王仲民，李佳玉，鄧三鵬

（天津職業(yè)技術(shù)師范大學(xué) 機(jī)械工程學(xué)院，天津 300222）

疲勞駕駛監(jiān)測主要是通過對各疲勞特征參數(shù)值進(jìn)行綜合分析來判斷駕駛員是否疲勞駕駛，為駕駛員疲勞駕駛預(yù)警提供決策依據(jù)[1]。國內(nèi)外關(guān)于監(jiān)測疲勞駕駛的方法主要包括檢測駕駛員操作行為、檢測車輛狀態(tài)、檢測駕駛者生理反應(yīng)等。然而，疲勞監(jiān)測方法現(xiàn)仍處于探索階段，還未形成統(tǒng)一的疲勞監(jiān)測系統(tǒng)模型及制定出疲勞監(jiān)測標(biāo)準(zhǔn)。由于疲勞是一種復(fù)雜的生理現(xiàn)象，生理信息能較準(zhǔn)確地反映出疲勞狀態(tài)[2]，本文通過實(shí)驗(yàn)采集駕駛員的生理特征信息，融合分析心率、脈搏和呼吸信號，決策識(shí)別出駕駛員所處的駕駛狀態(tài)。

D-S證據(jù)理論在決策級的信息融合中具有較好的識(shí)別作用[3]，是由Dempster和Shafer提出的一種識(shí)別、融合不確定信息的推理方法。然而，D-S理論中基本可信度的分配需要綜合有關(guān)領(lǐng)域?qū)＜业闹R(shí)和經(jīng)驗(yàn)，在實(shí)際應(yīng)用中很難實(shí)現(xiàn)。本文首先通過運(yùn)用與訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，將相關(guān)專家的經(jīng)驗(yàn)判斷和采集的模糊信息一并融入疲勞決策過程，然后利用模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度快、識(shí)別精度高等優(yōu)點(diǎn)，將其輸出的結(jié)果歸一化后設(shè)置為基本可信度。最后采用D-S理論與模糊神經(jīng)網(wǎng)絡(luò)相融合來決策判定駕駛員駕駛狀態(tài)。決策判定過程如圖1所示。

圖1 疲勞識(shí)別流程Fig.1 Process of fatigue recognition

1 疲勞駕駛特征參數(shù)的提取

疲勞狀態(tài)下駕駛屬非法駕駛且較危險(xiǎn)，開展實(shí)際道路環(huán)境下疲勞駕駛實(shí)驗(yàn)具有很大的危險(xiǎn)性。研究表明，模擬駕駛與實(shí)車駕駛之間存在良好的一致性[4]，因此可采用模擬駕駛實(shí)驗(yàn)進(jìn)行相關(guān)研究。

室內(nèi)模擬駕駛實(shí)驗(yàn)中使用Pulse Sensor光電反射式脈搏傳感器、Polar RS800CX運(yùn)動(dòng)心率表、HXB-2型壓電式呼吸傳感器來采集駕駛員的呼吸、脈搏和心率信號。在每天相同時(shí)間段內(nèi)進(jìn)行實(shí)驗(yàn)，整個(gè)實(shí)驗(yàn)過程時(shí)間為3 h，持續(xù)一周。安裝心率、脈搏、呼吸儀器設(shè)備后，實(shí)驗(yàn)員先駕駛5 min熟悉操作環(huán)境，根據(jù)研究，單調(diào)路況下，駕駛員將在30 min后出現(xiàn)疲勞特征，即使在實(shí)驗(yàn)前沒有睡眠或疲勞現(xiàn)象[5]，所以選擇120 min作為實(shí)驗(yàn)時(shí)間，其他時(shí)間作為參考。實(shí)驗(yàn)中實(shí)時(shí)動(dòng)態(tài)監(jiān)測并記錄模擬駕駛者的各種數(shù)據(jù)。

2 D-S理論與模糊神經(jīng)網(wǎng)絡(luò)融合

2.1 D-S證據(jù)理論基本思想

以Ω作為有限個(gè)變量A全部取值的集合，且集合中所有元素均互不相容，集合Ω是變量A的識(shí)別框架。由Ω的全部子集構(gòu)成的一個(gè)集合記作Ω的冪集，表示為 2Ω。

設(shè)識(shí)別框架Ω內(nèi)任意變量A、函數(shù)m、Bel均是從集合 2Ω到［0，1］的映射。

疲勞識(shí)別中，把駕駛員可能出現(xiàn)的狀態(tài)作為假設(shè)，各種可能狀態(tài)的集合為辨識(shí)框架，疲勞引起的各個(gè)生理特征信息為證據(jù)，則駕駛員各種狀態(tài)之下各個(gè)生理特征的概率分布為該狀態(tài)的基本可信度分配。

設(shè)E1、E2…En為同一識(shí)別框架Ω中的n個(gè)獨(dú)立證據(jù)，m1、m2…mn是相應(yīng)的基本概率分配函數(shù)，相應(yīng)焦元是 Ai（i＝1，2，…，n），若存在，則D-S合成規(guī)則為

2.2 模糊神經(jīng)網(wǎng)絡(luò)的可信度分配

疲勞識(shí)別過程中，基本可信度可看作是駕駛員各生理特征信息從屬于其駕駛狀態(tài)的隸屬度，因此采用模糊神經(jīng)網(wǎng)絡(luò)，利用學(xué)習(xí)建立的模糊推理規(guī)則，模糊推理輸入的駕駛員生理特征參數(shù)，推出駕駛員生理特征參數(shù)隸屬于各駕駛狀態(tài)的程度，從而得到D-S理論的基本可信度。

模糊神經(jīng)網(wǎng)絡(luò)包括輸入層、模糊化層、模糊規(guī)則計(jì)算層和輸出層，結(jié)構(gòu)如圖2所示。輸入層為輸入變量xi；模糊化層是用曲線較為平滑的高斯型隸屬度函數(shù)模糊化輸入值，以求出模糊隸屬度值μ；模糊規(guī)則計(jì)算層以模糊連乘式（2）求出模糊算子ω；輸出層以式（3）求出計(jì)算結(jié)果y。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of FNN

2.3 模糊神經(jīng)網(wǎng)絡(luò)疲勞決策

駕駛員狀態(tài)分為清醒和疲勞2類，因此需構(gòu)造2個(gè)子模糊神經(jīng)網(wǎng)絡(luò)，每個(gè)子模糊神經(jīng)網(wǎng)絡(luò)的輸入對應(yīng)著生理特征，即人體呼吸、脈搏和心率信號特征參數(shù)，輸出分別對應(yīng)一種狀態(tài)。選用提取的清醒和疲勞狀態(tài)下的心率、脈搏、呼吸樣本數(shù)據(jù)各80個(gè)，歸一化處理后如表1所示，其中60個(gè)（分為3組）進(jìn)行訓(xùn)練，剩余20個(gè)進(jìn)行測試。

表1 歸一化后生理特征參數(shù)Tab.1 Physiological characteristic parameters after normalization

將每種信號的3組數(shù)據(jù)作為輸入特征變量，輸入節(jié)點(diǎn)數(shù)為20，輸出節(jié)點(diǎn)數(shù)為2，以減法聚類算法聚類分析樣本，并訓(xùn)練2個(gè)子模糊神經(jīng)網(wǎng)絡(luò)，得到誤差變化曲線如圖3所示，337次達(dá)到最佳訓(xùn)練誤差值0.00099226。

圖3 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.3 Curve of FNN training error

又設(shè)計(jì)一個(gè)3層BP網(wǎng)絡(luò)進(jìn)行疲勞駕駛識(shí)別，輸入層節(jié)點(diǎn)數(shù)取20，根據(jù)網(wǎng)絡(luò)訓(xùn)練效果調(diào)整隱含層節(jié)點(diǎn)數(shù)，先設(shè)置為9，輸出層神經(jīng)元個(gè)數(shù)為2，以自適應(yīng)學(xué)習(xí)率與附加動(dòng)量項(xiàng)結(jié)合的方法訓(xùn)練BP網(wǎng)絡(luò)。用訓(xùn)練后的樣本和測試樣本分別訓(xùn)練與測試網(wǎng)絡(luò)，誤差變化曲線如圖4所示，3000次達(dá)到最佳訓(xùn)練誤差值0.033991。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.4 Curve of BP network training error

從圖3與圖4可知，模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度與性能優(yōu)于BP網(wǎng)絡(luò)，誤差也較小，基本無震蕩現(xiàn)象，因此模糊神經(jīng)網(wǎng)絡(luò)的疲勞決策精度優(yōu)于BP網(wǎng)絡(luò)。

2.4 D-S理論疲勞決策

對于每個(gè)焦元的基本可信度的獲取問題，利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行解決。用實(shí)測數(shù)據(jù)在訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行測試，以經(jīng)過歸一化處理的模糊神經(jīng)網(wǎng)絡(luò)測試輸出作為每個(gè)焦元的基本可信度分配，輸出誤差e作為不確定度θ，輸出歸一化計(jì)算公式為

式中：i=1，2為駕駛員的2種狀態(tài)，1代表清醒，2代表疲勞；ei為網(wǎng)絡(luò)誤差；yi為模糊神經(jīng)網(wǎng)絡(luò)的輸出；mi為3種生理信號狀態(tài)下的基本可信度分配。D-S融合結(jié)果如表2所示。

表2 模糊神經(jīng)網(wǎng)絡(luò)輸出歸一化結(jié)果Tab.2 Normalized output of fuzzy neural network

由于m1，m2相互獨(dú)立，將表2中的數(shù)據(jù)按式（1）進(jìn)行融合，結(jié)果如表3所示。與表2對比可知，決策精度有了很大提高。

表3 證據(jù)融合結(jié)果Tab.3 Results of evidence fusion

對表3中數(shù)據(jù)進(jìn)行融合，可得到清醒狀態(tài)下m＝0，疲勞狀態(tài)下m=1，不確定度為 0，所以此時(shí)駕駛員處于疲勞狀態(tài)。由于對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行測試的數(shù)據(jù)就是駕駛員處于疲勞狀態(tài)時(shí)的數(shù)據(jù)，融和結(jié)果與實(shí)際相符。與表3對比，可知單個(gè)傳感器對疲勞狀態(tài)的識(shí)別精度沒有多傳感器的精度高，且多個(gè)信息融合的結(jié)果優(yōu)于單一信號判定結(jié)果。

3 結(jié)語

根據(jù)模糊神經(jīng)網(wǎng)絡(luò)兼有模糊理論與神經(jīng)網(wǎng)絡(luò)的特性，構(gòu)建了模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提出了疲勞駕駛監(jiān)測方法，并與BP網(wǎng)絡(luò)進(jìn)行對比，證明該方法具有較高的識(shí)別精度，在疲勞決策過程中有較好的應(yīng)用。同時(shí)，驗(yàn)證了D-S證據(jù)理論在實(shí)現(xiàn)疲勞駕駛監(jiān)測中的可行性和有效性，為駕駛員疲勞駕駛預(yù)警研究提供一種決策依據(jù)，這對降低因疲勞駕駛引發(fā)的事故具有重要的參考價(jià)值。

[1]孫偉，張小瑞，唐慧強(qiáng)，等.基于自適應(yīng)遺傳粒子群優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的疲勞駕駛預(yù)測模型[J].汽車工程，2013，35（3）：219-223.

[2]Shen K Q，Li X P，Shao S Y，et al.EEG-based mental fatigue measurement using multiclasssupport vector machines with confidence estimate[J].Clinical Neurophysiology，2008，119（7）：1524-1533.

[3]屈肖蕾，成波，林慶峰，等.基于駕駛員轉(zhuǎn)向操作特性的疲勞駕駛檢測[J].汽車工程，2013，35（9）：803-807.

[4]Godley S T，Triggs T J，F(xiàn)ildes B N.Driving simulator validation for speed research[J].Accident Analysis and Prevention，2002（34）：589-600.

[5]Gillberg M，Kecklund G，Akerstedt T.Sleepiness and performance of professional drivers in a truck simulator comparisons between day and night driving[J].Journal of Sleep Research，1996，5（1）：12-15.