王 琳，羅 旭，姜 鑫，王 宏

基于生物力學(xué)和頸腰部EMG判別駕駛員疲勞狀態(tài)?

王 琳1，2，羅 旭1，姜 鑫1，王 宏1

(1.東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，沈陽 110819； 2.沈陽工程學(xué)院機(jī)械學(xué)院，沈陽 110136)

本文中通過采用頸腰部生物力學(xué)和表面肌電信號(hào)相結(jié)合的方式，對(duì)駕駛員在駕駛過程中的疲勞狀態(tài)進(jìn)行了研究。首先，通過生物力學(xué)的計(jì)算與分析，合理地選擇了能有效反映駕駛疲勞狀態(tài)的生理信號(hào)采集位置，即頸6左右兩側(cè)上斜方肌和腰4左右兩側(cè)豎脊肌。然后，在利用經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)測(cè)得的肌電信號(hào)進(jìn)行去噪的基礎(chǔ)上，找出能表征駕駛員疲勞狀態(tài)的頸腰部肌電特性參數(shù)，并對(duì)提取的特征參數(shù)(頸部復(fù)雜度、腰部復(fù)雜度和腰部近似熵)進(jìn)行主成分分析，獲得了兩個(gè)主成分，有效保留有用信息，去除冗余信息，實(shí)現(xiàn)了特征參數(shù)的降維。最后，以此為自變量建立疲勞駕駛評(píng)價(jià)模型，有效提高了模型的正確率，加快了模型的運(yùn)算速度。結(jié)果表明，該方法在對(duì)駕駛員正常與疲勞狀態(tài)的區(qū)分上具有良好的識(shí)別效果，正確率可達(dá)90%以上。

疲勞駕駛；生物力學(xué)；肌電信號(hào)；復(fù)雜度；近似熵

前言

駕駛員在長(zhǎng)時(shí)間駕駛過程中，頸腰部肌肉的疲勞使人體困乏和反應(yīng)遲鈍，從而易引起交通事故。疲勞駕駛和與其相關(guān)的職業(yè)健康問題已受到全球各國(guó)研究人員的關(guān)注，并對(duì)此進(jìn)行了大量的研究工作[1]。目前，駕駛疲勞的檢測(cè)方法主要集中在3個(gè)方面:(1)基于駕駛員行為特征檢測(cè)；(2)基于車輛行為特征的檢測(cè)；(3)基于駕駛員生理信號(hào)特征的檢測(cè)。文獻(xiàn)[2]中研發(fā)了一種使用單攝像頭的頭部/眼睛追蹤系統(tǒng)來識(shí)別駕駛員疲勞水平。文獻(xiàn)[3]中在模擬駕駛條件下獲得了車輛行駛的相關(guān)參數(shù)，如車速和轉(zhuǎn)向盤角度等，通過小波變換法對(duì)去噪后的高頻信號(hào)特征進(jìn)行分析，并設(shè)計(jì)了檢測(cè)駕駛疲勞的分類器。文獻(xiàn)[4]中利用模擬駕駛艙采集了被試者連續(xù)駕駛90min的心電信號(hào)，分析了駕駛初期15min和末期15min的心電數(shù)據(jù)，獲得了4項(xiàng)心電時(shí)頻域指標(biāo)與疲勞程度的關(guān)系。可見，基于駕駛員和車輛行為的檢測(cè)技術(shù)可在對(duì)駕駛員影響較小的情況下獲得各種特征參數(shù)與駕駛疲勞的相關(guān)性，但該方法易受駕駛姿態(tài)、光照、遮擋、駕駛路面和車型等因素的影響[5]。生理信號(hào)是無法主觀控制的，因此檢測(cè)駕駛員的生理信號(hào)(如心電、腦電、肌電和呼吸等)，提取其特征參數(shù)(如中值頻率、峰值因數(shù)、近似熵和復(fù)雜度等)來分析駕駛員的疲勞狀態(tài)，被認(rèn)為是當(dāng)前最為客觀準(zhǔn)確的方法，并取得了大量的有益研究成果[6－12]。其中，文獻(xiàn)[1]和文獻(xiàn)[7]中認(rèn)為肌電信號(hào)和心電信號(hào)是反映駕駛疲勞的有效生理信號(hào)。文獻(xiàn)[8]和文獻(xiàn)[9]中主要研究了腦電信號(hào)在駕駛過程中的變化規(guī)律。文獻(xiàn)[10]中認(rèn)為復(fù)雜度和近似熵是有效表征駕駛疲勞的特征參數(shù)。

以上絕大多數(shù)研究都是針對(duì)某一部位的生理信號(hào)展開的。分析認(rèn)為，不同部位生理信號(hào)的各種特征參數(shù)可進(jìn)行信息互補(bǔ)，提高對(duì)疲勞狀態(tài)的辨識(shí)度，但也存在一定的信息冗余。選擇合理的生理信號(hào)檢測(cè)部位，并將不同部位特征參數(shù)進(jìn)行融合，是保留有用信息、消除冗余信息的有效手段[13－14]。對(duì)此，本文中進(jìn)行了相關(guān)的實(shí)驗(yàn)研究和理論分析，研究特點(diǎn)主要有:(1)根據(jù)駕駛姿態(tài)的頸腰部生物力學(xué)分析，確定了頸腰部為疲勞的敏感部位，選取其為檢測(cè)電極位置，提取并分析了駕駛過程中頸腰部的肌電信號(hào)(EMG)的多種特征參數(shù)。(2)通過主成分分析(principal components analysis，PCA)[15]實(shí)現(xiàn)了頸部和腰部特征參數(shù)間的融合，從而保留了有用信息，消除了冗余信息。在此基礎(chǔ)上，建立了能有效判別駕駛過程中綜合疲勞狀態(tài)的數(shù)學(xué)模型。

1 實(shí)驗(yàn)與算法

1.1 實(shí)驗(yàn)過程

美國(guó)公路交通安全管理局NHTSA(national highway traffic safety administration)的調(diào)查報(bào)告[16－17]顯示，16－35歲的年輕男性是疲勞駕駛導(dǎo)致交通事故的高發(fā)人群。因此本實(shí)驗(yàn)隨機(jī)選取11名年齡22－35歲的男性作為被試者。被試者身高為170～180cm，體質(zhì)量為60～85kg，無肌肉骨骼系統(tǒng)疾病史，且均有兩年以上駕齡。要求被試者24h內(nèi)不允許飲用酒精和咖啡等刺激性飲料。實(shí)驗(yàn)時(shí)間為下午12:30－14:30，該時(shí)段是與疲勞有關(guān)的交通事故高發(fā)時(shí)段[18]。被試者在模擬駕駛艙內(nèi)進(jìn)行連續(xù)2h的駕駛過程中，實(shí)時(shí)采集其頸部雙側(cè)上斜方肌、腰部豎脊肌的表面肌電信號(hào)。實(shí)驗(yàn)設(shè)備和場(chǎng)景照片如圖1所示。測(cè)量系統(tǒng)即數(shù)據(jù)采集系統(tǒng)為Neuroscan 4.3，采樣頻率為1 000Hz，陷波頻率為50Hz。高速公路景觀單一，道路環(huán)境刺激較少，被試者駕駛自動(dòng)擋小轎車易產(chǎn)生疲勞感。因此，為加速被試者的疲勞，本實(shí)驗(yàn)采用高速公路作為路面場(chǎng)景，車輛設(shè)定為自動(dòng)擋小轎車。

圖1 實(shí)驗(yàn)設(shè)備和場(chǎng)景照片

1.2 復(fù)雜度

Lempel-Ziv復(fù)雜度算法是由Lempel和Ziv提出的一種用于度量隨著序列長(zhǎng)度的增加而新模式也增加的算法，是對(duì)某個(gè)時(shí)間序列隨其長(zhǎng)度的增長(zhǎng)出現(xiàn)新模式速率的反映[19]。復(fù)雜度適用于確定性和隨機(jī)性信號(hào)，對(duì)于同時(shí)包含確定和隨機(jī)成分的生理信號(hào)極為合適。因此，使用復(fù)雜度來描述人體頸腰部EMG在駕駛過程中隨疲勞狀態(tài)的變化情況。

具體算法為[20]:設(shè)c(n)為序列S(s1，s2，…，sn)的復(fù)雜度，當(dāng)n→∞時(shí)，c(n)趨近于定值n/logln，l為粗?；螖?shù)(傳統(tǒng)二值化時(shí)，l＝2)，則歸一化計(jì)算式為

1.3 近似熵

近似熵是文獻(xiàn)[21]中提出的一種度量序列復(fù)雜性的非線性動(dòng)力學(xué)參數(shù)。其用邊緣概率的分布來區(qū)分各種過程，描述當(dāng)相位空間維數(shù)變化時(shí)，序列中產(chǎn)生新模式概率的大小。該方法可對(duì)確定序列、隨機(jī)序列和混合序列進(jìn)行規(guī)律性量化，所需計(jì)算數(shù)據(jù)短，抗噪抗干擾能力強(qiáng)。因此，本文中使用近似熵來描述人體腰部EMG在駕駛過程中隨疲勞狀態(tài)的變化情況。

對(duì)于給定的N點(diǎn)時(shí)間序列{u(i)}，近似熵的計(jì)算步驟為:

(1)將時(shí)間序列u(i)，i＝1，…，N，按順序重構(gòu)m維相空間(m為預(yù)先設(shè)定的模式維數(shù))；

X(i)＝[u(i)，u(i＋1)，…，u(i＋m－1)]，i＝1～N－m＋1

(2)計(jì)算矢量X(i)與其余矢量X(j)之間的距離d為

(3)給定r的閾值(r為預(yù)先選定的相似容限，r＞0)，對(duì)每一個(gè)矢量X(i)值，統(tǒng)計(jì)距離小于r的數(shù)目，并計(jì)算該數(shù)目與總距離N－m的比值，記為(r)。即

(4)先將Cmi(r)取對(duì)數(shù)，再對(duì)所有i求平均值，即

(5)增加維數(shù)，將矢量變?yōu)閙＋1維，重復(fù)(1)～(4)過程，得到Cmi＋1(r)和Φm＋1(r)。

(6)計(jì)算近似熵為

ApEn(N，m，r)＝Φm(r)－Φm＋1(r)

近似熵ApEn可以確定一個(gè)時(shí)間序列在模式上的自相似程度，其值可衡量當(dāng)嵌入維數(shù)變化時(shí)序列中產(chǎn)生新模式的概率大小。本文中，m＝2，r＝信號(hào)標(biāo)準(zhǔn)差×n(n＝0.1～0.2)，可得到較合理的近似熵值[22]。

2 電極位置的分析與確定

駕駛過程中，駕駛員頸腰部肌肉疲勞易發(fā)生在較低節(jié)段位置(頸6、頸7、腰4、腰5)。本文中首先比較了頸6與頸7、腰4與腰5的受力情況，為合理選擇電極位置提供理論依據(jù)。根據(jù)生物力學(xué)原理，按照人體頭、頸部和腰部的外形及其受力情況，可將頭頸腰部簡(jiǎn)化為一個(gè)變截面懸臂梁(圖2)。對(duì)駕駛員頸腰部的受力情況建立力學(xué)模型，即

圖2 根據(jù)駕駛姿勢(shì)的頸腰部受力示意圖

式中:假設(shè)頸腰部橫截面近似橢圓形，DA為橢圓的長(zhǎng)軸，DB為橢圓的短軸，則根據(jù)式(1)可計(jì)算出基于橢圓等效直徑的頸腰部任意截面處的正應(yīng)力。由頸腰部構(gòu)造可知，無論長(zhǎng)軸短軸，頸6處均小于頸7處，腰4處均小于腰5處。即DA頸6＜DA頸7，DB頸6＜DB頸7，DA腰4＜DA腰5，DB腰4＜DB腰5。

對(duì)于頸部 式(1)中M(x)為頸部彎矩，M(x)＝G·X。G為頸部載荷(主要為頭顱質(zhì)量)。X為頸部阻力臂，頸6和頸7處的阻力臂近似相等，即X頸6≈X頸7，則彎矩M(x)也近似相等。MT(x)為頸部扭矩，頸6、頸7處的外力偶矩相同，故頸部扭矩MT(x)也相同。

對(duì)于腰部 式(1)中M(x)為腰部彎矩，M(x)＝G·X＋qL2cosθ/2。G為頭顱質(zhì)量，X為腰部阻力臂。腰4和腰5處的阻力臂近似相等，即X腰4≈X腰5。人體脊柱質(zhì)量可假設(shè)為作用在人體脊柱的均布載荷，載荷系數(shù)為q，脊柱長(zhǎng)度為L(zhǎng)?？芍?，對(duì)于同一被試者，q，L和θ相等。因此，被試者腰4和腰5處的彎矩M(x)近似相等。MT(x)為腰部扭矩，腰4、腰5處產(chǎn)生的外力偶矩相同，故腰部扭矩MT(x)也相同。

因此，駕駛過程中駕駛員頸6處的應(yīng)力值恒大于頸7處的應(yīng)力值，在長(zhǎng)時(shí)間高應(yīng)力作用下導(dǎo)致頸6周圍肌肉較頸7周圍肌肉更易疲勞。同理，腰4處的應(yīng)力值恒大于腰5處的應(yīng)力值，故腰4周圍肌肉較腰5周圍肌肉更易疲勞。

由圖2和式(1)分析可知，駕駛員座椅角度改變會(huì)使θ發(fā)生變化，從而影響頸腰部各部位肌肉、椎體和間盤組織的受力，即頸6、頸7、腰4、腰5所受的應(yīng)力值都會(huì)相應(yīng)改變。但其大小關(guān)系不變，即頸6處的應(yīng)力值恒大于頸7，腰4的應(yīng)力值恒大于腰5。這也解釋了為何長(zhǎng)期坐位的工作人群(如駕駛員和電腦工作者)的頸腰椎病多發(fā)部位為頸6和腰4節(jié)段。因此，頸6上斜方肌和腰4豎脊肌在駕駛過程中對(duì)疲勞狀態(tài)反應(yīng)最靈敏，該處肌肉為本實(shí)驗(yàn)肌電信號(hào)的提取位置。電極位置分別為頸6棘突旁開2cm處，腰4棘突旁開3cm處，參考電極N置于頸7棘突處。測(cè)試的4個(gè)通道分別為A1，A2，B1，B2(圖3)。

圖3 電極位置示意圖

3 頸腰部EMG特征參數(shù)

針對(duì)EMG的混沌特性，本文中采用非線性動(dòng)力學(xué)理論揭示其變化規(guī)律。首先利用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)對(duì)原始信號(hào)進(jìn)行降噪處理，再提取并分析了頸腰部表面肌電信號(hào)的特征參數(shù)在駕駛過程中的變化規(guī)律。通過計(jì)算分析可知，在眾多生理信號(hào)的特征參數(shù)中，頸部EMG復(fù)雜度、腰部EMG復(fù)雜度、腰部EMG近似熵這3個(gè)特征參數(shù)對(duì)駕駛疲勞的判別度較好，因此主要考察這3個(gè)特征參數(shù)隨駕駛疲勞的變化規(guī)律。圖4為駕駛過程中11名被試者特征參數(shù)的平均值隨時(shí)間的變化趨勢(shì)，即每隔10min提取30s內(nèi)的特征參數(shù)值。由圖可見，3種特征參數(shù)值都隨著駕駛時(shí)間的延長(zhǎng)而逐漸降低。約90min后，下降趨勢(shì)變得平緩，表明肌肉進(jìn)入比較疲勞狀態(tài)?？梢?，這3種特征參數(shù)對(duì)駕駛疲勞有較強(qiáng)的表征能力，對(duì)于不同被試者，規(guī)律性較好。為便于描述，定義如下:駕駛實(shí)驗(yàn)初期的0～30min為正常狀態(tài)，駕駛實(shí)驗(yàn)后期的90～120min為疲勞狀態(tài)。分別從11名被試者正常和疲勞狀態(tài)中各選4min數(shù)據(jù)。對(duì)頸部EMG每30s計(jì)算一個(gè)復(fù)雜度，對(duì)腰部EMG每30s計(jì)算一個(gè)復(fù)雜度和一個(gè)近似熵。再對(duì)每名被試者的這3種特征參數(shù)值進(jìn)行歸一化處理，消除個(gè)體差異。每種特征參數(shù)共提取176

圖4 特征參數(shù)在駕駛過程中的變化規(guī)律

個(gè)特征值(11名被試者×2種狀態(tài)×4×60s/30s＝176)，其中正常狀態(tài)和疲勞狀態(tài)各88個(gè)。則以3種特征參數(shù)值為坐標(biāo)的正常和疲勞狀態(tài)的三維分布如圖5所示。由圖可見，正常狀態(tài)時(shí)，3種特征參數(shù)的值都較大；疲勞狀態(tài)時(shí)，3種特征參數(shù)的值都較小。利用皮爾遜相關(guān)系數(shù)算法對(duì)3個(gè)特征值進(jìn)行相關(guān)性分析，即

式中:K1和K2分別為兩種特征參數(shù)，i為某被試者的某個(gè)時(shí)間段，n＝176。

圖5 歸一化的正常狀態(tài)和疲勞狀態(tài)的三維分布

由式(2)可分別計(jì)算出各特征參數(shù)之間的相關(guān)系數(shù)r和顯著性差異p，如表1所示。

表1 皮爾遜相關(guān)性分析(相關(guān)系數(shù)r/顯著性差異p)___________

由表1可見，各特征參數(shù)之間具有良好的相關(guān)性(r＝0.86－1.00，p＜0.05)，說明3種特征參數(shù)之間既存在有用信息，也存在冗余信息，其中冗余信息主要是由于被試者個(gè)體差異和各種特征參數(shù)變化幅度不同所致。若將頸部復(fù)雜度、腰部復(fù)雜度和腰部近似熵3種特征參數(shù)去除冗余信息、保留有用信息，則能更明顯區(qū)分正常和疲勞兩種狀態(tài)。

4 疲勞駕駛評(píng)價(jià)模型

由以上分析可知，頸腰部的3種特征參數(shù)具有良好的相關(guān)性，將3種特征參數(shù)融合去除冗余信息、保留有用信息，能更明顯區(qū)分正常和疲勞兩種狀態(tài)。為保留相似信息、消除冗余信息，本文中利用主成分分析對(duì)3種特征參數(shù)進(jìn)行分析和降維。主成分分析結(jié)果表明，前兩個(gè)主成分的貢獻(xiàn)率分別為59.14%和31.53%，二者之和為90.67%，超過85%。因此，選取貢獻(xiàn)率大的前兩個(gè)主成分U1，U2作為疲勞駕駛的綜合狀態(tài)參數(shù)，可有效表征駕駛員的疲勞狀態(tài)。主成分U1，U2是原始變量的線性組合:

式中:X1，X2，X3分別表示頸部復(fù)雜度、腰部復(fù)雜度和腰部近似熵，各種特征參數(shù)在主成分中的權(quán)重由系數(shù)矩陣獲得。

根據(jù)以上分析，以U1，U2為自變量，基于多元回歸理論，將人體不同部位的肌電信號(hào)進(jìn)行融合，建立了疲勞駕駛狀態(tài)的評(píng)價(jià)模型，即

式中因?yàn)閁1，U2是主成分分析優(yōu)化求得的兩個(gè)主成分，所以二者不存在相關(guān)性，可避免模型產(chǎn)生偽回歸現(xiàn)象，確保了駕駛疲勞評(píng)價(jià)模型的正確性和合理性。根據(jù)式(5)模型的計(jì)算，若R＞0，表示模型的評(píng)價(jià)結(jié)果為正常狀態(tài)；若R＜0，則表示為疲勞狀態(tài)。

采用十折交叉驗(yàn)證的方法來驗(yàn)證以上疲勞駕駛評(píng)價(jià)模型的正確率。將176組數(shù)據(jù)集分成10份，輪流將其中9份做訓(xùn)練集，1份做測(cè)試集，進(jìn)行十折交叉驗(yàn)證。十折交叉計(jì)算結(jié)果如表2所示。可見，訓(xùn)練集和測(cè)試集的正確率分別為92.55%和91.27%。

表2 交叉驗(yàn)證疲勞駕駛評(píng)價(jià)模型的正確率%

5 討論

5.1 特征參數(shù)的變化規(guī)律

由圖4可見，所有被試者的頸部復(fù)雜度、腰部復(fù)雜度和腰部近似熵3種特征參數(shù)平均值都隨著駕駛時(shí)間的延長(zhǎng)而逐漸降低。約90min后，下降趨勢(shì)變緩，肌肉進(jìn)入比較疲勞狀態(tài)。該變化表明，隨著駕駛時(shí)間的延長(zhǎng)，肌肉逐漸處于緊張僵直狀態(tài)，神經(jīng)系統(tǒng)在控制肌肉對(duì)抗疲勞的過程中，漸進(jìn)性地協(xié)調(diào)眾多運(yùn)動(dòng)單位同步收縮[23]。雖然由于個(gè)體差異的影響，復(fù)雜度和近似熵值會(huì)有所波動(dòng)，但3個(gè)特征參數(shù)在各個(gè)時(shí)刻的標(biāo)準(zhǔn)差都較小，說明這兩種算法在表征駕駛疲勞狀態(tài)時(shí)穩(wěn)定性好，規(guī)律性的整體下降趨勢(shì)保持較好。

5.2 模型準(zhǔn)確度

該模型的準(zhǔn)確度可達(dá)91%以上的原因主要是利用生物力學(xué)計(jì)算與分析合理地選擇了生理信號(hào)的采集位置，并利用主成分分析對(duì)3種特征參數(shù)進(jìn)行了降維處理，得到了兩個(gè)對(duì)駕駛疲勞狀態(tài)具有良好辨識(shí)度的主成分U1和U2。既保留了有用信息，又消除了冗余信息，從而消除了冗余信息對(duì)模型計(jì)算造成的干擾。

為進(jìn)一步證明U1與U2對(duì)駕駛疲勞狀態(tài)具有良好的辨識(shí)度，利用SPSS統(tǒng)計(jì)分析軟件對(duì)U1和U2進(jìn)行Wald-Wolfowitz游程檢驗(yàn)，結(jié)果如表3所示。由表可見，U1和U2的單邊檢測(cè)概率值都小于0.05，說明二者分別在表征駕駛過程的正常狀態(tài)和疲勞狀態(tài)上差異明顯，從而確保了以此為自變量所建立的疲勞駕駛評(píng)價(jià)模型的正確性。通過計(jì)算可知，傳統(tǒng)的多元回歸評(píng)價(jià)模型的測(cè)試集平均準(zhǔn)確率為82.96%，而采用主成分分析降維后的模型測(cè)試集平均準(zhǔn)確率達(dá)91.27%。

表3 U1和U2的Wald-Wolfowitz游程檢驗(yàn)

5.3 模型的應(yīng)用展望

由于駕駛操作過程和疲勞狀態(tài)的形成機(jī)理都十分復(fù)雜，駕駛員疲勞狀態(tài)識(shí)別涉及的內(nèi)容和研究領(lǐng)域比較廣泛，提出的識(shí)別方法離實(shí)際應(yīng)用還有很多工作要做。因此，為能將該駕駛疲勞評(píng)價(jià)模型盡快應(yīng)用到實(shí)際的駕駛過程中，今后的工作主要集中在模型的產(chǎn)品化方面。即通過編制相應(yīng)軟件，使數(shù)據(jù)的采集、計(jì)算、分析和報(bào)警一體化，最終開發(fā)出可直接應(yīng)用于駕駛過程中的新型駕駛疲勞預(yù)報(bào)裝置。

6 結(jié)論

在從易疲勞的肌肉位置提取并分析了人體生理信號(hào)在駕駛過程中的變化規(guī)律的基礎(chǔ)上，將不同部位(頸部和腰部)的EMG特征參數(shù)進(jìn)行融合，建立了評(píng)價(jià)疲勞駕駛的數(shù)學(xué)模型，得到如下結(jié)論。

(1)根據(jù)駕駛姿態(tài)的頸腰部生物力學(xué)分析可知，頸6左右兩側(cè)上斜方肌和腰4左右兩側(cè)豎脊肌在駕駛過程中最易疲勞，對(duì)疲勞狀態(tài)反應(yīng)最靈敏，因此該部位肌肉為本實(shí)驗(yàn)人體肌電信號(hào)的提取位置，數(shù)據(jù)采集更加科學(xué)。

(2)頸部復(fù)雜度、腰部復(fù)雜度和腰部近似熵這3個(gè)肌電信號(hào)的特征參數(shù)值都隨著駕駛時(shí)間的延長(zhǎng)而逐漸降低。將這3種特征參數(shù)聯(lián)系起來能更明顯地區(qū)分正常和疲勞兩種狀態(tài)，說明3者之間既存在有用信息，也存在冗余信息。通過主成分分析可實(shí)現(xiàn)頸部和腰部特征參數(shù)間的融合，保留有用信息，消除冗余信息，可有效提高模型計(jì)算的準(zhǔn)確性。

(3)基于多元回歸理論，將人體不同部位的肌電信號(hào)進(jìn)行融合，建立了能有效預(yù)測(cè)疲勞駕駛的數(shù)學(xué)模型。十折交叉驗(yàn)證結(jié)果表明，該模型的正確率可達(dá)91%以上，對(duì)實(shí)際駕駛過程中及時(shí)預(yù)報(bào)出駕駛員的疲勞狀態(tài)具有重要的現(xiàn)實(shí)意義。

[1] LAL S K L，CRAIG A.A critical review of the psychophysiology of driver fatigue[J].Biological Psychology，2001，55:173－194.

[2] BOVERIE S，GIRALT T，LEQUELLEC J M，et al.Intelligent system for video monitoring of vehicle cockpit[C].Proceedings of the 1998 SAE International Congress and Exposition，Detroit，MI，U-nited states，1998:1－5.

[3] AERSTEDT T，F(xiàn)OKKARD S.The three-process model of alertness and its extension to performance，sleep latency and sleep length [J].Chronobiol，1997，14(2):115－123.

[4] 楊渝書，姚振強(qiáng)，李增勇.心電圖時(shí)頻域指標(biāo)在駕駛疲勞評(píng)價(jià)中的有效性研究[J].機(jī)械設(shè)計(jì)與制造，2002，5:94－95.

[5] 袁翔，孫香梅.疲勞駕駛檢測(cè)方法研究進(jìn)展[J].汽車工程學(xué)報(bào)，2012，2(3):157－164.

[6] 付榮榮，王宏，張揚(yáng)，等.基于可穿戴傳感器的駕駛疲勞肌心電信號(hào)分析[J].汽車工程，2013，35(12):1143－1148.

[7] PATEL M，LAL S K L，KAVANAGH D，et al.Applying neural network analysis on heart rate variability data to assess driver fatigue[J].Expert Systems with Applications，2011，38(6):7235－7242.

[8] 張寧寧，王宏，付榮榮.基于小波熵的駕駛疲勞腦電信號(hào)特征提取[J].汽車工程，2013，35(12):1139－1142.

[9] 羅旭，王宏，王福旺.基于腦電信號(hào)分類的高速公路上駕駛疲勞識(shí)別[J].汽車工程，2015，37(2):230－234.

[10] ZHANG C，WANG H，F(xiàn)U R R.Automated detection of driver fatigue based on entropy and complexity measures[J].IEEE Transactions on Intelligent Transportation System，2014，15(1):168－177.

[11] SCOMMERICH C M，JOINES S M，HERMANS V，et al.Use of surface electromyography to estimate neck muscle activity[J]. Journal of Electromyography and Kinesiology，2000，10(3):377－389.

[12] KAPTHICK P A，VENUGOPAL G，RAMAKEISHNAN S.Analysis of muscle fatigue progression using cyclostationary property of surface electromyography signals[J].Journal of Medical System，2016，40(1):28－35.

[13] LIN Y，LENG H，MOURANT R R.EEG electrode locations and their signal sensitivities in driver drowsiness measurement[J].Biomedical Fuzzy＆Human Sciences，2009，14(2):97－103.

[14] VOERMAN G E，VOLLENBROEK M M，HERMENS H J.Upper trapezium muscle activation patterns in neck-shoulder pain patients and healthy control[J].European Journal of Apply Physiology，2007，102(1):1－9.

[15] 付榮榮，王宏，王琳，等.基于無線體域網(wǎng)中多生理信號(hào)駕駛疲勞檢測(cè)[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，35(6):850－853.

[16] CHIPMAN M，JIN Y L.Drowsy drivers:The effect of light and circadian rhythm on crash occurrence[J].Safety Science，2009， 47(10):1364－1370.

[17] WILLIAMSON A，LOMBARDI D A，F(xiàn)OLKARD S，et al.The link between fatigue and safety[J].Accident and Prevention，2011，432:498－515.

[18] SAGBERG F.Road accidents caused by drivers falling asleep[J]. Accident And Prevent，1999，31(6):639－649.

[19] LEMPEL A，ZIV J.On the complexity of finite sequence[J]. IEEE Transactions on Information Theory，1976，22(1):75－81.

[20] 陳東偉，陳俊杰.情感識(shí)別中腦電信號(hào)Lempel-Ziv復(fù)雜度的研究[J].太原理工大學(xué)學(xué)報(bào)，2014，45(6):758－763.

[21] RICHMAN J S，MOORMAN J R.Physiological time-series analysis using approximate entropy and sample entropy[J].American Journal of Physiological Heart and Circulatory Physiology，2000，278(6):2039－2049.

[22] FOIJ O，HOLCIK J.Applying nonlinear dynamics to ECG signal processing[J].IEEE Engineering in Medicine and Biology，1998，3(4):96－110.

[23] 劉加海，王健，羅曉芳.局部肌肉疲勞的表面肌電信號(hào)復(fù)雜度和熵變化[J].生物物理學(xué)報(bào)，2004，20(3):198－202.

Detection on Driver Fatigue Based on Biomechanics and EMG of Cervical and Lumbar Muscles

Wang Lin1，2，Luo Xu1，Jiang Xin1＆Wang Hong1
1.School of Mechanical Engineering and Automation，Northeastern University，Shenyang 110819；2.Department of Mechanical Engineering，Shenyang Institute of Engineering，Shenyang 110136

The fatigue state of driver during driving is studied by biomechanics combined with surface EMG.signals in this paper.Firstly，through biomechanical calculation and analysis，the sampling positions of physiological signals，which can effectively reflect the fatigue state of driver，are reasonably selected.They are upper trapezius on both sides of 6th cervical vertebra and vertical rachial muscles on both sides of 4th lumbar vertebra.Then，on the basis of de-noising on measured EMG signals by using empirical modal decomposition algorithm，cervical and lumbar EMG characteristic parameters representing the fatigue state of driver are found，and a principal component analysis is conducted on characteristic parameters extracted(the complexities of cervical and lumbar muscle，and the approximate entropy of lumbar muscle)with two principal components obtained，effectively retaining useful information and eliminating redundant one，achieving the dimension descent of characteristic parameters.Finally，a fatigue driving model is built with the two principal components as arguments，and the model has high correctness and operation speed.The results show that the scheme proposed has good identification effects in distinguishing the normal and fatigue states of driver with a correct rate higher than 90%.

fatigue driving；biomechanics；EMG signal；complexity；approximate entropy

10.19562/j.chinasae.qcgc.2017.08.016

?國(guó)家自然科學(xué)基金(NSFC 51405073)資助。

原稿收到日期為2016年7月12日，修改稿收到日期為2016年9月27日。

王宏，教授，博士生導(dǎo)師，E-mail:jiangx＠smm.neu.cn。