曾心遠(yuǎn) 張正華 韓雪 胡新盛 周立言 呂允博

摘 要：據(jù)統(tǒng)計(jì)，疲勞駕駛是交通事故發(fā)生的主要原因之一，因此本系統(tǒng)采用一種基于機(jī)器學(xué)習(xí)的方法來(lái)判定駕駛員的疲勞狀態(tài)。系統(tǒng)通過(guò)腦電采集模塊、心率采集模塊、圖像采集模塊檢測(cè)駕駛員的生理參數(shù)并傳輸至車(chē)載處理模塊進(jìn)行一系列數(shù)據(jù)預(yù)處理，再利用機(jī)器學(xué)習(xí)訓(xùn)練好的邏輯回歸模型綜合判定駕駛員的疲勞狀態(tài)，最后將疲勞判定結(jié)果傳輸至預(yù)警模塊進(jìn)行座椅振動(dòng)及聲光分級(jí)預(yù)警。在滿(mǎn)足實(shí)時(shí)性及準(zhǔn)確度的要求下，多種預(yù)警方式能夠有效地對(duì)駕駛員進(jìn)行疲勞預(yù)警。

關(guān)鍵詞：機(jī)器學(xué)習(xí);疲勞檢測(cè);疲勞預(yù)警;邏輯回歸模型;聲光預(yù)警;PERCLOS算法

中圖分類(lèi)號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）07-00-03

0 引 言

隨著中國(guó)經(jīng)濟(jì)和社會(huì)的持續(xù)快速發(fā)展，我國(guó)機(jī)動(dòng)車(chē)總數(shù)急劇增加。截至2018年底，我國(guó)機(jī)動(dòng)車(chē)保有量達(dá)3.22億輛。車(chē)輛的劇增也伴隨著意外交通事故的頻發(fā)。據(jù)我國(guó)交通部門(mén)統(tǒng)計(jì)，因疲勞駕駛造成的交通事故約占總交通事故的20%、特大交通事故的40%以及交通死亡人數(shù)的83%，因此，實(shí)時(shí)檢測(cè)疲勞駕駛并有效預(yù)警十分重要[1]。

目前，基于駕駛員生理參數(shù)[1]、駕駛員行為[2]與車(chē)輛特征的檢測(cè)方法[3]較為常見(jiàn)。文獻(xiàn)[4]中Brandy等人通過(guò)為駕駛員穿戴一件放置有BioHarness3生物傳感器的背心（內(nèi)嵌無(wú)線生理信號(hào)傳感器）來(lái)測(cè)量心率、呼吸速率等生理信號(hào)。文獻(xiàn)[5-6]中，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)人眼閉合狀態(tài)以判定駕駛員是否處于疲勞狀態(tài)，采用的PERCLOS算法將眼瞼閉合度作為駕駛疲勞的度量指標(biāo)，PERCLOS值越大，疲勞駕駛程度越大。

由于駕駛員身體差異、實(shí)際駕駛環(huán)境差異、道路差異，所以依靠單信號(hào)源判斷疲勞狀態(tài)存在漏檢、錯(cuò)檢的可能性，判定結(jié)果并不可靠。因此本文通過(guò)機(jī)器學(xué)習(xí)的方法，依靠大量駕駛員疲勞駕駛及正常駕駛的心率、腦電、人眼數(shù)據(jù)，訓(xùn)練疲勞判定模型，并以此模型進(jìn)行實(shí)時(shí)判定，以提高疲勞判定的準(zhǔn)確性。

本系統(tǒng)主要包括圖像采集模塊、心率采集模塊、腦電采集模塊、車(chē)載處理模塊、預(yù)警模塊。各采集模塊分別采集人眼圖片、心率信號(hào)、腦電信號(hào)并傳輸至車(chē)載處理模塊進(jìn)行一系列數(shù)據(jù)預(yù)處理，利用機(jī)器學(xué)習(xí)訓(xùn)練后的邏輯回歸模型判定人的疲勞狀態(tài)，并根據(jù)模型判斷結(jié)果控制預(yù)警模塊進(jìn)行相應(yīng)強(qiáng)度的預(yù)警。圖1所示為系統(tǒng)架構(gòu)圖。

1 理論基礎(chǔ)

疲勞駕駛主要表現(xiàn)為駕駛員在駕駛過(guò)程中出現(xiàn)打瞌睡、走神、心率變快、頻繁眨眼等行為，并導(dǎo)致操作失誤或駕駛能力喪失[7]。

1.1 心率、腦電疲勞計(jì)算及PERCLOS算法

表征疲勞的心電信號(hào)時(shí)域指標(biāo)主要有R-R間期，即心臟每次搏動(dòng)間期。對(duì)一段時(shí)間內(nèi)的R-R間期取平均值，再除以相應(yīng)的系數(shù)即可求得心臟在1 min內(nèi)跳動(dòng)的次數(shù)[8]即為所得

2 系統(tǒng)模塊檢測(cè)疲勞的實(shí)現(xiàn)方法

2.1 腦電采集模塊

該模塊使用非侵入式腦電采集裝置，由前額腦電極、耳夾電極、TGAM芯片和藍(lán)牙從機(jī)模塊組成。

前額腦電極、耳夾電極采集待測(cè)對(duì)象的α波、β波、

θ波腦電信號(hào)并傳輸至TGAM芯片進(jìn)行濾波、放大、模數(shù)轉(zhuǎn)換、傅里葉變換、功率譜計(jì)算等處理，利用式（2）計(jì)算待測(cè)對(duì)象的腦電疲勞值r，并通過(guò)藍(lán)牙從機(jī)模塊傳輸至搭載了藍(lán)牙主機(jī)模塊的控制處理模塊。

2.2 心率采集模塊

心律采集模塊使用手環(huán)佩戴式裝置，由光學(xué)心率傳感器、DA14580芯片組成。

光學(xué)心率傳感器測(cè)量血液的透光率數(shù)據(jù)，并傳輸至DA14580芯片。DA14580芯片對(duì)透光率數(shù)據(jù)進(jìn)行濾波、除噪、模數(shù)轉(zhuǎn)換等預(yù)處理，求取R-R間期平均值后，利用式（1）求取待測(cè)對(duì)象的心率h，并通過(guò)芯片內(nèi)置藍(lán)牙模塊傳輸至控制處理模塊。

2.3 圖像采集模塊

圖像采集模塊使用攝像頭采集駕駛員的行為動(dòng)作，并通過(guò)USB傳輸至控制處理模塊。

2.4 控制處理模塊

控制處理模塊選用樹(shù)莓派3B+作為控制處理芯片，接收腦電疲勞值r、心率h及行為視頻，處理步驟如下：

（1）每100 ms截取一次圖像，以盡可能捕捉駕駛員的眨眼情況;

（2）利用OpenCV計(jì)算機(jī)庫(kù)中已有的目標(biāo)檢測(cè)方法，進(jìn)行基于Harr特征的人臉識(shí)別及人眼識(shí)別并截取圖片;

（3）對(duì)人眼圖片進(jìn)行預(yù)處理，包括中值濾波、拉普拉斯銳化、灰度化、二值化;

（4）以二值化人眼圖片中黑眼球的面積來(lái)表示人眼的閉合程度，并利用計(jì)時(shí)函數(shù)記下當(dāng)前人眼閉合程度的時(shí)間;

（5）利用式（3）計(jì)算PERCLOS指數(shù)。

3 實(shí)驗(yàn)結(jié)果及分析

本文選用訓(xùn)練集及驗(yàn)證集外的駕駛員進(jìn)行本模型泛化能力的測(cè)試，同時(shí)也可反映出本文訓(xùn)練模型的準(zhǔn)確性。

對(duì)駕駛員采用主觀評(píng)價(jià)法和客觀測(cè)量法進(jìn)行測(cè)試，得到表2所列駕駛員生理參數(shù)及模型評(píng)估結(jié)果。一方面，駕駛員會(huì)主觀評(píng)估自己的狀態(tài);另一方面，各模塊實(shí)時(shí)檢測(cè)其心率、腦電疲勞值及人眼PERCLOS指數(shù)，并依靠模型進(jìn)行綜合評(píng)估。腦電疲勞值r對(duì)其進(jìn)行了數(shù)據(jù)歸一化處理，范圍為0～100，值越低，駕駛員的專(zhuān)注度越差;心率h的范圍為50～120，人在疲勞時(shí)，心率加快;當(dāng)PERCLOS指數(shù)f在0.4左右時(shí)，駕駛員處于疲勞狀態(tài)，值越大表明閉眼時(shí)間占總時(shí)間的比例越高。綜合評(píng)估的范圍為0～1，越靠近1，駕駛員越清醒。

4 結(jié) 語(yǔ)

本系統(tǒng)綜合了待測(cè)對(duì)象的腦電信號(hào)、心率及人眼狀態(tài)，可以準(zhǔn)確判斷出被測(cè)對(duì)象的疲勞程度，且準(zhǔn)確率達(dá)92%以上。相比較采用單一信源判定疲勞狀態(tài)，本系統(tǒng)所使用的方法準(zhǔn)確性更高，且本文設(shè)計(jì)的系統(tǒng)已基本滿(mǎn)足對(duì)實(shí)時(shí)性的要求。

參 考 文 獻(xiàn)

[1]蔡馥鴻，張正華，劉金龍，等.基于TGAM腦波模塊的疲勞駕駛預(yù)警系統(tǒng)設(shè)計(jì)[J].信息化研究，2016，42（4）：76-78.

[2]萬(wàn)蔚，王振華，王保菊.基于駕駛行為的疲勞駕駛判別算法研究

[J].道路交通與安全，2016，16（6）：21-24.

[3]黃皓.基于駕駛操作及車(chē)輛狀態(tài)的疲勞駕駛行為檢測(cè)研究[D].南京：東南大學(xué)，2016.

[4] WARWICK B， SYMONS N， CHEN X， et al. Detecting driver drowsiness? using wireless wearables [C]// In： IEEE， International Conference on Mobile Ad Hoc and Sensor Systems. Hawaii，2015：585-588.

[5] ZHANG F， SU J， GENG L，et al. Driver fatigue detection based? on eye state recognition [C]// International Conference on Machine Vision? and Information Technology. Singapore，2017：105-110.

[6] MANDAL B， LI L， WANG G S， et al. Towards detection of bus driver fatigue based on robust visual analysis of eye state [J].IEEE transactions on intelligent transportation systems，2017（3）：1-13.

[7]李力.基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識(shí)別研究[D].長(zhǎng)沙：湖南大學(xué)，2018.

[8]周銳.基于面部多視覺(jué)信息融合的駕駛員疲勞狀態(tài)的識(shí)別[D].哈爾濱：哈爾濱工程大學(xué)，2018.

[9]吳紹斌，高利，王劉安.基于腦電信號(hào)的駕駛疲勞檢測(cè)研究[J].北京理工大學(xué)學(xué)報(bào)，2009，29（12）：1072-1075.

[10]洪志陽(yáng)，王猛飛，侯東強(qiáng)，等.基于機(jī)器視覺(jué)的駕駛員疲勞檢測(cè)方法[J].物聯(lián)網(wǎng)技術(shù)，2018，8（7）：78-79.