陳驥馳，王 宏，王翹秀，化成城，劉 沖

(東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，沈陽(yáng) 110819)

前言

近年來(lái)，隨著我國(guó)的汽車(chē)保有量急劇增加，交通事故也大幅增多，其中，疲勞駕駛是導(dǎo)致交通事故的主要因素[1－2]。近期有關(guān)汽車(chē)駕駛研究表明，疲勞駕駛狀態(tài)下發(fā)生事故或接近發(fā)生事故的概率是清醒駕駛狀態(tài)下的4～6倍[3－4]。當(dāng)駕駛員疲勞時(shí)，駕駛員對(duì)外界環(huán)境的注意力和反應(yīng)能力都會(huì)降低，從而可能引發(fā)嚴(yán)重事故[5]。因此，開(kāi)發(fā)車(chē)載疲勞干預(yù)系統(tǒng)，對(duì)駕駛員和車(chē)輛運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控并擇機(jī)進(jìn)行干預(yù)被視為預(yù)防疲勞駕駛的核心技術(shù)，如何準(zhǔn)確快速檢測(cè)駕駛員駕駛疲勞狀態(tài)成為值得研究的重要課題。

檢測(cè)疲勞駕駛狀態(tài)一般可從主觀和客觀兩方面進(jìn)行研究。常用的主觀檢測(cè)方法有多維尺度分析法、成對(duì)比較法(pairwise comparison，PC)和排序法等[6]，但主觀檢測(cè)方法由于受駕駛員和研究者主觀判斷能力的影響，在檢測(cè)疲勞狀態(tài)時(shí)有一定的局限性，一般作為輔助方法使用。與傳統(tǒng)的主觀評(píng)價(jià)方法相比，利用生理電信號(hào)來(lái)評(píng)價(jià)駕駛員駕駛疲勞狀態(tài)能做到客觀準(zhǔn)確、采集方便和使用條件限制少，是一種較有前景的研究疲勞影響的方法。文獻(xiàn)[7]中基于駕駛期間的心率變異性并結(jié)合轉(zhuǎn)向盤(pán)握力來(lái)評(píng)估駕駛員的疲勞程度。然而，在眾多生理信號(hào)中，腦電(electroencephalogram，EEG)具有較高的時(shí)間分辨率和精度，更適合評(píng)價(jià)疲勞效應(yīng)[8－9]。文獻(xiàn)[10]中利用汽車(chē)模擬駕駛系統(tǒng)并記錄其腦電分析特征量，進(jìn)而分析平均功率譜密度比R和關(guān)聯(lián)維數(shù)D，以評(píng)價(jià)駕駛員疲勞程度。文獻(xiàn)[11]中利用汽車(chē)模擬駕駛系統(tǒng)提出一種基于獨(dú)立分量分析的腦電疲勞狀態(tài)判斷方法，進(jìn)而求得信號(hào)的功率譜密度，從而獲得各波段腦波的相對(duì)能量值，判斷駕駛員的疲勞程度。然而，現(xiàn)有的研究方法主要基于功率和能量熵等，這類方法與振幅相關(guān)，其性能易受到EEG振幅的影響，且駕駛員利用汽車(chē)模擬駕駛系統(tǒng)采集到的腦電信號(hào)與在真實(shí)車(chē)輛中采集到的相比，由于缺少了轉(zhuǎn)向盤(pán)力反饋以及在車(chē)速變化時(shí)駕駛員的感知，在一定程度上影響腦電信號(hào)的分析結(jié)果。

為克服這一問(wèn)題，并提高疲勞檢測(cè)精度，本文中選取真實(shí)駕駛環(huán)境，利用便攜式腦電采集設(shè)備Emotiv，實(shí)時(shí)采集駕駛員的腦電信號(hào)，并對(duì)其進(jìn)行小波包分解與重構(gòu)，提取各個(gè)節(jié)律信號(hào)，然后分別計(jì)算各導(dǎo)聯(lián)間的相位遲滯指數(shù)來(lái)構(gòu)建連接矩陣，并提取腦網(wǎng)絡(luò)特征。通過(guò)對(duì)駕駛員主觀疲勞度與所提取特征的神經(jīng)網(wǎng)絡(luò)回歸分析，最終得到二者間的復(fù)雜關(guān)系。研究結(jié)果表明，該方法對(duì)駕駛員疲勞檢測(cè)系統(tǒng)的開(kāi)發(fā)具有重要意義。

1 實(shí)驗(yàn)

1.1 實(shí)驗(yàn)方案

選取8名男性駕駛員(編號(hào)為A～H)，年齡在26～33周歲，身體健康，視力正常，無(wú)任何神經(jīng)病史。要求駕駛員在實(shí)驗(yàn)前將頭發(fā)清洗干凈，維持正常睡眠時(shí)間，在實(shí)驗(yàn)過(guò)程中不飲用任何類型的刺激飲料，如酒精、茶或咖啡等。文獻(xiàn)[12]中利用汽車(chē)模擬駕駛器研究駕駛員在50min腦電特征變化，并分別將前后各10min腦電信號(hào)標(biāo)記為清醒狀態(tài)和疲勞狀態(tài)。因此本實(shí)驗(yàn)設(shè)計(jì)如下:實(shí)驗(yàn)時(shí)間選為晴天中午，駕駛路線從東北大學(xué)南湖校區(qū)沿G1501高速至沈陽(yáng)怪坡風(fēng)景區(qū)，駕駛時(shí)間約1h。對(duì)每位駕駛員腦電信號(hào)進(jìn)行兩次采集，采集時(shí)間分別是在開(kāi)始駕駛的3min和結(jié)束時(shí)的3min，這兩個(gè)時(shí)間段分別對(duì)應(yīng)駕駛員的清醒狀態(tài)和疲勞狀態(tài)。實(shí)驗(yàn)流程如圖1所示。文獻(xiàn)[13]中使用Emotiv設(shè)備通過(guò)腦電信號(hào)檢測(cè)情緒，從腦電信號(hào)中提取特征，以便在二維情感模型中表征心理狀態(tài)，得到較好結(jié)果?？紤]到該設(shè)備具有成本低、對(duì)被試者影響小等優(yōu)點(diǎn)，因此采用Emotiv腦電采集分析系統(tǒng)對(duì)駕駛員兩種狀態(tài)下的腦電信號(hào)進(jìn)行了記錄。 導(dǎo)聯(lián)分別為 AF3，F(xiàn)7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8 和 AF4，電極按照 10－20國(guó)際標(biāo)準(zhǔn)放置，其布置如圖2所示。采樣頻率為128Hz。

圖1 真實(shí)駕駛實(shí)驗(yàn)流程

1.2 數(shù)據(jù)處理

由于真實(shí)駕駛環(huán)境中采集到的腦電信號(hào)會(huì)含有一定的干擾，首先使用EEGLab工具包，對(duì)信號(hào)進(jìn)行去噪。包括偽跡去除和基線校正，并使用獨(dú)立分量分析(independent component analysis，ICA)方法去除眼電干擾。實(shí)現(xiàn)對(duì)采集的腦電信號(hào)的預(yù)處理[14]。

為提取腦電信號(hào)中δ，θ，α和β節(jié)律信號(hào)，本文中選取小波包分解與重構(gòu)方法，該方法可克服小波變換的頻率分辨率隨信號(hào)頻率的升高而降低的缺陷，并能對(duì)信號(hào)進(jìn)行更加精確地分析，從而更好地反映信號(hào)本質(zhì)特征[15]。以f(t)表示原始信號(hào)，經(jīng)小波包分解后，在第i分解層得到2i個(gè)子頻帶，故原始信號(hào)f(t)可表示為

圖2 采集腦電信號(hào)的腦部導(dǎo)聯(lián)示意圖

式中:j＝0，1，2，…，2i－1；fi，j(tj)為小波包在第 i層節(jié)點(diǎn)(i，j)上分解的重構(gòu)信號(hào)。本文中對(duì)頻帶進(jìn)行4層分解，提取信號(hào)中 δ(0－4Hz)，θ(4－8Hz)和 α(8－12Hz)節(jié)律，并重構(gòu)β(12－32Hz)節(jié)律。F7導(dǎo)聯(lián)的小波包分解與重構(gòu)的結(jié)果如圖3所示。

圖3 腦電信號(hào)的小波包分解與重構(gòu)

2 數(shù)據(jù)特征提取與分析

通過(guò)計(jì)算兩信號(hào)之間的同步似然值(synchronization likelihood，SL)可評(píng)判信號(hào)之間的非線性相關(guān)程度[16]。但在EEG信號(hào)采集過(guò)程中容易產(chǎn)生容積傳導(dǎo)問(wèn)題，而SL法可能在兩組信號(hào)間產(chǎn)生虛假的高相關(guān)性[17]。相位遲滯指數(shù)(phase lag index，PLI)討論兩信號(hào)之間的相位同步性，對(duì)容積傳導(dǎo)現(xiàn)象不敏感，可避免產(chǎn)生虛假的高相關(guān)性，能對(duì)信號(hào)之間的非線性耦合程度提供一種可靠的評(píng)價(jià)指標(biāo)。因此，本文中采用PLI來(lái)構(gòu)建不同導(dǎo)聯(lián)信號(hào)之間的非線性相關(guān)性。

2.1 相位遲滯指數(shù)分析

相位分析通過(guò)檢查信號(hào)之間的瞬時(shí)相位的關(guān)系，避免了振幅對(duì)分析結(jié)果的影響，該方法已被證明是推斷神經(jīng)連接性的有效方法。對(duì)任意的EEG信號(hào)x(t)，其解析信號(hào)xA(t)可通過(guò)一復(fù)雜函數(shù)定義[17]為

式中:xH(t)為x(t)的希爾伯特變換(Hilbert transform)。定義瞬時(shí)相位φ(t)為

則任意兩個(gè)導(dǎo)聯(lián)的時(shí)域信號(hào)?m(t)和?n(t)的瞬時(shí)相位差 ?m，n(t)可表示為

將PLI定義為是對(duì)這個(gè)相位差分布的不對(duì)稱測(cè)量值，即

式中:N為采樣點(diǎn)數(shù)；PLImn的范圍為0～1，PLI＝0表明兩組信號(hào)之間沒(méi)有相位同步，PLI＝1表明相位嚴(yán)格同步于一個(gè)常數(shù)，并且延遲為0。

2.2 非線性腦網(wǎng)絡(luò)參數(shù)分析

圖(graph)提供了一種用抽象的點(diǎn)和線表示各種實(shí)際網(wǎng)絡(luò)的統(tǒng)一方法，圖論分析方法是以圖為研究對(duì)象的數(shù)學(xué)方法，因此也成為目前研究復(fù)雜網(wǎng)絡(luò)的一種共同的語(yǔ)言。這種抽象的一個(gè)主要好處在于有可能透過(guò)現(xiàn)象看本質(zhì)，通過(guò)對(duì)抽象的圖的研究而得到具體的實(shí)際網(wǎng)絡(luò)的拓?fù)湫再|(zhì)(topological property)[16，18]。本文中將腦電信號(hào)的通道定義為節(jié)點(diǎn)，通道間的相關(guān)值定義為邊連接值，圖對(duì)應(yīng)的鄰接矩陣則由該邊連接值表示。清醒和疲勞狀態(tài)下總平均鄰接矩陣如圖4所示。

該矩陣為14×14方陣，橫軸和豎軸分別對(duì)應(yīng)全腦區(qū)各個(gè)導(dǎo)聯(lián)，每個(gè)節(jié)點(diǎn)表示各個(gè)導(dǎo)聯(lián)信號(hào)之間的相位滯后指數(shù)值，該值介于0到1之間，若兩個(gè)導(dǎo)聯(lián)之間的相位同步性越強(qiáng)，其值越趨近于1。從圖4可以看出，相比清醒狀態(tài)，疲勞時(shí)PLI值有所減小，且這種減小趨勢(shì)在θ，α和β節(jié)律段比較明顯。

聚類系數(shù)和特征路徑長(zhǎng)度是圖的兩個(gè)最基本的特征量[14]，文獻(xiàn)[19]中利用聚類系數(shù)和特征路徑長(zhǎng)度這兩個(gè)參數(shù)來(lái)描述急性抑郁患者的睡眠腦網(wǎng)絡(luò)變化，并得到較好的分析結(jié)果。因此，本文中采用聚類系數(shù)和特征路徑長(zhǎng)度來(lái)對(duì)比駕駛員清醒和疲勞時(shí)的腦網(wǎng)絡(luò)特性。網(wǎng)絡(luò)的聚類系數(shù)(clustering coefficient，C)定義為網(wǎng)絡(luò)所有節(jié)點(diǎn)的聚類系數(shù)的平均值，即

圖4 清醒和疲勞狀態(tài)下總平均鄰接矩陣

式中:N為網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)；Ci為網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)i的聚類系數(shù)。

式中:ki為節(jié)點(diǎn)i的度，即無(wú)向網(wǎng)絡(luò)中其他節(jié)點(diǎn)與該節(jié)點(diǎn)直接相連的邊的數(shù)目；Ei為節(jié)點(diǎn)i與ki個(gè)鄰居節(jié)點(diǎn)間實(shí)際存在的連接邊數(shù)；分母ki(ki－1)/2為該節(jié)點(diǎn)與鄰居節(jié)點(diǎn)可能存在的最大邊數(shù)。聚類系數(shù)用于測(cè)量復(fù)雜網(wǎng)絡(luò)的連接性，較高的聚類系數(shù)說(shuō)明網(wǎng)絡(luò)在某些區(qū)域具有較為密集的連接。

網(wǎng)絡(luò)的特征路徑長(zhǎng)度(characteristic path length，L)定義為整個(gè)網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)最短路徑長(zhǎng)度的平均值，即

式中dij為連接節(jié)點(diǎn)i和節(jié)點(diǎn)j的最短路徑上的邊的數(shù)目。節(jié)點(diǎn)間的相互作用即為神經(jīng)元間的相互作用，反映神經(jīng)元遞質(zhì)的傳遞，是腦網(wǎng)絡(luò)認(rèn)知過(guò)程中信息傳遞和處理的基礎(chǔ)[20]。特征路徑長(zhǎng)度越短，表明腦網(wǎng)絡(luò)中連接距離較遠(yuǎn)的兩個(gè)節(jié)點(diǎn)所需的邊數(shù)越少。

為更加直觀地觀察到不同狀態(tài)下腦網(wǎng)絡(luò)連通性的變化，須對(duì)鄰接矩陣選擇一個(gè)合適的閾值，濾掉矩陣中小于該閾值的元素。圖5為選取閾值0.32后得到的各個(gè)節(jié)律的腦網(wǎng)絡(luò)拓?fù)鋱D。從圖5可以看出，清醒狀態(tài)和疲勞狀態(tài)之間的功能連通性存在明顯不同，值得注意的是，在θ，α和β節(jié)律段，與清醒狀態(tài)相比，疲勞狀態(tài)下前額極至頂極和額極至枕極的功能連通性被削弱。由此可以推測(cè)，前額極至頂極EEG功能連通性將反映前額極至頂極區(qū)域的感覺(jué)信號(hào)，前額極至頂極功能連通性可以由前額極至頂極信號(hào)主動(dòng)調(diào)節(jié)，隨著駕駛時(shí)間增加，駕駛員疲勞程度增加，這些信號(hào)強(qiáng)度有所降低，導(dǎo)致連通性變差。為定量比較清醒和疲勞狀態(tài)的特征，計(jì)算各個(gè)節(jié)律對(duì)應(yīng)的聚類系數(shù)和特征路徑長(zhǎng)度，如圖6所示。從圖6(a)可以看出，在各個(gè)節(jié)律段，與清醒狀態(tài)相比，疲勞狀態(tài)下聚類系數(shù)均有所減小，特別是在α和β節(jié)律段，下降幅度較為明顯。從圖6(b)可以觀察到，在各個(gè)節(jié)律段，疲勞狀態(tài)下特征路徑長(zhǎng)度比清醒狀態(tài)下有所增加。

3 腦電特征與疲勞的相關(guān)分析

3.1 主觀評(píng)價(jià)方法

通過(guò)成對(duì)比較法(PC)獲取駕駛員對(duì)自身疲勞程度的評(píng)價(jià)。PC法以駕駛員駕駛前后的疲勞程度的比較為基礎(chǔ)，采用1～9比例標(biāo)度法進(jìn)行評(píng)判，1表示A和B一樣疲勞；3表示A略微疲勞；5表示A比較疲勞；7表示A很疲勞；9表示A非常疲勞；而2，4，6和8則分別表示相鄰評(píng)判的中間狀態(tài)。

圖5 清醒和疲勞狀態(tài)下腦網(wǎng)絡(luò)拓?fù)鋱D

圖6 腦網(wǎng)絡(luò)聚類系數(shù)和特征路徑長(zhǎng)度

3.2 腦網(wǎng)絡(luò)特征參數(shù)與主觀疲勞程度相關(guān)分析

采用一個(gè)含有多層的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)算法。將8名駕駛員的腦電數(shù)據(jù)每隔1min截取一段，將其中80%的樣本數(shù)據(jù)作為訓(xùn)練集，其余20%的樣本數(shù)據(jù)作為測(cè)試集。其中網(wǎng)絡(luò)的輸入為δ，θ，α和β節(jié)律下的聚類系數(shù)和特征路徑長(zhǎng)度這8個(gè)腦網(wǎng)絡(luò)特征參數(shù)，輸出為主觀疲勞度。網(wǎng)絡(luò)的輸出如下式所示:

式中:IW1為輸入層的權(quán)重矩陣；LW2為隱含層的權(quán)重矩陣；x為腦網(wǎng)絡(luò)特征參數(shù)；b1，b2為偏移量；Output為訓(xùn)練的輸出，函數(shù)F采用Sigmoid激活函數(shù)。主觀評(píng)價(jià)得到的疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性如圖7所示，R為95.605%，表示疲勞度與神經(jīng)網(wǎng)絡(luò)輸出相關(guān)性較高。將其余20%的測(cè)試集樣本數(shù)據(jù)輸入該系統(tǒng)，得到主觀評(píng)價(jià)的疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性，如圖8所示，R為90.27%。不難看出，駕駛員的疲勞度可以由訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)輸出有效估計(jì)。

圖7 訓(xùn)練集主觀疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性

圖8 測(cè)試集主觀疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性

4 結(jié)論

基于腦電信號(hào)完成了在真實(shí)路況下的疲勞駕駛實(shí)驗(yàn)，通過(guò)小波包分析得到了δ，θ，α和β節(jié)律信號(hào)，計(jì)算了清醒與疲勞狀態(tài)下各導(dǎo)聯(lián)信號(hào)之間的相位遲滯指數(shù)，并基于此構(gòu)建了功能性腦網(wǎng)絡(luò)，采用人工神經(jīng)網(wǎng)絡(luò)算法得到各個(gè)節(jié)律下聚類系數(shù)和特征路徑長(zhǎng)度與主觀疲勞度間的復(fù)雜關(guān)系。結(jié)果表明，與清醒狀態(tài)相比，疲勞狀態(tài)下前額極至頂極和額極至枕極的功能連通性被削弱，并通過(guò)神經(jīng)網(wǎng)絡(luò)成功實(shí)現(xiàn)了利用客觀腦網(wǎng)絡(luò)特征參數(shù)估計(jì)主觀疲勞度，相關(guān)性R為90.27%，回歸分析結(jié)果證明了基于功能連接的精神疲勞評(píng)估方法的可行性，為不同精神狀態(tài)下建立腦動(dòng)態(tài)模型開(kāi)辟了新的途徑。今后的研究可考慮結(jié)合腦電、眼電和肌電信號(hào)，通過(guò)多源信息融合進(jìn)一步提高駕駛員疲勞檢測(cè)系統(tǒng)精度。

[1] FU R R，WANG H，ZHAO WB.Dynamic driver fatigue detection using hidden Markov model in real driving condition[J].Expert Systems With Applications，2016，63:397－411.

[2] WASCHER E， GETZMANN S， KARTHAUS M.Driver state examination—treading new paths[J].Accident Analysis and Prevention，2016，91:157－165.

[3] 馬勇，付銳.駕駛?cè)艘曈X(jué)特性與行車(chē)安全研究進(jìn)展[J].中國(guó)公路學(xué)報(bào)，2015，28(6):82－94.

[4] 胥川，裴賽君，王雪松.基于無(wú)侵入測(cè)量指標(biāo)的個(gè)體差異化駕駛疲勞檢測(cè)[J].中國(guó)公路學(xué)報(bào)，2016，29(10):118－125.

[5] 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(chē)工程，2013，35(12):1139－1142.

[6] 陳劍，楊雯，李偉毅.汽車(chē)聲品質(zhì)主觀評(píng)價(jià)試驗(yàn)方法探究[J].汽車(chē)工程，2009，31(4):389－392.

[7] ROGADOE，GARCíA JL，BAREA R，et al.Driver fatigue detection system[C].IEEE International Conference on Robotics＆Biomimetics，2009:1105－1110.

[8] KAR S，BHAGAT M，ROUTRAY A.EEG signal analysis for the assessment and quantification of driver's fatigue[J].Transportation Research Part F，2010，13:297－306.

[9] 王福旺，王宏.長(zhǎng)途客車(chē)駕駛員疲勞狀態(tài)腦電特征分析[J].儀器儀表學(xué)報(bào)，2013，34(5):1146－1152.

[10] 彭軍強(qiáng)，吳平東，殷罡.疲勞駕駛的腦電特性探索[J].北京理工大學(xué)學(xué)報(bào)，2007，27(7):585－589.

[11] 李明愛(ài)，張誠(chéng)，楊金福.一種基于腦電信號(hào)的疲勞駕駛狀態(tài)判斷方法[J].北京生物醫(yī)學(xué)工程，2011，30(1):57－61.

[12] MU Z D，HU JF，MIN JL.Driver fatigue detection system using electroencephalography signals based on combined entropy features[J].Applied Sciences，2017，7(2):150.

[13] RAMIREZ R，VAMVAKOUSIS Z.Detecting emotion from EEG signals using the Emotive Epoc device[J].Lecture Notes in Computer Science，2012，7670:175－184.

[14] DELORME A，MAKEIG S.EEGLAB:An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods，2004，134(1):9－21.

[15] 吳定超，王珂，馬喜來(lái)，等.基于小波包分解和特征能量提取技術(shù)的車(chē)內(nèi)傳導(dǎo)干擾源識(shí)別[J].汽車(chē)工程，2008，30(12):1103－1107.

[16] STAM C J，REIJNEVELD JC.Graph theoretical analysis of complex networks in the brain[J].Nonlinear Biomedical Physics，2007，1(3):1－19.

[17] STAM C J， NOLTE G， DAFFERTSHOFER A.Phase lag index:assessment of functional connectivity from multi channel EEG and MEG with diminished bias from common sources[J].Human Brain Mapping，2007，28(1):1178－1193.

[18] WANGSQ，SONGQY，WANGX W，et al.Rate and power adaptation for analog network coding[J].IEEE Transactions on Vehicular Technology，2011，60(5):2302－2313.

[19] LEISTEDT SJ， COUMANSN，DUMONT M.Altered sleep brain functional connectivity in acutely depressed patients[J].Human Brain Mapping，2009，30:2207－2219.

[20] BULLMORE E，SPORNSO.Complex brain networks:Graph theoretical analysis of structural and functional systems[J].Nature Reviews Neuroscience，2009，10(3):186－198.