曾　超， 王文軍， 陳朝陽, 張超飛， 成　波， Cavanaugh John M

(1.石河子大學(xué) 信息科學(xué)與技術(shù)學(xué)院，新疆 石河子 832003；2.清華大學(xué) 汽車工程系， 北京 100083；3.清華大學(xué) 汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083；4.韋恩州立大學(xué) 生物醫(yī)學(xué)工程系，底特律 MI 48201)

?

駕駛員疲勞狀態(tài)生理信號(hào)的DFA*

曾超1，2， 王文軍2，3， 陳朝陽4, 張超飛2.3， 成波2，3， Cavanaugh John M4

(1.石河子大學(xué) 信息科學(xué)與技術(shù)學(xué)院，新疆 石河子 832003；2.清華大學(xué) 汽車工程系， 北京 100083；3.清華大學(xué) 汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083；4.韋恩州立大學(xué) 生物醫(yī)學(xué)工程系，底特律 MI 48201)

摘要:通過去趨勢(shì)波動(dòng)分析(DFA)研究駕駛員疲勞狀態(tài)的心率變異性信號(hào)和腦電信號(hào)特征。22名被試在駕駛模擬器上進(jìn)行模擬駕駛作業(yè)，采集駕駛過程中的心率變異性和腦電信號(hào)并進(jìn)行離線分析。Wil-coxon符號(hào)秩檢驗(yàn)用于分析清醒和疲勞兩種狀態(tài)間DFA標(biāo)度指數(shù)的差異，受試者工作曲線(ROC)分析用于確定DFA區(qū)分疲勞駕駛和清醒駕駛的能力。結(jié)果表明：疲勞狀態(tài)時(shí)，心率變異性和腦電信號(hào)的標(biāo)度指數(shù)顯著增加(Wilcoxon符號(hào)秩檢驗(yàn)，p<0.01)；心率變異性和腦電信號(hào)標(biāo)度指數(shù)的ROC下面積最大分別為0.75和0.78。DFA的標(biāo)度指數(shù)具有應(yīng)用于駕駛疲勞監(jiān)測(cè)系統(tǒng)的前景。

關(guān)鍵詞：駕駛員疲勞； 去趨勢(shì)波動(dòng)分析； 心率變異性； 腦電信號(hào)

0引言

根據(jù)世界衛(wèi)生組織(WHO)的資料[1]，道路交通事故每年造成124萬人死亡，2 000～5 000萬人受傷，疲勞駕駛是造成交通事故的重要原因。我國(guó)2008年因疲勞駕駛導(dǎo)致的交通事故共2 568起，其中,死亡1 353人，受傷3 129人，造成直接財(cái)產(chǎn)損失5 738萬元[2]。在此背景下，駕駛員的疲勞檢測(cè)成為汽車工業(yè)中的一個(gè)重要研究課題。目前，用于駕駛員疲勞檢測(cè)的方法主要可分為三類[3,4]：基于車輛行為的方法、基于駕駛員動(dòng)作的方法和基于生理信號(hào)的方法?；谏硇盘?hào)的駕駛員疲勞檢測(cè)方法通常從腦電信號(hào)(EEG)[5]、心率變異性(HRV)[6]和腦氧[7]等生理信號(hào)中提取能夠反映疲勞的特征，這類方法準(zhǔn)確可靠、預(yù)警時(shí)間充足，具有較好的應(yīng)用前景。

近年來的研究表明，HRV和EEG信號(hào)具有長(zhǎng)程暫態(tài)相關(guān)性，這種相關(guān)特性的基本特征是服從冪律統(tǒng)計(jì)關(guān)系，表明在不同時(shí)間尺度，信號(hào)的形成機(jī)制具有相似性[8]。為了分析非平穩(wěn)時(shí)間序列的長(zhǎng)程暫態(tài)相關(guān)性，Peng C K等人[9]提出了去趨勢(shì)波動(dòng)分析(detrended fluctuation analysis,DFA)方法。DFA是一種非線性方法，通過搜尋并去除不同尺度下積分信號(hào)中的趨勢(shì)成分[10]，達(dá)到消除信號(hào)中非平穩(wěn)偽跡，進(jìn)而提取非平穩(wěn)信號(hào)波動(dòng)暫態(tài)相關(guān)特征的目的[11]。DFA已成功應(yīng)用于交通數(shù)據(jù)[12]、氣象數(shù)據(jù)[13]和生理信號(hào)[14,15]等領(lǐng)域的研究。然而，這一方法在基于HRV的駕駛員疲勞研究中僅有少量報(bào)道[16]，而在基于EEG的駕駛員疲勞研究中未見報(bào)道。

本文通過DFA方法研究駕駛員HRV和EEG中的波動(dòng)，用于區(qū)分駕駛員清醒和疲勞狀態(tài)。

1研究對(duì)象與方法

1.1研究對(duì)象

招募22名持有有效駕照的成年人(16名男性，6名女性，平均年齡為23.5歲)參加實(shí)驗(yàn)。所有被試均精神正常，要求所有被試在實(shí)驗(yàn)當(dāng)天和前一天不得吸煙和飲用茶與咖啡。

1.2實(shí)驗(yàn)過程

實(shí)驗(yàn)在駕駛模擬器上進(jìn)行，所有實(shí)驗(yàn)在上午10點(diǎn)到下午5點(diǎn)之間進(jìn)行。駕駛場(chǎng)景設(shè)置為高速公路，被試在單向3車道的公路上進(jìn)行跟車實(shí)驗(yàn)，前方車輛以60 km/h的速度勻速行駛，要求被試持續(xù)駕駛，直到由于疲勞而無法繼續(xù)駕駛作業(yè)。受試者被要求對(duì)停止駕駛前的疲勞(困意)程度按KKS進(jìn)行主觀評(píng)價(jià)[17]。

駕駛過程中，通過腦電帽(CAP100C，BiopacInc，Goleta，CA)，記錄國(guó)際標(biāo)準(zhǔn)10～20導(dǎo)聯(lián)系統(tǒng)左額(Fp1)、右額(Fp2)、左顳(T3)和右顳(T4)位置的EEG，同時(shí)記錄Ⅱ?qū)CG。EEG由BioNomadix無線腦電模塊記錄,ECG由BioNomadix無線心電/呼吸模塊記錄，記錄到的信號(hào)通過藍(lán)牙方式實(shí)時(shí)發(fā)送到MP—150系統(tǒng)(BiopacInc，Goleta，CA)顯示并保存。EEG與ECG的采樣率均為1 000 Hz。

1.3DFA方法

DFA方法能夠在消除時(shí)間序列局部趨勢(shì)的基礎(chǔ)上，研究時(shí)間序列的長(zhǎng)程冪律相關(guān)性，從而避免非平穩(wěn)性造成的虛假相關(guān)性。

(1)

2)將y(k)分成長(zhǎng)度為n，且無重疊的若干段，在每段內(nèi)部采用最小二乘法對(duì)數(shù)據(jù)進(jìn)行擬合，擬合得到局部線性趨勢(shì)yn(k)，則y(k)的均方根波動(dòng)

(2)

3)若x(t)存在長(zhǎng)程冪律相關(guān)性，則有

Fn∝nα.

其中，α為描述時(shí)間序列長(zhǎng)程相關(guān)性的標(biāo)度指數(shù)[8～10]。在雙對(duì)數(shù)坐標(biāo)中將Fn看做n的函數(shù)，該函數(shù)的斜率即為標(biāo)度指數(shù)α。

模擬駕駛作業(yè)最開始5min認(rèn)為駕駛員處于清醒狀態(tài)，作業(yè)結(jié)束前5min認(rèn)為駕駛員處于疲勞狀態(tài)。對(duì)于ECG提取清醒和疲勞狀態(tài)信號(hào)，通過自動(dòng)算法標(biāo)記R波，并由專家進(jìn)行手動(dòng)校正后，得到RR間期序列，去除并補(bǔ)償異位心拍后，得到HRV信號(hào)，進(jìn)而計(jì)算清醒和疲勞狀態(tài)HRV信號(hào)的標(biāo)度指數(shù)。本文采用2,5min兩種時(shí)間長(zhǎng)度，研究HRV信號(hào)的標(biāo)度指數(shù)在駕駛員清醒和疲勞狀態(tài)的差異。對(duì)于EEG，提取清醒和疲勞狀態(tài)各2min信號(hào)，進(jìn)行無重疊分段，每段20s，采用DFA方法計(jì)算20sEEG信號(hào)的標(biāo)度指數(shù)α，并將6段20s信號(hào)α值的中值作為2min信號(hào)的α值。

1.4統(tǒng)計(jì)與分類方法

通過均值(Mean)、標(biāo)準(zhǔn)差(SD)、中值(Med)、第一四分位數(shù)(Q1)和第三四分位數(shù)(Q3)描述HRV和EEG標(biāo)度指數(shù)在清醒狀態(tài)和疲勞狀態(tài)的統(tǒng)計(jì)分布[18]。同時(shí)計(jì)算不同狀態(tài)間均值、標(biāo)準(zhǔn)差、中值、第一四分位數(shù)和第三四分位數(shù)的個(gè)體差異，并通過Wilconxon符號(hào)秩檢驗(yàn)各標(biāo)度指數(shù)在樣本內(nèi)的統(tǒng)計(jì)學(xué)差異,以p<0.01為差異有統(tǒng)計(jì)學(xué)意義。受試者工作曲線下面積用于評(píng)價(jià)不同標(biāo)度指數(shù)檢測(cè)疲勞的能力[19]。

2測(cè)試結(jié)果

被試的平均駕駛時(shí)間為(65±5)min，所有被試駕駛作業(yè)結(jié)束時(shí)的KSS評(píng)分均為9分。

圖1為某被試5minHRV信號(hào)的DFA示意圖，圖中擬合曲線的斜率即為DFA的標(biāo)度指數(shù)α，該被試疲勞狀態(tài)HRV信號(hào)的α值較清醒狀態(tài)更大。圖2為某被試清醒和疲勞狀態(tài)時(shí)EEG的DFA，同樣可見，疲勞狀態(tài)下標(biāo)度指數(shù)α增加。

圖1　HRV信號(hào)的DFAFig 1　DFA on HRV signal

表1為被試HRV和EEG標(biāo)度指數(shù)α在清醒狀態(tài)和疲勞狀態(tài)間的描述統(tǒng)計(jì)，表2示出了標(biāo)度指數(shù)從清醒狀態(tài)到疲勞狀態(tài)的變化情況。與清醒狀態(tài)相比，疲勞狀態(tài)四個(gè)導(dǎo)聯(lián)的EEG和兩種時(shí)長(zhǎng)的HRV信號(hào)的標(biāo)度指數(shù)均顯著增加。

表1　駕駛員清醒和疲勞狀態(tài)時(shí)生理信號(hào)標(biāo)度指數(shù)的描述統(tǒng)計(jì)

圖2　EEG信號(hào)的DFAFig 2　DFA on EEG signal

信號(hào)類型時(shí)長(zhǎng)/導(dǎo)聯(lián)MeanSDMedQ1Q3p值HRV2min0.2290.3060.1430.4250.0330.005*5min0.2110.2400.1640.3340.0330.001*EEGFp10.0190.1520.0360.0590.0100.006*Fp20.0380.0980.0420.0570.0330.001*T30.1010.1090.1010.1550.0360.000*T40.0760.1070.0650.1270.0060.001*

*表示p<0.01

圖3和圖4分別為HRV和EEG的DFA標(biāo)度指數(shù)α的ROC曲線，該曲線表征單一指標(biāo)取不同閾值時(shí)，分類性能假陽性率和真陽性率之間的函數(shù)關(guān)系。如果通過選擇閾值提高真陽性率，同時(shí)也意味著提高了假陽性率。因此，采用單一指標(biāo)對(duì)清醒和疲勞狀態(tài)進(jìn)行分類時(shí)，需要通過選擇合適的閾值，實(shí)現(xiàn)真陽性率和假陽性率之間的良好折衷。ROC曲線下面積是描述單一指標(biāo)分類能力的參數(shù)，HRV和EEG的標(biāo)度指數(shù)的ROC曲線下面積如表3所示。

3討論

本文比較了HRV和EEG的DFA標(biāo)度指數(shù)α區(qū)分駕駛員清醒狀態(tài)和疲勞狀態(tài)時(shí)的樣本內(nèi)差異。

基于DFA的EEG處理主要集中在對(duì)疾病，如抑郁癥方面的研究。Lee J S等人[20]的研究表明，抑郁癥患者EEG的標(biāo)度指數(shù)大于健康人,而這一方法在駕駛員疲勞的研究中未見報(bào)道，因而沒有可以比較的文獻(xiàn)。本文的研究表明，疲勞狀態(tài)導(dǎo)致駕駛員標(biāo)度指數(shù)α值顯著增大。疲勞造成駕駛員思維和反應(yīng)減慢，這一點(diǎn)與抑郁癥類似。而從疲勞對(duì)標(biāo)度指數(shù)的影響，或可說明其與抑郁癥有類似的神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)機(jī)制。

圖3　HRV信號(hào)標(biāo)度指數(shù)檢測(cè)駕駛員疲勞的ROC曲線圖Fig 3　ROC curves of scaling index in HRV signal fordriver’s fatigue detection

圖4　EEG信號(hào)標(biāo)度指數(shù)檢測(cè)駕駛員疲勞的ROC曲線圖Fig 4　ROC curves of scaling index in HRV signal fordriver's fatigue detection

DFA在HRV信號(hào)中的應(yīng)用較為廣泛，但駕駛員疲勞研究領(lǐng)域僅有少量報(bào)道。盡管Rigas G等人[16]研究了標(biāo)度指數(shù)α識(shí)別駕駛員疲勞的能力，但沒有給出駕駛員清醒狀態(tài)和疲勞狀態(tài)下α值的大小和差異。本文的研究表明，疲勞導(dǎo)致駕駛員HRV信號(hào)α值顯著增大。

表3　HRV與EEG信號(hào)標(biāo)度指數(shù)檢測(cè)駕駛員疲勞的ROC曲線下面積

ROC曲線下面積是評(píng)價(jià)不同判別算法性能的參數(shù)，也可用于對(duì)單個(gè)指標(biāo)分類能力的評(píng)價(jià)。該參數(shù)的取值區(qū)間為[0.5，1.0]，取值在0.5～0.7時(shí)，表示分類準(zhǔn)確性較低；取值在0.7～0.9時(shí)，準(zhǔn)確性中等；取值0.9～1.0時(shí)，準(zhǔn)確性較高[19]。本文所有導(dǎo)聯(lián)EEG的α值只能獲得接近中等或者中等的分類性能。同樣，使用HRV的α值區(qū)分清醒和疲勞狀態(tài)，也只能獲得中等的分類性能，與Rigas G等人[16]的報(bào)道一致。α值的中等分類能力與該值的顯著性差異形成了對(duì)比，提示該值存在一定的樣本間差異。由于標(biāo)度指數(shù)反映了生理信號(hào)的暫態(tài)相關(guān)性，如果將其融入到考慮不同駕駛員之間差異的疲勞檢測(cè)模型[21]，有望提高這類模型的性能。

目前，常見的HRV分析一般在5 min的心電數(shù)據(jù)中進(jìn)行，而本文的結(jié)果表明:2 min心電數(shù)據(jù)中得到的α指數(shù)在疲勞和清醒狀態(tài)間具有顯著性差異，由此可縮短基于HRV的疲勞預(yù)警時(shí)間。近年來，ECG的非接觸測(cè)量[22]獲得了較好的發(fā)展，HRV信號(hào)的獲取將不再對(duì)駕駛員造成任何干擾或影響，基于HRV的駕駛員疲勞檢測(cè)因而具有獨(dú)特優(yōu)勢(shì)。

4結(jié)論

本文利用DFA方法從HRV和EEG中得到標(biāo)度指數(shù)α，用于駕駛員疲勞的研究。結(jié)果表明：1)疲勞狀態(tài)導(dǎo)致駕駛員Fp1,Fp2,T3和T4四個(gè)導(dǎo)聯(lián)EEG的α值顯著上升；2)疲勞狀態(tài)導(dǎo)致駕駛員HRV信號(hào)的α值顯著上升；3)從單一類型(或?qū)?lián))的生理信號(hào)中得到的標(biāo)度指數(shù)α不能理想地區(qū)分駕駛員的清醒狀態(tài)和疲勞狀態(tài)，但由于α值反映了生理信號(hào)的標(biāo)度特征，該指標(biāo)與駕駛員的其他生理特征結(jié)合使用，有望得到性能更為優(yōu)良的駕駛疲勞檢測(cè)模型。

參考文獻(xiàn):

[1]World Health Organization.Global status report on road safety 2013[R].Geneva:WHO,2013.

[2]李都厚,劉群,袁偉,等.疲勞駕駛與交通事故關(guān)系[J].交通運(yùn)輸工程學(xué)報(bào),2010,10(2):104-109.

[3]Sahayadhas A,Sundaraj K,Murugappan M.Detecting driver drowsiness based on sensors:A review[J].Sensors,2012,12(12):16937-16953.

[4]Coetzer R C,Hancke G P.Driver fatigue detection:A survey[C]∥2009 AFRICON,AFRICON’09,IEEE,2009:1-6.

[5]Wang J,Wu Y Y,Qu H,et al.EEG-based fatigue driving detection using correlation dimension[J].Journal of Vibroengineering,2014,16(1):407-413.

[6]董占勛,孫守遷,吳群,等.心率變異性與駕駛疲勞相關(guān)性研究[J].浙江大學(xué)學(xué)報(bào):工學(xué)版,2010,44(1):46-50.

[7]李增勇,代世勛,張小印,等.駕駛員疲勞態(tài)下腦氧飽和度的近紅外光譜法檢測(cè)及其分析[J].光譜學(xué)與光譜分析,2010,30(1):58-61.

[8]顏紅梅,夏陽,錢鎮(zhèn)兵,等.癲癇大鼠腦電信號(hào)的除趨勢(shì)漲落分析[J].生物醫(yī)學(xué)工程學(xué)雜志,2008,25(2):255-258.

[9]Peng C K,Havlin S,Stanley H E,et al.Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series[J].Chaos:An Interdisciplinary Journal of Nonlinear Science,1995,5(1):82-87.

[10] Nguyen-Ky T,Wen P,Li Y.Improving the accuracy of depth of anaesthesia using modified detrended fluctuation analysis method[J].Biomedical Signal Processing and Control,2010,5(1):59-65.

[11] Lee J S,Yang B H,Lee J H,et al.Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls[J].Clinical Neurophysiology,2007,118(11):2489-2496.

[12] Zhu X Y,Liu Z H,Tang M.Detrended fluctuation analysis of traffic data[J].Chinese Physics Letters,2007,24(7):2142-2145.

[13] 黃琰,袁乃明,何文平.長(zhǎng)時(shí)間大氣溫度序列的外部變化趨勢(shì)判別研究[J].物理學(xué)報(bào),2015,64(2):029201.

[14] Ding L J,Peng H,Cai S M,et al.Multifractal analysis of human heartbeat in sleep[J].Chinese Physics Letters,2007,24(7):2149-2152.

[15] 曾超,蔣奇云,陳朝陽,等.心率變異性分析在新生兒疼痛檢測(cè)中的應(yīng)用[J].物理學(xué)報(bào),2014,63(20):208704.

[16] Rigas G,Goletsis Y,Bougia P,et al.Towards driver’s state recognition on real driving conditions[J].International Journal of Vehicular Technology,2011,2011:617210.

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

[18] Melillo P,Bracale M,Pecchia L.Nonlinear heart rate variability features for real-life stress detection.case study:Students under stress due to university examination[J].Biomed Eng Online,2011,10(1):96.

[19] 趙曉華,許士麗,榮建,等.基于ROC曲線的駕駛疲勞腦電樣本熵判定閾值研究[J].西南交通大學(xué)學(xué)報(bào),2013,48(1):178-183.

[20] Lee J S,Yang B H,Lee J H,et al.Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls[J].Clinical Neurophysiology,2007,118(11):2489-2496.

[21] Lin C T,Chang C J,Lin B S,et al.A real-time wireless brain-computer interface system for drowsiness detection[J].IEEE Transactions on Biomedical Circuits and Systems,2010,4(4):214-222.

[22] 高山,李永勤,魏良,等.基于電容耦合的非接觸式心電監(jiān)測(cè)技術(shù)研究[J].生物醫(yī)學(xué)工程學(xué)雜志,2015,32(3):553-557.

曾超(1982-)，男，湖南益陽人，博士，研究方向?yàn)樯镝t(yī)學(xué)信號(hào)處理。

陳朝陽，通訊作者，E—mail:cchen@wayne.edu。

DFA of physiological signals in driver’s fatigue state*

ZENG Chao1，2, WANG Wen-jun2， 3, CHEN Chao-yang4, ZHANG Chao-fei2，3, CHENG Bo2，3, Cavanaugh John M4

(1.College of Information Science and Technology,Shihezi University,Shihezi 832003,China; 2.Department of Automotive Engineering,Tsinghua University,Beijing 100083,China; 3.State Key Laboratory of Automotive Safety and Energy,Tsinghua University,Beijing 100083,China; 4.Department of Biomedical Engineering,Wayne State University, Detroit MI 48201,USA)

Abstract:Characterization of heart rate variability(HRV)signal and electroencephalogram(EEG)in driver’s fatigue state are studied using detrended fluctuation analysis(DFA).Twenty-two subjects participated in experiment using a driving simulator.HRV and EEG signals are recorded during alert and fatigue states and analyzed off-line.The difference of scaling index of DFA between alert and fatigue states is analyzed statistically using Wilcoxon Signed Rank test.The receiver operating characteristic curves(ROC)analysis is performed to determine the ability of DFA in discriminating fatigue driving from alert driving.The results show that the scaling index significantly increased in fatigue state(Wilcoxon signed rank test,p<0.01)both in HRV and EEG.The maximum area under the curve(AUC)of HRV and EEG is 0.75 and 0.78,respectively.This study indicates that scaling index of DFA can be a promising parameter for driver fatigue monitoring.

Key words:driver’s fatigue; detrended fluctuation analysis(DFA); heart rate variability; electro encephalogram(EEG)

作者簡(jiǎn)介:

中圖分類號(hào)：TN 911.7

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000—9787(2016)01—0007—04

*基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51565051)； 清華大學(xué)汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(KF14222，KF11011)； 石河子大學(xué)科學(xué)技術(shù)發(fā)展研究計(jì)劃資助項(xiàng)目(RCZX201437，2014ZRKXYQ17)

收稿日期：2015—11—04

DOI:10.13873/J.1000—9787(2016)01—0007—04