郭孜政，潘雨帆，潘毅潤，張　駿，劉　萍，譚永剛

(1. 西南交通大學(xué) 交通運輸與物流學(xué)院， 610031 成都；2. 成都市事故預(yù)防處, 610031 成都)

?

駕駛員腦力負(fù)荷的SVM識別模型

郭孜政1，潘雨帆1，潘毅潤1，張駿1，劉萍2，譚永剛1

(1. 西南交通大學(xué) 交通運輸與物流學(xué)院， 610031 成都；2. 成都市事故預(yù)防處, 610031 成都)

摘要:車載信息系統(tǒng)的使用，道路交通控制信息的復(fù)雜，增加了駕駛員腦力負(fù)荷量. 為對駕駛員腦力負(fù)荷進(jìn)行有效識別，為自動輔助駕駛系統(tǒng)以及交通信息的整合優(yōu)化設(shè)計提供依據(jù)，以駕駛員腦電信號δ(0.5～4 Hz), θ(4～8 Hz), α(8～13 Hz),β(13～30 Hz)頻譜幅值為輸入特征，結(jié)合SVM模型構(gòu)建了駕駛員腦力負(fù)荷識別模型. 在此基礎(chǔ)上，基于駕駛模擬器實驗數(shù)據(jù)，對該模型予以試算. 結(jié)果表明，模型識別正確率可達(dá)93.8%～96.5%. 該模型對駕駛員腦力負(fù)荷識別具有較高準(zhǔn)確性，可用于駕駛員腦力負(fù)荷識別.

關(guān)鍵詞:駕駛員；腦力負(fù)荷；識別；腦電；支持向量機(jī)

車載信息系統(tǒng)(如GPS導(dǎo)航，實時通訊，車載音視頻)的普遍使用，以及交通控制信息的復(fù)雜性增加，使得駕駛員腦力負(fù)荷量增長[1]. 高腦力負(fù)荷狀況，將造成駕駛員對突發(fā)交通事件反應(yīng)時延長，周邊交通事件識別率降低，從而引起反應(yīng)操作失誤，影響駕駛安全[2-3]. 因此對于駕駛員腦力負(fù)荷水平予以有效識別是駕駛行為類研究的一個關(guān)鍵性問題. 目前國內(nèi)外對駕駛員腦力負(fù)荷進(jìn)行了廣泛研究，研究表明車流量、交通標(biāo)志、道路設(shè)計等交通環(huán)境因素會造成駕駛員腦力負(fù)荷量的增加，而腦力負(fù)荷的增加將會引起駕駛員對突發(fā)事件反應(yīng)時間的延長，對外周隨機(jī)信號、事件準(zhǔn)確識別率的下降，以及車輛駕駛控制績效的降低，從而引發(fā)事故發(fā)生概率的增加[4-7]. 為此，眾多學(xué)者就駕駛腦力負(fù)荷測評方法開展了研究[8-10]，目前主要采用的腦力負(fù)荷測評方法是基于NASA任務(wù)負(fù)荷指數(shù)和主觀負(fù)荷評估技術(shù)的主觀測評法，以及基于主任務(wù)和次任務(wù)行為績效的工作績效測量法. 上述研究為駕駛員腦力負(fù)荷識別研究提供了重要依據(jù). 但主觀測評及行為績效測評具有與行為狀態(tài)的時間滯后性，很難用于實時駕駛腦力負(fù)荷測評. 腦電信號作為直接反應(yīng)大腦活動的神經(jīng)生理信號，與駕駛員的當(dāng)前精神狀態(tài)具有高度相關(guān)性[11-12]，因此本研究擬以腦電神經(jīng)信號為測評參量，基于SVM模型構(gòu)建駕駛腦力負(fù)荷識別模型，以期實現(xiàn)駕駛員腦力負(fù)荷水平的動態(tài)實時識別，為自動輔助駕駛的設(shè)計以及交通信息的整合優(yōu)化設(shè)計提供依據(jù).

1駕駛腦力負(fù)荷等級測定

駕駛腦力負(fù)荷是指駕駛員在駕駛過程中大腦所承擔(dān)的信息處理負(fù)荷量[13]. 目前腦力負(fù)荷測量與評價方法主要分為兩種：1)主觀量表法，該類方法讓作業(yè)者依據(jù)腦力負(fù)荷量表，根據(jù)作業(yè)任務(wù)的腦力負(fù)荷量給出主觀測評，主要采用的腦力負(fù)荷量表為NASA-TLX、SWAT、CH、MCH、OW等，其中前兩種為多維度量表，后3種為單維度量表. 2)客觀行為指標(biāo)測評法，該類方法通常采用雙任務(wù)實驗范式，即要求駕駛員在完成主駕駛?cè)蝿?wù)的同時，完成次要任務(wù)(如對周邊隨機(jī)探測信號反應(yīng)，問題回答或加減運算).

基于上述腦力負(fù)荷測定分級方法，結(jié)合駕駛?cè)蝿?wù)的特點，本研究擬采用主觀測評、與駕駛主次任務(wù)行為績效測定相結(jié)合的方式來確定腦力負(fù)荷等級. 即在駕駛?cè)蝿?wù)測試中記錄駕駛員對主任務(wù)、次任務(wù)的行為績效，通過不同腦力負(fù)荷下績效水平對比來確定駕駛腦力負(fù)荷水平. 此外，實驗結(jié)束后，讓駕駛員憑主觀負(fù)荷感受，填寫NASA量表給出主觀腦力負(fù)荷分?jǐn)?shù).

2基于腦電信號的腦力負(fù)荷識別模型構(gòu)建

2.1腦電信號參數(shù)計算

腦電信號反映了大腦活動狀態(tài)，人腦由低負(fù)荷狀態(tài)進(jìn)入高負(fù)荷狀態(tài)時，腦電活動頻段幅值也相應(yīng)發(fā)生變化，即高頻波段幅度增加而低頻波段幅度降低. 腦電活動的各頻段幅值變化能反映駕駛員的腦力負(fù)荷狀態(tài)[11-13]. 因此，可以將腦電4種信號頻段δ(0.5～4 Hz),θ(4～8 Hz), α(8～13 Hz),β(13～30 Hz)幅值作為腦力負(fù)荷識別參數(shù)[14]. 對于一個電極的腦電信號參數(shù)計算過程如下.

1)以1 min腦電信號作為基本分析單元，對1 min腦電信號以0～80 Hz為帶寬整體進(jìn)行濾波處理. 對于腦電信號設(shè)定重疊率為50%、步長為2 000 ms的時間窗，從左至右逐段分割，共得到59個時間窗，如圖1所示.

圖1　腦電信號分段示意

2)對于一個時間窗口內(nèi)的腦電信號f[n]進(jìn)行快速傅里葉變換，得到該腦電信號f[n]在頻域上的幅值分布f[k]，即

(1)

3)按照δ(0.5～4 Hz), θ(4～8 Hz), α(8～13 Hz), β(13～30 Hz)從f[k]中提取出4種波幅度序列，去除該序列中均值正負(fù)3倍標(biāo)準(zhǔn)差外的異常數(shù)據(jù)后求均值，得到4個波段在一個時間窗內(nèi)的幅值，再對59個時間窗幅值求均值，以該平均值作為此1 min腦電信號該頻段幅度代表值.

同理對于q個電極的腦電信號，均采用上述方法進(jìn)行處理，則相應(yīng)得到4×q項腦電參數(shù)，記為xj(1≤j≤4×q).

2.2駕駛腦力負(fù)荷特征指標(biāo)選取

為提高識別精度，同時減少特征向量維度，降低數(shù)據(jù)運算負(fù)荷量，需從上述4×q項腦電參數(shù)中，選取若干參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo). 具體做法為，對于任意的一項參數(shù)xj，將其在高腦力負(fù)荷駕駛狀態(tài)與低腦力負(fù)荷駕駛狀態(tài)下得到的參數(shù)序列進(jìn)行混合，進(jìn)行Kruskal-Wallis檢驗，即

(2)

由于H服從自由度為1的卡方分布，查表可得臨界區(qū)域的概率p. p值代表了兩種腦力負(fù)荷條件下樣本分布相同的概率，故p值越小代表該項參數(shù)在兩類負(fù)荷狀態(tài)下的數(shù)據(jù)分布差異越大，p<0.05即為差異顯著. 基于上述方法，對4×q項腦電參數(shù)逐一進(jìn)行檢驗，從4×q項腦電參數(shù)中選出差異最為顯著的m(1≤m≤4×q)項構(gòu)成駕駛腦力負(fù)荷特征指標(biāo).

3基于SVM的辨識器構(gòu)造

設(shè)駕駛員的第t個腦力負(fù)荷識別特征指標(biāo)樣本為xt=(xt1,xt2…,xtm)，其中t=1，2，…，D，D為樣本容量. 若設(shè)定1為高腦力負(fù)荷，-1為低腦力負(fù)荷，則xt可能是1或-1兩種類型中的其中一種. 通過非線性變換Φ，將xt映射到高維線性空間，若存在最優(yōu)線性分界面滿足

(3)

(4)

該問題可轉(zhuǎn)化為二次規(guī)劃問題

(5)

(6)

對于一個未知類型的駕駛員腦力負(fù)荷識別特征向量樣本x=(x1,x2,…,xm)，計算

(7)

若y(x)=1，判斷x屬于第1類；若y(x)=-1，判斷x屬于第2類.

4識別效果測評

SVM識別模型對某個未知類型的駕駛員腦力負(fù)荷識別特征向量樣本X={x1,x2,…,xq}的識別可產(chǎn)生4種結(jié)果：1)輸入樣本為高腦力負(fù)荷，識別判斷為高腦力負(fù)荷，記為真高負(fù)荷；2)輸入樣本為低腦力負(fù)荷，識別判斷為高負(fù)荷，記為偽高負(fù)荷；3)輸入樣本為低腦力負(fù)荷，識別判斷為低腦力負(fù)荷，記為真低負(fù)荷；4)輸入樣本為高負(fù)荷，識別判斷為低負(fù)荷，記為偽低負(fù)荷. 基于上述假設(shè)，可構(gòu)建以下3項指標(biāo)對識別效果予以測評，即

(8)

(9)

(10)

式中：T1為真高負(fù)荷樣本量；T2為真低負(fù)荷樣本量；F1為偽高負(fù)荷樣本量；F2為偽低負(fù)荷樣本量；Th為SVM模型對高腦力負(fù)荷狀態(tài)的識別正確率；Sp為SVM模型對低腦力負(fù)荷的識別正確率；Ac為SVM模型對所有樣本的整體識別正確率.

5實例

步驟1實驗設(shè)計. 選取16名被試在模擬器(合縱連橫VDS-S-III)上分別進(jìn)行高低負(fù)荷駕駛測試實驗. 被試年齡為24±2歲，持有效駕照，駕駛里程累計10 000 km以上,測試場景如圖2所示.

圖2　模擬實驗

采用雙任務(wù)實驗范式構(gòu)造高、低兩種條件的駕駛腦力負(fù)荷等級，其中主任務(wù)為駕駛追蹤任務(wù)，實驗前告知被試兩車間距的合理值，通過練習(xí)使被試感知合理距離. 任務(wù)要求駕駛員控制A車，與B車保持合理間距. 次任務(wù)為隨機(jī)信號探測任務(wù)，當(dāng)B車突然制動，剎車燈亮起，要求被試盡可能快地做出制動反應(yīng)，此時仍需保持合理間距. 任務(wù)負(fù)荷由主任務(wù)的追蹤速度來控制，高負(fù)荷平均車速為80 km/h，低負(fù)荷平均車速為40 km/h[15].

在實驗過程種，記錄兩種腦力負(fù)荷條件下A、B兩車實際間距與合理間距的差值和對隨機(jī)探測信號任務(wù)的反應(yīng)時及正確率，數(shù)據(jù)記錄頻率為10 Hz. 同時，采用德國Brain Products公司EEG記錄與分析系統(tǒng)，按國際10～20系統(tǒng)擴(kuò)展的32導(dǎo)電極帽記錄駕駛員腦電數(shù)據(jù)，頭皮與電極之間的阻抗小于5 kΩ，記錄帶寬為0.5～100 Hz，采樣率為1 000 Hz.

步驟2腦力負(fù)荷分級驗證. 對實驗中3項行為數(shù)據(jù)及主觀負(fù)荷測評數(shù)據(jù)進(jìn)行均值與標(biāo)準(zhǔn)差計算其結(jié)果如圖3所示.

對上述數(shù)據(jù)進(jìn)行配對樣本t檢驗，結(jié)果表明，NASA主觀量表得分在低負(fù)荷下顯著低于高負(fù)荷(82.20/92.70，t(15)=-8.197，p<0.01)低負(fù)荷條件下兩車合理距離偏差值與反應(yīng)時顯著低于高負(fù)荷條件(2.02/2.76，t(15)=-2.40，p<0.05;482.5/518.6，t(15)=-11.791，p<0.01)，正確率在低負(fù)荷條件下顯著大于高負(fù)荷條件(92.26/87.37，t(15)=3.05，p<0.05). 故知上述兩種駕駛?cè)蝿?wù)設(shè)置，實現(xiàn)了駕駛員腦力負(fù)荷的差異.

(a)負(fù)荷量表得分　　　　　　　 (b)合理間距偏差　 　　　　　　(c) 反應(yīng)時間　　　　 　　　　 (d) 正確率

步驟3特征指標(biāo)構(gòu)建和選取. 基于2.1節(jié)的處理方法對腦電信號進(jìn)行分段處理并做快速傅里葉變換，按2.2所述方法得出δ、θ、α和β 4個指標(biāo)在32個電極上個高低負(fù)荷數(shù)據(jù)間的p值，其腦地形圖如圖4所示.

為能直觀看出p值大小順序，將所有p值進(jìn)行由小到大排序，將0～1均勻分為128個值，按p值順序置入電極位置，作出直觀腦地形圖如圖5所示.

(a)δ波p值分布　　　　　 (b) θ波p值分布　　 　　 (c) α波p值分布　　　 　　 (d) β波p值分布

(a)δ波p值分布　　　　　 (b) θ波p值分布　　　 　　 (c) α波p值分布　　　 　　 (d) β波p值分布

由此選出效果最好的10個指標(biāo)，構(gòu)成駕駛腦力負(fù)荷的識別特征向量.

步驟4腦力負(fù)荷識別. 隨機(jī)抽取12名被試的腦電數(shù)據(jù)作為訓(xùn)練樣本，余下4名被試的腦電數(shù)據(jù)作為測試樣本. 對SVM模型予以訓(xùn)練和測試，其結(jié)果如圖6所示.

由圖6(a)可知識別模型的判斷正確率較好，模型識別正確率可達(dá)93.8%～96.5%，平均正確率為95.2%. 圖6(b)ROC曲線圖反應(yīng)出識別模型對于數(shù)據(jù)的分類具有較好的穩(wěn)定性.

(a)SVM模型測試結(jié)果

(b)SVM模型ROC曲線

6結(jié)論

1)針對駕駛員腦力負(fù)荷識別問題，基于腦電信號指標(biāo)構(gòu)建了一種駕駛員腦力負(fù)荷識別方法，通過研究，進(jìn)一步驗證了頻域指標(biāo)不僅可以對認(rèn)知實驗類的腦力負(fù)荷進(jìn)行識別，也可對模擬環(huán)境下駕駛員的腦力負(fù)荷進(jìn)行有效識別.

2)基于非參數(shù)的Kruskal-Wallis檢驗，提出了一種通過對比不同等級下腦電指標(biāo)分布的差異性，選取腦力負(fù)荷識別特征指標(biāo)的方法.

3)采用腦電信號的頻譜特征指標(biāo)，結(jié)合SVM模型，構(gòu)建了一種駕駛員腦力負(fù)荷識別模型，實驗結(jié)果表明該模型具有較高的識別率.

參考文獻(xiàn)

[1] 白玉，何熊，龍力．手機(jī)使用對駕駛員行為影響研究綜述[J]．交通信息與安全，2013(3)：136-142．

[2] 李麗，袁玫．使用車載導(dǎo)航系統(tǒng)下駕駛員腦力負(fù)荷影響因素分析[J]．安全與環(huán)境學(xué)報，2011(6)：202-204．

[3] 程杰，唐智慧，李小玲,等．駕駛中聽音樂對駕駛安全的影響[J]．中國安全科學(xué)學(xué)報，2014(5)：21-25．

[4] 王培，饒培倫．駕駛員對北京市道路交通標(biāo)志的感知和理解[J]．工業(yè)工程，2011,14(1)：114-117．

[5] 張詩卉．城市典型路口駕駛員腦力負(fù)荷分析與實驗驗證[D]．北京：清華大學(xué)，2010．

[6] 楊家忠，張侃．交通復(fù)雜度因素對空中交通管制員腦力負(fù)荷與情境意識的影響[J]．心理科學(xué)，2010 (2)：368-371．

[7] 陳陽．城市道路環(huán)境中駕駛員工作負(fù)荷試驗研究[D]．西安：長安大學(xué)，2009．

[8] HAGA S，SHINODA H，KOKUBUN M．Effects of task difficulty and time-on-task on mental workload[J]．Japanese Psychological Research，2002，44(3)：134-143．

[9] SZALMA J L，WARM J S，MATTHEWS G，et al．Effects of sensory modality and task duration on performance，workload，and stress in sustained attention[J]．Human Factors：The Journal of the Human Factors and Ergonomics Society，2004，46(2)：219-233．

[10]肖元梅，王治明，王綿珍，等．主觀負(fù)荷評估技術(shù)和NASA任務(wù)負(fù)荷指數(shù)量表的信度與效度評價[J]．中華勞動衛(wèi)生職業(yè)病雜志，2005(3)：178-181．

[11]VENABLES L，F(xiàn)AIRCLOUGH S H.The influence of performance feedback on goal-setting and mental effort regulation[J]．Motivation and Emotion,2009，33(1)：63-74．

[12]PFURTSCHELLER G，BRUNNER C，SCHLOGL A，et al．Mu rhythm (de)synchronization and EEG single-trial classification of different motor imagery tasks[J]．Neuroimage，2006，31(1)：153～159．

[13]GRIER R A，WARM J S，DEMBER W N，et al．The vigilance decrement reflects limitations in effortful attention，not mindlessness[J]．Human Factors： The Journal of the Human Factors and Ergonomics Society，2003，45(3)：349-359．

[14]張曉龍，江川，駱名劍．ROC分析技術(shù)在機(jī)器學(xué)習(xí)中的應(yīng)用[J]．計算機(jī)工程與應(yīng)用，2007，43(4)： 243-248．

[15]CHRYSLER S，PARK E S，NELSON A，et al．Driver workload at higher speeds[R]． College Station: Texas Transportation Institute, Texas A&M University System，2010．

(編輯魏希柱)

SVM recognition model of driver’s mental workload

GUO Zizheng1，PAN Yufan1，PAN Yirun1，ZHANG Jun1，LIU Ping2，TAN Yonggang1

(1.School of Transportation and Logistics，Southwest Jiaotong University，610031 Chengdu，China；2. Accident Prevention Office，Bureau of Public Security of Chengdu Municipality，610031 Chengdu，China)

Abstract:The use of the vehicle information system and the complex road traffic control information make the mental workload of drivers increased. In order to recognize driving mental workload efficiently，provide the basis of automatic auxiliary driving and integrate the traffic information，the method use the EEG signal δ(0.5-4 Hz), θ(4-8 Hz), α(8-13 Hz), β(13-30 Hz) as the input features and SVM model to establish the recognition model for state of driving mental workload. Meanwhile，combine with examples based on EEG data from the simulator to test the model，the result shows that the average recognition accuracy rate was between 93.8% and 96.5%. The modle shows good accurancies for driver’s mental workload recognition and can be used in actual driving.

Keywords:driver； mental workload；recognition；EEG；SVM

中圖分類號:U491.2

文獻(xiàn)標(biāo)志碼:A

文章編號:0367-6234(2016)03-0154-05

通信作者:譚永剛，scjxtyg@163.com.

作者簡介:郭孜政(1982—)，男，副教授.

基金項目:國家自然科學(xué)基金(51108390)；

收稿日期:2014-11-18.

doi：10.11918/j.issn.0367-6234.2016.03.026

國家自然科學(xué)基金委鐵道聯(lián)合基金資助(U1234206).