羅 旭,王 宏, 王福旺

(1.東北大學,沈陽 110004；2.沈陽師范大學,沈陽 110034)

?

2015041

基于腦電信號分類的高速公路上駕駛疲勞識別*

羅 旭1,2,王 宏1, 王福旺1

(1.東北大學,沈陽 110004；2.沈陽師范大學,沈陽 110034)

為駕駛疲勞的識別提出一種基于小波變換與BP人工神經(jīng)網(wǎng)絡的自發(fā)腦電信號分類方法。利用離散小波變換對駕駛員的腦電信號濾波，得到頻率低于30Hz的4個子帶小波系數(shù)，由統(tǒng)計方法從小波系數(shù)中提取特征值。以這些特征值作為訓練數(shù)據(jù)，對所建的BP人工神經(jīng)網(wǎng)絡進行訓練。結(jié)果表明，用所建的神經(jīng)網(wǎng)絡對高速公路客車駕駛員分別在疲勞和非疲勞時記錄的腦電信號進行分類可達93.2%的準確率。

駕駛疲勞；腦電信號；小波；BP人工神經(jīng)網(wǎng)絡

前言

疲勞駕駛是引發(fā)交通事故的主要原因之一。經(jīng)統(tǒng)計，有20%～30% 的交通事故直接由疲勞駕駛引起[1]。因此須研究量化與識別疲勞駕駛的有效方法，為研制疲勞駕駛預警系統(tǒng)提供理論與技術支持。

疲勞駕駛的量化與識別，主要是通過分析人體電信號，如腦電(EEG)、眼電(EOG)和肌電(EMG)等來實現(xiàn)。其中，腦電信號是最為可信和準確的疲勞判斷依據(jù)[2]。文獻[3]中試圖使用腦電信號功率記錄模擬駕駛過程中駕駛員的表現(xiàn)，結(jié)果表明腦電信號的變化與駕駛員注意力的變化有關。文獻[4]中提出，疲勞狀態(tài)下的腦電波中，低頻波(θ波與α波)比例增大，而高頻波(β波)比例降低。文獻[5]中通過支持向量機分類器對經(jīng)小波濾波的腦電信號進行分類識別，分類正確率達90.04%。

本文中結(jié)合離散小波變換濾波技術與BP人工神經(jīng)網(wǎng)絡分類方法，對兩類腦電數(shù)據(jù)(疲勞駕駛和非疲勞駕駛狀態(tài)下的腦電信號)進行分類識別，平均正確率為93.2%。

1 小波濾波與特征提取

腦電信號在采集過程中參雜大量噪聲，在分類識別之前必須先濾波。針對腦電信號的非線性與非平穩(wěn)性[6]，小波變換是較有效的時頻分析方法[7]，因此采用快速的離散小波變換設計濾波器。

1.1 離散小波濾波

信號經(jīng)小波變換后，可產(chǎn)生壓縮式的小波系數(shù)，分別為代表原信號低頻部分的逼近小波系數(shù)與代表高頻部分的細節(jié)小波系數(shù)。本文中使用離散小波變換[8](DWT)對腦電信號進行濾波，離散小波變換定義如下：

(1)

式中:ψ(t)為小波基函數(shù)，j、k∈Z并代表頻率分辨率，fj(t)為信號f(t)在尺度2j的分類。

腦電信號經(jīng)離散小波變換分解，得到頻率低于32Hz(腦電信號頻率主要分布在0～30Hz)的4個子帶內(nèi)的小波系數(shù)，從而過濾掉頻率較高的干擾信號。離散小波分解過程如下：先對腦電信號f(t)進行首次分解，得到第1層低通逼近分量A1和高通細節(jié)分量D1。再對A1分解得到第2層的逼近和細節(jié)分量AA2和DA2。以此類推，一直分解到第4層。在第4層中，除了分解逼近分量AAA3，得到AAAA4和DAAA4之外，還分解細節(jié)分量DAA3，得到ADAA4和DDAA4。為表述方便，將這4個分量分別標記為P1、P2、P3和P4。小波分解過程如圖1所示。

每次分解產(chǎn)生的兩個分量的頻率范圍都為原分量頻率范圍的一半，且逼近分量覆蓋低頻范圍，細節(jié)分量覆蓋高頻范圍。例如，假設原始信號頻率為128Hz，經(jīng)分解后得到的逼近分量A1的頻率范圍為0～64Hz，D1為64～128Hz。經(jīng)5次分解之后，在第4層產(chǎn)生的4個分量的頻率范圍分別是0～8Hz、8～16Hz、16～24Hz和24～32Hz。

1.2 提取小波系數(shù)特征

前面得到的每個小波分量Pi都含有大量的小波系數(shù)，不適合直接作為特征數(shù)據(jù)。為減少計算量，需要從每個分量內(nèi)提取統(tǒng)計值。對每個分量Pi(i∈{1,2,3,4}),取其最大值、最小值、均值和標準差。根據(jù)4個分量一共生成16個特征值。

當采用該特征提取方法分析腦電時，須預先定義分析窗口的大小。例如，針對腦電帽的某通道，可以每當采集128組腦電數(shù)據(jù)時,便提取與之對應的16個特征值。這些特征值將作為神經(jīng)網(wǎng)絡輸入數(shù)據(jù)，用于之后的神經(jīng)網(wǎng)絡訓練與創(chuàng)建。

2 BP人工神經(jīng)網(wǎng)絡分類器

2.1 BP人工神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡[9]的學習過程由信號的正向傳輸與誤差的反向傳播兩個過程組成。正向傳輸時,樣本從輸入層傳入,經(jīng)隱含層逐層處理后傳向輸出層。若輸出層的實際輸出與期望輸出不符,則進入誤差的反向傳播階段。誤差的反向傳播將輸出誤差以某種形式通過隱含層向輸入層逐層反傳,并將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,該誤差信號作為修正各神經(jīng)元權(quán)值的依據(jù)。

2.2 設計神經(jīng)網(wǎng)絡結(jié)構(gòu)

駕駛狀態(tài)下，額頭AF3和AF4部位的腦電電位變化較為明顯，如圖2所示。

因而提取AF3和AF4兩通道腦電信號的特征值作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)。兩通道的窗口信號經(jīng)小波過濾和特征提取后，共產(chǎn)生32個特征值，所以設置神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)為32。輸出層節(jié)點數(shù)為1，輸出值為0(非疲勞狀態(tài))或1(疲勞狀態(tài))。隱含層最佳節(jié)點數(shù)的計算公式[10]為

l=log2n

(2)

式中:n為輸入層節(jié)點數(shù);l為隱含層節(jié)點數(shù)。根據(jù)式(2)與輸入層節(jié)點數(shù)32，設置隱含層節(jié)點數(shù)為5。神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖3所示。

該神經(jīng)網(wǎng)絡屬于兩類分類器。理想狀態(tài)下，經(jīng)訓練的神經(jīng)網(wǎng)絡能執(zhí)行準確率較高的分類操作，即向神經(jīng)網(wǎng)絡輸入屬于某一類(如疲勞)的特征值后，神經(jīng)網(wǎng)絡以可接受的準確率輸出與期望值相同的實際輸出值。

2.3 選擇神經(jīng)網(wǎng)絡訓練函數(shù)

神經(jīng)網(wǎng)絡訓練采用Levenberg-Marquardt函數(shù)[11]，該函數(shù)由基于最大鄰域思想的最小二乘估計算法得出。設E(w)由數(shù)量為m的個體誤差項組成，E(w)定義如下：

(3)

式中:w為權(quán)值向量，ei(w)為第i個神經(jīng)元的實際輸出值oi(w)與期望輸出值yi的差值。

算法的目標是計算出使E(w)最小的權(quán)值向量w。新權(quán)值向量wk+1可表示為

wk+1=wk+δwk

(4)

式中:wk為原權(quán)值向量，δwk的定義為

(5)

式中:e(wk)=[e1(wk),e2(wk),…,em(wk)]T;Jk為e(wk)在wk處的雅可比矩陣，Jk第i行第j列的元素表達式為

(6)

式中wj為權(quán)值向量w的第j個元素。

Levenberg-Marquardt算法計算過程如下：

①計算E(wk)；

②將λ初始化為小正數(shù)(如λ=0.01)；

③計算式(4)得到δwk，并計算E(wk+δwk)；

④ 如果E(wk+δwk)≥E(wk)，則將λ放大10倍，并跳轉(zhuǎn)到步驟③;

⑤如果E(wk+δwk)

3 疲勞駕駛信號分類實驗

3.1 采集腦電信號

3.1.1 信號采集環(huán)境設置

實驗使用Emotiv電極帽采集腦電源信號。該電極帽最高采樣頻率為128Hz，包含國際10-20系統(tǒng)中的14個參考電極，如圖4中黑色電極所示。

實驗環(huán)境為沈陽至丹東高速公路客車內(nèi)。參與實驗的人員包括被試者(駕駛員)、觀察員與操作員。觀察員處于客車的副駕駛位，負責觀察駕駛員的精神狀態(tài)(如打哈欠頻率、眨眼頻率等)，以及判斷駕駛員是否進入疲勞狀態(tài)。操作員位于駕駛員后座，負責操控計算機和腦電信號采集設備。出于安全考慮，客車內(nèi)沒有乘客。

3.1.2 信號采集過程

信號采集操作在13∶00～18∶00之間的真實駕駛狀態(tài)下進行。為保證采集的非疲勞腦電信號盡量接近理想狀態(tài)，駕駛員在參與實驗之前的24h內(nèi)，保證正常睡眠時間并且沒有從事嚴重耗費體力與精力的活動。當駕駛員從13∶00開始駕車5min后，操作員采集3min的駕駛員腦電數(shù)據(jù)，該數(shù)據(jù)作為非疲勞數(shù)據(jù)，采集量為23 040組。

根據(jù)《中華人民共和國道路交通安全法實施條例》的規(guī)定，連續(xù)駕車4h且休息不足20min的情況認定為疲勞駕駛。因此，為獲取較理想的疲勞駕駛腦電信號，實驗中的駕駛員連續(xù)駕駛客車5h左右后(中途休息5min)，并且當有較明顯的眼神呆滯或打哈欠頻率增加的情況時，由觀察員手勢通知操作員開始記錄疲勞腦電，采集量同為23 040組。為保證數(shù)據(jù)的穩(wěn)定性，采集過程中駕駛員沒有說話和明顯的肢體動作，如轉(zhuǎn)頭、擺臂和抬腿等。

通過上述方式，一共采集了4個駕駛員的腦電數(shù)據(jù)，得到4個數(shù)據(jù)集。每個數(shù)據(jù)集包含代表非疲勞和疲勞兩狀態(tài)的兩個信號矩陣，每個信號矩陣維度為2×23040(兩行分別對應AF3與AF4通道)。

3.2 生成神經(jīng)網(wǎng)絡訓練數(shù)據(jù)

以MATLAB為編程工具，將屬于某駕駛員的非疲勞信號矩陣，按128列為1塊進行分塊，得到180個數(shù)據(jù)塊。對每個數(shù)據(jù)塊濾波和統(tǒng)計后，產(chǎn)生與該數(shù)據(jù)塊對應的32個特征值。那么，由信號矩陣得到180×32的非疲勞特征矩陣。同樣方法，產(chǎn)生該駕駛員的180×32的疲勞特征矩陣。將兩矩陣組合為360×32的特征矩陣(前180行對應非疲勞狀態(tài)，后180行對應疲勞狀態(tài))作為神經(jīng)網(wǎng)絡的輸入層訓練數(shù)據(jù)。與該矩陣對應的輸出層訓練數(shù)據(jù)為長度為360的向量(前180行為0，對應非疲勞輸出；后180行為1，對應疲勞輸出)。

3.3 訓練神經(jīng)網(wǎng)絡與結(jié)果分析

根據(jù)第2節(jié)中給出的神經(jīng)網(wǎng)絡設計方案，利用MATLAB神經(jīng)網(wǎng)絡工具箱創(chuàng)建BP神經(jīng)網(wǎng)絡，向網(wǎng)絡輸入已生成的屬于某駕駛員的訓練矩陣，執(zhí)行訓練網(wǎng)絡操作。神經(jīng)網(wǎng)絡經(jīng)訓練后，隱含層內(nèi)5個隱節(jié)點的輸入與輸出權(quán)值向量得到確定，如表1和表2所示。

表1 隱含層節(jié)點的輸入權(quán)值向量

表2 隱含層節(jié)點的輸出權(quán)值向量

執(zhí)行網(wǎng)絡訓練時，MATLAB隨機地從所有輸入數(shù)據(jù)中提取70%用于訓練操作，15%用于驗證操作，15%用于測試操作。由于此隨機性的存在，有必要多次執(zhí)行網(wǎng)絡訓練以獲取神經(jīng)網(wǎng)絡的平均分類準確率。對每個駕駛員的特征數(shù)據(jù)，分別執(zhí)行了4次訓練操作，記錄并統(tǒng)計神經(jīng)網(wǎng)絡分類準確率，如表3所示。

表3 神經(jīng)網(wǎng)絡訓練結(jié)果

從實驗結(jié)果可以看到，BP神經(jīng)網(wǎng)絡對4個駕駛員的兩類特征數(shù)據(jù)(非疲勞與疲勞數(shù)據(jù))的分類識別效果明顯。每個駕駛員的4次分類準確性都穩(wěn)定在89%以上，總平均準確率為93.2%。

4 結(jié)論

駕駛狀態(tài)下的自發(fā)腦電信號，經(jīng)離散小波變換濾波并進行統(tǒng)計特征提取后，可保留用于區(qū)別是否疲勞的特征內(nèi)容。根據(jù)這些特征內(nèi)容訓練并創(chuàng)建BP人工神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡能夠以較高準確率對非疲勞與疲勞腦電信號進行分類。

另外，因為針對每個窗口下的腦電數(shù)據(jù)，其離散小波濾波與統(tǒng)計特征提取的計算時間，以及BP人工神經(jīng)網(wǎng)絡根據(jù)輸入值計算輸出值的時間，都遠小于信號的采集時間。因此，為下一階段研究實時監(jiān)測駕駛疲勞奠定了基礎。

[1] Lal Saroj K L, Craig A.Electroencephalography Activity Associated with Driver Fatigue: Implications for a Fatigue Countermeasure Device[J/CD].Journal of Psychophysiology, 2001, 15: 125-130.

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

[3] Sehier M A.Changes in EEG Alpha Power During Simulated Driving: A Demonstration International[J].Journal of Psychophysiology, 2000, 37(2) : 155-162

[4] Eoh H J, Chung M K, Kim S H.Electroencephalographic Study of Drowsiness in Simulated Driving with Sleep Deprivation[J].International Journal of Industrial Ergonomics,2005，35(4):307-320.

[5] Zhang C,Zheng C X, Yu X L.Automatic Recognition of Cognitive Fatigue from Physiological Indices by Using Wavelet Packet Transform and Kernel Learning Algorithms[J].Expert Systems with Applications, 2009, 36(3): 4664-4671.

[6] Galka A.Topics in Nonlinear Time Series Analysis: with Implications for EEG Analysis[M].World Scientific Publishing Company Incorporated, 2000.

[7] 馮象初，甘小冰，宋國鄉(xiāng)．數(shù)值泛函于小波理論[M]：西安：西安電子科技大學出版杜，2003.

[8] 楊幫華,顏國正, 鄢波.基于離散小波變換提取腦機接口中腦電特征[J].中國生物醫(yī)學工程學報, 2006, 25(5): 518-522.

[9] Hecht-Nielsen R.Theory of the Back Propagation Neural Network[C].Proceeding of the International Joint Conference on Neural Networks(IJCNN), New York, 1989,1:593-605.

[10] 史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡30個案例分析[M]：北京：北京航空航天大學出版社，2010：9-10.

[11] Hagan M T,Menhaj M B.Training Feedforward Networks with the Marquardt Algorithm[J].IEEE Transactions on Neural Networks, 1994, 5(6): 989-993.

Driver Fatigue Recognition in Highway Driving Based on EEG Signal Classification

Luo Xu1,2, Wang Hong1& Wang Fuwang1

1.NortheasternUniversity,Shenyang110004; 2.ShenyangNormalUniversity,Shenyang110034

A method of electroencephalogram (EEG) signal classification for driver fatigue recognition is presented based on wavelet transform and BP neural network.The EEG signals of drivers are filtered using discrete wavelet transform to obtain the wavelet coefficients in four subbands with frequencies lower than 30Hz, from which eigenvalues are extracted by statistical method.With these eigenvalues as training data, the BP artificial neural network created is trained.The results show that the classification with the neural network created on the EEG signals recorded from coach drivers in both fatigue and non-fatigue states in highway driving has reached an accuracy rate up to 93.2 %.

driver fatigue； EEG； wavelet transform； BP artificial neural network

*無線體域網(wǎng)下疲勞駕駛狀態(tài)腦肌眼電信號特性研究基金(61071057)資助。

原稿收到日期為2013年4月6日，修改稿收到日期為2013年8月12日。