蔡嬌英，李勝民，趙春臨

（1.第一機(jī)動總隊機(jī)動第六支隊，河北保定，071000；2.武警貴州總隊參謀部，貴州貴陽，550081；3.武警工程大學(xué)裝備管理與保障學(xué)院，陜西西安，710000）

0 引言

據(jù)公安部統(tǒng)計，2020 年全國機(jī)動車保有量達(dá)3.72 億輛，駕駛員達(dá)4.18 億，數(shù)據(jù)呈逐年增長的趨勢，道路交通安全正面臨著嚴(yán)峻的考驗(yàn)[1]。導(dǎo)致交通事故的因素多種多樣，而疲勞駕駛是最不可忽視的。駕駛員長時間駕駛后極易駕駛疲勞，出現(xiàn)注意力下降、判斷力下降、應(yīng)機(jī)能力下降等現(xiàn)象，這個時候就容易發(fā)生交通事故[2]。因此找到有效的可以實(shí)時監(jiān)測疲勞駕駛的方法對車輛安全輔助系統(tǒng)研究具有現(xiàn)實(shí)意義。國內(nèi)外對疲勞駕駛進(jìn)行了多方面的研究，主要集中在駕駛疲勞產(chǎn)生、產(chǎn)生原因、檢測量化和對策防御這些方面[3]，而疲勞的檢測和量化是所有相關(guān)研究的重點(diǎn)。

檢測和量化駕駛疲勞的方法有很多，大體包括這三個方面，一是基于事實(shí)表現(xiàn)出來的特征，比如駕駛員疲勞時會出現(xiàn)打哈氣、閉眼、點(diǎn)頭等現(xiàn)象，即通過捕捉駕駛員面部表情的變化來檢測駕駛疲勞[4-5]。二是基于各種車輛傳感參數(shù)，如汽車方向盤轉(zhuǎn)向、車道偏離等指標(biāo)[6-7]。三是基于生理信號腦電圖(Electroencephalogram,EEG)[8]、心電圖(Electrocardiograph,ECG)[9]、眼電圖(Electro-oculogram,EOG)[10]和肌電圖(Electromyography,EMG)[11]的生理特征也大量用于檢測駕駛疲勞。正常狀態(tài)下腦電信號屬于自發(fā)的電信號是無法人為控制和偽造，它能夠直接客觀的反應(yīng)出大腦當(dāng)前的神經(jīng)活動狀態(tài)，與其他手段例如基于機(jī)器視覺的方法相比，基于腦電信號的方法可以提供駕駛員狀態(tài)的更直接有效的客觀表征[12]。張淞杰等[13]采用將經(jīng)驗(yàn)?zāi)B(tài)分解方法與能量譜算法相結(jié)合的特征提取方法分析模擬駕駛時采集的EEG 信號，并在粒子群算法優(yōu)化的多層感知超限學(xué)習(xí)機(jī)分類器中實(shí)現(xiàn)對駕駛員疲勞狀態(tài)的檢測。Silveira 等人[14]提出了一種基于單個EEG 信道（Pz–Oz）的警覺性水平評估方法，利用歸一化的Haar 離散小波包變換，發(fā)現(xiàn) (γ+β)/(δ+α)這個指標(biāo)取得了最好的效果。Fu 等人[15]提出了基于HMM 的疲勞檢測模型，基于兩通道（O1 和O2）的EEG 信號和其他生理信號，獲得了最高的92.5%的準(zhǔn)確率。目前駕駛疲勞腦電信號分析更趨向于采集疲勞相關(guān)的腦區(qū)的腦電信號，使用盡可能少的導(dǎo)聯(lián)數(shù)來檢測大腦疲勞程度，這大大降低了信號分析的復(fù)雜性，使駕駛疲勞檢測更注重于實(shí)際應(yīng)用研究。另外由于腦電非線性非平穩(wěn)性的特征，通過提取腦電非線性特征的檢測方法受到了相關(guān)研究者的積極探索和研究。所以本文提出基于EEG 信號AE 和SE 組合熵特征集的駕駛員疲勞的檢測方法，并綜合4 種分類器識別基于該方法的駕駛疲勞狀態(tài)，以期使用最少的導(dǎo)聯(lián)數(shù)，實(shí)現(xiàn)穩(wěn)定可靠精準(zhǔn)的駕駛疲勞檢測。

1 材料和方法

1.1 被試樣本

選取已取得駕駛證的6 名在校大學(xué)生志愿者參加模擬駕駛實(shí)驗(yàn)（21-25 歲）。為保證實(shí)驗(yàn)的有效性，所有的受試者沒有晚上加夜班和使用處方藥的習(xí)慣，睡眠規(guī)律，視力正常。同時在實(shí)驗(yàn)前和實(shí)驗(yàn)期間被要求戒煙戒酒戒茶。實(shí)驗(yàn)前一周進(jìn)行模擬駕駛培訓(xùn)，培訓(xùn)時間根據(jù)受試者學(xué)習(xí)情況而定，達(dá)到連續(xù)駕駛15 分鐘內(nèi)不出人為導(dǎo)致的駕駛操作錯誤為止。

1.2 實(shí)驗(yàn)條件

本文是基于持續(xù)注意力駕駛?cè)蝿?wù)，選用上海育聯(lián)科教設(shè)備有限公司的WM-5 型主被動式汽車訓(xùn)練駕駛模擬器作為駕駛操作平臺，如圖1 所示。該設(shè)備是真實(shí)駕駛汽車的模擬形式，操作和真實(shí)車輛操作一致，包含了車輛的所有駕駛能力；利用計算機(jī)軟件技術(shù)，可以構(gòu)建不同的駕駛環(huán)境和條件，如晴天、大霧或雪天以及山區(qū)、高速公路或鄉(xiāng)村；同時也可通過計算機(jī)語音合成技術(shù)，生成車輛行進(jìn)過程中的各種喇叭聲、機(jī)械動力聲、周圍環(huán)境聲。本次實(shí)驗(yàn)所選擇的駕駛環(huán)境為交通密度較低的高速公路，行駛路線簡單，更容易進(jìn)入疲勞狀態(tài)，腦電信號更穩(wěn)定，有利于記錄。腦電采集與預(yù)處理軟件（Neuroscan4.3）、腦電分析軟件（matlab）、腦電電極位置按照國際10-20 電極擴(kuò)展分布圖放置，如圖2 所示。

圖1 WM-5 型駕駛模擬器

圖2 國際10-20 電極擴(kuò)展分布圖

1.3 實(shí)驗(yàn)過程及數(shù)據(jù)采集

模擬駕駛實(shí)驗(yàn)在安靜，燈光適中，舒適的實(shí)驗(yàn)室中進(jìn)行。準(zhǔn)備工作就緒后，首先進(jìn)行疲勞等級自我評定，評價標(biāo)準(zhǔn)參照李曾勇的疲勞等級評價表（七個等級）[16]；接著記錄駕駛?cè)蝿?wù)前5 分鐘清醒狀態(tài)下的閉眼靜息態(tài)腦電數(shù)據(jù)；然后進(jìn)行模擬駕駛?cè)蝿?wù)，時間為150 分鐘；由于存在個體進(jìn)入疲勞狀態(tài)時間上有差異，每名被試在模擬駕駛后仍需進(jìn)行自我主觀評價，當(dāng)主觀量表結(jié)果顯示受試者處于疲勞狀態(tài)時，實(shí)驗(yàn)才有效；最后記錄疲勞狀態(tài)下閉眼靜息態(tài)5 分鐘腦電數(shù)據(jù)，至此完成一名被試的完整數(shù)據(jù)采集。

2 特征提取

2.1 腦電信號預(yù)處理

數(shù)據(jù)預(yù)處理的主要內(nèi)容包括:數(shù)據(jù)篩選，去除基線漂移，濾波、去除眼電肌電偽跡，降采樣。經(jīng)過數(shù)據(jù)預(yù)處理后，對每名被試每個電極的疲勞前后選取一分鐘的腦電數(shù)據(jù)通過滑動窗6 秒，滑動步長0.2 秒進(jìn)行分段，最終產(chǎn)生1800 個樣本，其中疲勞前后正負(fù)樣本各900 個。

2.2 近似熵特征提取

近似熵(Approximate Entropy，AE)是用于量化時間序列波動的復(fù)雜性和規(guī)則性的定量分析方法[17]。使用一個非負(fù)數(shù)來表示時間序列復(fù)雜性，時間序列越復(fù)雜，AE 值越大[18]。近似熵的定義為：

本文AE 參數(shù)的取值為m=2,r=0.2SD。

2.3 樣本熵特征提取

樣本熵（Sample Entropy，SE）也是衡量時間序列復(fù)雜度和維數(shù)變化時時間序列產(chǎn)生新模式概率的大小的指標(biāo)，。SE 對丟失數(shù)據(jù)不敏感，不依賴數(shù)據(jù)長度，具有抗噪和抗干擾能力強(qiáng)的特點(diǎn)。由于不包含對自身數(shù)據(jù)段的比較，SE 提高了計算精度，節(jié)約了計算時間。SE 值越低，時間序列的越復(fù)雜[19]。樣本熵定義為：

本文SE 參數(shù)取值為m=2，r=0.2SD.

3 駕駛疲勞檢測及結(jié)果分析

3.1 駕駛疲勞特征提取結(jié)果分析

對疲勞前后狀態(tài)下6 名被試的AE 和SE 熵值進(jìn)行t 檢驗(yàn)統(tǒng)計分析。為直觀展示不同狀態(tài)下的熵值變化情況，繪制了駕駛疲勞前后SE 和AE 腦電地形圖，如圖3 所示。從圖中可以看出駕駛疲勞狀態(tài)下2 種熵值均為藍(lán)色區(qū)域面積增加顏色加深，紅色區(qū)域面積減少顏色變淺，即駕駛疲勞狀態(tài)下腦電信號的復(fù)雜度降低，說明AE 和SE 這2 種非線性指標(biāo)均能夠反映駕駛疲勞變化情況。駕駛疲勞前后AE 和SE 存在顯著差異(p<0.05)的導(dǎo)聯(lián)主要分布在前額區(qū)、右額區(qū)、右中央?yún)^(qū)和顳區(qū)。存在非常顯著差異（P<0.01）的腦電通道主要集中在FP1、FP2、F4、F8 和T7，如圖4 所示。

圖3 不同狀態(tài)下熵值和P 值的腦電地形圖（每列上為樣本熵，下為近似熵）。（a）清醒狀態(tài)；（b）疲勞狀態(tài)；（c）清醒狀態(tài)和疲勞狀態(tài)統(tǒng)計學(xué)對比的P 值分布（藍(lán)色區(qū)域內(nèi)的導(dǎo)聯(lián)P<0.05）

圖4 存在顯著差異腦電通道t 檢驗(yàn)P 值(**表示存在非常顯著差異)

3.2 駕駛疲勞檢測結(jié)果分析

數(shù)據(jù)需要進(jìn)行歸一化處理，按9:1 將數(shù)據(jù)分為兩部分，其中9 份數(shù)據(jù)用于模型訓(xùn)練，1 份數(shù)據(jù)用于模型測試，采用10折交叉驗(yàn)證分類器的識別性能。為檢測該方法的穩(wěn)定性和魯棒性，采用KNN、DT、Adaboost、SVM 這4 種經(jīng)典分類器對存在顯著差異的腦電通道進(jìn)行組合熵特征集和單一特征集的清醒狀態(tài)和疲勞狀態(tài)的識別，各通道各分類器識別準(zhǔn)確率如圖5 所示。從圖中可以看出通過4 種分類器的各腦電通道基于組合熵特征集的分類準(zhǔn)確率明顯比基于單一特征的高，其中FP1、FP2、F8 和T7 腦電通道分類準(zhǔn)確率比其他通道的高，這對于選擇有較高精度的EEG 單通道提供方向。基于此，本文重點(diǎn)分析4 種分類器對這四個腦電通道的分類情況。對于分類器性能的好壞需要各類指標(biāo)來評價，通常評價的指標(biāo)有accuracy（準(zhǔn)確率）、precision（精確率）、recall（召回率）、F1-分?jǐn)?shù)、ROC 曲線、AUC 值等。ROC 曲線所覆蓋的區(qū)域面積即為AUC 值，是反映分類器性能的綜合指標(biāo)，ROC 越靠近左上角，AUC 值越大，則模型分類效果越好，反之效果越差。本文采用這六項指標(biāo)來進(jìn)行比較，如表1 所示。FP1、FP2、F8和T3 腦電通道的ROC 曲線如圖6 所示.類器ROC 曲線都接近于左上角，表明其分類性能都不錯。FP1導(dǎo)聯(lián)腦電數(shù)據(jù)KNN 分類器AUC 值0.980，平均準(zhǔn)確率92.8%；DT 分類器AUC 值為0.939，平均準(zhǔn)確率91.9%；Adaboost 分類器AUC 值為0.970，平均準(zhǔn)確率90.6%；SVM 分類器AUC值0.9737，平均準(zhǔn)確率90.4%。FP2 導(dǎo)聯(lián)腦電數(shù)據(jù)KNN 分類器AUC 值0.958，平均準(zhǔn) 確 率88.1%；DT 分類器AUC 值為0.911，平均準(zhǔn)確率85.6%；Adaboost 分類器AUC 值為0.923，平均準(zhǔn)確率84.1%，SVM 分類器AUC 值0.922，平均準(zhǔn)確率82.8%；F8 導(dǎo)聯(lián)腦電數(shù)據(jù)KNN 分類器AUC 值0.980，平均準(zhǔn)確率92.3%；DT 分類器AUC 值為0.939，平均準(zhǔn)確率91.2%；Adaboost 分類器AUC 值為0.970，平均準(zhǔn)確率88.9%，SVM 分類器AUC 值0.962，平均準(zhǔn)確89.3%；T7 導(dǎo)聯(lián)腦電數(shù)據(jù)KNN分類器AUC 值0.968，平均準(zhǔn)確率90.8%；DT 分類器AUC 值為0.928，平均準(zhǔn)確率88.6%；Adaboost 分類器AUC 值為0.937，平均準(zhǔn)確率84.9%，SVM 分類器AUC 值0.952，平均準(zhǔn)確率87.9%.從各類性能指標(biāo)來看KNN 分類器最佳，準(zhǔn)確率和綜合指標(biāo)AUC 均高于其他分類器，F(xiàn)P1 的KNN 平均識別率最高92.8%，其他分類器的平均識別率均在90%以上，達(dá)到了滿意的效果。由此說明通過EEG 單通道FP1 采用組合熵特征集的方式進(jìn)行駕駛疲勞檢測具有一定的魯棒性和穩(wěn)定性。

圖5 顯著差異腦電通道組合熵特征集與單一特征準(zhǔn)確率對比圖

圖6 4 種分類器的ROC 曲線（FP1 FP2 F8 T7）

表1 4 種分類器性能指標(biāo)對比表

4 討論

本文采用AE 和SE 來量化駕駛疲勞前后腦電信號的復(fù)雜度，并作為組合熵特征集通過4 種常用分類器進(jìn)行疲勞識別，旨在以安全為關(guān)鍵的人機(jī)交互中人類駕駛員或操作員上實(shí)現(xiàn) 使用EEG 單通道的疲勞程度的識別檢測系統(tǒng)。熵從腦電信號復(fù)雜度的角度描述了大腦皮層中神經(jīng)元的活躍程度，本研究結(jié)果表明駕駛疲勞狀態(tài)下AE 和SE 熵值均比清醒狀態(tài)下的熵值小，這說明疲勞抑制了大腦皮層神經(jīng)元活動的活躍性，腦電復(fù)雜性降低,AE 和SE 均能很好的表征駕駛疲勞；清醒與疲勞狀態(tài)存在顯著差異的主要集中在額區(qū)、顳區(qū)和右半球的若干腦區(qū)，這可能與大腦各區(qū)功能化的差異有關(guān)。額區(qū)對精神狀態(tài)有密切的關(guān)系，顳區(qū)主要負(fù)責(zé)聽覺，中央?yún)^(qū)負(fù)責(zé)肢體的運(yùn)動和感覺。而本研究的腦疲勞誘導(dǎo)任務(wù)正是為時150 分鐘的駕駛?cè)蝿?wù)，需要較強(qiáng)的空間感知需要、肢體活動、精神集中、抽象思維、判斷識別，需要各腦區(qū)的聯(lián)合作業(yè)，涉及的腦區(qū)也比較廣，所以這些腦區(qū)比其他腦區(qū)受疲勞抑制程度更大；非常顯著差異的導(dǎo)聯(lián)主要集中在前額區(qū)、右額區(qū)和左顳區(qū)，說明這幾個導(dǎo)聯(lián)的區(qū)域?qū)︸{駛疲勞變化具有更加敏銳的反應(yīng)；從分類結(jié)果看，與單一特征方法相比，組合熵特征集能夠更好的識別駕駛疲勞狀態(tài)；對比4 種經(jīng)典分類器性能指標(biāo)，KNN 分類器的性能最佳，特別是在FP1 通道中分類準(zhǔn)確率達(dá)到令人滿意的效果，也說明利用一個通道FP1 檢測駕駛疲勞狀態(tài)也是可行的，這對于下一步基于BCI 技術(shù)腦電采集設(shè)備的不斷發(fā)展，研制使用單導(dǎo)聯(lián)的便攜式可穿戴式疲勞檢測裝置具有很強(qiáng)的理論依據(jù)。在本項研究中，由于受試者的樣本人群主要是大學(xué)中年輕健康的人群，以盡量減少個體差異的影響，但缺乏考慮各年齡段的差異，未來的研究應(yīng)該包括廣泛的受試者，以檢測年齡和駕駛經(jīng)驗(yàn)等其他變量的可能影響。