］．

SVM是從線性可分情況下的最優(yōu)分類面提出的.對(duì)于線性不可分情況，當(dāng)用一個(gè)超平面不能把兩類點(diǎn)完全分開時(shí)，可以引入松弛變量ξj（ξj≥0，i=1，2，…，n），允許錯(cuò)分樣本的存在，此時(shí)的分類面ωTx+b=0滿足

當(dāng)ξi＜1時(shí)樣本點(diǎn)xi被正確分類，而當(dāng)ξi≥1時(shí)樣本點(diǎn)xi被錯(cuò)分．為此引入目標(biāo)函數(shù)

式中：c為懲罰因子，是一個(gè)正常數(shù).

此時(shí)SVM可以通過二次規(guī)劃（對(duì)偶規(guī)劃）來實(shí)現(xiàn)，即

用核函數(shù)K（xi，xj）代替最優(yōu)分類平面中的點(diǎn)積j，相當(dāng)于把原特征空間變換到了某一新的特間，最終得到相應(yīng)的分類判別函數(shù)式為

2.2 SVM結(jié)構(gòu)設(shè)計(jì)

核函數(shù).核函數(shù)是SVM算法的一個(gè)關(guān)鍵組成部分，常見的核函數(shù)有線性、多項(xiàng)式、徑向基和sigmoid函數(shù).本文采用最為常見的徑向基（RBF）函數(shù)，即

其中：γ為核函數(shù)參數(shù)，γ也可寫為gamma，簡(jiǎn)寫為g．

本文中支持向量機(jī)的輸入變量是駕駛員的6項(xiàng)生理指標(biāo)：腦電的α波、β波、δ波功率譜密度積分，心電RR間期標(biāo)準(zhǔn)差，心率均值，呼吸潮氣量.

支持向量機(jī)的輸出變量為駕駛員的疲勞等級(jí)，本文將駕駛員的疲勞等級(jí)分為4個(gè)等級(jí)，包括清醒狀態(tài)、輕度疲勞、重度疲勞和睡意狀態(tài).國(guó)際上較為流行的KSS以及皮爾遜疲勞分級(jí)法分別將駕駛員疲勞等級(jí)劃分為7個(gè)、13個(gè)等級(jí)，這種劃分方法雖然能夠精確地反映駕駛員的各種疲勞狀態(tài)，然而在進(jìn)行實(shí)車實(shí)驗(yàn)時(shí)，駕駛員的實(shí)際疲勞等級(jí)主要通過調(diào)查人員詢問獲得，這種詢問應(yīng)該以盡量保證駕駛員狀態(tài)的持續(xù)性以及駕駛安全性為前提.如果對(duì)于疲勞等級(jí)劃分過細(xì)，那么駕駛員在回答詢問時(shí)必將仔細(xì)考慮其當(dāng)前所處的最佳疲勞等級(jí)，思考過程將消耗較多時(shí)間，對(duì)其疲勞狀態(tài)以及駕駛安全性造成影響.因此，為了能夠使駕駛員輕松地判別出自身狀態(tài)、且又能夠準(zhǔn)確反映其疲勞等級(jí)，本文將駕駛員疲勞狀態(tài)劃分為清醒狀態(tài)、輕度疲勞、重度疲勞和睡意狀態(tài)4個(gè)等級(jí).其中清醒狀態(tài)為駕駛員駕駛之初反應(yīng)能力、操縱能力均非常強(qiáng)的階段，可以對(duì)外界環(huán)境變化作出快速響應(yīng).輕度疲勞狀態(tài)為駕駛員駕駛一段時(shí)間后，因體力減弱，導(dǎo)致的輕微疲勞.重度疲勞為駕駛較長(zhǎng)時(shí)間后，駕駛員出現(xiàn)反應(yīng)能力、操縱能力迅速下降，身體極度疲憊的狀態(tài).睡意狀態(tài)為駕駛員已經(jīng)不可控的經(jīng)常會(huì)出現(xiàn)瞌睡的階段，行駛路線多為曲線的階段（此時(shí)已接近高速公路的服務(wù)區(qū)，駕駛員必須要馬上休息）.為后續(xù)表述方便，將其依次簡(jiǎn)化為疲勞等級(jí)1、2、3、4.

2.3 基于粒子群算法的SVM改進(jìn)

利用支持向量機(jī)作分類預(yù)測(cè)時(shí)需要調(diào)整相關(guān)的參數(shù)（主要包括懲罰參數(shù)c和核函數(shù)參數(shù)g）才能得到比較理想的預(yù)測(cè)分類準(zhǔn)確率，且對(duì)初始值依賴較大，而粒子群算法搜索速度快、效率高，算法簡(jiǎn)單，可以更好地提升分類器的性能．因此，本文采用粒子群算法對(duì)SVM的關(guān)鍵參數(shù)c、g進(jìn)行優(yōu)化，以提高分類效率．

粒子群優(yōu)化算法［10］最早由Kennedy和Eberhaert于1995年提出.假設(shè)在一個(gè)D維的搜索空間中，由n個(gè)粒子組成的種群X=（X1，X2，…，Xn），其中第i個(gè)粒子表示成為一個(gè)D維的向量Xi=（xi1，xi2，…xiD）T，代表第i個(gè)粒子在D維搜索空間中的位置，亦代表問題的一個(gè)潛在解．在SVM中需優(yōu)化兩個(gè)參數(shù)（懲罰因子c和核函數(shù)參數(shù)g），因此D=2，即每個(gè)粒子是二維向量；而一般種群數(shù)量為粒子維數(shù)的5～10倍，因此定義n=20．

根據(jù)目標(biāo)函數(shù)即可計(jì)算出每個(gè)粒子位置Xi對(duì)應(yīng)的適應(yīng)度值．粒子群中所有粒子適應(yīng)度的整體變化可以跟蹤粒子群的狀態(tài)，本文將粒子群的群體適應(yīng)度方差δ2作為適應(yīng)度函數(shù)，δ2=，其中n為粒子群的粒子數(shù)目，f為i第i個(gè)粒子的適應(yīng)度，favg為粒子群目前的平均適應(yīng)度，δ2為粒子群的群體適應(yīng)度方差，δ2越小越收斂．第i個(gè)粒子的速度為Vi=（Vi1，Vi2，…ViD）T，其個(gè)體極值為Pi=（Pi1，Pi2，…PiD）T，種群的全局極值為Pg=（Pg1，Pg2，…PgD）T．在每一次迭代過程中，粒子通過個(gè)體極值和全局極值更新自身的速度和位置，更新公式可得

式中：ω為慣性權(quán)重；d=1，2，…，D；i=1，2，…，8；k為當(dāng)前迭代次數(shù)；Vid為粒子的速度；c1、c2為加速度因子，為非負(fù)的常數(shù)；r1、r2為分布于［0，1］的隨機(jī)數(shù)．為防止粒子的盲目搜索，一般建議將其位置和速度分別限制在［-Xmax，Xmax］和［-Vmax，Vmax］，進(jìn)化次數(shù)為200次，其位置在［-5，5］，速度在［-1，1］，具體的流程見圖3．

圖3 粒子群優(yōu)化流程

3 實(shí)例驗(yàn)證

3.1 數(shù)據(jù)采集

通過在吉琿高速公路長(zhǎng)春—琿春段進(jìn)行為期1周的實(shí)車道路試驗(yàn)，采集駕駛員生理數(shù)據(jù)并記錄駕駛員疲勞狀態(tài).吉琿高速始于吉林省吉林市，途徑蛟河、敦化、安圖、延吉，終止于琿春市，是吉林省內(nèi)的一條重要交通通道.因東西距離較長(zhǎng)，且跨越吉林省中部平原、東部山地等不同地形，駕駛難度較大，適合于駕駛疲勞研究的數(shù)據(jù)采集.

該實(shí)車道路試驗(yàn)選擇15名實(shí)驗(yàn)駕駛員（12男和3女），年齡在30～45歲之間，駕齡均為3 a以上.要求駕駛員在實(shí)驗(yàn)前一天具有充足的睡眠、精神狀態(tài)良好，不可飲酒、咖啡及服用藥物等，以免對(duì)其生理指標(biāo)產(chǎn)生影響.本實(shí)驗(yàn)采用美國(guó)Biopac公司的MP100 16導(dǎo)生理記錄儀對(duì)駕駛員的生理指標(biāo)進(jìn)行采集.每天的實(shí)驗(yàn)時(shí)間為8：00—18：00.實(shí)驗(yàn)時(shí)沿途保持車內(nèi)安靜，調(diào)查員在副駕駛位置上每隔15 min向駕駛員詢問其疲勞狀態(tài)并進(jìn)行記錄，同時(shí)在Biopac記錄軟件中設(shè)置標(biāo)記點(diǎn)，便于之后的數(shù)據(jù)處理.具體的實(shí)驗(yàn)道路狀況及駕駛員生理指標(biāo)曲線見圖4.

3.2 數(shù)據(jù)分析處理

提取關(guān)鍵時(shí)間節(jié)點(diǎn)（問詢駕駛員時(shí)的時(shí)間節(jié)點(diǎn)）附近1 min的生理數(shù)據(jù)，共計(jì)300組.利用Biopac軟件分析模塊對(duì)提取出的駕駛員各節(jié)點(diǎn)生理指標(biāo)數(shù)據(jù)進(jìn)行分析，駕駛員部分生理數(shù)據(jù)見表1.

圖4 實(shí)驗(yàn)道路環(huán)境以及生理指標(biāo)曲線示例

表1 駕駛員部分生理數(shù)據(jù)

3.3 判別結(jié)果及誤差分析

將駕駛員300組生理指標(biāo)及其對(duì)應(yīng)的疲勞等級(jí)作為實(shí)例驗(yàn)證的數(shù)據(jù).利用180組數(shù)據(jù)作為訓(xùn)練集進(jìn)行SVM訓(xùn)練，訓(xùn)練誤差設(shè)為10-4，最大迭代次數(shù)為500.然后通過粒子群尋優(yōu)得到最優(yōu)的懲罰因子c=1.272 7，核函數(shù)g=0.002 1.將剩余的120組數(shù)據(jù)作為測(cè)試集，利用最優(yōu)的懲罰因子及核函數(shù)參數(shù)進(jìn)行驗(yàn)證，判別結(jié)果見表2，其分類準(zhǔn)確率均85%以上.

表2 駕駛疲勞判別結(jié)果

根據(jù)表中數(shù)據(jù)可以看出疲勞等級(jí)1、4的準(zhǔn)確率較高，疲勞等級(jí)2、3較低.因?yàn)槠诘燃?jí)1、4為駕駛員的兩個(gè)極端狀態(tài)（清醒狀態(tài)和有睡意），因此生理指標(biāo)比較明顯，判別準(zhǔn)確率較高.而疲勞等級(jí)2、3的生理指標(biāo)聚類效果則相對(duì)較差，尤以疲勞等級(jí)2最低，這是因?yàn)楫?dāng)駕駛員處于疲勞等級(jí)2、3時(shí)已經(jīng)稍微疲勞，但為了安全駕駛?cè)匀粡?qiáng)迫自己趨于清醒狀態(tài)，導(dǎo)致生理指標(biāo)曲線波動(dòng)幅度較大，所以判別率稍低.但整體基于粒子群優(yōu)化的SVM算法判別率達(dá)到了85%以上，判別效果較好.

3.4 敏感性分析

本文采用多項(xiàng)生理指標(biāo)判別駕駛疲勞，能夠取得較好的判別率.然而使用多個(gè)生理指標(biāo)是否可以有效提高疲勞等級(jí)判別的準(zhǔn)確率是本文需要回答的另一個(gè)問題，下面采用敏感性分析的方法進(jìn)行研究.

判別準(zhǔn)確率和判別時(shí)間是衡量模型性能的兩個(gè)關(guān)鍵指標(biāo)，其中判別時(shí)間用以反映模型的收斂速度和魯棒性.在研究中，分別選擇4、5、6個(gè)生理參數(shù)作為SVM模型的輸入變量，具體輸出指標(biāo)見表3.

表3 敏感性分析結(jié)果

從表3中可以看出，隨著輸入變量的增加，判別率有所提高，證明模型所選取的6個(gè)輸入變量在判別率方面優(yōu)于較少數(shù)量的輸入變量.在判別時(shí)間方面，隨著輸入變量的增加，判別時(shí)間減少，這是由于多個(gè)變量能夠更加全面地反應(yīng)駕駛員疲勞狀態(tài)，所以模型收斂速度快.而輸入?yún)?shù)減少時(shí)，模型優(yōu)化時(shí)間較長(zhǎng)，所以判別時(shí)間也隨之延長(zhǎng).

此外，通過對(duì)比不同實(shí)驗(yàn)的輸出指標(biāo)可以分析各個(gè)變量在模型中的重要程度.比如將輸入變量中的呼吸潮氣量換作心率均值后模型判別率有所提高，說明在本模型中后者較前者更為重要.同理可得，RR間期標(biāo)準(zhǔn)差較心率均值更能反映駕駛員疲勞等級(jí).

4 結(jié) 論

1）為有效判別駕駛員的疲勞程度，建立了基于粒子群與支持向量機(jī)的判別模型.選取駕駛員的心電RR間期標(biāo)準(zhǔn)差、心率均值、腦電的α波、β波和δ波功率譜密度積分、呼吸潮氣量等作為疲勞等級(jí)的判別指標(biāo)．

2）以吉琿高速公路的實(shí)車道路實(shí)驗(yàn)數(shù)據(jù)對(duì)模型有效性進(jìn)行驗(yàn)證，結(jié)果表明模型判斷準(zhǔn)確率達(dá)到85%以上.通過對(duì)模型中的各個(gè)輸入變量進(jìn)行敏感性分析，獲取了各個(gè)參數(shù)對(duì)疲勞判別的貢獻(xiàn)程度.

［1］馬艷麗，裴玉龍.連續(xù)駕駛時(shí)間對(duì)駕駛特性測(cè)評(píng)指標(biāo)的影響［J］.中國(guó)公路學(xué)報(bào)，2009，22（1）：84-88.

［2］CHENG Bo，ZHANG Wei，LIN Yingzi，et al.Driver drowsiness detection based on multisource information［J］.Human Factors and Ergonomics in Manufacturing＆Service Industries，2012，22（5）：450-467.

［3］CRAIG A，TRAN Y，WIJESURIYA N，et al.Regional brain wave activity changes associated with fatigue［J］. Psychophysiology，2012，49（4）：574-582.

［4］李默涵，江朝暉，馮煥清.腦電的灰建模和駕駛疲勞特征提?。跩］.生物醫(yī)學(xué)工程學(xué)雜志，2009，26（4）：258-263.

［5］趙春臨，鄭崇勛，趙敏.基于核學(xué)習(xí)算法的駕駛精神疲勞分級(jí)研究［J］.數(shù)據(jù)采集與處理，2009，24（3）：335-339.

［6］HU Shuyan，ZHENG Gangtie.Driver drowsiness detection with eyelid related parameters by support vector machine［J］.Expert Systemswith Applications，2009，36（4）：7651 -7658.

［7］YANG Guosheng，LIN Yingzi，BHATTACHARYA P.A driver fatigue recognition model based on information fusion and dynamic Bayesian network［J］.Information Sciences，2010，180（10）：1942-1954.

［8］李影潔，邱意弘，朱貽盛.腦電信號(hào)分析方法及其應(yīng)用［M］.北京：科學(xué)出版社，2009.

［9］白鵬，張喜斌，張斌，等.支持向量機(jī)理論及工程應(yīng)用實(shí)例［M］.西安：西安電子科技大學(xué)出版社，2008.

［10］史峰，王小川，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析［M］.北京：北京航空航天大學(xué)出版社，2010.

（編輯 魏希柱）

A driver fatigue level recognition model based on particle swarm optim ization and support vector machine

WANG Linhong1，2，LIShiwu1，GAO Zhenhai2，JIBingkui1
（1.College of Transportation，Jilin University，130025 Changchun，China；2.College of Automotive Engineering，Jilin University，130025 Changchun，China）

To recognize driver′s fatigue level accurately and objectively，a driver fatigue level recognition model that employsmultiple psychological featureswas developed based on particle swarm optimization（PSO）and support vectormachine（SVM）.Firstly，the driver fatigue was divided into four levels，which were alert，mild fatigue，deep fatigue and drowsiness.Then alpha rhythm，beta rhythm，delta rhythm，mean of heart rate，and standard deviation of R-R intervalwere selected as input variables of the SVM model.The PSO was introduced into the model to optimize the penalty parameter and kernel function parameter of SVM. Experimental data collected in Ji-Hun freeway was used to validate the effectiveness of the recognition model. Results show that the recognition precision of the four fatigue levels are higher than 85%.Sensitive analysis of themode is also conducted and the results prove that themodel usingmultiple features outperforms themodel using fewer features.

driver′s psychological features；fatigue recognition；support vector machine；particle swarm optimization；sensitive analysis

U491.2

A

0367-6234（2014）12-102-06

2013-11-05.

國(guó)家自然科學(xué)基金（51308251）；中國(guó)博士后科學(xué)基金（2013M541306）.

王琳虹（1984—），女，博士，講師；李世武（1971—），男，教授，博士生導(dǎo)師.

李世武，shiwu＠jlu.edu.cn.