華楚霞，吳研婷，喬曉華

（惠州經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院信息工程學(xué)院，廣東惠州，516001）

0 引言

隨著汽車(chē)擁有量的增加，駕駛安全問(wèn)題日益突出，根據(jù)數(shù)據(jù)分析在發(fā)生的交通事故案例中將近四分之一是由疲勞駕駛導(dǎo)致的，因此針對(duì)疲勞駕駛問(wèn)題，開(kāi)發(fā)和設(shè)計(jì)一款便攜、準(zhǔn)確的智能識(shí)別與預(yù)警系統(tǒng)成為了大眾的廣泛訴求。

目前在生物識(shí)別技術(shù)的發(fā)展推動(dòng)下，國(guó)內(nèi)外一些高端品牌車(chē)的疲勞駕駛監(jiān)測(cè)技術(shù)在市場(chǎng)上已出現(xiàn)通過(guò)監(jiān)測(cè)駕駛員面部特征來(lái)判斷駕駛員是否疲勞駕駛的系統(tǒng)，該系統(tǒng)通過(guò)人臉識(shí)別獲取面部綜合信息如面部表情、眼睛瞳孔放大放小等，提取面部特征從而判斷是否疲勞駕駛。然后對(duì)比國(guó)內(nèi)外資料顯示通過(guò)腦電信號(hào)判別人體疲勞狀態(tài)是最準(zhǔn)確、高效的一種方式，腦電波是一些自發(fā)的有節(jié)律的神經(jīng)電活動(dòng)，可用電子掃描儀檢測(cè)出，其頻率變動(dòng)范圍在每秒1-30次之間的，可劃分為四個(gè)波段，即δ（Delt）、θ（Theta）、α（Alpha）、β（Beta）。δ波3Hz以下人在深睡狀態(tài)下會(huì)出現(xiàn)。Theta波4-7Hz人腦處于深度輕松狀態(tài)，一般是進(jìn)入睡眠的前的狀態(tài)。α波8-13Hz輕松狀態(tài)，大腦清醒放松，容易集中注意力。β波14Hz以上緊張狀態(tài)，對(duì)周?chē)h(huán)境很敏感，但難于集中注意力，且容易疲勞。而人要進(jìn)入睡眠時(shí)候的θ波到δ波之間的波段稱(chēng)為慢波，慢波的出現(xiàn)表示人已經(jīng)達(dá)到疲勞駕駛狀態(tài)了。

本文采用TGAM模塊進(jìn)行二次開(kāi)發(fā)，對(duì)采集的腦電信號(hào)進(jìn)行分析研究，通過(guò)解析數(shù)據(jù)流獲取眨眼特征值，并用層次模型構(gòu)造矩陣計(jì)算出人體疲勞相關(guān)的特征參數(shù)：專(zhuān)注度、放松度，采用準(zhǔn)確率高的算法分析其疲勞程度并進(jìn)行預(yù)警提示。

1 疲勞駕駛狀態(tài)智能裝置結(jié)構(gòu)及工作流程

本文采用疲勞駕駛狀態(tài)智能裝置硬件包括單EEG電極傳感器、TGAM信號(hào)處理模塊以及無(wú)線網(wǎng)絡(luò)協(xié)議模塊，腦電信號(hào)處理模塊結(jié)構(gòu)圖如圖1所示。

圖1 TGAM腦電信號(hào)處理模塊

TGAM模塊對(duì)采集的腦電信號(hào)進(jìn)行放大、濾波等處理，對(duì)采集到的數(shù)據(jù)流進(jìn)行分析通過(guò)軟件輸出波形，可得到人體疲勞特征時(shí)候的波形變換，通過(guò)適合的算法可較準(zhǔn)確的判斷出疲勞狀態(tài)，并通過(guò)藍(lán)牙模塊發(fā)送到智能設(shè)備進(jìn)行監(jiān)控與預(yù)警。其工作流程如圖2所示。

圖2 疲勞駕駛狀態(tài)智能識(shí)別與警報(bào)工作流程

疲勞駕駛狀態(tài)智能識(shí)別與警報(bào)裝置采用單EEG電極傳感器進(jìn)行人體腦電信號(hào)采集的實(shí)驗(yàn)，將模塊中的干電極與人的腦袋直接相連，通過(guò)單EEG腦電通道檢測(cè)到極微弱的腦電信號(hào)，TGAM模塊對(duì)信號(hào)進(jìn)行抗干擾處理過(guò)濾掉噪音獲取腦波。

其次采用合適的算法對(duì)獲取的腦電波進(jìn)行疲勞波段識(shí)別，該算法通過(guò)設(shè)置Alpha波段幅值變小和Delt波段幅值變大的波形特征的閾值即疲勞狀態(tài)下的波段值，采集N個(gè)距離閾值的鄰近樣本，判斷處于疲勞波段的范圍的樣本占比從而判斷是否處于疲勞駕駛狀態(tài)，根據(jù)人腦處于慢波波段還需要一定的時(shí)間進(jìn)入淺睡眠，則要進(jìn)行判斷慢波波段是否超過(guò)8S，如是則進(jìn)行危險(xiǎn)警報(bào)。最后通過(guò)藍(lán)牙將TGAM模塊獲取的腦波信號(hào)傳送到客戶(hù)端，實(shí)現(xiàn)腦波波形的直觀呈現(xiàn)。

2 疲勞駕駛狀態(tài)智能識(shí)別算法分析

疲勞駕駛狀態(tài)智能識(shí)別算法功能是對(duì)TGAM模塊的二次開(kāi)發(fā)，TGAM模塊[1]大約每秒發(fā)送513個(gè)包，發(fā)送的包有小包和大包兩種，模塊采用小波包變換對(duì)信號(hào)進(jìn)行分析：小包的格式是AA AA04 80 02 xxHighxxLowxxCheckSum前面的AA AA04 80 02是不變的，后三個(gè)字節(jié)是一直變化的，xxHigh和xxLow組成了原始數(shù)據(jù)rawdata，xxCheckSum就是校驗(yàn)和。所以一個(gè)小包里包含了一個(gè)對(duì)開(kāi)發(fā)者來(lái)說(shuō)有用的數(shù)據(jù)，那就是rawdata。模塊采用小波包變換對(duì)信號(hào)進(jìn)行分析得到原始數(shù)據(jù)，首先指定波特率抓包后進(jìn)行校驗(yàn)和驗(yàn)算：

當(dāng)sum和xxCheckSum相等時(shí)，說(shuō)明這個(gè)包是正確的，否則直接忽略這個(gè)包，然后計(jì)算rawdata：

獲取到的腦波數(shù)據(jù)流分析進(jìn)行解析后獲得原始數(shù)據(jù)，通過(guò)原始數(shù)據(jù)可檢測(cè)測(cè)試員眨眼狀態(tài)，眨眼表現(xiàn)在原始數(shù)據(jù)的波形上，就是一個(gè)很大的波峰，用代碼檢測(cè)這個(gè)波峰的出現(xiàn)，就可以判斷出測(cè)試員眨眼的狀態(tài)，通過(guò)軟件MindViewer可調(diào)試輸出腦波波形，測(cè)試員在睜眼和閉眼時(shí)波段節(jié)律中α波的信號(hào)功率譜密度有顯著的不同[2]如圖3所示。

圖3 睜眼和閉眼時(shí)α波的信號(hào)功率譜密度

除此，根據(jù)腦電信號(hào)研究文獻(xiàn)[3]發(fā)現(xiàn)，獲取的特定波段信號(hào)的能量占比與專(zhuān)注度Attention和放松度Meditation有關(guān)。

大腦專(zhuān)注度與Y波、α波、β波段信號(hào)的能量占比有關(guān)，大腦放松度與θ波、δ波、α波段信號(hào)的能量占比有關(guān)，分別建立AHP模型表示為：

其中A為專(zhuān)注度，γ、β、α分別為對(duì)應(yīng)三個(gè)波段的能量占比，其中m為γ波的權(quán)重系數(shù)、n為β波的權(quán)重系數(shù)、t為α波的權(quán)重系數(shù)；

其中M為放松度，分別為對(duì)應(yīng)θ、δ、α三個(gè)波段的能量占比，其中x為θ波的權(quán)重系數(shù)、y為波的δ權(quán)重系數(shù)、z為α波的權(quán)重系數(shù)。

圖4 專(zhuān)注度層次模型

圖5 放松度層次模型

下面對(duì)專(zhuān)注度和放松度建立層次模型，根據(jù)層次分析法步驟可計(jì)算出各權(quán)重系數(shù)值，頂層為專(zhuān)注度分析和放松度分析，第二層分別將專(zhuān)注度和放松度及其持續(xù)時(shí)間作為影響因子，底層將各波段的能量占比作為另一個(gè)影響因子。首先對(duì)第一層的專(zhuān)注度分析構(gòu)造比較矩陣，計(jì)算出矩陣的最大特征值：λmax=2，并得出其特征向量為其次通過(guò)計(jì)算CI和CR驗(yàn)證其一致性，因?yàn)楫?dāng)出現(xiàn)兩個(gè)極端現(xiàn)象如不符合一致性要求，判斷結(jié)果不能用。計(jì)算出CR小于判別標(biāo)準(zhǔn)0.1，其符合一致性驗(yàn)證要求。

繼續(xù)對(duì)專(zhuān)注度及其影響因子即各波段的能量占比構(gòu)造比較矩陣，計(jì)算出矩陣的最大特征值：λmax=3，得出其特征向量為其次通過(guò)計(jì)算CI和CR驗(yàn)證其一致性，也滿(mǎn)足驗(yàn)證要求。同樣對(duì)專(zhuān)注度及其持續(xù)時(shí)間進(jìn)行矩陣構(gòu)造，計(jì)算出矩陣最大特征值：λmax=3，其特征向量為計(jì)算得到的兩個(gè)特征向量,1W為第二層的影響因數(shù)特征向量，2W為底層影響因數(shù)特征向量，兩者互為影響的特征向量矩陣為：

由以上結(jié)果可知專(zhuān)注度疲勞狀態(tài)判別相關(guān)系數(shù)矩陣為：

即（4）式子中，Y波的權(quán)重系數(shù)m=0.89、β波的權(quán)重系數(shù)n=0.74、α波的權(quán)重系數(shù)t=0.50。

用理可得放松度的APH模型3.5式子中，θ波的權(quán)重系數(shù)x=0.32、δ波的權(quán)重系數(shù)y=1.01、α波的權(quán)重系數(shù)z=0.75，APH模型公式為：

根據(jù)層次分析法得到專(zhuān)注度與放松度的相關(guān)系數(shù)，分別將駕駛員正常駕駛和疲勞駕駛過(guò)程中專(zhuān)注度和放松度的值反應(yīng)在同一坐標(biāo)內(nèi)，如圖6所示。

圖6 駕駛過(guò)程中專(zhuān)注度和放松度的關(guān)系

可看出正常駕駛狀態(tài)與疲勞駕駛狀態(tài)下的專(zhuān)注度和放松度存在相關(guān)性，其計(jì)算關(guān)系如下[4]：

其中,r為基于專(zhuān)注度和放松度相關(guān)系數(shù)的疲勞判別特征值，Xi和Yi分別是在i時(shí)的專(zhuān)注度與放松度。為二者在i時(shí)間段內(nèi)的平均值。

本文的疲勞駕駛狀態(tài)識(shí)別算法是將駕駛員的眨眼頻率與專(zhuān)注度和放松度的相關(guān)系數(shù)作為判斷疲勞狀態(tài)的特征值，選擇準(zhǔn)確率高的算法進(jìn)行結(jié)果分析與判斷。國(guó)內(nèi)外文獻(xiàn)中主要使用基于Knn模型、C4.5模型以及樸素貝葉斯模型的疲勞識(shí)別算法，其中基于Knn模型算法的正確率被驗(yàn)證為較高。

獲取到特征值r后，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行Knn疲勞識(shí)別算法處理，其時(shí)間復(fù)雜度為O（n），其中n為樣本的數(shù)量，樣本數(shù)量的專(zhuān)注度和放松度相關(guān)系數(shù)為rn，眨眼次數(shù)為bn，專(zhuān)注度和放松度的實(shí)時(shí)數(shù)據(jù)為r，眨眼實(shí)時(shí)數(shù)據(jù)為b，根據(jù)Knn算法距離選擇標(biāo)準(zhǔn)，分別計(jì)算每個(gè)實(shí)時(shí)采集的新數(shù)據(jù)到樣本空間數(shù)據(jù)的幾何距離計(jì)算方式如下:

確定好了疲勞狀態(tài)判別算法后，采用交叉驗(yàn)證法[5]選取最優(yōu)的K值，找到與采集的新數(shù)據(jù)最相近的K個(gè)樣本，目前文獻(xiàn)[6]將其取值為1,3,5,7,9,11，計(jì)算正確率，而本文中的疲勞狀態(tài)識(shí)別裝置的K值如何定義的，這是本文將繼續(xù)深入研究的內(nèi)容。

3 研究總結(jié)

文中分析該領(lǐng)域國(guó)內(nèi)外的研究現(xiàn)狀和研究成果，在已有現(xiàn)代腦電科學(xué)的研究分析基礎(chǔ)上，研究一種基于腦波模塊TGAM的疲勞駕駛狀態(tài)智能識(shí)別與警報(bào)系統(tǒng)，分析裝置的結(jié)構(gòu)與工作流程，并對(duì)模塊獲取的數(shù)據(jù)流采用小波包變換進(jìn)行分析，研究得到大腦的專(zhuān)注度和放松度與各波段能量占比有關(guān)，根據(jù)相關(guān)系數(shù)分別建立AHP模型并求得相關(guān)系數(shù)值，從而獲得基于眨眼次數(shù)與專(zhuān)注度和放松度相關(guān)系數(shù)的判斷大腦疲勞狀態(tài)的運(yùn)算方法，再將Knn算法運(yùn)用于識(shí)別疲勞駕駛狀態(tài)樣本，下一步將對(duì)K值的取值進(jìn)行研究，為提高該裝置疲勞駕駛狀態(tài)識(shí)別的準(zhǔn)確率奠定實(shí)驗(yàn)基礎(chǔ)。