郭孜政, 譚 茜, 吳志敏,潘雨帆, 張 俊

(1.西南交通大學交通運輸與物流學院, 四川成都 610031；2.西南交通大學綜合交通運輸智能化國家地方聯(lián)合工程實驗室, 四川成都 610031；3.廣東交通集團有限公司, 廣東廣州 510000；4.西南交通大學信息科學與技術學院, 四川成都 610031)

高鐵速度的不斷提升對動車組司機的作業(yè)能力提出了更高要求，而動車組司機對突發(fā)事件的反應能力是影響駕駛作業(yè)安全可靠性的關鍵因素。相關研究證明駕駛行為績效與神經(jīng)生理信號存在著直接聯(lián)系[1]。因此,如何通過動車組司機的神經(jīng)生理信號，實現(xiàn)動車組司機對突發(fā)事件的反應時間的有效預測，是構建車載實時動車組司機危險性駕駛狀態(tài)預警系統(tǒng)的關鍵性技術。

目前國內外就動車組司機(及機動車駕駛員)反應時間預測的相關研究尚不多見，現(xiàn)有研究主要針對反應時間與神經(jīng)生理信號相關性進行探討。文獻[2]研究了在模擬環(huán)境下機車司機長時間單調駕駛過程中腦電信號與反應時間的相關性，表明腦電信號中低頻波段與反應時間呈現(xiàn)正相關，而高頻波段與反應時間呈現(xiàn)負相關。文獻[3]在真實環(huán)境下對機車司機的警覺度進行監(jiān)測，表明隨著駕駛警覺度的下降，司機對突發(fā)事件的反應時間不斷延長，同時論證了腦電信號與反應時間存在緊密聯(lián)系。文獻[4]設計了一項機車司機對信號燈反應能力的實驗，驗證了腦電信號的變化能夠直接反映機車司機的反應能力。文獻[5]利用腦電信號與駕駛行為績效(反應時間、車速等)的相關性，對駕駛持續(xù)性注意性水平進行了實時監(jiān)測。

以上研究從不同角度驗證了反應時間與神經(jīng)生理信號具有相關性，但未利用兩者相關性對反應時間進行有效預測。因此本文通過小波變換提取θ、α、β3種頻段的腦電特征參數(shù)作為客觀預測指標，結合BP神經(jīng)網(wǎng)絡方法，對動車組司機反應時間實現(xiàn)有效預測，可為動車組司機危險性駕駛狀態(tài)實時預警系統(tǒng)的研發(fā)提供理論支持。

1 實驗方法

1.1 被試選取

選取20名西南交通大學動車組司機班男性學員作為被試。年齡34～38歲，均值為36.1歲，標準差為1.8歲；駕齡6～11年，均值為7.2年，標準差為1.1年。所選被試睡眠質量良好，身體狀況良好，無不良嗜好(吸煙、嗜酒等)，無色弱或色盲，視力或矯正視力為1.0。實驗開始前確認被試當天未飲用酒精或者咖啡等刺激性飲品，且在熟知《知情同意書》的條件下自愿簽字。

1.2 實驗設備

1.2.1 動車模擬器

實驗采用具有6自由度運動系統(tǒng)的CRH380型動車模擬器，模擬器采用單通道大屏前向視景系統(tǒng)，屏幕分辨率為1 920×1 200 pix，水平視角可達160°。機車主操作臺由列車自動防護系統(tǒng)ATP(Automatic Train Protection)，綜合專用數(shù)字移動通信系統(tǒng)以及DMI顯示屏、開關、指示燈、速度設定控制器等組成。機車背景音效系統(tǒng)為7.1數(shù)字音頻系統(tǒng)，可高度還原機車室工作時的聲音環(huán)境。該模擬器的有效性通過了系統(tǒng)性測試，其仿真度可滿足實驗要求。

1.2.2 腦電采集儀

腦電數(shù)據(jù)由64導Neuroscan腦電儀完成采集，采集軟件為CURRY8，放大器為SynAmps2系統(tǒng)，系統(tǒng)采樣率可達20 000 Hz。實驗電極在線參考為雙側乳突，電極分布采用國際通用的10-20系統(tǒng)。

1.3 實驗任務

實驗路線為福州至合肥南站，線路全長為808 km。列車途經(jīng)22個車站，到站停靠時進行正常?？空咀鳂I(yè)。當列車在各區(qū)間運行時，采用隨機信號檢測的方式實時探測駕駛作業(yè)中被試反應時間。實驗過程中，被試前方屏幕上會呈現(xiàn)隨機刺激信號(紅點)，5個可能呈現(xiàn)的位置如圖1(a)所示，信號呈現(xiàn)時間為120 s±10 s。當信號在某個位置出現(xiàn)(圖1(b))時，要求被試通過按鍵方式盡可能快地作出反應。若在信號出現(xiàn)1 000 ms后，被試未按鍵，則視為此次反應無效。

圖1 任務場景

1.4 實驗流程與數(shù)據(jù)采集

在實驗開始前24 h讓被試了解實驗任務、操作規(guī)則，然后按照日常駕駛習慣操作模擬器，直到被試能夠熟練操作該模擬器。為了保證被試具有較高的警戒性水平，實驗統(tǒng)一安排在上午8:00進行。在正式實驗開始之前，為了使被試適應駕駛模擬環(huán)境并進入實驗狀態(tài)，給予15 min駕駛模擬練習。在正式實驗過程中，室內燈光照度為300 lx，溫度為(24±1)℃。要求被試以不低于220 km/h的速度保持動車運行，駕駛作業(yè)時長為2 h。

同步記錄被試在駕駛過程中對隨機信號刺激的反應時間，采樣頻率為10 Hz。實驗全程采集腦電數(shù)據(jù)，同步采集眼電用于偽跡去除，數(shù)據(jù)在電極阻抗低于5 kΩ的情況下采集，采樣頻率設置為1 000 Hz，并由采集軟件進行通帶為0.5～100 Hz的自動濾波。

2 基于腦電信號的反應時間預測模型

對于上述實驗所采集的20名動車組司機的腦電數(shù)據(jù)，本文采用小波變換[5]提取經(jīng)濾波處理后的腦電數(shù)據(jù)中各項腦電特征參數(shù)，結合以腦電特征參數(shù)作為輸入指標、反應時間作為輸出指標的BP神經(jīng)網(wǎng)絡，構建動車組司機對突發(fā)事件反應時間預測模型。具體模型構建步驟如下。

2.1 腦電特征參數(shù)提取

腦電信號能夠反映大腦皮層活動狀態(tài)，當動車組司機處于低覺醒水平時其腦電頻譜分布趨向于低頻波段，反之當高覺醒水平時則腦電頻譜分布趨向于高頻波段[6-7]。文獻[8]研究結果表明腦電信號中θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)3種頻段與反應時間具有高度相關性，可作為反應時間的客觀預測指標。因此本文通過小波變換提取上述3種頻段的小波系數(shù)能量值作為腦電特征參數(shù)，計算過程如下。

步驟1對實驗采集的腦電信號以0～35 Hz的帶寬進行整體濾波處理，去除工頻電及部分肌電等偽跡成分干擾。

步驟2對于經(jīng)濾波處理后的腦電信號，記為u(n)，其小波變換定義為

( 1 )

式中：φi,m(n)為小波函數(shù)；i為頻率因子；m為時間平移因子；n為信號時長。

步驟3為了對小波變換后的信號u(n)進行有限層分解，本文引入Mallat算法[9]，即

( 2 )

式中：AH為近似分量；Ci為不同尺度下的細節(jié)分量；H為分解層數(shù)，文中取層數(shù)為3。因此，可通過上述有限層分解得到θ、α、β3種不同頻段的小波系數(shù)。

步驟4小波系數(shù)的能量值能夠反映腦電信號的頻域特征，因此對上述波段提取相應的能量值作為腦電特征參數(shù)。

( 3 )

式中：PX為相應頻段的能量值；SX(t)為相應頻段的小波系數(shù)；t為時間；hi為相應頻段的幅值。

步驟5按照步驟1～步驟4對q個電極的腦電信號進行處理，相應得到3×q項腦電特征參數(shù)，記為xi(i=1,2,…,3×q)。由于各項腦電特征參數(shù)的量綱不同，將腦電特征參數(shù)按式( 4 )進行歸一化處理，從而使腦電特征參數(shù)的數(shù)值在[0,1]之間，以消除數(shù)據(jù)中存在的噪聲。

( 4 )

式中：ximax與ximin分別為腦電特征參數(shù)xi的最大值與最小值。

2.2 基于BP神經(jīng)網(wǎng)絡的預測模型構建

以動車組司機的腦電特征參數(shù)作為輸入層，以反應時間預測值作為輸出層，構建含1個隱含層的BP神經(jīng)網(wǎng)絡預測模型。其中輸入層節(jié)點個數(shù)由動車組司機的腦電特征參數(shù)個數(shù)3×q決定；隱含層節(jié)點個數(shù)s由模型訓練結果進行擇優(yōu)選??；輸出層節(jié)點個數(shù)為1，其結構如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡模型結構

設在模型中輸入層到隱含層、隱含層到輸出層之間的連接權值系數(shù)及偏置分別為wik,wk1,bik,bk1(i=1,2,…,3×q,k=1,2,…,s)，對于輸入層的任意節(jié)點o至隱含層的任意節(jié)點p的輸出為

yop=f(xiwop+bop)

( 5 )

式中：f(·)為Sigmoid函數(shù)，即

( 6 )

輸出層輸出結果為

( 7 )

式中：yi為神經(jīng)網(wǎng)絡的輸出，即模型預測結果；W1為輸入層至隱含層的連接權數(shù)系數(shù)矩陣；W2為隱含層至輸出層的連接權數(shù)系數(shù)矩陣；xi為動車組司機腦電特征參數(shù)；b1為輸入層至隱含層的偏置矩陣；b2為隱含層至輸出層的偏置矩陣。

對于一個動車組司機實驗樣本Xi=(x1,x2,…xi,…,x3×q;yi)，其中yi表示動車組司機第i次按鍵所得到的反應時間，將其輸入神經(jīng)網(wǎng)絡進行訓練，該實驗樣本的網(wǎng)絡輸出誤差定義為

( 8 )

( 9 )

式中：N為實驗樣本個數(shù)。通過誤差逆向傳播調整連接權數(shù)訓練神經(jīng)網(wǎng)絡，直到總誤差達到最小為止，從而完成神經(jīng)網(wǎng)絡訓練。

2.3 預測效果測評指標

在文中，最大絕對誤差M1與相對均方誤差M2被用于評價模型的預測效果，其計算方法為

(10)

(11)

3 結果討論及分析

對于實驗所采集各反應時間內的腦電數(shù)據(jù)，采用第2.1節(jié)的方法得到經(jīng)歸一化處理后的96項腦電特征參數(shù)，將其作為BP神經(jīng)網(wǎng)絡預測模型的輸入指標。本文采用皮爾遜相關性檢驗對兩者之間相關性進行檢驗，以此驗證腦電特征參數(shù)與反應時間具有相關性，從而為反應時間預測提供理論前提。

(1)腦電特征參數(shù)與反應時間的相關性分析

將θ、α、β3項腦電特征參數(shù)與反應時間進行皮爾遜相關性檢驗，其結果見表1。

表1 各腦電特征參數(shù)與反應時間的相關性

注：|r|為皮爾遜相關性系數(shù)的絕對值，|r|的值的大小反映了兩者之間的相關性的強弱。**表明顯著性水平為0.01，*表明顯著性水平為0.05。

從表1可以看出，3項腦電特征參數(shù)在不同程度上均與反應時間呈現(xiàn)著顯著相關性，再次論證了腦電信號與反應時間存在著高度相關性。從相關性強弱來看，腦電特征參數(shù)α與反應時間較其他兩項更相關，同時最為顯著。

此外，文獻[10-11]研究證明駕駛人的精神狀態(tài)可通過大腦皮層的活動變化來反映，其腦電信號與精神狀態(tài)(疲勞、嗜睡等)具有高度相關性。在視覺探測等經(jīng)典認知心理學試驗中得出腦電信號的變化與反應時間存在著高度相關性，而本研究通過腦電特征參數(shù)與反應時間的相關性分析，驗證了在實際駕駛任務操作過程中，腦電信號與動車組司機的反應時間也具有相關性[12]。

(2)模型輸出結果分析

為了確定BP神經(jīng)網(wǎng)絡預測模型的最優(yōu)網(wǎng)絡結構，同時為了體現(xiàn)訓練樣本的整體性與代表性，本文對20名動車組司機的實驗樣本分別隨機抽取7個樣本，對所得到140個樣本作為訓練樣本，將最終的預測結果所產(chǎn)生的最大絕對誤差與相對均方誤差作為評價標準。經(jīng)過多次反復訓練之后，確定了最優(yōu)網(wǎng)絡結構為96-20-1(輸入層-隱含層-輸出層)。結合最優(yōu)網(wǎng)絡結構，對上述140個樣本(隨機抽取75%的樣本作為訓練樣本，其他作為測試樣本)代入模型重新進行訓練和測試，其預測結果如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡預測結果

從圖3可以看出，模型預測結果與實際結果較為接近，表明該模型預測效果較好。因此采用隨機抽樣法，抽取75%的動車司機實驗樣本作為訓練樣本，其他作為測試樣本，分別對預測模型予以訓練與測試，同時為了了解所用模型的精度，本文采用文獻[13]中貝葉斯預測模型對反應時間進行預測，所得到的預測結果見表2。

表2 各司機在預測模型中得到的預測結果 %

表2(續(xù))

從總體上看，采用人工神經(jīng)網(wǎng)絡得到的結果中最大絕對誤差平均值(11.01%)與相對均方誤差平均值(8.15%)均低于貝葉斯預測模型(14.6%，10.7%)。同時，對每個司機的反應時間預測結果可以看出，采用人工神經(jīng)網(wǎng)絡得到的最大絕對誤差均小于15%，而最大相對均方誤差為10.89%，最小相對均方誤差為6.93%；而采用貝葉斯預測模型所得結果中，最大絕對誤差在11%至20%之間，最大相對均方誤差為15.36%，最小相對均方誤差為8.14%，說明人工神經(jīng)網(wǎng)絡預測精度高于貝葉斯預測模型。因此，本文所提預測模型具有可靠性，可準確預測動車組司機對突發(fā)事件反應時間，從而有效減少事故發(fā)生率。

4 結論

本文基于2 h的動車模擬駕駛實驗，就動車組司機對突發(fā)事件反應時間的預測進行研究，主要成果與結論如下：

(1)基于動車組司機的腦電信號，采用小波變換提取可用于動車組司機反應水平測評及反應時間預測的θ、α、β3項腦電指標。結合BP神經(jīng)網(wǎng)絡，構建一種動車組司機反應時間的預測模型。

(2)從研究結果可以看出，3項腦電特征參數(shù)與反應時間均具有顯著相關性，說明腦電信號能夠直接反應駕駛人的精神狀態(tài)，從而為反應時間的預測提供了研究依據(jù)。

(3)研究結果表明，模型預測的司機對隨機信號刺激的反應時間與司機實際反應時間的最大絕對誤差為11.01%(1.75%)，及相對均方誤差為8.15%(1.37%)，低于其他預測模型，表明該方法具有較高精度。

本文實現(xiàn)了動車組司機對突發(fā)事件反應時間的準確預測，研究成果對車載實時動車組司機危險性駕駛狀態(tài)預警系統(tǒng)開發(fā)與應用提供了理論依據(jù)。后期可在實際環(huán)境中對該方法的適用性予以進一步驗證。