基于可穿戴傳感器的駕駛疲勞肌心電信號分析*

付榮榮，王 宏，張 揚，王福旺

(東北大學機械工程與自動化學院，沈陽 110189)

前言

駕駛員的駕駛疲勞是導致交通事故多發的主要原因之一［1］，因此須要找到能夠表征駕駛員駕駛疲勞的特征參數，并據此檢測出駕駛員的疲勞狀態，從而減少駕駛疲勞導致交通事故的發生率。如今駕駛員駕駛疲勞的檢測已經成為國內外的研究熱點，所做的研究主要從主觀和客觀兩個角度出發［2］，主觀檢測主要是對被試者進行問卷調查［3］，通過調查結果對駕駛員的疲勞程度進行估計;客觀檢測主要集中在以下3個方面:(1)通過駕駛員的生理信號來檢測駕駛疲勞，常見的如腦電信號、心電信號和肌電信號等;(2)通過對駕駛員的行為進行疲勞檢測，如駕駛員手握轉向盤的位置，眨眼頻率和頭部位置等;(3)通過檢測車輛在行駛中的狀態，如偏離正常行駛線的位置等。盡管關于疲勞駕駛的研究很多，但都有不同程度的缺點，如主觀檢測法雖然簡單易行，但會受到駕駛員個人意志的影響，從而導致檢測結果不準確［4］;大多基于生理信號檢測疲勞的方法都針對某一單一生理信號進行分析處理，而由于生理信號所具有的隨機性導致在諸多此類文獻中給出了很多不一致的研究結果，而且測量生理信號的電極不可避免地會影響到駕駛員的正常操作。

本文中利用東北大學研制的可穿戴式傳感器有效地接收股二頭肌位置的生理信號的同時實現了非接觸性測量，達到了應用方便且不影響駕駛員正常駕駛的效果。由于采集到的生理信號是心電信號與肌電信號的混合信號，利用快速獨立成分分析與經驗模態分解算法實現了心電信號與肌電信號的有效分離，對心電信號與肌電信號的時域和頻域的各項指標進行研究，意在尋找能不受隨機情況影響并能客觀表征駕駛員疲勞的特征參數，從各個特征參數中選取隨時間變化具有相應的一致變化的特征參數。統計分析結果發現，肌電信號與心電信號的相關峰值和肌電信號的峰值因數在正常駕駛狀態與疲勞駕駛狀態中具有顯著差別，符合表征疲勞特征參數的條件，故選取這兩個指標作為判別疲勞的組合特征。利用一些表征疲勞和正常狀態的數據作為駕駛員狀態判別的訓練集，采用馬氏距離作為判別疲勞的準則，對測試集中的待判樣本進行判別，最后通過十折交叉驗證的方法得到了判別的平均正確率。判別結果表明，該方法在對正常狀態與疲勞狀態的區分上有良好的識別效果，能實現生理信號的非接觸采集，為駕駛員的疲勞檢測提供了一種簡單有效的新方法。

1 疲勞駕駛實驗

1.1 疲勞駕駛實驗方案

選取8名(5男3女，年齡:24.75±2.76歲)身體健康沒有睡眠相關疾病，并且駕齡都小于2年的被試者參與本實驗。實驗要求被試者在進行駕駛實驗的前24h之內禁止飲酒、喝茶和咖啡。實驗時間定在下午1:00-3:00左右，連續駕駛時間為2h。所有實驗在東北大學生物機電實驗室進行，被試者在實驗前了解實驗流程并同意進行實驗。

本文中疲勞駕駛實驗平臺由模擬駕駛系統和數據采集系統構成。為加速被試者的疲勞，采用單調的高速公路作為實驗的路面場景，車輛為自動擋小轎車，天氣狀況選擇晴天。因為高速公路以直道為主，并且駕駛自動擋小汽車，其他車輛較少且沒有行人，路邊景觀單調，干擾少，被試者極易進入疲勞狀態［5］。將可穿戴式傳感器的傳導電極植入汽車坐墊內，駕駛員坐在坐墊上就可采集到股二頭肌所在位置的生理信號，實現了非接觸式測量。采樣頻率為1 000Hz，陷波頻率為 50Hz。

1.2 數據處理方法

實驗中采集到的信號s(t)為幾種不同成分信號的疊加［6］:

式中:EMG(t)代表肌電信號成分，ECG(t)為心電成分，N(t)為由呼吸和身體移動等引起基線噪聲。因此須要選取一定的信號處理方法實現心電信號與肌電信號的盲分離，并去除基線噪聲。由于快速獨立成分分析(FastICA)在應用中具有速度快、易實現等優點［7］，本文中使用快速獨立成分分析對信號進行預處理，實現肌電信號與心電信號的粗略分離，并在此基礎上利用經驗模態分解算法去除肌電、心電信號之間少量的混疊現象和基線噪聲，從而實現肌電信號與心電信號的完全分離。

為進一步明確說明本文中的數據處理過程，下面以長度為4s的靜態原始測量信號為例，如圖1所示。先利用FastICA對其進行預處理，分離信號如圖2所示。

由圖2可見，經FastICA處理后，仍有少量偽跡未能完全去除，且含有基線噪聲。因此，接著分別對圖2(a)和圖2(b)進行經驗模態分解，得到各個固有模態分量(IMF)，將各個IMF投影到頻域中得到各個固有模態分量的頻譜。依據肌電信號和心電信號各自的頻率范圍進行信號重構，重構時要舍棄最后幾個低頻的固有模態分量，以去除信號的趨勢，即去除頻率較低的基線噪聲，于是得到處理后的肌電信號和心電信號。選取Savitzky-Golay濾波器對心電信號進行平滑處理，該濾波器用一元p階多項式以長度為n的滑動窗口對數據點進行擬合，其中n取35，p取3，此3階多項式的系數由最小二乘法準則使擬合誤差最小來確定，從而實現平滑處理。至此成功實現了肌電信號和心電信號的分離，處理結果如圖3所示。

2 表征疲勞的特征選取

對8名被試者的2h駕車實驗過程進行等距提取，每隔10min提取長度為30s的數據進行分析。在被試者駕車之后，要求被試者靜坐5min，休息10min后再記錄5min的靜坐數據，同樣地，從疲勞靜坐5min和休息后靜坐5min的數據中各自提取長度為30s的數據，與之前從駕車過程中提取的數據進行同樣處理。

肌電信號和心電信號的各種特征指標隨著駕駛時間的增加或者說被試者疲勞感和困倦感的增加都存在著一定的改變，雖然由于個體差異，這8名被試者的這種改變并不一致，但是在這些表征疲勞的指標中，肌電信號的峰值因數和肌電信號與心電信號的互相關峰值所描繪出的曲線得到了基本一致的結論，利用統計分析 SPSS軟件進行 Kolmogorov-Smirnov Z檢驗，得到這兩個特征參數在正常駕駛與疲勞駕駛兩種狀態中P＜0.001，說明正常駕駛與疲勞駕駛差異性顯著。

肌電信號峰值因數可表示為

式中:Apeak為肌電信號的峰值，xrms為肌電信號的均方根值。

文中以2 000點(2s)為步長，以4 000點(4s)為窗口長度，進行重疊率為50%的滑動計算，每次計算得到一個峰值因數，圖4為由各個峰值因數值繪制的肌電信號峰值因數圖。

以同樣的方法截取對應處心電信號和肌電信號做互相關曲線，圖5給出計算示意圖。

在計算互相關曲線時應注意保持相位一致，但處理后肌電信號頻率較高并在時域里上下幅值基本對稱，因此難以得到相位信息，而圖2中所包含的心電信號成分可以作為辨別肌電信號相位的依據。

鑒于肌電信號的峰值因數和肌電信號與心電信號的互相關峰值兩者存在數量級的差別，分別對它們進行歸一化。歸一化后的肌電信號的峰值因數和肌電信號與心電信號的互相關峰值分別如圖7和圖8所示。

對圖7和圖8做進一步的處理，將其減縮為14個時間段的數據，如圖9所示。由圖可更明顯看出，兩個特征參數Fc和c_max的時間歷程有很相似的變化趨勢，即在2h駕車的過程中大體呈現出向上的趨勢，當駕駛員結束駕車后進入疲勞靜坐狀態和休息后靜坐狀態的過程中，在曲線的末尾處呈現出下降趨勢，故肌電信號峰值因數、肌電與心電信號相關峰值這兩個參數可以表征疲勞狀態。利用SPSS統計分析軟件得到的Kolmogorov-Smirnov Z檢驗結果表明，文中所選的特征參數在表征正常駕駛與疲勞駕駛時差異顯著。但是僅利用其中某一個特征參數作為疲勞與否的判據又具有偶然性，因此為減小生理信號隨機性對于判斷結果準確性的影響，選取這兩個特征指標作為組合特征，以提高判斷的準確性。

3 判別分析

3.1 判別原理

本文中采用馬氏距離作為判別分析的判別準則［9］。

對于兩個數學期望分別為μ1和μ2的不同總體G1和G2，協方差分別為Σ1和Σ2，假設是一個待判樣品，至總體G的馬氏距離為

分別計算x至總體 G1和 G2的馬氏距離 d(x，G1)和 d(x，G2)，哪個距離小，就認為 x屬于哪個總體。

3.2 判別實例

隨著駕駛時間的增加，駕駛員的疲勞程度大致呈上升趨勢，因此認為在駕駛初期的約40min為正常狀態，相對而言，在駕駛結束前約30min與駕駛后5min駕駛員處于疲勞狀態。從被試者一次實驗的特征參數中選取正常數據段(前65組)和有明顯疲勞感出現的數據段(第121～185組)作為訓練集數據，利用訓練集數據建立判別函數，并以該名被試者的再次駕車的數據作為測試集數據(30組)。考察兩種狀態，第1組數據為駕駛員的正常狀態，用G1表示;第2組數據為駕駛員的疲勞狀態，用G2表示。考察駕駛員兩個特征參數:c_max代表駕駛員肌電、心電信號的相關峰值;Fc為駕駛員肌電信號的峰值因數。數據由訓練集中數據按上述的判別方法得到判別函數為

3.3 判別準則的評價

當利用各個總體的訓練集數據計算出判別函數后，可通過對測試集中的數據進行判別，得到判別結果的混淆矩陣為。

4 分析與討論

對圖7和圖8中視為正常狀態的前65組數據和視為疲勞狀態的后65組數據進行處理，得到對應于正常和疲勞的歸一化的特征參數均值，如圖10所示。由圖可見，文中選用的兩個特征參數在疲勞與正常狀態下幅值上均具有明顯差別。

通過上面的分析與討論，可進一步驗證本文中提出的特征參數在表征正常與疲勞狀態上的有效性。

5 結論

利用東北大學研制的可穿戴式傳感器對8名被試者進行2h的駕駛模擬實驗，采集股二頭肌部位的生理電信號，并對其進行分離和進一步的去噪，得到肌電和心電信號，并找到能不受隨機情況影響且能客觀表征駕駛員疲勞程度的特性參數，利用統計分析軟件SPSS進行Kolmogorov-Smirnov Z檢驗，最終選取肌電信號的峰值因數和肌心電信號互相關峰值作為組合特征，并采用馬氏距離作為判別疲勞的準則。判別結果表明，該方法在對正常狀態與疲勞狀態的區分上取得了良好的識別效果。該方法能實現非接觸測量，不影響駕駛員的正常駕駛，為駕駛員的疲勞檢測提供了一種簡單有效的新方法。

［1］ Riccardo Rossi，Massimiliano Gastaldi，et al.Analysis of Driver Task-related Fatigue Using Driving Simulator Experiments［J］.Procedia Social and Behavioral Sciences，2011，20:666-675.

［2］ Gregoire S Larue，Andry Rakotonirainy，et al.Driving Performance Impairments Due to Hypovigilance on Monotonous Roads［J］.Accident Analysis and Prevention，2011，43:2037-2046.

［3］ Michel Grabisch，Jacques Duchene，et al.Subjective Evaluation of Discomfort in Sitting Positions［J］.Fuzzy Optimization and Decision Making，2002，1:287-312.

［4］ Carolyn H Declerck，Christophe Boone，et al.On Feeling in Control:A Biological Theory for Individual Differences in Control Perception［J］.Brain and Cognition，2006，62(2):143-176.

［5］ Eike A Schmidt，Michael Schrauf，et al.Driver's Misjudgment of Vigilance State During Prolonged Monotonous Daytime Driving［J］.Accident Analysis and Prevention，2009，41:1087-1093.

［6］ Jacques Duchene，Thibault Lamotte.Surface Electromyography A-nalysis in Long-term Recordings:Application to Head Rest Comfort in Cars［J］.Ergonomics，2001，44(3):313-327.

［7］ James C J，Lowe D.Single Channel Analysis of Electromagnetic Brain Signals Through ICA in a Dynamical Systems Framework［C］.Proc.of the 23rd Annual EMBS Conference，2001:1974-1977.

［8］ 胡廣書.數字信號處理-理論算法與實現［M］.北京:清華大學出版社，2003.

［9］ 王巖，隋思漣，等.數理統計與MATLAB工程數據分析［M］.北京:清華大學出版社，2006.