李洪濤 巴興強(qiáng) 逯兆友 張 涵 呂思昂

(東北林業(yè)大學(xué)交通學(xué)院,黑龍江 哈爾濱 150040)

0 引言

隨著駕駛時(shí)間的增加而出現(xiàn)疲勞駕駛會(huì)延長(zhǎng)駕駛員的對(duì)光、聲等外界刺激的反應(yīng)時(shí)間，導(dǎo)致發(fā)生交通事故的概率大大提高[1]。已有研究表明方向盤(pán)操作特性和駕駛員的意識(shí)水平之間存在極大的關(guān)聯(lián)性，方向盤(pán)轉(zhuǎn)角不動(dòng)時(shí)間能夠表明駕駛員疲勞程度，不動(dòng)時(shí)間越長(zhǎng)，表明駕駛員疲勞程度越大[2]，可以及時(shí)反映駕駛員疲勞程度，并對(duì)駕駛員進(jìn)行預(yù)警。

目前已有很多學(xué)者針對(duì)方向盤(pán)的調(diào)整和駕駛員睡意之間的相關(guān)性進(jìn)行了研究，并提出了相應(yīng)的識(shí)別模型。Thiffault通過(guò)在轉(zhuǎn)向柱的軸線放置電位器來(lái)測(cè)量方向盤(pán)的轉(zhuǎn)角并以此檢測(cè)駕駛員的駕駛狀態(tài)[3]。張希波以方向盤(pán)的零速百分比和角度標(biāo)準(zhǔn)差作為判別指標(biāo)并建立fisher判別模型對(duì)駕駛員的疲勞程度進(jìn)行監(jiān)測(cè)[4]；陳志勇利用BP神經(jīng)網(wǎng)絡(luò)對(duì)駕駛員疲勞駕駛時(shí)的車(chē)輛行駛特性進(jìn)行訓(xùn)練，并建立了疲勞駕駛行為檢測(cè)模型[5]；屈肖蕾將駕駛員處于不同駕駛狀態(tài)的操作數(shù)據(jù)中抽取的判別指標(biāo)的均值作為參考指標(biāo)，并提出了帶有個(gè)體差異性的疲勞檢測(cè)模型[6]。杜洪吉針對(duì)車(chē)輛的運(yùn)行速度、方向盤(pán)操作信息和車(chē)輛橫向位移對(duì)疲勞駕駛的駕駛適應(yīng)性和主觀操作特征進(jìn)行分析，并提出了疲勞駕駛行為的檢測(cè)方法[7]。目前針對(duì)這方面的研究大多采用時(shí)域分析方法對(duì)方向盤(pán)操作信息特征分析和指標(biāo)提取。

本文從頻域的角度對(duì)不同駕駛狀態(tài)下的方向盤(pán)操作信息進(jìn)行頻譜特性分析，采用方向盤(pán)角度百分比功率譜密度及角速度百分比功率譜密度作為疲勞判別指標(biāo)，將判別指標(biāo)及駕駛狀態(tài)作為模型的輸入和輸出對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，構(gòu)建相應(yīng)的網(wǎng)絡(luò)模型，并以疲勞狀態(tài)的分類(lèi)正確率最大為優(yōu)化目標(biāo)確定疲勞檢測(cè)取樣窗口大小，最后利用測(cè)試樣本數(shù)據(jù)對(duì)模型的準(zhǔn)確率進(jìn)行驗(yàn)證。

1 實(shí)驗(yàn)

1.1 數(shù)據(jù)采集環(huán)境

考慮到實(shí)驗(yàn)的安全性與可靠性，本文利用駕駛模擬器進(jìn)行模擬駕駛實(shí)驗(yàn)，實(shí)驗(yàn)選擇在一條高速公路場(chǎng)景進(jìn)行，道路為雙向六車(chē)道，單車(chē)道寬3.75 m。被試人員共10名，其中5名男性，5名女性。實(shí)驗(yàn)過(guò)程中要求駕駛?cè)藛T盡量保持在車(chē)道中央行駛，減少變道行為，車(chē)速限制在80 km/h～100 km/h。實(shí)驗(yàn)過(guò)程中采集的數(shù)據(jù)包括方向盤(pán)轉(zhuǎn)角速度、方向盤(pán)偏轉(zhuǎn)角度，采樣頻率為50 Hz。

1.2 疲勞狀態(tài)評(píng)價(jià)

為了分析方向盤(pán)操作信息與駕駛員疲勞狀態(tài)的關(guān)系，需要通過(guò)疲勞測(cè)試對(duì)駕駛員的疲勞狀態(tài)做出客觀的評(píng)價(jià)。

實(shí)驗(yàn)開(kāi)始前使用由哈佛醫(yī)學(xué)院睡眠醫(yī)學(xué)科開(kāi)發(fā)的駕駛員反映時(shí)間測(cè)量系統(tǒng)(PVT)，在輸入睡眠時(shí)長(zhǎng)、起床后時(shí)長(zhǎng)以及自我警覺(jué)度評(píng)價(jià)后，能夠通過(guò)測(cè)試系統(tǒng)定量地給出駕駛員反應(yīng)時(shí)間影響因數(shù)。

長(zhǎng)期致力于疲勞駕駛研究的震旦大學(xué)學(xué)者提出了困睡度量表的概念[8]，結(jié)合這一概念制定了適合本文實(shí)驗(yàn)的困睡度量表，將駕駛員駕駛狀態(tài)分為5個(gè)等級(jí)，如表1所示。

表1 困睡度量表

2 特征提取

2.1 疲勞狀態(tài)下的方向盤(pán)操縱特征

基于模擬駕駛對(duì)比實(shí)驗(yàn)，駕駛員在正常和疲勞兩種駕駛狀態(tài)下的方向盤(pán)操作頻域特征如圖1所示。

圖1a)和圖1b)依次為清醒和疲勞狀態(tài)下的方向盤(pán)角度波形頻譜，通過(guò)對(duì)比兩種駕駛狀態(tài)下的頻譜特征，可以看出當(dāng)駕駛員處于清醒狀態(tài)時(shí)，方向盤(pán)操作信號(hào)頻率成分較為復(fù)雜，而當(dāng)駕駛員處于疲勞狀態(tài)時(shí)，方向盤(pán)操作信號(hào)頻率成分較為單一，低頻信號(hào)成分較高。

綜上所述，方向盤(pán)操作信息能夠反映駕駛員的駕駛狀態(tài)，本文將從頻域角度探究方向盤(pán)操作與疲勞狀態(tài)的關(guān)系。

2.2 指標(biāo)提取

首先對(duì)采集的方向盤(pán)數(shù)據(jù)進(jìn)行傅里葉變換，以實(shí)現(xiàn)將信號(hào)從時(shí)域到頻域的轉(zhuǎn)換，從而對(duì)信號(hào)進(jìn)行頻域的分析，傅里葉變換公式為：

(1)

在頻域內(nèi)描述信號(hào)特征的方法有很多，最常用的是使用功率譜密度來(lái)表示，信號(hào)x(t)的功率譜密度PSD定義為:

PSD=∣FFT(x(t))∣2

(2)

其中，F(xiàn)FT(x(t))為對(duì)信號(hào)x(t)進(jìn)行快速傅里葉變換后的結(jié)果。

方向盤(pán)操縱信息隨著駕駛員的年齡、性別、駕駛習(xí)慣的變化而變化，因此使用絕對(duì)功率譜密度值來(lái)衡量駕駛狀態(tài)意義不大，為此本文將功率譜密度進(jìn)行歸一化處理，并將所得結(jié)果定義為百分比功率譜密度D：

(3)

按照上述方法對(duì)方向盤(pán)的角度信號(hào)及方向盤(pán)角速度信號(hào)進(jìn)行特征提取。圖2為各級(jí)疲勞狀態(tài)下方向盤(pán)角度百分比功率譜密度提取結(jié)果對(duì)比，圖3為各級(jí)疲勞狀態(tài)下方向盤(pán)角速度百分比功率譜密度提取結(jié)果對(duì)比。

從圖2，圖3可以看出，相對(duì)于清醒狀態(tài)，疲勞狀態(tài)下的方向盤(pán)角度及角速度的百分比功率譜密度顯著增大。

3 BP神經(jīng)網(wǎng)絡(luò)識(shí)別分類(lèi)器

BP網(wǎng)絡(luò)是通過(guò)足夠多的輸入與輸出模式之間的映射關(guān)系的學(xué)習(xí)，通過(guò)不斷調(diào)整傳遞函數(shù)的參數(shù)，逼近出一個(gè)準(zhǔn)確的分類(lèi)函數(shù)[9]，因此它是有一種有指導(dǎo)的學(xué)習(xí)，能夠通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小，三層BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示。并更好地描述方向盤(pán)操作信息與駕駛員疲勞狀態(tài)之間存在著較為復(fù)雜的關(guān)系。

選取Radbas(徑向基傳遞函數(shù))和Trasig(雙曲正切S型傳遞函數(shù))分別作為輸入層到隱層及隱層到輸出層的傳遞函數(shù)；徑向基傳遞函數(shù)是一種局部逼近網(wǎng)絡(luò)，能夠解決訓(xùn)練樣本較少的問(wèn)題，而雙曲正切傳遞函數(shù)可以保證輸出值在[-1,1]以內(nèi)。將方向盤(pán)角度百分比功率譜密度和方向盤(pán)角速度百分比功率譜密度作為輸入層，疲勞狀態(tài)作為輸出層，其中0為清醒狀態(tài)，1為疲勞狀態(tài)。

通過(guò)對(duì)檢測(cè)系統(tǒng)取樣檢測(cè)窗口進(jìn)行了分析，以疲勞狀態(tài)的分類(lèi)準(zhǔn)確率最大為優(yōu)化目標(biāo)，最終將取樣檢測(cè)窗口確定為60 s。

4 實(shí)驗(yàn)驗(yàn)證

首先向預(yù)先搭建的神經(jīng)網(wǎng)絡(luò)輸入已知的訓(xùn)練樣本。接下來(lái)從訓(xùn)練樣本集以外的樣本中隨機(jī)選取177個(gè)測(cè)試樣本作為測(cè)試樣本集，其中疲勞樣本數(shù)為43個(gè)，清醒樣本數(shù)為134個(gè)，測(cè)試樣本中只有1和0樣本。最后將測(cè)試樣本作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)該方法的準(zhǔn)確率進(jìn)行評(píng)測(cè)，當(dāng)模型的檢測(cè)結(jié)果與實(shí)際狀態(tài)一致時(shí)，即視為識(shí)別正確。檢測(cè)結(jié)果如圖5所示。

經(jīng)驗(yàn)證，該模型清醒狀態(tài)的正確識(shí)別樣本數(shù)為128個(gè)，誤識(shí)別6個(gè)，疲勞狀態(tài)的正確識(shí)別樣本數(shù)為34個(gè)，誤識(shí)別9個(gè)，合計(jì)正確識(shí)別樣本162個(gè)，識(shí)別準(zhǔn)確率為91.5%。

5 結(jié)語(yǔ)

基于對(duì)不同疲勞等級(jí)下的方向盤(pán)操作特性及其頻譜特性進(jìn)行分析，采用方向盤(pán)角度百分比功率譜密度及角速度百分比功率譜密度作為疲勞判別指標(biāo)，將判別指標(biāo)變量及駕駛狀態(tài)作為模型的輸入和輸出對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，構(gòu)建相應(yīng)的網(wǎng)絡(luò)模型，并以疲勞狀態(tài)的分類(lèi)準(zhǔn)確率最大為優(yōu)化目標(biāo)，確定疲勞檢測(cè)取樣窗口為60 s，最后利用測(cè)試樣本數(shù)據(jù)對(duì)模型的準(zhǔn)確率進(jìn)行驗(yàn)證，結(jié)果表明，該方法對(duì)駕駛狀態(tài)的分辨正確率可達(dá)到91.5%。