疲勞駕駛的轉向特征研究

劉志強，焦立峰

(江蘇大學汽車與交通工程學院，江蘇鎮江 212013)

疲勞駕駛的轉向特征研究

劉志強，焦立峰

(江蘇大學汽車與交通工程學院，江蘇鎮江 212013)

為有效地實現疲勞提前預警，研究了心電信號(ECG)和轉向特征隨駕駛時間的變化規律。通過試驗，分析了ECG信號的4個指標隨時間的變化趨勢，進行了顯著性分析之后，運用主成分分析方法建立了綜合的ECG評價指標來分辨駕駛員的疲勞狀態。分析了駕駛員在不同駕駛狀態，不同的道路線形下的轉向行為，應用轉向熵方法分析了轉向數據，結果表明:相比清醒狀態，疲勞狀態下的轉角熵升高了57.1%。

疲勞駕駛;轉角特征;心電信號

道路交通事故對社會公眾生命和財產已經構成了極大的威脅。法國國家警察總署交通事故報告表明，因疲勞瞌睡而發生交通事故的，占人身傷害事故的14.9%，占死亡事故的 20.6%［1］。2008 年我國共發生道路交通事故265 204起，造成73 484人死亡、304 919 人受傷，直接財產損失 10.1 億元［2］，而疲勞駕駛是導致交通事故的重要原因之一。

國內外的諸多學者都對駕駛疲勞進行了深入研究并取得了很多研究成果，在這些研究成果中尤以檢測駕駛員生理信號(EEG［3］和 ECG［4］)及駕駛員眼動信號(PERCLOS［5］)為代表。但是這2種方法都存在缺陷:測量生理信號，駕駛員需佩戴相應的檢測設備，成本較高;檢測駕駛員面部表情則在很大程度上受到周圍環境的影響。

除上述2種研究方向外，Eskandarian A，等以方向盤轉動情況為切入點，認為方向盤的微小運動與駕駛員警惕性的降低有關系，在警惕性高期間，小幅度的方向盤運動很頻繁;在警惕性低期間，大幅度的方向盤運動則很常見［6］。李嘯，等［7］分析了駕駛前期和后期方向盤轉角特性的不同，得出駕駛員正常駕駛汽車直線行駛時方向盤轉角范圍。

可以發現，轉向特征可以作為駕駛疲勞檢測的依據，且有很大優勢:不受環境等外部環境影響，數據處理算法簡單，實用性高。缺點是疲勞檢測準確率較低。準確率低的一個關鍵因素是判斷駕駛疲勞的主觀性強，誤差較大，在此情況下得到的方向盤數據不能很好的表征出駕駛疲勞，因此，可以駕駛員的生理信號判斷駕駛員的疲勞，進而分析駕駛員在疲勞下的轉向特征。

筆者在駕駛模擬器上進行了試驗，研究心電信號(Electrocardiogram，ECG)隨駕駛時間的變化規律，確定駕駛疲勞評價綜合指標，減小數據波動性，提高疲勞評價的準確性。之后，分析在駕駛過程中得到的轉向盤數據，從而為以轉向特征檢測駕駛疲勞的檢測率的提高提供參考。

1 試驗方法

使用三菱公司的DS-6000C型駕駛模擬器進行模擬試驗，心電信號檢測儀采用北京保邁科技的KF2型動態多參生理檢測儀，試驗設備如圖1。

圖1 試驗設備(DS－6000C型駕駛模擬器)Fig.1 Testing equipment(DS －6000C driving simulator)

選取10名駕駛員參加試驗，以高速公路作為虛擬駕駛任務的場景，要求他們按照實際的道路規則并且按照模擬器指示的要求行駛。試驗分為2個階段:上午階段為9:00—10:00，下午階段為14:00—17:00。駕駛員在試驗前要有充足的睡眠，在完成上午的駕駛任務后，可以進行其他活動，但是不得休息。

2 疲勞駕駛檢測

分析疲勞狀態下的方向盤轉向特征，關鍵問題是找到合適的評價指標來判斷駕駛疲勞。研究表明:心電信號的心率變異性(HRV)與電腦圖中反映人體磕睡狀況的θ波有很好的相關性，通過系統分析心電變異性的變化，可以很好地判斷駕駛員的疲勞程度。楊渝書，等［8］通過研究發現心電時頻域指標與駕駛疲勞明顯相關。鑒于目前已經有便攜式的心電信號測試儀器。因此，筆者采用駕駛員的心電信號為指標判斷駕駛疲勞。

2.1 駕駛員ECG分析

處理心電信號原始數據的間隔時間為5 min，對ECG信號的4項心電指標進行了分析:心率(HR)均值、相鄰2個RR間期差值的均方根(RMSSD)均值、標化的低頻成分(LFNU)均值和量化交感神經和迷走神經張力平衡狀態的指標(LF/HF)均值。根據試驗，選取9:30—10:00之間的時間段和15:00—16:30時間段，共計2 h 24個時間間隔的ECG數據為分析對象。從圖2可以看出，隨著駕駛時間的增加，ECG的指標HR，LFNU和LF/HF有上升的趨勢，而RMSSD有下降的趨勢，這反映了交感神經的活動在增強。

圖2 駕駛員的ECG指標變化趨勢Fig.2 Drivers＇ECG trends

對ECG指標進行顯著性分析的結果表明(表1)，RMSSD、LFNU和LF/HF指標隨著駕駛駕駛時間的延長，出現了顯著變化。

通過分析可以發現，盡管ECG指標在駕駛過程中呈現一定的變化趨勢，但波動性較大，因此，尋求綜合評價指標代替各生理指標，排除干擾因素，減小數據的波動性，以提高對駕駛疲勞評價的準確性。

表1 駕駛員ECG信號的顯著性檢驗Tab.1 Test of significance of ECG signals in driving

2.2 駕駛員ECG綜合指標

由于RMSSD、LFNU和LF/HF指標隨駕駛時間的延長發生了顯著變化，基于這3個指標采用主成分分析方法(Principal Component Analysis)建立綜合評價指標。

主成分分析方法利用信號的二階統計量，得到的是輸入和輸出的線性映射關系，主成分被認為是輸入數據中能量最大的成分，通常認為是重要的成分。主成分子空間提供了從高維數據向低維數據在均方誤差意義下的數據壓縮，它能最大程度地減少方差。它的算法是:

1)求取m維數據x的協方差矩陣Rxx。

2)求出 Rxx的全部特征值 λ1，λ2，…，λm和對應的特征向量v1，v2，…，vm，并將各特征值按從大到小的順序排列，即 λ1≥λ2≥…≥λm。

這時選取m 個特征信號 y1，y2，…，ym，使它們滿足:

通過主成分分析方法分析這段時間內的24個樣本數據，第1主成分的累積貢獻率已經達到了86.89%，因此，取第1主成分作為特征提取的目的指標。綜合指標:

將標準化后的LFNU、LF/HF和RMSSD的值代入式(2)中，得到圖3所示的駕駛員的生理綜合指標曲線。

圖3 駕駛員的ECG綜合指標Fig.3 ECG composite index

從圖3可以看出，初始的ECG綜合指標值變換較平穩，從第16個時間段開始，ECG綜合指標的值顯著變大，波動性也變大。t檢驗表明，這兩段時間的ECG綜合指標有顯著差異。

3 駕駛員轉向特征分析

轉向盤傳感器每20 ms記錄轉向角度，得到的初始轉角數據經過濾波，數字化等處理后，存入計算機中，數據文件以Excel讀取。

由于在曲線路段會給轉向盤數據帶來影響，所以在分析數據之前，必須先除去這種道路線形帶來的影響。采用這種方法來消除影響:如果在4 s內數據點有相同的跡象(連續左轉或是連續右轉)并且它們的和大于或者等于20°，那么所有這些點就被認為含有彎道的信息。用這些點分別減去它們的均值就是保持車道需要的轉向角度。圖4表示了曲線道路上的轉角在處理前后的轉角變化曲線。

圖4 虛線為消除道路影響后的轉向盤數據線Fig.4 Dotted line as the steering curve after eliminating the effect of road

通過分析駕駛員的ECG信號，在區分出駕駛員的駕駛狀態后，可得到駕駛員分別處于清醒狀態和疲勞狀態下的轉向盤轉角。

圖5 60 s內清醒和疲勞狀態下的轉向角度樣本Fig.5 Samples of steering date in alert state and fatigue state in 60 s

從圖5可以看出，在清醒狀態，轉向盤轉角的變化幅度較小;在疲勞狀態，方向盤轉角的變化幅度較大。并且在不同的道路線形下轉角的變化也具有差異:在相同的駕駛狀態下，曲線路段的轉角的變化幅度較大;當駕駛員疲勞時，在曲線路段上的轉角變化最為混亂。可知，隨著駕駛時間的推移，駕駛員出現了駕駛疲勞現象，轉向盤轉角特性出現了差異，反映出駕駛員長時間駕駛會產生疲勞的內在規律。

駕駛員在正常駕駛時，轉向行為較平滑，而當駕駛員疲勞時，轉向行為會變混亂。因為熵指的是體系的混亂程度，所以可以采用轉向熵方法來定量分析駕駛員的轉向行為。

以200 ms的轉角數據均值作為分析對象，在給定的時間內用泰勒二階展開式預測出下一個轉角。

公式(3)是用前面的3個點算出的預測轉角:

每隔200 ms計算出預測誤差。設置一個α值，使獲得預測誤差的90%的數據落在-α與α之間。α值越小說明駕駛員的轉向行為越平穩;α值越大說明駕駛員的轉向行為越不規則。表2列出了初始的α結果。

表2 不同狀態下的值Tab.2 Values of in different states

根據正常駕駛情況下的α值，把預測誤差分布劃分為9段。用式(6)計算轉向熵值s(p):

式中:pi代表預測誤差落入第i個區間的概率。

在對10名駕駛員的轉向預測誤差進行計算后得到的轉向熵結果如表3。

表3 每名駕駛員在2種狀態下的轉向熵值S(p)Tab.3 Steering entropy S(p)in two states per driver

可以看出，駕駛員在清醒時的轉角熵均值為0.49，而疲勞時的轉角熵均值為 0.77，上升了57.1%。這說明當發生駕駛疲勞時，駕駛員的轉向特征發生了變化，而轉向熵值會變大。

4 結論

在進行試驗和數據分析工作后，得出以下結論:

1)駕駛員經過長時間的駕駛會產生疲勞，與疲勞相關的駕駛員的心電信號指標也會發生明顯的變化RMSSD值會隨著駕駛員的疲勞而變小，而LFNU和LF/HF的值會隨著駕駛員的疲勞而變大。建立了ECG綜合指標尋求兩者之間的關系。

2)在直線路段和轉彎路段下，轉向盤轉角的變化曲線是不同的。在直線路段轉向盤轉角只包含了車輛保持車道的信息，而轉彎路段的轉向盤轉角還包含了道路曲率信息，因此，不能直接采用轉彎路段的轉向角度作為分析對象。當發生駕駛疲勞時，曲線路段上的轉角變化駕駛員疲勞時，在曲線路段的轉向特征變化更為劇烈。

3)采用轉向熵的方法對不同狀態下的轉向轉角進行了定量分析，發現疲勞狀態下的轉向熵比清醒狀態下的轉向熵上升了57.1%，說明駕駛員在2種不同駕駛狀態下的轉向特征存在差異。

［1］馬全亮，黃康.關于疲勞駕駛行為的研究和建模［J］.微計算機信息，2007，23(8):272-274.

MA Quan-liang，HUANG Kang.The research and modeling of drowsy driving behaviour［J］.Microcomputer Information，2007，23(8):272-274.

［2］關于2008年全國道路交通事故情況［EB/OL］.(2009-01-02)［2010-9-22］.http://www.mps.gov.cn/n16/n85753/n85870/1970695.html.

［3］Michail E，Kokonozi A，Chouvarda I.EEG and HRV markers of sleepiness and loss of control during car driving［C］//30th Annual International IEEE EMBS Conference.Canada:IEEE，2008:2566-2569.

［4］Rogado E，García J L，Barea R，et al.Driver fatigue detection system［C］//International Conference on Robotics and Biomimetics.Thailand:IEEE，2009:1105-1110.

［5］González-Ortega D，Díaz-Pernas F J，Antón-Rodríguez M，et al.Computer vision-based eyelid closure detection:a comparison of MLP and SVM classifiers［C］//2009 Ninth International Conference on Intelligent Systems Design and Applications，Spain:IEEE，2009:1301-1306.

［6］Eskandarian A，Sayed R，Delaigue P，et al.Advanced driver fatigue research［R］.Washington:U.S.Department of Transportation Federal Motor Carrier Safety Administration，2007:21-24.

［7］李嘯，鮑際平，王猛猛，等.直線行駛過程中汽車方向轉角的研究分析［J］.道路交通與安全，2008，8(5):43-46.

LI Xiao，BAO Ji-ping，WANG Meng-meng，et al.The research on automobile steering wheel angle in the cause of straight driving［J］.Road Traffic ＆ Safety，2008，8(5):43-46.

［8］楊渝書，姚振強，李增勇，等.心電圖時頻域指標在駕駛疲勞評價中的有效性研究［J］.機械設計與制造，2002，8(5):94-95.

YANG Yu-shu，YAO Zhen-qiang，LI Zeng-yong，et al.Investigation on correlation between ECG indexes and driving fatigue［J］.Machinery Design ＆ Manufacture，2002，8(5):94-95.

Research on the Steering Feature in Fatigue Driving State

LIU Zhi-qiang，JIAO Li-feng
(School of Auto＆ Traffic Engineering，Jiangsu University，Zhenjiang 212013，Jiangsu，China)

Traffic accidents because of fatigue driving are on the rise.In order to realize early warning effectively，the variation rule of electrocardiogram signals(ECG)and steering characteristics with the driving time was studied and feasible program was designed.The trends and significance of four indicators in the ECG signals over time were analysed，and a comprehensive evaluation indicator was established after principal component analysis to identify driver states.The steering features under different driving conditions and road alignments were researched.Steering features were analysed by steering entropy.Test results indicated that when the driver was in fatigue，the steering entropy increased by 57.1%，compared with the driver in waking state.

fatigue driving;steering feature;electrocardiogram

U491.31

A

1674-0696(2011)03-0432-04

2011-01-31;

2011-03-11

國家科技支撐計劃課題項目(2007BAK35B02)

劉志強(1963-)，男，江蘇靖江人，教授，博士生導師，主要從事道路交通運輸系統安全方面的研究。E-mail:zhqliu@ujs.edu.cn。