楊米紅，李會(huì)艷，孫曉舟，秦迎梅

（天津職業(yè)技術(shù)師范大學(xué)天津市信息傳感與智能控制重點(diǎn)實(shí)驗(yàn)室，天津 300222）

警覺(jué)度即操作者在執(zhí)行某項(xiàng)任務(wù)時(shí)對(duì)外界的刺激長(zhǎng)時(shí)間保持警惕和注意的靈敏程度，它是檢測(cè)操作者是否產(chǎn)生疲勞的一個(gè)重要指標(biāo)[1]。隨著車(chē)輛的不斷增加，道路交通事故發(fā)生的頻率也在逐漸增加。據(jù)不完全統(tǒng)計(jì)，我國(guó)每年發(fā)生交通事故約20萬(wàn)起[2-3]。交通事故統(tǒng)計(jì)結(jié)果表明，人為因素在交通事故中所占的比例最大，其中駕駛員在駕駛過(guò)程中出現(xiàn)警覺(jué)度下降是發(fā)生交通事故的主要原因之一。目前，警覺(jué)度的檢測(cè)方法主要分為主觀檢測(cè)法和客觀檢測(cè)法2種。主觀檢測(cè)法通常作為警覺(jué)度檢測(cè)的輔助手段應(yīng)用于實(shí)驗(yàn)中，如Putilov等[4]的卡羅林斯卡嗜睡量表（Karolinska sleepiness scale，KSS）和 Fransolin 等[5]的斯坦福嗜睡量表（Stanford sleepiness scale，SSS）。客觀檢測(cè)法主要包括基于表情特征、基于生理信號(hào)和基于行為特征3種[6-9]，其中運(yùn)用最多的是基于視頻技術(shù)和基于腦電信號(hào)處理2種方法。采用視頻技術(shù)進(jìn)行研究時(shí)，需要被試頭部盡量固定，不可隨意移動(dòng)，且易受光線(xiàn)等因素的影響，因此實(shí)驗(yàn)大多采用基于腦電信號(hào)的處理方法對(duì)警覺(jué)度進(jìn)行研究。

腦電信號(hào)在警覺(jué)度檢測(cè)方面應(yīng)用廣泛，其中大多采用人工神經(jīng)網(wǎng)絡(luò)（artif i cial neural network，ANN）[10-12]和支持向量機(jī)（support vector machine，SVM）[13-16]的方法實(shí)現(xiàn)對(duì)警覺(jué)度狀態(tài)的檢測(cè)。然而，ANN受到傳統(tǒng)學(xué)習(xí)方法局部最小值的影響，其學(xué)習(xí)速度較低。SVM訓(xùn)練算法的計(jì)算復(fù)雜性也導(dǎo)致了難以使用SVM處理較大規(guī)模的計(jì)算問(wèn)題。極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）是最近提出的用于單隱層前饋神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，其中輸入權(quán)重和偏置的數(shù)值可隨機(jī)初始化并得到相應(yīng)的輸出權(quán)重[17-18]。華東理工大學(xué)Chen等[19]曾利用ELM學(xué)習(xí)算法的非線(xiàn)性特征實(shí)現(xiàn)對(duì)被試生理信號(hào)的警覺(jué)度狀態(tài)的檢測(cè)，該算法不僅避免陷入局部最優(yōu)，同時(shí)還擁有較快的計(jì)算速度。本文主要研究不同信號(hào)組合以及不同特征組合在ELM以及SVM分類(lèi)器中的分類(lèi)效果，并對(duì)分類(lèi)結(jié)果進(jìn)行比較，挑選出分類(lèi)效果較好的信號(hào)和特征的組合方式后，對(duì)被試的警覺(jué)度狀態(tài)進(jìn)行檢測(cè)。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 數(shù)據(jù)采集

采集了一位被試的實(shí)驗(yàn)數(shù)據(jù)用于實(shí)驗(yàn)處理，被試為所在實(shí)驗(yàn)室老師，男性，36歲，身心健康，無(wú)任何神經(jīng)疾病及其他嚴(yán)重的身體疾病，在實(shí)驗(yàn)之前，精神狀態(tài)良好，無(wú)飲食茶、酒等刺激性食物以及精神類(lèi)藥物的情況。實(shí)驗(yàn)總時(shí)長(zhǎng)為1 h，采樣率為1 000 Hz，由Neuroscan腦電系統(tǒng)中的SynAmps2放大器進(jìn)行連續(xù)采集。依據(jù)便攜式腦電帽的發(fā)展趨勢(shì)，主要采集被試位于前額和枕區(qū)附近的10個(gè)導(dǎo)聯(lián)的腦電信息，采集的10個(gè)導(dǎo)聯(lián)通道位置如圖1所示。實(shí)驗(yàn)中采用模擬駕駛平臺(tái)模擬高速公路駕駛情況，該平臺(tái)由Unity3D軟件進(jìn)行開(kāi)發(fā)，駕駛場(chǎng)景主要由公路、沙漠、樹(shù)木組成，模擬駕駛實(shí)驗(yàn)平臺(tái)界面如圖2所示。為了模擬真實(shí)的駕駛場(chǎng)景，被試在駕駛過(guò)程中車(chē)輛會(huì)出現(xiàn)向左或向右的隨機(jī)偏移事件，被試需要在車(chē)輛開(kāi)始偏移后調(diào)整方向盤(pán)，盡可能保證車(chē)輛在直行時(shí)位于第三車(chē)道的中間位置。被試在實(shí)驗(yàn)開(kāi)始前有5 min的時(shí)間熟悉模擬駕駛系統(tǒng)平臺(tái)的操作步驟和使用方法。根據(jù)被試容易出現(xiàn)疲勞狀態(tài)的時(shí)間[20]，選擇在午飯過(guò)后的時(shí)間段對(duì)被試的腦電數(shù)據(jù)進(jìn)行采集。實(shí)驗(yàn)采集數(shù)據(jù)如圖3所示。根據(jù)行車(chē)軌跡偏差，將腦電信號(hào)分為警覺(jué)狀態(tài)和困倦狀態(tài)。

圖1 導(dǎo)聯(lián)通道位置

圖2 模擬駕駛實(shí)驗(yàn)平臺(tái)界面

圖3 實(shí)驗(yàn)采集數(shù)據(jù)

1.2 特征提取

為了進(jìn)一步研究時(shí)頻特征對(duì)警覺(jué)度狀態(tài)檢測(cè)的影響，采用小波變換的方法對(duì)采集到的原始腦電信號(hào)進(jìn)行處理。設(shè)計(jì)選擇的頻率子帶分別為d1（64～128Hz），d2（32～64 Hz），d3（16～32 Hz），d4（8～16 Hz），d5（4～8 Hz），d6（2～4 Hz），d7（1～2 Hz）以及d7（0～1 Hz），警覺(jué)狀態(tài)和困倦狀態(tài)下原始腦電信號(hào)及其小波變換各子頻帶信號(hào)示例如圖4所示。d1和d2子頻帶信號(hào)主要反映腦電信號(hào)的高頻信息，如肌肉收縮和環(huán)境噪聲的影響[21]。根據(jù)對(duì)警覺(jué)度的研究結(jié)果，警覺(jué)度狀態(tài)的明顯變化主要出現(xiàn)在1～40 Hz頻率處[22]，因此選擇對(duì)子頻帶信號(hào){d2，d3，d4，d5，d6，d7}進(jìn)行進(jìn)一步的分析。

圖4 警覺(jué)狀態(tài)和困倦狀態(tài)下原始腦電信號(hào)及其小波變換各子頻帶信號(hào)示例

分別對(duì)原始腦電信號(hào)和經(jīng)由小波變換得到的子頻帶信號(hào)進(jìn)行特征提取。其特征選擇為標(biāo)準(zhǔn)偏差、振幅對(duì)數(shù)和四分位數(shù)3種，標(biāo)準(zhǔn)偏差的計(jì)算公式可表示為：

振幅對(duì)數(shù)的計(jì)算公式可表示為：

四分位數(shù)的計(jì)算公式可表示為：

式中：s為腦電信號(hào)；Q1為對(duì)腦電信號(hào)進(jìn)行1/4位數(shù)；Q3為對(duì)腦電信號(hào)進(jìn)行3/4位數(shù)。根據(jù)提取好的腦電信號(hào)特征，采用ELM和SVM分類(lèi)器分別對(duì)測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)進(jìn)行警覺(jué)度狀態(tài)的分類(lèi)。

1.3 ELM

ELM是一種求解單隱層神經(jīng)網(wǎng)絡(luò)的算法，比傳統(tǒng)的學(xué)習(xí)算法速度快，是一種新型的快速學(xué)習(xí)算法，可隨機(jī)初始化輸入權(quán)重和偏置并得到相應(yīng)的輸出權(quán)重。該算法可以克服傳統(tǒng)梯度學(xué)習(xí)算法在實(shí)際前饋神經(jīng)網(wǎng)絡(luò)中存在的學(xué)習(xí)效率低、參數(shù)設(shè)定較為繁瑣的缺陷。

假設(shè)有一個(gè)數(shù)據(jù)集D={（xi，yi|i=1，2，…，N）}，其中xi∈Rn，yi∈Rm分別作為特征向量和樣本標(biāo)簽。含有M個(gè)隱層節(jié)點(diǎn)的單隱層神經(jīng)網(wǎng)絡(luò)的輸出可表示為：

式中：wj=[wj1，wj2，…，wjn]T為輸入權(quán)重；βj=[βj1，βj2，…，βjn]T為輸出權(quán)重；bj是第i個(gè)隱層單元的偏置；g（·）為激活函數(shù)。當(dāng)N→∞時(shí)，ELM可以實(shí)現(xiàn)零誤差逼近目標(biāo)函數(shù)[18]。

對(duì)于數(shù)據(jù)集D，假設(shè)ELM能以零誤差逼近N個(gè)訓(xùn)練樣本，即則βj、wj和bj滿(mǎn)足：

可將式（5）表示為：

ELM的求解步驟為：首先隨機(jī)設(shè)置輸入權(quán)重wj和隱層單元的偏置bj，然后計(jì)算隱層輸出矩陣H，最終根據(jù)=H+T得到輸出權(quán)重。

在本研究中，ELM設(shè)置20個(gè)隱層神經(jīng)元，并選擇sigmoid函數(shù)作為隱層激活函數(shù)。輸出層含有1個(gè)節(jié)點(diǎn)，定義1為困倦信號(hào)，-1為清醒信號(hào)。

2 實(shí)驗(yàn)結(jié)果

通過(guò)分類(lèi)準(zhǔn)確率評(píng)估不同的特征提取方法與2種分類(lèi)器組合時(shí)得到的結(jié)果，分類(lèi)準(zhǔn)確率為對(duì)警覺(jué)度狀態(tài)能進(jìn)行正確分類(lèi)所占的百分比。本文將不同信號(hào)的3種特征向量的不同組合分別代入到ELM和SVM分類(lèi)器中進(jìn)行比較，得到的不同特征、不同信號(hào)組合下的ELM與SVM分類(lèi)準(zhǔn)確率如表1和圖5所示。

表1 不同特征、不同信號(hào)組合下ELM與SVM的分類(lèi)準(zhǔn)確率%

圖5 不同特征、不同信號(hào)組合下的ELM與SVM分類(lèi)準(zhǔn)確率

從表1可知，比較不同子頻帶信號(hào)的分類(lèi)結(jié)果，采用原始腦電信號(hào)和d4子頻帶信號(hào)優(yōu)于其他頻帶得到的分類(lèi)結(jié)果。其中，當(dāng)特征組合為SL、SLQ時(shí)，采用ELM和SVM對(duì)警覺(jué)度進(jìn)行分類(lèi)，得到的分類(lèi)準(zhǔn)確率較高，分類(lèi)效果較好。

從圖5可知，采用原始腦電信號(hào)進(jìn)行分類(lèi)時(shí)，選擇四分位數(shù)作為特征，得到的分類(lèi)結(jié)果較差，采用SL和SLQ的特征組合時(shí)，得到的分類(lèi)準(zhǔn)確率較高，可達(dá)到99%以上；采用d4子頻帶信號(hào)進(jìn)行分類(lèi)時(shí)，以標(biāo)準(zhǔn)偏差作為特征時(shí)得到的分類(lèi)結(jié)果較差，其余特征組合時(shí)得到的分類(lèi)結(jié)果較好；當(dāng)采用SL和SLQ的特征組合，并采用ELM分類(lèi)器進(jìn)行分類(lèi)時(shí)，分別得到99.24%和99.89%的分類(lèi)準(zhǔn)確率；若只采用單個(gè)信號(hào)對(duì)警覺(jué)度進(jìn)行分類(lèi)，特征組合后得到的分類(lèi)效果較好；3種特征進(jìn)行組合后，ELM的分類(lèi)效果優(yōu)于SVM的分類(lèi)效果，且ELM分類(lèi)器的復(fù)雜度小于SVM分類(lèi)器，因此采用ELM分類(lèi)器對(duì)警覺(jué)度狀態(tài)進(jìn)行檢測(cè)。

3 結(jié)語(yǔ)

本文研究了基于腦電信號(hào)的警覺(jué)度檢測(cè)，采用基于DWT的ELM分類(lèi)器實(shí)現(xiàn)對(duì)被試在駕駛過(guò)程中警覺(jué)度狀態(tài)的檢測(cè)，通過(guò)計(jì)算分類(lèi)結(jié)果的正確率來(lái)實(shí)現(xiàn)對(duì)分類(lèi)器性能的評(píng)估。采用DWT將被試原始腦電信號(hào)分解為子頻帶信號(hào)，可尋找出被試警覺(jué)度變化較為明顯的頻段范圍，進(jìn)而根據(jù)不同頻帶下腦電信號(hào)特征判斷腦警覺(jué)度狀態(tài)。結(jié)果表明：采用原始腦電信號(hào)或8～16 Hz子頻帶腦電信號(hào)，SL或SLQ特征組合，應(yīng)用ELM或SVM算法均可達(dá)到較高的分類(lèi)準(zhǔn)確性。與傳統(tǒng)SVM分類(lèi)器相比，ELM學(xué)習(xí)算法學(xué)習(xí)速度較快，得到的分類(lèi)效果相對(duì)較好。因此，采用基于DWT的ELM檢測(cè)系統(tǒng)對(duì)警覺(jué)度狀態(tài)進(jìn)行檢測(cè)高效、實(shí)用，能夠更及時(shí)、方便地判斷駕駛?cè)藛T的警覺(jué)度狀態(tài)，在保障安全駕駛方面具有重要意義。