文／王恁 郭慧利 郭浩

背景

據(jù)統(tǒng)計(jì)，40%的交通事故是由疲勞駕駛引起的。Klauer等人的一項(xiàng)研究發(fā)現(xiàn)疲勞駕駛造成的交通事故比正常駕駛高4至6倍[1]。因此，疲勞駕駛的檢測(cè)已成為關(guān)乎人民生命財(cái)產(chǎn)安全的必要手段。疲勞駕駛的客觀檢測(cè)方法是通過(guò)測(cè)量諸如腦電、心電，肌電和皮膚電的生理信號(hào)以及駕駛員的眼球運(yùn)動(dòng)，頭部位移，駕駛操縱行為和車輛軌跡來(lái)測(cè)量駕駛員的疲勞狀態(tài)[2,3]。其中，腦電是檢測(cè)疲勞的金標(biāo)準(zhǔn)，被認(rèn)為是最準(zhǔn)確和客觀的分析方法之一。

目前，對(duì)腦電信號(hào)特征提取的研究大多基于運(yùn)動(dòng)想象的腦-機(jī)接口（brain-computer interface，BCI）實(shí)驗(yàn)。Budi等在單調(diào)駕駛過(guò)程中測(cè)試了52人的腦波，通過(guò)觀察腦電波中δ、α、θ、β的四個(gè)節(jié)律，找到了四種算法(θ+α)/β，α/β，(θ+α)/(α+β)，θ/β可用于檢測(cè)疲勞的發(fā)生[4]。徐春婕使用α波和β波的平均功率譜密度比值作為腦電疲勞指標(biāo)，準(zhǔn)確率為96.3%[5]。付強(qiáng)驗(yàn)證了β和(α+θ)/β 兩項(xiàng)指標(biāo)對(duì)駕駛疲勞反應(yīng)最敏感[6]。吳紹斌等使用腦電功率譜的比值R =(α+θ)/β作為檢測(cè)疲勞駕駛的指標(biāo)[7]。李立等通過(guò)對(duì)情緒腦電圖的比較分析，得出樣本熵結(jié)果優(yōu)于近似熵結(jié)果[8]。趙曉華等通過(guò)ROC曲線分析得到了疲勞駕駛腦電信號(hào)的樣本熵閾值，準(zhǔn)確率為95%[9]。經(jīng)前人研究發(fā)現(xiàn)，(α+θ)/β指標(biāo)評(píng)估對(duì)疲勞反應(yīng)變化最為敏感，因此本文采用這一方法作為檢測(cè)疲勞駕駛的指標(biāo)。

本文采用基于小波包分解和樣本熵的腦電信號(hào)進(jìn)行駕駛行為中的疲勞檢測(cè)，并構(gòu)建預(yù)警平臺(tái)，以實(shí)現(xiàn)網(wǎng)絡(luò)環(huán)境下的疲勞駕駛行為的實(shí)時(shí)檢測(cè)、預(yù)警、管理以及應(yīng)急。根據(jù)腦電信號(hào)的隨機(jī)性、非平穩(wěn)性、非線性、易受外界干擾的特點(diǎn)，使用小波包分解用于提取腦電信號(hào)并組合不同頻段的腦電信號(hào)確定疲勞指數(shù)，以實(shí)現(xiàn)疲勞狀態(tài)的檢測(cè)與預(yù)測(cè)，并利用樣本熵區(qū)分疲勞狀態(tài)和非疲勞狀態(tài)，表明樣本熵也是判斷疲勞駕駛的有效指標(biāo)，為進(jìn)一步實(shí)時(shí)檢測(cè)疲勞駕駛奠定了基礎(chǔ)。通過(guò)IPv6網(wǎng)絡(luò)環(huán)境搭建疲勞駕駛預(yù)警平臺(tái)，管理駕駛員信息，實(shí)時(shí)檢測(cè)并監(jiān)控駕駛員駕駛狀態(tài)，對(duì)歷史駕駛狀態(tài)分析達(dá)到對(duì)疲勞狀態(tài)的預(yù)警。

實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)方案

32名來(lái)自太原理工大學(xué)的本科及研究生（20男12女）作為實(shí)驗(yàn)的被試，年齡在22～25歲之間，右利手，身體狀況良好，自愿參加實(shí)驗(yàn)。實(shí)驗(yàn)前要求被試48小時(shí)內(nèi)保證充足睡眠，禁止使用酒精、咖啡和藥物。實(shí)驗(yàn)時(shí)間確定在15：00～17：00，在模擬駕駛器內(nèi)進(jìn)行，要求被試連續(xù)駕駛120分鐘，場(chǎng)景選擇為景觀單一的高速公路，長(zhǎng)時(shí)間直線行駛，容易產(chǎn)生疲勞。

實(shí)驗(yàn)數(shù)據(jù)采集

主要實(shí)驗(yàn)儀器有德國(guó) Brain Products公司64導(dǎo)事件相關(guān)腦電位分析系統(tǒng)，放大器帶寬為1000Hz/通道，采樣頻率為 5000/通道/秒；腦電信號(hào)分析軟件BrainVision Analyzer；漳州惠智科技有限公司的汽車駕駛模擬器（智能學(xué)車型，產(chǎn)品型號(hào)：CLT-330）；電極配置采用國(guó)際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)（10-20 electrode system）。原始腦電波需要除去抖動(dòng)較大的錯(cuò)誤信息段，然后去除眼電偽跡。

腦電特征提取方法

小波包分解

小波變換不均勻劃分頻帶，具有高頻帶寬和窄頻帶的特點(diǎn)，可能導(dǎo)致某些有用信號(hào)的檢測(cè)精度降低。小波包分解是基于小波變換在整個(gè)頻率范圍內(nèi)進(jìn)行等頻帶寬正交分解，具有更好的時(shí)頻特性[10,11]。該方法不僅分解了信號(hào)的低頻近似部分，而且分解了信號(hào)的高頻細(xì)節(jié)部分，可以更大程度地保留原始信號(hào)的特征。分解后的信號(hào)更真實(shí)，更精細(xì)地反映了信號(hào)的本質(zhì)。它在繼承小波變換本質(zhì)的同時(shí)，也彌補(bǔ)了小波變換的不足，提高腦電信號(hào)分析的準(zhǔn)確性[12]。

樣本熵

樣本熵是Richman基于近似熵提出的改進(jìn)的時(shí)間序列規(guī)則性評(píng)估算法,它是一種序列復(fù)雜度的測(cè)量方法，是腦電等非線性動(dòng)態(tài)時(shí)間序列研究的有力工具。與時(shí)域特征相比，頻域特征相對(duì)穩(wěn)定，并且函數(shù)計(jì)算時(shí)間消耗小，因此許多基于腦電的應(yīng)用基于頻域特性[13]。李立等通過(guò)兩組公共數(shù)據(jù)集討論近似熵和樣本熵哪種更適合作為腦電特征，結(jié)果表明樣本熵為特征的平均準(zhǔn)確率均高于以近似熵為特征的平均準(zhǔn)確率，從時(shí)間復(fù)雜度對(duì)比結(jié)果可以看出，樣本熵算法的計(jì)算效率明顯高于近似熵算法的計(jì)算效率，實(shí)驗(yàn)結(jié)果與理論也是一致的。

具體算法如下：

步驟 1： 將序列x（1）,x（2）,…,x（N）按順序組成m 維矢量，即

式中：1≤k≤m-1;1≤i,j≤N-m+1,i≠j

步驟2： 定義矢量Xm (i)與矢量Xm (j)之間的距離為d[X_m (i),Xm (j)]，即

式中：

步驟3 ：給定相似容限r(nóng)(r>0)，對(duì)于每個(gè)1≤i≤N-m，統(tǒng)計(jì)出 的數(shù)目與矢量總數(shù)N-m-1的比值，記作(r)：

式中：1≤j≤N-m,i≠j。求其對(duì)所有的平均值

對(duì)于m+1點(diǎn)矢量，同樣有

式中1≤j≤N-m,i≠j：。求其對(duì)所有的平均值

步驟4 ：此序列的樣本熵為

但是在實(shí)際計(jì)算中N不可能為∞，當(dāng)N 取有限值時(shí)，估計(jì)

結(jié)果分析

小波包分解可以反映腦電信號(hào)的時(shí)頻特性，但不能反映其非線性特征。樣本熵是一種非線性分析方法，通過(guò)測(cè)量腦電信號(hào)的復(fù)雜度可以反映其非線性特征，但不能反映其時(shí)頻特征。針對(duì)這兩種方法的不足，本文將小波包分解與樣本熵相結(jié)合，提取腦電信號(hào)的特征，提高腦電信號(hào)的正確識(shí)別率。

腦電信號(hào)節(jié)律能量以及疲勞指數(shù)分析

在本文中，選擇與疲勞程度密切相關(guān)的前額電極FP1進(jìn)行說(shuō)明。將實(shí)驗(yàn)采集到的120分鐘的腦電數(shù)據(jù)去掉前后10分鐘的實(shí)驗(yàn)適應(yīng)和實(shí)驗(yàn)結(jié)束時(shí)間，將剩余的100分鐘腦電數(shù)據(jù)分成10個(gè)片段，每個(gè)片段為10分鐘，記為T1～T10。

根據(jù)能量時(shí)域計(jì)算公式：

可得出θ，α，β三種波的能量值，及變化曲線如圖1和表1。

圖1 不同時(shí)間段腦電波能量值變化曲線

由圖表分析可知，隨著時(shí)間的增加，β波的能量逐漸減小，θ波和α波的能量逐漸增加。在時(shí)間段T1至T3期間，θ波和α波的能量增長(zhǎng)較慢；在時(shí)間段T5至T7期間，α波能量增長(zhǎng)速率變快，θ波能量則是從T6開始變快；時(shí)間段T8至T10期間，θ波和α波能量保持在一定狀態(tài)。也就是說(shuō)，當(dāng)β波占主導(dǎo)地位時(shí)，被試的意識(shí)是清醒的；而當(dāng)θ波和α波占主導(dǎo)地位時(shí)，人的意識(shí)模糊甚至出現(xiàn)睡眠。由于疲勞是多種因素共同作用的結(jié)果，單個(gè)節(jié)律能量的變化趨勢(shì)不能客觀衡量疲勞程度變化。因此，我們綜合分析多個(gè)節(jié)律的能量變化，得到疲勞指數(shù)(α+θ)/β 隨時(shí)間變化的曲線[4]。該比值可進(jìn)一步設(shè)計(jì)為實(shí)時(shí)疲勞駕駛檢測(cè)的預(yù)警數(shù)值。

表1 不同時(shí)間段腦電波能量值變化

圖2 疲勞指數(shù)(α+θ)/β曲線圖

由圖2可知，在時(shí)間段T5～T6期間，疲勞指數(shù)開始呈現(xiàn)明顯上升趨勢(shì)，即開始出現(xiàn)疲勞駕駛情況。T6以后保持上升趨勢(shì)，疲勞程度越來(lái)越深。

腦電信號(hào)樣本熵分析

將小波包分解后的FP1電極腦電波重構(gòu)后，得到一組腦電信號(hào)。本文中樣本熵使用表示，其中選擇參數(shù)m=2，相似容限r(nóng)=0.2SD，樣本容量N=1000。每10秒計(jì)算一次樣本熵，計(jì)算出32名被試的樣本熵的時(shí)間序列，盡管32名被試的樣本熵值大小各不相同，但總體的的變化趨勢(shì)基本一致。得到平均的樣本熵序列，如圖3所示，F(xiàn)P1通道的腦電信號(hào)的樣本熵時(shí)間序列，從T5開始和之前有一定的區(qū)分度。由此可見(jiàn)，樣本熵可以作為判斷疲勞駕駛的依據(jù)。不同駕駛狀態(tài)的樣本熵值具有一定的差異，非疲勞駕駛狀態(tài)的樣本熵值集中在0.6～0.9之間，而疲勞駕駛狀態(tài)的樣本熵集中在0.3～0.6之間，即非疲勞駕駛狀態(tài)的樣本熵高于疲勞駕駛狀態(tài)的樣本熵。

圖3 樣本熵散點(diǎn)圖

IPv6網(wǎng)絡(luò)預(yù)警平臺(tái)

傳統(tǒng)的疲勞駕駛檢測(cè)只是判斷是否處于疲勞狀態(tài)并被動(dòng)給出提醒信號(hào)，這種檢測(cè)判別精細(xì)化程度較低、漏檢率比較高，無(wú)法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)與預(yù)警。在此背景下，我們提出建立一種疲勞駕駛預(yù)測(cè)模型，通過(guò)采集和收集駕駛員以及車輛的各種數(shù)據(jù)，例如：腦電數(shù)據(jù)，CCD攝像頭采集的面部特征信息，簡(jiǎn)易測(cè)量設(shè)備獲得的心率和脈搏數(shù)據(jù)，駕駛員行車路線以及行車時(shí)間等。對(duì)歷史數(shù)據(jù)進(jìn)行管理分析，預(yù)測(cè)在相同狀態(tài)下駕駛員是否處于疲勞駕駛狀態(tài)。同時(shí)，我們利用IPv6 網(wǎng)絡(luò)環(huán)境搭建監(jiān)控及預(yù)警平臺(tái)，對(duì)駕駛員進(jìn)行聯(lián)網(wǎng)監(jiān)控。利用大數(shù)據(jù)分析技術(shù)充分挖掘駕駛疲勞與駕駛員之間的關(guān)系，實(shí)現(xiàn)對(duì)駕駛員個(gè)體差異的差異化管理，有效提高駕駛疲勞檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性。同時(shí)，還可以提前對(duì)疲勞狀態(tài)進(jìn)行預(yù)測(cè)，避免駕駛疲勞檢測(cè)的被動(dòng)性。

表2 疲勞程度與預(yù)警信號(hào)

結(jié)合IPv6與物聯(lián)網(wǎng)技術(shù)，基于腦電的實(shí)時(shí)疲勞駕駛檢測(cè)與預(yù)警成為可能。利用IPv6無(wú)限IP地址，完全移動(dòng)性，始終在線，更小的路由表，更快，更好的質(zhì)量等特點(diǎn)，以及IPv6網(wǎng)絡(luò)數(shù)據(jù)傳輸經(jīng)過(guò)身份驗(yàn)證和加密，使預(yù)警平臺(tái)更迅捷更安全。

預(yù)警平臺(tái)主要實(shí)現(xiàn)疲勞狀態(tài)檢測(cè)，駕駛狀態(tài)監(jiān)控，疲勞狀態(tài)預(yù)警等主要功能（圖4）。

圖4 疲勞駕駛檢測(cè)與預(yù)警平臺(tái)流程

本文的工作主要是對(duì)腦電信號(hào)的分析，采用疲勞指數(shù)與樣本熵結(jié)合，一旦平臺(tái)預(yù)測(cè)到駕駛員疲勞，預(yù)警平臺(tái)會(huì)分三個(gè)級(jí)別給駕駛員發(fā)出預(yù)警信號(hào)，如表2所示。

本文通過(guò)研究駕駛員模擬駕駛情況下的腦電波的時(shí)頻變化特征，利用小波包分解和樣本熵進(jìn)行特征提取。研究發(fā)現(xiàn)，隨著駕駛時(shí)間的增加，β波的能量逐漸減小，θ波和α波的能量逐漸增加。在連續(xù)駕駛50至60分鐘時(shí)，β波能量開始迅速下降，θ波和α波的能量迅速上升，即開始出現(xiàn)疲勞駕駛狀態(tài)；連續(xù)駕駛70至80分鐘時(shí)，θ波和α波的能量超過(guò)β波的能量，可以認(rèn)為已經(jīng)處于疲勞駕駛狀態(tài)。此外，通過(guò)計(jì)算三種波的能量比值(θ+α)/β，可以得到一個(gè)隨時(shí)間變化的疲勞指數(shù)，指數(shù)值越大，疲勞程度越深?？梢詾閷?lái)實(shí)時(shí)疲勞駕駛檢測(cè)提供有效的參考指標(biāo)。最后，樣本熵可以作為疲勞駕駛檢測(cè)的指標(biāo)，隨著駕駛時(shí)間的增加，樣本熵值逐漸減小。從T5時(shí)間段即駕駛50分鐘開始，樣本熵有下降的趨勢(shì)，并在80～100分鐘穩(wěn)定在0.3～0.6左右。可見(jiàn)非疲勞駕駛狀態(tài)的樣本熵值集中在0.6～0.9之間，而疲勞駕駛狀態(tài)的樣本熵集中在0.3～0.6之間。

本文工作為構(gòu)建駕駛員狀態(tài)預(yù)測(cè)模型，為之后搭建預(yù)警平臺(tái)，以實(shí)現(xiàn)疲勞駕駛的檢測(cè)、監(jiān)控及預(yù)警。