王　琳，張　陳，尹曉偉，付榮榮，王　宏

前言

目前，駕駛疲勞檢測(cè)方法主要有3種:(1)基于駕駛員行為特征的檢測(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)。近年來，通過檢測(cè)駕駛員生理信號(hào)(如心電、腦電、肌電和呼吸等)判別駕駛疲勞，被認(rèn)為是最為客觀準(zhǔn)確的方法，并取得了大量有益研究成果[1-12]。但是，絕大多數(shù)研究都是針對(duì)某一種生理指標(biāo)進(jìn)行分析處理。由于生理信號(hào)具有隨機(jī)性和不同駕駛員的個(gè)體差異，使研究結(jié)論也存在一定差異。關(guān)于多種生理信號(hào)檢測(cè)駕駛疲勞的研究中，由于各種特征參數(shù)間存在冗余信息，會(huì)對(duì)檢測(cè)結(jié)果造成影響。而且，通常的信號(hào)采集方法是通過電極采集，難免會(huì)對(duì)駕駛員的正常駕駛產(chǎn)生干擾。

據(jù)此，本文中采用非接觸便攜式傳感器檢測(cè)駕駛員在模擬駕駛過程中股二頭肌的生理信號(hào)，對(duì)其特征參數(shù)進(jìn)行分析與研究，從而提出一種非接觸式的駕駛疲勞檢測(cè)方法，主要有如下特點(diǎn):(1)使用自主研發(fā)的非接觸便攜式傳感器，不影響駕駛員正常駕駛；(2)傳感器接收到的人體生理信號(hào)是由肌電信號(hào)(EMG)與心電信號(hào)(ECG)組成的混合信號(hào)，采用快速獨(dú)立成分分析(Fast ICA)對(duì)其進(jìn)行分解，采用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)對(duì)其進(jìn)行去噪，實(shí)現(xiàn)了肌電信號(hào)和心電信號(hào)的分離和去噪，從而有效地提取生理信號(hào)的特征參數(shù)，并分析其在駕駛過程中的變化趨勢(shì)；(3)文獻(xiàn)[1]和文獻(xiàn)[2]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)[3]中認(rèn)為樣本熵和復(fù)雜度是表征駕駛疲勞的有效特征參數(shù)，本文中通過比較多種生理信號(hào)的多種特征參數(shù)發(fā)現(xiàn)，肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度、心電信號(hào)樣本熵對(duì)駕駛疲勞的反映效果最好，因此選用這3種特征參數(shù)來分析駕駛疲勞狀態(tài)，多種特征參數(shù)的有效結(jié)合使對(duì)駕駛疲勞的判斷更加準(zhǔn)確；(4)采用主成分分析(principal components analysis，PCA)與多元線性回歸理論相結(jié)合的方法進(jìn)行建模，首先通過PCA對(duì)特征參數(shù)進(jìn)行降維，保留有用信息，消除冗余信息，從而避免了偽回歸，提高了模型的合理性和準(zhǔn)確性，且加快了模型的運(yùn)算速度，再以此為自變量構(gòu)建判別駕駛疲勞的數(shù)學(xué)模型，并對(duì)其進(jìn)行了驗(yàn)證。

1　實(shí)驗(yàn)方法

1.1　非接觸式傳感器

所提出的檢測(cè)方法的數(shù)據(jù)采集元件為便攜式非接觸傳感器，其工作原理如圖1所示。圖中電極主體是一種導(dǎo)電布，它是在普通的織物纖維表面鍍上一層導(dǎo)電性較好的金屬層，具有很高的傳導(dǎo)性能。導(dǎo)電布尺寸設(shè)計(jì)符合人體工程學(xué)和股二頭肌的肌肉走向，在駕駛員保持正常駕駛坐姿的情況下，保證了駕駛員股二頭肌生理信號(hào)的順利采集(不受駕駛員坐姿及身材的影響)。

圖1　非接觸傳感器結(jié)構(gòu)示意圖

本實(shí)驗(yàn)使用兩片大小約為12cm×22cm的導(dǎo)電布作為采集電極，放置于座椅上，分別對(duì)準(zhǔn)駕駛員的左右大腿，以采集股二頭肌的生理信號(hào)。該電極可以采集到駕駛員隔著正常厚度(一般小于2mm)衣物的生理信號(hào)。當(dāng)駕駛員穿著普通衣物坐在汽車座椅上時(shí)，傳導(dǎo)電極置于衣物外面并緊貼衣物，此時(shí)每一個(gè)電極與人體之間便形成如圖1所示的結(jié)構(gòu)。生理信號(hào)經(jīng)人體傳導(dǎo)至皮膚體表，表現(xiàn)為強(qiáng)弱變化的電勢(shì)，可看作交流電源。而駕駛員的皮膚和電極布則被視為構(gòu)成平行板電容的一對(duì)極板，駕駛員所穿的衣物為絕緣體，導(dǎo)電性較差，相當(dāng)于位于電容極板之間的絕緣介質(zhì)。人體-衣物-導(dǎo)電布便形成了一個(gè)平行板電容器結(jié)構(gòu)，這種結(jié)構(gòu)滿足了電容耦合定律。因此，這兩片平行的電極布可作為采集生理信號(hào)的電極，生理電信號(hào)傳導(dǎo)至導(dǎo)電布，再經(jīng)導(dǎo)線送入信號(hào)采集系統(tǒng)，從而實(shí)現(xiàn)了生理信號(hào)的非接觸式采集。

1.2　模擬駕駛艙設(shè)計(jì)

本實(shí)驗(yàn)所采用的模擬駕駛艙示意圖如圖2所示。由于采用非接觸的采集方式，不會(huì)給被試者帶來不適感，且測(cè)量條件也易滿足，將電極安置在駕駛員座椅的坐墊內(nèi)即可，然后傳感器的信號(hào)采集再與計(jì)算機(jī)系統(tǒng)相連接。這種非接觸式電極在進(jìn)行長(zhǎng)時(shí)間的生理信號(hào)采集中具有極大的優(yōu)勢(shì)。眾所周知，公路景觀單一、道路環(huán)境刺激少，長(zhǎng)直線行車時(shí)，駕駛員易疲勞。為使駕駛員疲勞感更加明顯，本實(shí)驗(yàn)選取景觀單一的高速公路場(chǎng)景，采用自動(dòng)變速、無巡航控制的小轎車來開展實(shí)驗(yàn)。

圖2　模擬艙基本構(gòu)架示意圖

1.3　被試者的選擇

美國(guó)交通管理局(the national highway traffic safety administration，NHTSA)的調(diào)查報(bào)告表明，16-35歲的年輕人(尤其是男性)是因疲勞引起的交通事故的高發(fā)群體[13]。因此，本實(shí)驗(yàn)選取8名年齡為22-35歲的健康男性為被試者。所有被試者駕齡2年以上，身體健康，無任何與睡眠有關(guān)的疾病。要求被試者在實(shí)驗(yàn)前24h內(nèi)禁止飲用含酒精和咖啡因類飲品。

實(shí)驗(yàn)過程中，便攜式非接觸傳感器置于駕駛員的坐墊內(nèi)，可在不干擾駕駛員正常駕駛的情況下實(shí)現(xiàn)非接觸式測(cè)量。采樣頻率為1 000Hz，陷波頻率為50Hz。每名被試者在駕駛模擬艙內(nèi)連續(xù)駕駛2h。同時(shí)，實(shí)驗(yàn)助理幫助被試者駕駛時(shí)在指定時(shí)間段內(nèi)填寫SOFI-25(swedish occupational fatigue inventory-25)主觀調(diào)查表，由此可根據(jù)駕駛員的主觀自身感覺輔助判別是否達(dá)到駕駛疲勞狀態(tài)。

2　分析方法

2.1　特征提取

主要提取EMG復(fù)雜度、ECG復(fù)雜度、ECG樣本熵作為表征疲勞狀態(tài)的特征參數(shù)。

2.1.1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)新模式的速率的反映[14]。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，Lempel-Ziv復(fù)雜度能夠反映出生理信號(hào)隨人體狀態(tài)而變化的情況。本文中通過計(jì)算駕駛員駕駛過程中各指定時(shí)刻肌電信號(hào)和心電信號(hào)的復(fù)雜度，以此作為表征駕駛員疲勞的特征參數(shù)。

Lempel-Ziv復(fù)雜度具體算法為[15]:設(shè)c(n)為序列 S(s1，s2，…，sn)的復(fù)雜度，Lempel和 Ziv已證明，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

2.1.2樣本熵

樣本熵(sample entropy，SampEn)是由Richman和Moornan提出的一種新的時(shí)間序列復(fù)雜性度量算法[16]，比近似熵更具有相對(duì)一致性。樣本熵有較好的抗噪抗干擾能力，只需較短的數(shù)據(jù)就能達(dá)到有效分析的目的，運(yùn)算時(shí)間短，對(duì)確定性信號(hào)和隨機(jī)信號(hào)都適用，是非線性動(dòng)力學(xué)時(shí)間序列研究的有力工具。本文中通過計(jì)算駕駛員駕駛過程中各個(gè)指定時(shí)刻所有被試者心電信號(hào)的樣本熵，以此作為表征駕駛員疲勞的特征參數(shù)，可用SampEn(m，r，N)來表示，其中m為維數(shù)，r為相似容限，N為長(zhǎng)度。研究[17]指出，當(dāng)m＝2，r＝(0.1～0.2)SD 時(shí)，樣本熵的結(jié)果較為合理，SD為原始數(shù)據(jù)的標(biāo)準(zhǔn)差。樣本熵算法如下。

(1)設(shè)N點(diǎn)原始時(shí)間序列為x(1)，x(2)，…，x(N)，按順序組成一組m維矢量:

(2)定義Xm(i)和Xm(j)間的距離“d[Xm(i)，Xm(j)]”為對(duì)應(yīng)元素差值最大的一個(gè)，即

(3)給定閾值 r，對(duì)每一個(gè) i≤N-m值，統(tǒng)計(jì)d[Xm(i)，Xm(j)]＜r的數(shù)目(模板匹配數(shù))，然后計(jì)算此數(shù)目與距離總數(shù)的比值，用Bmi(r)表示，即

(4)求Bmi(r)對(duì)于所有i的平均值，即

(5)將矢量維度m改為m＋1，重復(fù)步驟(1)～(4)，得 Bm＋1i(r)，則此序列樣本熵為

當(dāng)N為有限值時(shí)，樣本熵可表示為

2.2　駕駛疲勞檢測(cè)模型算法

采用主成分分析PCA與多元線性回歸理論相結(jié)合的方法建立駕駛疲勞檢測(cè)模型。

2.2.1主成分分析

根據(jù)前文可計(jì)算提取出3種表征疲勞駕駛的特征參數(shù)(EMG復(fù)雜度、ECG復(fù)雜度、ECG樣本熵)，由此組成多元回歸方程的自變量矩陣。但傳統(tǒng)的多元線性回歸模型容易忽視各自變量間的相關(guān)問題，而保證各自變量間不存在高度相關(guān)是避免產(chǎn)生偽回歸模型的關(guān)鍵所在。為此，對(duì)提取的3種特征參數(shù)首先進(jìn)行主成分分析，得到2個(gè)不相關(guān)的自變量C1和C2。從而對(duì)模型的自變量進(jìn)行優(yōu)化和降維，保留了原有3種特征參數(shù)的有用信息，消除冗余信息，保證了所建立數(shù)學(xué)模型的正確性和合理性。而且，降維后模型的運(yùn)算速度可顯著提高，對(duì)于在駕駛過程中及時(shí)準(zhǔn)確地檢測(cè)出疲勞狀態(tài)具有重要意義。

主成分分析的原理為:將多變量轉(zhuǎn)化為少數(shù)幾個(gè)綜合變量，使這些綜合變量盡可能多地保留原來變量的信息量，以達(dá)到數(shù)據(jù)降維的目的。其計(jì)算步驟如下[18]。

(1)為消除不同特征變量量綱的影響，首先對(duì)原始數(shù)據(jù)進(jìn)行去均值處理，然后求去均值處理后數(shù)據(jù)的協(xié)方差矩陣C，可按下式計(jì)算向量x和y的協(xié)方差:

(2)對(duì)協(xié)方差矩陣C進(jìn)行特征根分解，得到特征根及特征向量:

式中:U為特征向量構(gòu)成的矩陣；Λ為由特征根λ1，λ2，…，λn構(gòu)成的對(duì)角陣。

(3)依據(jù)每個(gè)主成分的累計(jì)貢獻(xiàn)率來確定主成分的個(gè)數(shù)。貢獻(xiàn)率可表示為，于是前 k個(gè)主成分的累積貢獻(xiàn)率為

(4)將原始數(shù)據(jù)投影到由步驟(2)得到的U矩陣的特征向量構(gòu)成的新坐標(biāo)系中，由這些新的投影構(gòu)成的向量就是主成分的分向量。

2.2.2多元線性回歸

多元線性回歸是以多個(gè)自變量的給定值為條件的回歸分析，是研究因變量與多個(gè)自變量間的線性關(guān)系的統(tǒng)計(jì)方法[19]，其原理如下。

假定因變量Φ有n組樣本，用它組成n行矩陣，記為[φ1，φ2，…，φn]。 影響因變量的參數(shù) C 有 p個(gè)，用它組成n×p維的自變量矩陣C，則Φ與C的多元線性回歸模型為

式中:β0，β1，…，βp為偏回歸系數(shù)；μi為模型的隨機(jī)誤差。

3　實(shí)驗(yàn)結(jié)果與分析

3.1　數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)從駕駛員股二頭肌采集的信號(hào)為肌電信號(hào)和心電信號(hào)疊加在一起的混合信號(hào)，且該信號(hào)還受到各種噪聲的干擾，主要的噪聲來源于身體移動(dòng)和呼吸等引起的基線噪聲。因此，在提取特征參數(shù)之前必須通過數(shù)據(jù)預(yù)處理，將肌電信號(hào)和心電信號(hào)有效地分離，并去除噪聲。

(1)快速獨(dú)立成分分析Fast ICA具有快速收斂特性，且穩(wěn)定性好，能在較好保護(hù)有用信號(hào)的同時(shí)，實(shí)現(xiàn)信號(hào)的盲分離[20]。因此，本文中采用Fast ICA實(shí)現(xiàn)肌電信號(hào)與心電信號(hào)的粗分離。

(2)針對(duì)分離后的肌電信號(hào)和心電信號(hào)存在的基線噪聲和少量混疊的問題，采用經(jīng)驗(yàn)?zāi)B(tài)分解EMD算法對(duì)其進(jìn)行去噪。將粗分離后的肌電、心電信號(hào)分解為一系列本征模態(tài)分量IMF，將每個(gè)IMF投影到頻域中得到各個(gè)IMF的頻譜。然后依據(jù)肌電信號(hào)、心電信號(hào)頻譜進(jìn)行肌電、心電信號(hào)重構(gòu)，既保留了肌電、心電信號(hào)的有用信息，又將噪聲和少量的疊混消除，從而實(shí)現(xiàn)了肌電信號(hào)和心電信號(hào)的完全分離和去噪。

現(xiàn)以長(zhǎng)度為5s的原始測(cè)量信號(hào)為例(圖3)，說明肌電信號(hào)和心電信號(hào)的盲分離過程。首先，采用Fast ICA對(duì)原始信號(hào)進(jìn)行粗分離，經(jīng)粗分離后的肌電信號(hào)和心電信號(hào)如圖4所示。可見，分離后的肌電、心電信號(hào)中仍存在噪聲和少量混疊。然后，采用EMD算法進(jìn)一步對(duì)圖4中的肌電、心電信號(hào)進(jìn)行去噪。去噪后的肌電信號(hào)和心電信號(hào)如圖5所示?？梢姡嫉幕旌闲盘?hào)經(jīng)Fast ICA分離和EMD去噪后，實(shí)現(xiàn)了肌電信號(hào)和心電信號(hào)的有效分離與去噪。

圖3　原始的肌電心電混合信號(hào)

圖4　分離后的肌電信號(hào)和心電信號(hào)

圖5　降噪后的肌電信號(hào)和心電信號(hào)

3.2　駕駛過程中特征參數(shù)的變化規(guī)律

鑒于肌電、心電信號(hào)產(chǎn)生的復(fù)雜機(jī)理及其所具有的非平穩(wěn)和非線性等混沌特征，采用非線性動(dòng)力學(xué)方法提取信號(hào)中所蘊(yùn)含的生理信息，以提供更多、更有效的能夠評(píng)價(jià)駕駛疲勞的量化分析指標(biāo)。從每位被試者2h駕駛過程中分離出的肌電信號(hào)和心電信號(hào)中，每10min選取30s的靜息狀態(tài)(即無明顯的瞬間波動(dòng))進(jìn)行特征提取，求得一組信號(hào)的特征參數(shù)值(包括EMG復(fù)雜度、ECG復(fù)雜度和ECG樣本熵3個(gè)數(shù)值)。若出現(xiàn)因駕駛操作而引起的瞬間波動(dòng)(原始信號(hào)記錄圖中可觀察到)，則將特征提取的時(shí)刻適當(dāng)前移或后移，避開這些人為影響因素，從而保證獲得的信號(hào)為短時(shí)間內(nèi)相對(duì)穩(wěn)定的生理信號(hào)，測(cè)量結(jié)果具有客觀實(shí)時(shí)性。將8名被試者的特征參數(shù)取平均值后，即可得到這3種特征參數(shù)隨駕駛時(shí)間的變化趨勢(shì)，如圖6～圖8所示。

圖6　肌電信號(hào)復(fù)雜度隨駕駛時(shí)間的變化

圖7　心電信號(hào)復(fù)雜度隨駕駛時(shí)間的變化

由圖可見，被試者肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度和樣本熵這3種特征參數(shù)均隨駕駛時(shí)間的延長(zhǎng)和駕駛員疲勞感的增加呈下降趨勢(shì)，約在90min后下降趨勢(shì)變緩，表明駕駛員進(jìn)入比較疲勞的狀態(tài)。

圖8　心電信號(hào)樣本熵隨駕駛時(shí)間的變化

圖9　駕駛狀態(tài)三維分布圖

4　駕駛疲勞檢測(cè)模型

4.1　疲勞狀態(tài)的三維分布

主觀調(diào)查表SOFI-25的結(jié)果表明，被試者普遍感覺在駕駛實(shí)驗(yàn)的前30min比較清醒，連續(xù)駕駛90min后存在比較疲勞的感覺。因此可根據(jù)圖6～圖8的實(shí)驗(yàn)數(shù)據(jù)、主觀問卷調(diào)查和文獻(xiàn)調(diào)研[1，21-22]三者相結(jié)合的方式，定義駕駛實(shí)驗(yàn)的0～30min為“正常狀態(tài)”，90～120min為“疲勞狀態(tài)”。

為確定各參數(shù)對(duì)駕駛疲勞的反應(yīng)效果，分析了以3種特征參數(shù)為坐標(biāo)時(shí)，“正常狀態(tài)”和“疲勞狀態(tài)”的三維分布狀況。從每名被試者每種狀態(tài)(正?；蚱?中各選取4min數(shù)據(jù)，正常狀態(tài)選取10～14min，疲勞狀態(tài)選取106～110min。每30s對(duì)肌電和心電信號(hào)計(jì)算一次特征參數(shù)值(每次計(jì)算獲得3個(gè)特征參數(shù)值:肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度和心電信號(hào)樣本熵)，則共有384個(gè)特征參數(shù)值(2種狀態(tài)×4min×3個(gè)特征參數(shù)×8名被試者/30s＝384)。在以3個(gè)特征參數(shù)值為坐標(biāo)的三維坐標(biāo)系中共有128個(gè)點(diǎn)，其中正常狀態(tài)和疲勞狀態(tài)各64個(gè)點(diǎn)(圖9)。為消除個(gè)體差異和特征參數(shù)絕對(duì)值差異較大的問題，對(duì)每名被試者的每種特征參數(shù)進(jìn)行了歸一化處理。

由圖9可見:正常狀態(tài)時(shí)，3種特征參數(shù)的值都較大，狀態(tài)點(diǎn)主要分布于三維圖的右上角；疲勞狀態(tài)時(shí)，3種特征參數(shù)的值都較小，狀態(tài)點(diǎn)主要分布于三維圖的左下角。因此，將肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度、心電信號(hào)樣本熵3種特征參數(shù)聯(lián)立起來提出一種綜合的狀態(tài)參數(shù)，更能明顯區(qū)分正常與疲勞兩種狀態(tài)。

4.2　駕駛疲勞檢測(cè)模型的建立

由以上分析可知，3種特征參數(shù)聯(lián)立起來更能明顯區(qū)分正常與疲勞兩種狀態(tài)，說明三者之間既可以進(jìn)行信息補(bǔ)充，也存在信息冗余。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。因此，為保留有用信息、消除冗余信息，采用主成分分析對(duì)3種特征參數(shù)進(jìn)行分析和優(yōu)化，各主成分所對(duì)應(yīng)的貢獻(xiàn)率如圖10所示。由圖可見，前兩個(gè)主成分的累積貢獻(xiàn)率為92.38%，超過85%。因此，選取貢獻(xiàn)率大的前兩個(gè)主成分即可有效表征駕駛員的疲勞狀態(tài)，可作為建立多元回歸數(shù)學(xué)模型的自變量。

圖10　主成分的貢獻(xiàn)率

主成分的系數(shù)矩陣為

式中:Ci表示第i個(gè)主成分；Xi表示特征參數(shù)(X1表示肌電信號(hào)復(fù)雜度，X2表示心電信號(hào)復(fù)雜度，X3表示心電信號(hào)樣本熵)；主成分的系數(shù)表示所對(duì)應(yīng)的特征參數(shù)在該主成分中所占的權(quán)重。本文中選取前兩個(gè)主成分作為疲勞駕駛的綜合判別特征參數(shù)。因此，通過主成分分析可有效降低變量的維度，剔除原特征參數(shù)的冗余信息，把原特征參數(shù)轉(zhuǎn)化為主成分C1和C2，其中每個(gè)主成分都是原始變量的線性組合。

根據(jù)以上分析，本文以C1和C2為自變量構(gòu)成128×2的自變量矩陣，再構(gòu)成與之相對(duì)應(yīng)的因變量矩陣，提出一種綜合的狀態(tài)參數(shù)Φ，構(gòu)建的基于多元回歸理論的駕駛疲勞數(shù)學(xué)模型為

式中:Φ＞0，表示正常狀態(tài)；Φ＜0，表示疲勞狀態(tài)。

4.3　駕駛疲勞檢測(cè)模型的驗(yàn)證

為考察本文中建立的駕駛疲勞數(shù)學(xué)模型的準(zhǔn)確性，通過狀態(tài)判斷結(jié)果和十折交叉驗(yàn)證兩種方法來驗(yàn)證其正確性。

首先，比較不采用PCA降維的傳統(tǒng)回歸模型(特征參數(shù)自變量)判別準(zhǔn)確率和采用PCA降維的優(yōu)化模型(主成分自變量)判別準(zhǔn)確率，結(jié)果如表1所示。由表可見，以特征參數(shù)為自變量的傳統(tǒng)回歸模型的狀態(tài)判定結(jié)果準(zhǔn)確率只有77.34%，以主成分為自變量的PCA降維模型的狀態(tài)判定結(jié)果準(zhǔn)確率可達(dá)92.19%，準(zhǔn)確率顯著提高。

表1　傳統(tǒng)回歸模型與PCA降維模型的比較

為進(jìn)一步評(píng)價(jià)該模型的準(zhǔn)確性，將128組數(shù)據(jù)集分成10份，輪流將其中9份作為訓(xùn)練集，1份作為測(cè)試集，進(jìn)行十折交叉驗(yàn)證。結(jié)果如表2所示，可見測(cè)試集的平均準(zhǔn)確率為90.82%，計(jì)算結(jié)果準(zhǔn)確率比較高。

表2　交叉驗(yàn)證駕駛疲勞模型

5　討論

5.1　關(guān)于特征參數(shù)變化趨勢(shì)的討論

由圖6可見，所有被試者的肌電信號(hào)復(fù)雜度均隨駕駛時(shí)間的延長(zhǎng)呈下降趨勢(shì)，約在90min后下降趨勢(shì)變緩，駕駛員進(jìn)入比較疲勞狀態(tài)。肌電信號(hào)的變化表明，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]。由圖7和圖8可見，所有被試者的心電信號(hào)復(fù)雜度和樣本熵也隨駕駛時(shí)間的延長(zhǎng)呈下降趨勢(shì)。心電信號(hào)的復(fù)雜度和樣本熵反映了心臟交感神經(jīng)和迷走神經(jīng)相互調(diào)節(jié)的有序程度，其隨駕駛時(shí)間延長(zhǎng)呈下降的趨勢(shì)，說明此刻人體的心臟可調(diào)控可變化的能力減弱，即隨著外界環(huán)境的變化調(diào)整自己狀態(tài)的能力下降[24]。

可見，雖然整個(gè)駕駛過程中遇到的情況不同，各個(gè)表征駕駛疲勞的特征參數(shù)會(huì)有所波動(dòng)，但規(guī)律性的整體下降趨勢(shì)保持得較好，即肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度和樣本熵這3種特征參數(shù)在各時(shí)刻的標(biāo)準(zhǔn)差相對(duì)較小，表明復(fù)雜度和樣本熵這兩種算法對(duì)判別駕駛疲勞具有較強(qiáng)的表征能力和較高的穩(wěn)定性。

5.2　關(guān)于駕駛疲勞檢測(cè)模型的討論

本模型能否成功應(yīng)用，其有效性和合理性是兩個(gè)關(guān)鍵點(diǎn)。

(1)有效性 通過主成分分析，對(duì)提取的3種特征參數(shù)進(jìn)行降維，獲得了兩個(gè)主成分C1和C2。既保留了原有特征參數(shù)的有用信息，又消除了冗余信息，可作為建立多元回歸數(shù)學(xué)模型的自變量。C1和C2這兩個(gè)主成分是否對(duì)于正常狀態(tài)和疲勞狀態(tài)具有明顯的辨識(shí)度，是本模型有效性的關(guān)鍵點(diǎn)之一。對(duì)此，分別對(duì)C1和C2進(jìn)行了配對(duì)t檢驗(yàn)[25]。結(jié)果表明，C1和 C2的 t檢驗(yàn)顯著性 P值分別為0.001和0.002，都小于0.05，表明C1和C2可揭示出駕駛過程中生理信號(hào)的內(nèi)在規(guī)律，對(duì)正常與疲勞兩種狀態(tài)具有良好的辨識(shí)度，可保證該模型的有效性。

(2)合理性 若C1和C2存在相關(guān)性，則多元線性回歸容易產(chǎn)生偽回歸現(xiàn)象。由于C1和C2是由主成分分析優(yōu)化求得的兩個(gè)主成分，兩者本應(yīng)不存在相關(guān)性。為進(jìn)一步驗(yàn)證其不相關(guān)性，保證駕駛疲勞模型的合理性，采用皮爾遜相關(guān)系數(shù)算法對(duì)C1和C2進(jìn)行相關(guān)性分析，即

式中:n＝128[26]。由式(5)的計(jì)算結(jié)果可知，被試者不同時(shí)刻C1與C2之間的相關(guān)系數(shù)r＝0。可見，C1與C2不存在相關(guān)性，可保證該模型的合理性。

5.3　該方法的可應(yīng)用性

本文中所提出的基于駕駛員生理信號(hào)的非接觸式駕駛疲勞檢測(cè)技術(shù)較易應(yīng)用于實(shí)際駕駛過程中:(1)非接觸便攜式傳感器可置于駕駛員坐墊內(nèi)，不會(huì)對(duì)駕駛員的正常駕駛造成干擾；(2)數(shù)據(jù)采集系統(tǒng)與模型計(jì)算系統(tǒng)可在坐墊內(nèi)進(jìn)行連接；(3)當(dāng)模型計(jì)算出疲勞狀態(tài)時(shí)，安裝在車內(nèi)的報(bào)警器會(huì)自動(dòng)報(bào)警，從而起到有效檢測(cè)和預(yù)防疲勞駕駛的目的。而且，由于本文中采用了樣本熵和PCA算法，可以顯著提高模型的運(yùn)算速度，對(duì)于實(shí)時(shí)檢測(cè)駕駛疲勞狀態(tài)至關(guān)重要。

6　結(jié)論

使用非接觸便攜式傳感器，在不影響駕駛員正常駕駛的前提下，采集了駕駛員股二頭肌的生理信號(hào)，實(shí)現(xiàn)了非接觸式測(cè)量。并采用主成分分析與多元線性回歸理論相結(jié)合的方法，建立了可判定駕駛疲勞的數(shù)學(xué)模型，從而提出了一種基于復(fù)合生理信號(hào)的非接觸便攜式的駕駛疲勞檢測(cè)技術(shù)。本文主要得到如下結(jié)論。

(1)傳感器采集到的原始混合信號(hào)經(jīng)快速獨(dú)立成分分析的分離和經(jīng)驗(yàn)?zāi)B(tài)分解的去噪后，實(shí)現(xiàn)了肌電信號(hào)和心電信號(hào)的有效分離和去噪。在此基礎(chǔ)上，提取了肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度和心電信號(hào)樣本熵這3種特征參數(shù)。

(2)隨駕駛時(shí)間的延長(zhǎng)，肌電信號(hào)復(fù)雜度、心電信號(hào)復(fù)雜度和心電信號(hào)樣本熵這3種特征參數(shù)均呈現(xiàn)出下降的趨勢(shì)，約在90min后下降趨勢(shì)變緩，表明駕駛員進(jìn)入比較疲勞狀態(tài)。將3種特征參數(shù)聯(lián)立起來更能明顯區(qū)分正常和疲勞兩種狀態(tài)。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。

(3)采用主成分分析的方法將特征參數(shù)進(jìn)行降維，獲得了兩個(gè)能夠有效表征疲勞狀態(tài)的主成分，以此為自變量構(gòu)建了基于多元回歸理論的駕駛疲勞數(shù)學(xué)模型。通過狀態(tài)判斷和十折交叉驗(yàn)證兩種方法的驗(yàn)證結(jié)果可知，該模型能較準(zhǔn)確地計(jì)算出駕駛員在駕駛過程中疲勞與否的狀態(tài)，準(zhǔn)確率可達(dá)90%以上，從而為駕駛員的駕駛疲勞檢測(cè)和預(yù)防因疲勞而引起的交通事故提供了一種實(shí)時(shí)、非接觸且簡(jiǎn)便有效的新技術(shù)。

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

[2] 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.

[3] RICHMAN JS，MOORMAN JR.Physiological time-series analysis using approximate entropy and sample entropy[J].Ajp Heart&Circulatory Physiology，2000，278(6):2039-2049.

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

[5] PACK A I， PACK A M， RODGMAN E， et al.Characteristics of crashes attributed to the driver having fallen asleep[J].Accident and Prevent，1995，27(6):769-775.

[6] PHILIPA H G，NATHNIEL S M，JAMES I，et al.Investigation driver fatigue in truck crashes:trial of a systematic methodology[J].Transportation Research， Part F:Psychology and Behavior，2006，9(1):65-76.

[7] MURATA A，TAKADAWA Y.Evaluation of mental fatigue using feature parameter extracted from event-related potential[J].International Journal of Industrial Ergonomics，2005，35(4):761-770.

[8] 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.

[9] 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(cè)模型[J].汽車工程，2013，35(3):219-223.

[10] 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(cè)[J].汽車工程，2013，35(9):803-807.

[11] 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.

[12] 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.

[13] MCCARTT A T，RIBNER SA，PACK A I，et al.The scope and nature of the drowsy driving problem in New York State[J].Accident Analysis and Prevention，1996，28(4):511-517.

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

[15] 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.

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

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

[18] 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.

[19] 付榮榮.基于機(jī)器學(xué)習(xí)的機(jī)動(dòng)車駕駛?cè)似跔顟B(tài)識(shí)別方法研究[D].沈陽:東北大學(xué)，2015.

[20] 劉瓏，李勝.基于快速獨(dú)立分量分析的腦電波信號(hào)降噪[J].計(jì)算機(jī)測(cè)量與控制，2014，22(11):3708-3711.

[21] 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.

[22] 陳曉靜，戚春華，朱守林，等.草原公路行車駕駛員腰部疲勞的試驗(yàn)研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2014，24(6):33-37.

[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.

[24] 吳群.基于心電信號(hào)的疲勞駕駛檢測(cè)方法研究[D].杭州:浙江大學(xué)，2008.

[25] 趙曉華，房瑞雪，榮建，等.基于生理信號(hào)的駕駛疲勞綜合評(píng)價(jià)方法試驗(yàn)研究[J].北京工業(yè)大學(xué)學(xué)報(bào)，2011，37(10):1511-1516.

[26] 紀(jì)俐，王宏，張弛，等.駕駛員腦電特征與手臂操縱駕駛行為研究[J].儀器儀表學(xué)報(bào)，2015，36(9):2050-2056.