莫澤坤，徐逸峰，蔣麒憬，張晨曦，陳蘭嵐

（華東理工大學(xué)信息科學(xué)與工程學(xué)院自動化系，上海 200237）

前言

隨著汽車產(chǎn)量的上升以及在日常生活中的普及，交通事故也越發(fā)頻繁。2016年，全國民用汽車保有量為19440萬輛，而道路交通事故萬車死亡人數(shù)為2.1人。換言之，近4萬人在2016年因交通事故而死亡[1]。作為交通事故重要原因之一的駕駛疲勞，也成為了人們關(guān)注的主題。然而由于疲勞的起因復(fù)雜、疲勞特征個體差異大[2]等緣故，至今沒有一些成熟的疲勞狀態(tài)監(jiān)測方法，為交通事故埋下了嚴(yán)重的隱患。

近年來，計(jì)算機(jī)技術(shù)、傳感器技術(shù)、人工智能技術(shù)的飛速發(fā)展讓駕駛環(huán)境實(shí)時監(jiān)控不再遙不可及，越來越多的科研工作者和機(jī)構(gòu)開始致力于研究能夠?qū)崟r監(jiān)測駕駛員生理信號并判斷精神狀態(tài)的方法，以作為安全駕駛的輔助系統(tǒng)。

現(xiàn)有的研究成果主要分為對駕駛員監(jiān)測與對車輛監(jiān)測。對駕駛員監(jiān)測的研究，主要有眼部圖像識別[3]及面部表情識別[4]。對車輛監(jiān)測的研究則主要針對方向盤的轉(zhuǎn)角情況進(jìn)行[5]。此外，研究表明[6]，利用接觸式傳感器檢測人體外周生理信號對疲勞機(jī)理和表征的研究也是可行的。

本文對外周生理信號進(jìn)行采集、預(yù)處理、提取特征之后；第一步，依據(jù)實(shí)驗(yàn)記錄選取了典型清醒疲勞樣本，結(jié)合支持向量機(jī)（SVM）研究多特征組合下對清醒疲勞樣本的區(qū)分效果，并使用準(zhǔn)確度、靈敏度、特異性、受試者工作曲線等指標(biāo)對分類效果做出評價；第二步，本文以典型清醒疲勞樣本作為訓(xùn)練樣本，利用 SVM 對駕駛狀態(tài)建模，再對連續(xù)的模擬駕駛過程進(jìn)行狀態(tài)的判斷。

1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)提取

1.1 實(shí)驗(yàn)設(shè)計(jì)

1.1.1 實(shí)驗(yàn)設(shè)備與人員

本次實(shí)驗(yàn)使用了以下生理信號的傳感器：肌電（EMG）傳感器（貼于實(shí)驗(yàn)者后頸），皮電（GSR）傳感器（固定于右手食指及小指），皮溫（Temp）傳感器（固定于左手食指），血容脈搏（BVP）傳感器（夾于左手小拇指）和呼吸（Resp）傳感器（綁于胸口），各個信號的采樣頻率皆為256Hz。此外，本實(shí)驗(yàn)使用了模擬駕駛方向盤與踏板套裝及駕駛模擬軟件進(jìn)行模擬駕駛（圖1）。

圖1 實(shí)驗(yàn)設(shè)備Fig.1 Experimental Equipment

實(shí)驗(yàn)中使用了“ProComp Infiniti”生物反饋編碼器，配合軟件“BioNeuro Infiniti”測量被試的外周生理信號。

實(shí)驗(yàn)的被試者為4名在校學(xué)生，平均年齡為22.9±1.2歲，所有被試均為男性，身體健康。實(shí)驗(yàn)旁有1名觀測者記錄被試情況。

1.1.2 實(shí)驗(yàn)流程

被試者在經(jīng)過適當(dāng)?shù)男菹⒑箝_始模擬駕駛實(shí)驗(yàn)。在實(shí)驗(yàn)開始前，被試者將填寫第一張卡羅林斯卡嗜睡表用以主觀判斷被試者的精神狀態(tài)，卡羅林斯卡嗜睡表是一種嗜睡程度自評量表，用以被試主觀評價當(dāng)前疲勞程度。之后，被試者進(jìn)行約2小時的模擬駕駛，休息15分鐘并填寫第二張卡羅林斯卡嗜睡表，再繼續(xù) 0.5小時的駕駛作為對照實(shí)驗(yàn)。在總計(jì)長達(dá)3小時左右的實(shí)驗(yàn)后，被試者結(jié)束駕駛并填寫第三張卡羅林斯卡嗜睡表。

在實(shí)驗(yàn)進(jìn)行時，觀測者會在旁邊觀察被試者，記錄被試者各種疲勞狀態(tài)（車輛事故、呼吸沉重、眨閉眼變多等）的時間點(diǎn)，及時將被試者的狀態(tài)記錄于被試狀態(tài)記錄表。同時，生物反饋傳感器將被試者皮電、血容、皮溫、呼吸和肌電的原始數(shù)據(jù)記錄于計(jì)算機(jī)（圖3）。

1.1.3 樣本選取

結(jié)合被試狀態(tài)記錄表與卡羅林斯卡嗜睡表，實(shí)驗(yàn)相對準(zhǔn)確、合理地判斷出駕駛者的疲勞時間段和清醒時間段，并考慮駕駛初始階段被試調(diào)整動作較大對信號造成的干擾、等待被試狀態(tài)鎮(zhèn)靜等因素最終選取了每名被試在開始駕駛后10-20分鐘、以及行駛至100-110分鐘數(shù)據(jù)分別作為清醒和疲勞狀態(tài)的典型樣本。即圖3中虛線框所示。

圖3 原始數(shù)據(jù)Fig.3 Raw Data

此樣本將作為短時駕駛樣本進(jìn)行分類，研究特征指標(biāo)對清醒疲勞狀態(tài)的區(qū)分效果，并在對連續(xù)駕駛過程進(jìn)行狀態(tài)識別中作為SVM訓(xùn)練集，研究經(jīng)訓(xùn)練后的SVM對駕駛?cè)痰谋辉嚑顟B(tài)識別效果。

1.2 數(shù)據(jù)預(yù)處理

原始信號通常帶有較多噪音，因而，在進(jìn)一步處理前，首先需要進(jìn)行濾波處理。

實(shí)驗(yàn)所采用的濾波器是巴特沃斯數(shù)字低通濾波器。濾波器的截止頻率應(yīng)保證所用的頻段范圍內(nèi)信號能無失真通過，對于之外的噪音信號則盡可能濾除。因而，考慮到一定裕度，GSR信號截止頻率為5Hz；EMG信號截止頻率為 127Hz；Resp信號截止頻率為 10Hz；BVP信號截止頻率為 10Hz；Temp信號變化較為緩慢，無需濾波。圖4為EMG信號濾波前后波形圖，虛線波形較為紊亂，為EMG的原始波形圖，而波形較為光滑的實(shí)線圖為濾波后的波形圖。由圖4可以看出，濾波后的效果顯著，易于之后的特征提取與分析。

圖4 信號濾波處理Fig.4 The Processing of Signal Filtering

2 特征提取與狀態(tài)識別方法

2.1 特征提取

實(shí)驗(yàn)主要提取了 BVP信號的頻域、時域及心率變異性（Heart Rate Variability, HRV）指標(biāo)；對EMG、GSR、Resp信號進(jìn)行了頻域與時域上的特征指標(biāo)提??；對Temp則提取了時域指標(biāo)。時域參數(shù)主要包括均值、標(biāo)準(zhǔn)差、均方根、最大最小值。頻域參數(shù)主要包括各個頻段的功率譜密度和以及它們之間的比值關(guān)系。BVP信號還計(jì)算了四個和HRV相關(guān)的特征。HRV是指竇性心律在一定時間內(nèi)周期性改變的現(xiàn)象。HRV能夠有效反映腦力和體力的疲勞狀況，能夠作為檢測疲勞駕駛的指標(biāo)[7]。實(shí)驗(yàn)提取的指標(biāo)具體如表 1所示。通過對原始數(shù)據(jù)點(diǎn)進(jìn)行運(yùn)算，可以獲得信號時域上的特征，而獲取頻域上的特征則需首先將信號變換至頻域信號。為此，實(shí)驗(yàn)對原始信號進(jìn)行了快速傅里葉變換（FFT）處理。FFT是一種對離散數(shù)據(jù)快速變換至頻域的算法，能夠極大減少離散傅里葉變換的運(yùn)算量[8]。

計(jì)算 HRV相關(guān)參數(shù)的關(guān)鍵是獲取心跳的RR間期。而BVP可反映心跳情況（其波形如圖5所示），通過提取BVP波形的RR間期數(shù)據(jù)，即可計(jì)算HRV相關(guān)參數(shù)。

圖5 BVP波形圖Fig.5 The Waveform of BVP

數(shù)據(jù)處理后，將進(jìn)一步驗(yàn)證通過分析外周生理電信號能否區(qū)分被試的清醒疲勞狀態(tài)，并尋找區(qū)分效果較好的特征指標(biāo)。

表1 不同信號提取的參量Table1 The Features of the Signal

2.2 特征樣本處理

實(shí)驗(yàn)將每名被試的10分鐘清醒和10分鐘疲勞原始數(shù)據(jù)片段進(jìn)行提取，以100秒為一個窗口長度，10秒為步長計(jì)算特征，產(chǎn)生共120個特征樣本點(diǎn)。4名被試構(gòu)建的數(shù)據(jù)集共有清醒特征樣本、疲勞特征樣本各240個。

實(shí)驗(yàn)接著對特征樣本進(jìn)行線性歸一化處理以縮小個體差異帶來的誤差，然后在特征空間中尋找清醒疲勞數(shù)據(jù)值差異明顯的特征，即該特征能夠較為明顯地區(qū)分清醒疲勞狀態(tài)。

歸一化是一種無量綱處理手段，使實(shí)際的絕對數(shù)值轉(zhuǎn)換為相對值進(jìn)行比較，歸一化后的所有數(shù)據(jù)取值范圍均在[0,1]。實(shí)驗(yàn)使用線性函數(shù)進(jìn)行歸一化轉(zhuǎn)換，公式如下：

式中：X，Y分別是歸一化前后的數(shù)據(jù)值，Xmax、Xmin分別是歸一化前每個特征的樣本最大值和最小值。

2.3 使用SVM進(jìn)行分類

支持向量機(jī)（Support Vector Machine，SVM）是一種可以訓(xùn)練的機(jī)器學(xué)習(xí)方法。分類的過程是將樣本空間映射到一個高維的特征空間中，并在特征空間中構(gòu)造最優(yōu)分割超平面，此超平面不但能將兩類特征分開，且使分類間隔最大，使得學(xué)習(xí)機(jī)得到全局最優(yōu)化[9]。

分類首先將樣本點(diǎn)混合后隨機(jī)分成8組，再使用留一法進(jìn)行8次交叉驗(yàn)證。留一法實(shí)驗(yàn)方式是將樣本數(shù)據(jù)分成訓(xùn)練集和測試集，每次驗(yàn)證將7組作為訓(xùn)練集，1組作為測試集，使用SVM對測試集進(jìn)行分類。最后用8次分類結(jié)果的平均值衡量分類效果。

2.4 評價SVM分類效果

對 SVM 分類效果的評判主要通過以下指標(biāo)判斷：準(zhǔn)確度、靈敏度、特異性、AUC。

準(zhǔn)確度、靈敏度、特異性的計(jì)算主要依靠真陽率、真陰率、假陽率、假陰率。

真陽率（tp）為SVM正確判斷清醒狀態(tài)的概率；假陽率（fp）為SVM將實(shí)際疲勞狀態(tài)誤判為清醒的概率；真陰率（tn）為SVM正確判斷疲勞狀態(tài)的概率；假陰率（fn）為SVM將實(shí)際清醒狀態(tài)誤判為疲勞的概率。

準(zhǔn)確度計(jì)算：

靈敏度計(jì)算：

特異性計(jì)算：

受試者工作特征曲線(ReceiverOperating Characteristic curve, ROC)可以評估兩類分類算法的性能。ROC曲線描繪的是診斷中敏感性和特異性之間的制約關(guān)系，能夠更全面客觀的對分類系統(tǒng)進(jìn)行評估[10]。AUC為ROC曲線所圍成的面積大小，AUC越大，則表明分類機(jī)分類效果越好。

實(shí)驗(yàn)繪制了 ROC曲線并計(jì)算了相應(yīng)的 AUC值來評判SVM通過特征對駕駛者狀態(tài)分類的效果。

3 實(shí)驗(yàn)結(jié)果

3.1 多特征區(qū)分結(jié)果

為了觀測多維特征對駕駛狀態(tài)的區(qū)分效果，特在三維特征空間里對清醒、疲勞樣本進(jìn)行區(qū)分，如圖6所示，該圖中選擇了如下三個特征：Resp均值(fea.1)、GSR 0-1.2Hz功率密度和(fea.2)、Temp最小值(fea.3)并進(jìn)行繪制。圖6表明使用這三個特征能夠非常明顯地區(qū)分清醒與疲勞狀態(tài)樣本點(diǎn)，而來自外周生理信號的其他特征組合也能夠在一定程度上對被試的清醒與疲勞狀態(tài)加以區(qū)分。

圖6 在三維特征空間中的狀態(tài)區(qū)分效果Fig.6 The Effect of Classificationin Three-dimensional Feature Space

3.2 SVM分類結(jié)果

SVM分類的性能評價如表2所示?？梢?，對于單獨(dú)某種信號特征，SVM能大致區(qū)分出駕駛者的狀態(tài)，但錯誤率較高，而使用來自五類信號的所有特征(All)進(jìn)行分類，則可以近乎完全準(zhǔn)確地區(qū)分出駕駛者的狀態(tài)。

表2 分類的性能評價Table2 The PerformanceEvaluation of Classification

3.3 使用ROC評價SVM分類效果

圖7為利用SVM分類機(jī)分別根據(jù)五種信號單獨(dú)分類及根據(jù)五種信號組合分類的ROC曲線。根據(jù)這五種特征的ROC曲線及計(jì)算出的AUC，可以發(fā)現(xiàn)ROC評判結(jié)果與使用正確率對 SVM 分類機(jī)進(jìn)行評判的結(jié)果相類似，進(jìn)一步證明了使用SVM能夠?qū)π盘柼卣鬟M(jìn)行分類進(jìn)而可靠判斷駕駛者狀態(tài)。

圖7 ROC曲線Fig.7 Receiver Operating Characteristic Curve

3.4 使用SVM對連續(xù)駕駛過程分類效果

實(shí)驗(yàn)選取一名被試的典型清醒疲勞樣本作為樣本集，使用SVM分類器對其170分鐘連續(xù)駕駛的信號特征進(jìn)行分類，研究經(jīng)過典型樣本訓(xùn)練后的 SVM 能否對連續(xù)駕駛過程中的駕駛者狀態(tài)變化做出準(zhǔn)確的判斷。

如圖 8所示，前六條曲線分別為 SVM 根據(jù)相應(yīng)信號（BVP、EMG、GSR、Resp、Temp及五個信號指標(biāo)共同作用（ALL））對駕駛過程做出的被試清醒疲勞狀態(tài)區(qū)分情況，1代表被試處于疲勞狀態(tài)，0代表處于清醒狀態(tài)。第七條曲線則為結(jié)合被試狀態(tài)記錄表和卡羅林斯卡嗜睡表所得到的真實(shí)狀態(tài)曲線（Real）。

圖8 基于SVM的駕駛?cè)谭诸愋Ч鸉ig.8 The Classification of Whole Journey via SVM

通過比較可知，單一特征的分類曲線與真實(shí)狀態(tài)曲線之間有較多的不吻合之處，而總特征分類結(jié)果與實(shí)際狀態(tài)基本一致。

此結(jié)果證實(shí)了通過生理電信號的數(shù)據(jù)采集、特征提取與分析，合理使用分類手段，可以準(zhǔn)確評價駕駛員的疲勞狀態(tài)。

4 總結(jié)

本文通過長時間模擬駕駛實(shí)驗(yàn)，獲取到被試清醒與疲勞時的外周生理信號數(shù)據(jù)，經(jīng)過后續(xù)的數(shù)據(jù)處理與分析，驗(yàn)證了通過外周生理信號特征的某些指標(biāo)或指標(biāo)的組合能夠有效區(qū)分駕駛員在模擬駕駛過程中清醒與疲勞的狀態(tài)。

實(shí)驗(yàn)通過 SVM 對典型特征樣本進(jìn)行了分類，并通過正確率計(jì)算和 ROC曲線對分類結(jié)果進(jìn)行了評價。其證明了SVM分類機(jī)可以較好區(qū)分出清醒疲勞特征樣本，并使用分類機(jī)對連續(xù)駕駛過程中駕駛者的狀態(tài)進(jìn)行識別。其結(jié)果與實(shí)際情況基本相符，證明了本文所提方法在實(shí)際駕駛過程中具有較好的應(yīng)用價值。

本文使用的指標(biāo)是常見的時域及頻域上的指標(biāo)，后續(xù)可以研究特殊或非線性等指標(biāo)對狀態(tài)的區(qū)分效果。此外，本文并未使用腦電信號，此后的研究可以引入評判效果較好的腦電信號。

參考文獻(xiàn)

[1] 國家統(tǒng)計(jì)局.中華人民共和國2016年國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計(jì)公報[R].2017.

[2] 于曉東,基于駕駛?cè)松碇笜?biāo)的駕駛疲勞量化方法研究[D],吉林大學(xué),2015.

[3] 黃春雨,蘇李.基于圖像識別的疲勞駕駛監(jiān)測方式研究[J].長春理工大學(xué)學(xué)報（自然科學(xué)版）,2016,(06)∶102-104+114.

[4] 馬添翼,成波.基于面部表情特征的駕駛員疲勞狀態(tài)識別[J].汽車安全與節(jié)能學(xué)報,2010,1(3)∶200-204.

[5] 張希波,成波,馮睿嘉.基于方向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時檢測方法[J].清華大學(xué)學(xué)報（自然科學(xué)版）,2010,50(7)∶1072-1076 +1081.

[6] 楊星星.基于生理信號的疲勞駕駛風(fēng)險檢測方法的研究進(jìn)展[J].中國醫(yī)學(xué)裝備,2013,10（7）∶ 57-59.

[7] 李增勇,焦昆,陳銘等.汽車駕駛員駕駛過程中的心率變異性功率譜分析[J].中國生物醫(yī)學(xué)工程學(xué)報,2003,(06)∶ 574-576.

[8] 胡麗瑩,肖蓬.快速傅里葉變換在頻譜分析中的應(yīng)用[J].福建師范大學(xué)學(xué)報（自然科學(xué)版）,2011,27(4)∶27-30.

[9] 劉華煜.基于支持向量機(jī)的機(jī)器學(xué)習(xí)研究[D].大慶石油學(xué)院,2005.

[10] 韋修喜,周永權(quán).基于ROC曲線的兩類分類問題性能評估方法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2010,20（11）∶47-50.