金立生 李科勇 牛清寧 高琳琳

（1.吉林大學(xué)交通學(xué)院 長(zhǎng)春 130022；2.公安部道路交通安全研究中心 北京 100062）

0 引言

駕駛?cè)似谑窃斐傻缆方煌ㄊ鹿实闹饕蛩刂?，每年由于疲勞駕駛而引起的交通事故占事故總數(shù)的20%左右，占特大交通事故的40%以上［1－2］。Forsman［3］研究發(fā)現(xiàn)，在美國(guó)，超過28%的駕駛?cè)嗽隈{駛過程中出現(xiàn)過瞌睡現(xiàn)象。然而，即使處于疲勞狀態(tài)駕駛?cè)巳詴?huì)繼續(xù)駕駛［4］。因此，需要對(duì)駕駛?cè)笋{駛狀態(tài)進(jìn)行實(shí)時(shí)檢測(cè)，當(dāng)出現(xiàn)疲勞狀態(tài)時(shí)，給予有效的預(yù)警，避免道路交通事故的發(fā)生，針對(duì)駕駛疲勞特征的研究對(duì)法律法規(guī)的制定和修改具有重要意義［5］。

目前，疲勞駕駛檢測(cè)方法主要分為基于主觀評(píng)價(jià)的檢測(cè)方法、基于駕駛?cè)松硇盘?hào)的檢測(cè)方法、基于駕駛?cè)松矸磻?yīng)的檢測(cè)方法、基于駕駛行為的檢測(cè)方法和基于信息融合的檢測(cè)方法［6］。其中，基于駕駛行為的駕駛疲勞檢測(cè)方法為非接觸式檢測(cè)，測(cè)量過程不會(huì)對(duì)駕駛?cè)说恼ｑ{駛行為造成干擾，而且不受光照等環(huán)境因素影響，特征參數(shù)（車速、轉(zhuǎn)向盤轉(zhuǎn)角等）容易提取，已成為國(guó)內(nèi)外研究熱點(diǎn)。

Mortazavi等［7］研究發(fā)現(xiàn)，疲勞駕駛狀態(tài)下，駕駛?cè)藢?duì)轉(zhuǎn)向盤控制能力明顯下降，通過檢測(cè)駕駛?cè)水?dāng)前的轉(zhuǎn)向盤操作信息，能夠?qū)崿F(xiàn)對(duì)疲勞駕駛的檢測(cè)。李偉等［8］通過駕駛模擬實(shí)驗(yàn)采集不同駕駛狀態(tài)下轉(zhuǎn)向盤轉(zhuǎn)角及道路偏移量，建立了基于BP神經(jīng)網(wǎng)絡(luò)的疲勞檢測(cè)系統(tǒng)。石堅(jiān)等［9］通過對(duì)轉(zhuǎn)向盤轉(zhuǎn)角分析，采用模糊神經(jīng)網(wǎng)絡(luò)制定疲勞規(guī)則，利用改進(jìn)的BP 算法對(duì)駕駛?cè)税踩珷顟B(tài)進(jìn)行辨識(shí)。張希波等［10］基于實(shí)際道路條件下的車輛行駛實(shí)驗(yàn)數(shù)據(jù)，提取了最大零速百分比和最大角度標(biāo)準(zhǔn)差2個(gè)疲勞判別指標(biāo)，基于Fisher線性判別算法建立了駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)模型。

然而由于駕駛場(chǎng)景的易變性和疲勞駕駛的復(fù)雜性，駕駛?cè)似跔顟B(tài)有效特征參數(shù)難以確定，嚴(yán)重限制了疲勞駕駛檢測(cè)系統(tǒng)的發(fā)展。為此，筆者通過駕駛模擬實(shí)驗(yàn)，提取不同駕駛狀態(tài)下駕駛行為數(shù)據(jù)，在分析駕駛?cè)似跔顟B(tài)下的轉(zhuǎn)向盤操作特征基礎(chǔ)上，運(yùn)用方差分析量化了不同駕駛狀態(tài)下特征參數(shù)的差異性水平，優(yōu)化有效特征參數(shù)組，最終建立駕駛?cè)似跔顟B(tài)檢測(cè)模型。

1 疲勞駕駛實(shí)驗(yàn)

招募20名駕駛?cè)耍隈{駛模擬器上采集正常和疲勞狀態(tài)下的實(shí)驗(yàn)參數(shù)，實(shí)驗(yàn)場(chǎng)景選擇高速公路場(chǎng)景。

1.1 實(shí)驗(yàn)平臺(tái)

采用自行開發(fā)的奔騰B50 駕駛模擬實(shí)驗(yàn)平臺(tái)進(jìn)行駕駛模擬實(shí)驗(yàn)，駕駛行為參數(shù)直接從模擬器的CAN－Bus中讀取，采樣頻率選擇10Hz。圖1所示為駕駛模擬實(shí)驗(yàn)平臺(tái)。

圖1 駕駛模擬實(shí)驗(yàn)平臺(tái)Fig.1 Driving simulation experiment system

1.2 實(shí)驗(yàn)駕駛?cè)撕蛯?shí)驗(yàn)場(chǎng)景

招募20名（女：6名；男：14名）具有合法駕照的駕駛?cè)?，年齡21～39歲（均值mean＝26.7，標(biāo)準(zhǔn)差std＝5.23），駕齡3～18 年（均值mean＝6.35，標(biāo)準(zhǔn)差std＝4.37）。針對(duì)實(shí)驗(yàn)要求，運(yùn)用Multigen Creator和Vage自行設(shè)計(jì)高速公路場(chǎng)景，雙向4車道，單車道寬3.75m，中間隔離帶寬3m，車速限制80～120km／h。

1.3 實(shí)驗(yàn)過程

每位駕駛?cè)诉M(jìn)行2組駕駛模擬實(shí)驗(yàn)：正常駕駛和疲勞駕駛。為消除駕駛?cè)松砉?jié)律影響，所有駕駛?cè)嗽诿刻煜嗤瑫r(shí)間段進(jìn)行實(shí)驗(yàn)，因此，2組實(shí)驗(yàn)時(shí)間間隔為3周。實(shí)驗(yàn)前2d通知駕駛?cè)藴?zhǔn)備實(shí)驗(yàn)，要求駕駛?cè)藢?shí)驗(yàn)前12h內(nèi)禁止飲酒。

1.3.1 正常駕駛實(shí)驗(yàn)

要求駕駛?cè)藢?shí)驗(yàn)前2d保證正常充足睡眠，實(shí)驗(yàn)時(shí)間選擇駕駛?cè)苏Ｐ菹⒑缶Τ渑娴纳衔邕M(jìn)行，開始時(shí)間為10：00時(shí)，持續(xù)2h。其中，實(shí)驗(yàn)前20min內(nèi)，實(shí)驗(yàn)人員介紹實(shí)驗(yàn)過程，駕駛?cè)耸煜ゑ{駛模擬實(shí)驗(yàn)平臺(tái)，不記錄實(shí)驗(yàn)數(shù)據(jù)。

1.3.2 疲勞駕駛實(shí)驗(yàn)

實(shí)驗(yàn)前1d限制駕駛?cè)怂邥r(shí)間為01：00～06：00時(shí)共5h，駕駛模擬實(shí)驗(yàn)選在駕駛?cè)俗钜壮霈F(xiàn)疲勞的時(shí)間段進(jìn)行，開始時(shí)間為14：00時(shí)，持續(xù)2h。

1.4 實(shí)驗(yàn)數(shù)據(jù)

同步采集的實(shí)驗(yàn)數(shù)據(jù)包括駕駛行為數(shù)據(jù)（包括車速、轉(zhuǎn)向盤轉(zhuǎn)角等）、道路前景視頻和駕駛?cè)嗣娌恳曨l。

1.5 疲勞狀態(tài)評(píng)價(jià)

研究表明，駕駛?cè)似诔潭茸晕覍?shí)時(shí)評(píng)價(jià)與面部視頻他人評(píng)價(jià)之間存在明顯的一致性［10］，為了避免實(shí)時(shí)自評(píng)侵入性影響和個(gè)人主觀差異性因素，筆者采用視頻他評(píng)的方法確定駕駛?cè)似诔潭取?/p>

實(shí)驗(yàn)結(jié)束后，由3名經(jīng)過訓(xùn)練的評(píng)分專家依據(jù)KSS睡眠尺度表［11］，按照時(shí)間序列對(duì)視頻同時(shí)進(jìn)行評(píng)分（KSS），當(dāng)疲勞水平KSS發(fā)生變化時(shí)，記錄該疲勞水平KSS的起止時(shí)間，基于記錄KSS發(fā)生變化的時(shí)刻對(duì)視頻進(jìn)行分割，要求所有視頻段內(nèi)駕駛?cè)颂幱趩我黄谒健?/p>

如果KSS≤3，認(rèn)為駕駛?cè)颂幱谡ｑ{駛狀態(tài)，如果KSS≥7，認(rèn)為駕駛?cè)颂幱谄隈{駛狀態(tài)［12］。筆者共采集正常駕駛樣本84 120s，疲勞駕駛樣本54 080s。

2 特征參數(shù)提取

正常駕駛時(shí)，駕駛?cè)诵拚D(zhuǎn)向盤頻繁，轉(zhuǎn)向盤轉(zhuǎn)角幅度較小且較為平均，瞬時(shí)角速度較小。疲勞駕駛時(shí)，轉(zhuǎn)向盤修正頻率降低，轉(zhuǎn)向盤幅度變大且波動(dòng)大，瞬時(shí)角速度較大，見圖2。

圖2 不同駕駛狀態(tài)下轉(zhuǎn)向盤轉(zhuǎn)動(dòng)特征Fig.2 Characteristics of the steering wheel performance under different driver conditions

相對(duì)于正常駕駛狀態(tài)，疲勞駕駛時(shí)，駕駛?cè)藢?duì)轉(zhuǎn)向盤控制能力下降，轉(zhuǎn)向盤波動(dòng)范圍較大。因此，筆者初步選擇轉(zhuǎn)向盤轉(zhuǎn)角均值（SAMEAN）、轉(zhuǎn)向盤轉(zhuǎn)角標(biāo)準(zhǔn)差（SAVSTD）、轉(zhuǎn)向盤角速度均值（SAVMEAN）、轉(zhuǎn)向盤角速度標(biāo)準(zhǔn)差（SAVSTD）作為駕駛?cè)似跔顟B(tài)檢測(cè)特征參數(shù)。

道路曲率變化是引起轉(zhuǎn)向盤轉(zhuǎn)角波動(dòng)的主要因素。正常駕駛狀態(tài)下當(dāng)?shù)缆非拾l(fā)生變化時(shí)，轉(zhuǎn)向盤轉(zhuǎn)角也會(huì)產(chǎn)生一定的波動(dòng)，與疲勞狀態(tài)下轉(zhuǎn)向盤轉(zhuǎn)角波動(dòng)相比，正常駕駛狀態(tài)下由道路曲率引起波動(dòng)時(shí)，轉(zhuǎn)向盤轉(zhuǎn)角均值和標(biāo)準(zhǔn)差都較大。因此，筆者引入轉(zhuǎn)向盤轉(zhuǎn)角變異系數(shù)（CVSA）消除道路曲率的影響，其計(jì)算公式如下。

駕駛?cè)颂幱谄隈{駛狀態(tài)時(shí)，修正轉(zhuǎn)向盤頻率減少，轉(zhuǎn)向盤不動(dòng)的時(shí)間增多，筆者引入零速百分比（PNS）［10］來檢測(cè)這一變化特征，零速百分比計(jì)算公式如下。

式中：N為所選時(shí)間內(nèi)角速度的總采樣點(diǎn)數(shù)，n為總采樣點(diǎn)中角速度在±0.1（°）／s之間的點(diǎn)數(shù)。

當(dāng)駕駛?cè)颂幱谡ｑ{駛狀態(tài)時(shí)，轉(zhuǎn)向行為較平順，而當(dāng)駕駛?cè)颂幱谄隈{駛狀態(tài)時(shí)，轉(zhuǎn)向行為相對(duì)混亂。轉(zhuǎn)向盤轉(zhuǎn)角熵（SE）反映了駕駛?cè)藢?duì)轉(zhuǎn)向盤操作的混亂程度和隨機(jī)性［13］。因此，可以利用SE對(duì)駕駛?cè)似跔顟B(tài)進(jìn)行分析。

SE是按照轉(zhuǎn)向盤轉(zhuǎn)角的預(yù)測(cè)偏差出現(xiàn)的概率進(jìn)行計(jì)算的。首先按照式（3）計(jì)算轉(zhuǎn)向盤轉(zhuǎn)角預(yù)測(cè)值θp（n）。

然后，根據(jù)轉(zhuǎn)向盤轉(zhuǎn)角實(shí)際值θ（n）與轉(zhuǎn)向盤轉(zhuǎn)角預(yù)測(cè)值θp（n）之差來計(jì)算轉(zhuǎn)向盤轉(zhuǎn)角預(yù)測(cè)偏差en，計(jì)算公式為

轉(zhuǎn)向盤轉(zhuǎn)角預(yù)測(cè)偏差en近似服從正態(tài)分布，根據(jù)實(shí)驗(yàn)數(shù)據(jù)求得α，使得概率P（－α＜e（n）＜α）＝90%，將轉(zhuǎn)向盤轉(zhuǎn)角預(yù)測(cè)偏差en分成9個(gè)區(qū)間，即（－∞，－5α］，（－5α，－2.5α］，（－2.5α，－α］，（－α，－0.5α］，（－0.5α，0.5α），［0.5α，α），［α，2.5α），［2.5α，5α），［5α，＋∞）。然后計(jì)算各區(qū)間的概率值pi，最后根據(jù)式（5）計(jì)算轉(zhuǎn)向盤轉(zhuǎn)角熵SE

隨機(jī)選取100組轉(zhuǎn)向盤操作行為參數(shù)，包括50組正常駕駛數(shù)據(jù)和50 組疲勞駕駛數(shù)據(jù)，運(yùn)用方差分析的方法研究不同駕駛狀態(tài)下，特征參數(shù)的差異性水平，設(shè)置顯著性水平α為0.05，分析結(jié)果見表1。

表1 方差分析結(jié)果Tab.1 Analysis of variance

由表1可見，不同駕駛狀態(tài)下轉(zhuǎn)向盤轉(zhuǎn)角標(biāo)準(zhǔn) 差（SASTD）、轉(zhuǎn)向盤角速度標(biāo)準(zhǔn)差（SAVSTD）、轉(zhuǎn)向盤轉(zhuǎn)角變異系數(shù)（SACV）、零速百分比（PNS）、轉(zhuǎn)向盤轉(zhuǎn)角熵（SE）之間存在顯著性差異（P＜0.05），而轉(zhuǎn)向盤轉(zhuǎn)角均值（SAMEAN）和轉(zhuǎn)向盤角速度均值（SAVMEAN）在不同駕駛狀態(tài)下不存在顯著差異（P＞0.05）。因此，本文選取SASTD，SAVSTD，SACV，PNS，SE作為駕駛?cè)似跔顟B(tài)檢測(cè)系統(tǒng)的特征參數(shù)。

3 疲勞狀態(tài)檢測(cè)模型

由于疲勞駕駛狀態(tài)對(duì)駕駛?cè)丝刂妻D(zhuǎn)向盤能力影響復(fù)雜，特征參數(shù)與駕駛?cè)笋{駛狀態(tài)之間不存在簡(jiǎn)單的線性關(guān)系，而支持向量機(jī)在解決多維非線性問題方面存在一定的優(yōu)勢(shì)［14］。因此，筆者基于支持向量機(jī)理論搭建駕駛?cè)似跔顟B(tài)檢測(cè)模型。

核函數(shù)的選擇對(duì)于支持向量機(jī)模型的分類準(zhǔn)確率存在直接影響，目前常用的核函數(shù)主要有：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)。其中徑向基核函數(shù)對(duì)于處理駕駛?cè)似跔顟B(tài)檢測(cè)方面存在一定的優(yōu)勢(shì)［13－14］。因此，文中選擇最常用的徑向基函數(shù)：

式中：xi，yj為兩特征向量。其中，xi＝［SASTD，SAVSTD，SACV，PNS，SE］表示特征參數(shù)向量，yj為駕駛?cè)藸顟B(tài)向量，按式（7）計(jì)算：

在搭建支持向量機(jī)模型過程中存在2個(gè)待定參數(shù)：懲罰參數(shù)C和核參數(shù)γ，采用網(wǎng)格尋優(yōu)的方式選擇（C，γ）。其中：（C，γ）按式（8）計(jì)算，根據(jù)所交叉檢驗(yàn)的結(jié)果，確定函數(shù)表達(dá)式

隨機(jī)選擇1 000組訓(xùn)練集樣本，包括500組正常駕駛樣本和500組疲勞駕駛樣本，建立駕駛?cè)似跔顟B(tài)檢測(cè)模型。當(dāng)交叉檢驗(yàn)準(zhǔn)確率為88.3%時(shí)達(dá)到最優(yōu)，C＝0.25，γ＝8。

4 實(shí)驗(yàn)結(jié)果和模型評(píng)價(jià)

選擇除訓(xùn)練集之外的樣本對(duì)建立的駕駛?cè)似跔顟B(tài)檢測(cè)模型進(jìn)行驗(yàn)證，隨機(jī)選擇150組測(cè)試集樣本，正常駕駛樣本和疲勞駕駛樣本各75組。模型檢測(cè)結(jié)果如圖3所示，其中，正常駕駛樣本的標(biāo)簽為1，疲勞駕駛樣本的標(biāo)簽為2。圖4為模型評(píng)價(jià)。由圖4可知，模型正確識(shí)別正常駕駛樣本58個(gè)，誤識(shí)別17 個(gè)，正確識(shí)別疲勞駕駛樣本64個(gè)，誤識(shí)別11個(gè)，合計(jì)正確識(shí)別122個(gè)，檢測(cè)準(zhǔn)確率為81.33%。

為了綜合評(píng)價(jià)模型的檢測(cè)能力，圖4顯示了模型的靈敏度和特異度［15－16］。

圖3 模型檢測(cè)結(jié)果Fig.3 Model test results

圖4 模型評(píng)價(jià)Fig.4 Model evaluation

如圖4 所示該模型靈敏度為85.33%，當(dāng)駕駛?cè)顺霈F(xiàn)疲勞狀態(tài)時(shí)，能夠準(zhǔn)確識(shí)別出。而特異度為77.33%，該模型將部分正常狀態(tài)誤識(shí)為疲勞狀態(tài)。對(duì)比道路前景視頻和駕駛?cè)嗣娌恳曨l分析可知，造成誤判的主要原因是個(gè)人駕駛習(xí)慣的差異和大曲率彎道的影響。

5 結(jié)束語

以駕駛模擬器為實(shí)驗(yàn)平臺(tái)，量化了駕駛?cè)似诔潭?，分析了在疲勞狀態(tài)下的轉(zhuǎn)向盤操作行為特征，提取了轉(zhuǎn)向盤操作行為參數(shù)，運(yùn)用方差分析的方法，以顯著性水平為評(píng)價(jià)手段，優(yōu)化出了轉(zhuǎn)向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、轉(zhuǎn)向盤角速度標(biāo)準(zhǔn)差、轉(zhuǎn)向盤轉(zhuǎn)角變異系數(shù)、轉(zhuǎn)向盤轉(zhuǎn)角熵和零速百分比5個(gè)參數(shù)作為疲勞駕駛的有效特征參數(shù)組。最終基于支持向量機(jī)建立了駕駛?cè)似跔顟B(tài)檢測(cè)模型，模型檢測(cè)準(zhǔn)確率為81.33%，靈敏度為85.33%，特異度為77.33%。

筆者的研究是基于室內(nèi)駕駛模擬實(shí)驗(yàn)進(jìn)行的，特征參數(shù)僅利用了轉(zhuǎn)向盤操作特征，而且實(shí)驗(yàn)過程中沒有考慮個(gè)人駕駛風(fēng)格差異性的影響。因此，不受個(gè)體差異因素影響的基于實(shí)車道路實(shí)驗(yàn)的融合多特征參數(shù)的駕駛?cè)似跔顟B(tài)檢測(cè)系統(tǒng)是下一步研究的重點(diǎn)。

［1］金立生，牛清寧，劉景華，等.不同道路線形下駕駛?cè)苏J(rèn)知分散狀態(tài)監(jiān)測(cè)［J］.吉林大學(xué)學(xué)報(bào)：工學(xué)版，2014，44（3）：642－647.Jin Lisheng，Niu Qingning，Liu Jinghua，et al.Driver congnitive distraction detection in different road line［J］.Journal of Jilin University：Engineering and Technology Edition，2014，44（3）：642－647.（in Chinese）.

［2］吳超仲，張 暉，毛 喆，等.基于駕駛操作行為的駕駛員疲勞狀態(tài)識(shí)別模型研究［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2007，17（4）：162－165.Wu Chaozhong，Zhang Hui，Mao Zhe，et al.A Model for Identifying Fatigue Statues of Vehicle Drivers Based on Driving Opertion［J］.China Safety Science Journal，2007，17（4）：162－165.（in Chinese）.

［3］Forsman P M，Vila B J，Short R A，et al.Efficient driver drowsiness detection at moderate levels of drowsiness［J］.Accident Analysis and Prevention，2013，50：341－350.

［4］Nordbakke S，Sagberg F.Sleepy at the wheel：Knowledge，symptoms and behaviour among car drivers［J］.Transportation Research Part F，2007，10（1）：1－10.

［5］滕 靖，宋興昊，姬利娟，等.連續(xù)駕駛條件下公交駕駛員疲勞特征實(shí)驗(yàn)研究［J］.交通信息與安全，2013，31（3）：87－92.Teng Jing，Song Xinghao，Ji Lijuan，et al.Experimental study of fatigue characteristics of bus drivers under the condition of continuous driving［J］.Journal of Transport Information and Safety，2013，31（3）：87－92.（in Chinese）.

［6］Dong Y C，Hu Z C，Uchimura K，et al.Driver inattention monitoring system for intelligent vehicles：A review［J］.IEEE Transactions on Intelligent Transportation Systems，2011，12（2）：596－614.

［7］Mortazavi A，Eskandarian A，Sayed R A.Effect of drowsiness on driving performance variables of commercial vehicle drivers［J］.International Journal of Automotive Technology，2009，10（3）：391－404.

［8］李 偉，何其昌，范秀敏.基于汽車操縱信號(hào)的駕駛員疲勞狀態(tài)檢測(cè)［J］.上海交通大學(xué)學(xué)報(bào)，2010，44（2）：292－296.Li Wei，He QiChang，F(xiàn)an XiuMin.Detection of driver’s fatigue based on vehicle performance output［J］.Journal of Shanghai Jiaotong University，2010，44（2）：292－296.（in Chinese）.

［9］石 堅(jiān)，吳遠(yuǎn)鵬，卓 斌，等.汽車駕駛員主動(dòng)安全性因素的辨識(shí)與分析［J］.上海交通大學(xué)學(xué)報(bào)，2000，34（4）：441－444.Shi Jian，Wu Yuanpeng，Zhuo Bin，et al.Identification and analysis of driver’s active safety factors［J］.Journal of Shanghai Jiaotong University，2000，34（4）：441－444.（in Chinese）.

［10］張希波，成 波，馮睿嘉.基于轉(zhuǎn)向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)方法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，50（7）：1072－1076.（in Chinese）Zhang Xibo，Cheng Bo，F(xiàn)eng Ruijia.Real－time detection of driver drowsiness based on steering performance［J］.Journal of Tsinghua University：Science and Technology，2010，50（7）：1072－1076.（in Chinese）

［11］kerstedt T，Gillberg M.Subjective and objective sleepiness in the active individual［J］.International Journal of Neuroscience，1990，52（1－2）：29－37.

［12］Nakayama O，F(xiàn)utami T，Nakamura T，et al.Development of steering entropy method for evaluating driver workload［R］.Detroit，Michigan：SAE Technical Paper Series：JHJ1999－01－0892.Paper presented at the International Congress and Exposition，

［13］Ingre M，Akerstedt T，Peters B A，et al.Subjective sleepiness，simulated driving performance and blink duration：Examining individual differences［J］.Journal of Sleep Research，2006，15（1）：47－53.

［14］Jin L S，Niu Q N，Hou H J，et al.Driver cognitive distraction detection using driving performance measures［J］.Discrete Dynamics in Nature and Society，2012（2012）：1－12.

［15］胡淑燕，鄭鋼鐵.應(yīng)用支持向量機(jī)的眼瞼參數(shù)疲勞預(yù)測(cè)［J］.北京航空航天大學(xué)學(xué)報(bào)，2009，35（8）：929－932.Hu Shuyan，Zheng Gangtie.Driver fatigue prediction with eyelid related parameters by support vector machine［J］.Journal of Beijing University of Aeronautics and Astronautics，2009，35（8）：929－932.（in Chinese）.

［16］Jin L S，Niu Q N，Jiang Y Y，et al.Driver Sleepiness Detection System Based on Eye Movements Variables［J］.Advances in Mechanical Engineering，2013（2013）：1－7.