基于腦電信號分類的高速公路上駕駛疲勞識別*

羅 旭,王 宏, 王福旺

(1.東北大學,沈陽 110004；2.沈陽師范大學,沈陽 110034)

?

2015041

基于腦電信號分類的高速公路上駕駛疲勞識別*

羅 旭1,2,王 宏1, 王福旺1

(1.東北大學,沈陽 110004；2.沈陽師范大學,沈陽 110034)

為駕駛疲勞的識別提出一種基于小波變換與BP人工神經網絡的自發腦電信號分類方法。利用離散小波變換對駕駛員的腦電信號濾波，得到頻率低于30Hz的4個子帶小波系數，由統計方法從小波系數中提取特征值。以這些特征值作為訓練數據，對所建的BP人工神經網絡進行訓練。結果表明，用所建的神經網絡對高速公路客車駕駛員分別在疲勞和非疲勞時記錄的腦電信號進行分類可達93.2%的準確率。

駕駛疲勞；腦電信號；小波；BP人工神經網絡

前言

疲勞駕駛是引發交通事故的主要原因之一。經統計，有20%～30% 的交通事故直接由疲勞駕駛引起[1]。因此須研究量化與識別疲勞駕駛的有效方法，為研制疲勞駕駛預警系統提供理論與技術支持。

疲勞駕駛的量化與識別，主要是通過分析人體電信號，如腦電(EEG)、眼電(EOG)和肌電(EMG)等來實現。其中，腦電信號是最為可信和準確的疲勞判斷依據[2]。文獻[3]中試圖使用腦電信號功率記錄模擬駕駛過程中駕駛員的表現，結果表明腦電信號的變化與駕駛員注意力的變化有關。文獻[4]中提出，疲勞狀態下的腦電波中，低頻波(θ波與α波)比例增大，而高頻波(β波)比例降低。文獻[5]中通過支持向量機分類器對經小波濾波的腦電信號進行分類識別，分類正確率達90.04%。

本文中結合離散小波變換濾波技術與BP人工神經網絡分類方法，對兩類腦電數據(疲勞駕駛和非疲勞駕駛狀態下的腦電信號)進行分類識別，平均正確率為93.2%。

1 小波濾波與特征提取

腦電信號在采集過程中參雜大量噪聲，在分類識別之前必須先濾波。針對腦電信號的非線性與非平穩性[6]，小波變換是較有效的時頻分析方法[7]，因此采用快速的離散小波變換設計濾波器。

1.1 離散小波濾波

信號經小波變換后，可產生壓縮式的小波系數，分別為代表原信號低頻部分的逼近小波系數與代表高頻部分的細節小波系數。本文中使用離散小波變換[8](DWT)對腦電信號進行濾波，離散小波變換定義如下：

(1)

式中:ψ(t)為小波基函數，j、k∈Z并代表頻率分辨率，fj(t)為信號f(t)在尺度2j的分類。

腦電信號經離散小波變換分解，得到頻率低于32Hz(腦電信號頻率主要分布在0～30Hz)的4個子帶內的小波系數，從而過濾掉頻率較高的干擾信號。離散小波分解過程如下：先對腦電信號f(t)進行首次分解，得到第1層低通逼近分量A1和高通細節分量D1。再對A1分解得到第2層的逼近和細節分量AA2和DA2。以此類推，一直分解到第4層。在第4層中，除了分解逼近分量AAA3，得到AAAA4和DAAA4之外，還分解細節分量DAA3，得到ADAA4和DDAA4。為表述方便，將這4個分量分別標記為P1、P2、P3和P4。小波分解過程如圖1所示。

每次分解產生的兩個分量的頻率范圍都為原分量頻率范圍的一半，且逼近分量覆蓋低頻范圍，細節分量覆蓋高頻范圍。例如，假設原始信號頻率為128Hz，經分解后得到的逼近分量A1的頻率范圍為0～64Hz，D1為64～128Hz。經5次分解之后，在第4層產生的4個分量的頻率范圍分別是0～8Hz、8～16Hz、16～24Hz和24～32Hz。

1.2 提取小波系數特征

前面得到的每個小波分量Pi都含有大量的小波系數，不適合直接作為特征數據。為減少計算量，需要從每個分量內提取統計值。對每個分量Pi(i∈{1,2,3,4}),取其最大值、最小值、均值和標準差。根據4個分量一共生成16個特征值。

當采用該特征提取方法分析腦電時，須預先定義分析窗口的大小。例如，針對腦電帽的某通道，可以每當采集128組腦電數據時,便提取與之對應的16個特征值。這些特征值將作為神經網絡輸入數據，用于之后的神經網絡訓練與創建。

2 BP人工神經網絡分類器

2.1 BP人工神經網絡

BP神經網絡[9]的學習過程由信號的正向傳輸與誤差的反向傳播兩個過程組成。正向傳輸時,樣本從輸入層傳入,經隱含層逐層處理后傳向輸出層。若輸出層的實際輸出與期望輸出不符,則進入誤差的反向傳播階段。誤差的反向傳播將輸出誤差以某種形式通過隱含層向輸入層逐層反傳,并將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,該誤差信號作為修正各神經元權值的依據。

2.2 設計神經網絡結構

駕駛狀態下，額頭AF3和AF4部位的腦電電位變化較為明顯，如圖2所示。

因而提取AF3和AF4兩通道腦電信號的特征值作為神經網絡的輸入數據。兩通道的窗口信號經小波過濾和特征提取后，共產生32個特征值，所以設置神經網絡的輸入層節點數為32。輸出層節點數為1，輸出值為0(非疲勞狀態)或1(疲勞狀態)。隱含層最佳節點數的計算公式[10]為

l=log2n

(2)

式中:n為輸入層節點數;l為隱含層節點數。根據式(2)與輸入層節點數32，設置隱含層節點數為5。神經網絡結構如圖3所示。

該神經網絡屬于兩類分類器。理想狀態下，經訓練的神經網絡能執行準確率較高的分類操作，即向神經網絡輸入屬于某一類(如疲勞)的特征值后，神經網絡以可接受的準確率輸出與期望值相同的實際輸出值。

2.3 選擇神經網絡訓練函數

神經網絡訓練采用Levenberg-Marquardt函數[11]，該函數由基于最大鄰域思想的最小二乘估計算法得出。設E(w)由數量為m的個體誤差項組成，E(w)定義如下：

(3)

式中:w為權值向量，ei(w)為第i個神經元的實際輸出值oi(w)與期望輸出值yi的差值。

算法的目標是計算出使E(w)最小的權值向量w。新權值向量wk+1可表示為

wk+1=wk+δwk

(4)

式中:wk為原權值向量，δwk的定義為

(5)

式中:e(wk)=[e1(wk),e2(wk),…,em(wk)]T;Jk為e(wk)在wk處的雅可比矩陣，Jk第i行第j列的元素表達式為

(6)

式中wj為權值向量w的第j個元素。

Levenberg-Marquardt算法計算過程如下：

①計算E(wk)；

②將λ初始化為小正數(如λ=0.01)；

③計算式(4)得到δwk，并計算E(wk+δwk)；

④ 如果E(wk+δwk)≥E(wk)，則將λ放大10倍，并跳轉到步驟③;

⑤如果E(wk+δwk)

3 疲勞駕駛信號分類實驗

3.1 采集腦電信號

3.1.1 信號采集環境設置

實驗使用Emotiv電極帽采集腦電源信號。該電極帽最高采樣頻率為128Hz，包含國際10-20系統中的14個參考電極，如圖4中黑色電極所示。

實驗環境為沈陽至丹東高速公路客車內。參與實驗的人員包括被試者(駕駛員)、觀察員與操作員。觀察員處于客車的副駕駛位，負責觀察駕駛員的精神狀態(如打哈欠頻率、眨眼頻率等)，以及判斷駕駛員是否進入疲勞狀態。操作員位于駕駛員后座，負責操控計算機和腦電信號采集設備。出于安全考慮，客車內沒有乘客。

3.1.2 信號采集過程

信號采集操作在13∶00～18∶00之間的真實駕駛狀態下進行。為保證采集的非疲勞腦電信號盡量接近理想狀態，駕駛員在參與實驗之前的24h內，保證正常睡眠時間并且沒有從事嚴重耗費體力與精力的活動。當駕駛員從13∶00開始駕車5min后，操作員采集3min的駕駛員腦電數據，該數據作為非疲勞數據，采集量為23 040組。

根據《中華人民共和國道路交通安全法實施條例》的規定，連續駕車4h且休息不足20min的情況認定為疲勞駕駛。因此，為獲取較理想的疲勞駕駛腦電信號，實驗中的駕駛員連續駕駛客車5h左右后(中途休息5min)，并且當有較明顯的眼神呆滯或打哈欠頻率增加的情況時，由觀察員手勢通知操作員開始記錄疲勞腦電，采集量同為23 040組。為保證數據的穩定性，采集過程中駕駛員沒有說話和明顯的肢體動作，如轉頭、擺臂和抬腿等。

通過上述方式，一共采集了4個駕駛員的腦電數據，得到4個數據集。每個數據集包含代表非疲勞和疲勞兩狀態的兩個信號矩陣，每個信號矩陣維度為2×23040(兩行分別對應AF3與AF4通道)。

3.2 生成神經網絡訓練數據

以MATLAB為編程工具，將屬于某駕駛員的非疲勞信號矩陣，按128列為1塊進行分塊，得到180個數據塊。對每個數據塊濾波和統計后，產生與該數據塊對應的32個特征值。那么，由信號矩陣得到180×32的非疲勞特征矩陣。同樣方法，產生該駕駛員的180×32的疲勞特征矩陣。將兩矩陣組合為360×32的特征矩陣(前180行對應非疲勞狀態，后180行對應疲勞狀態)作為神經網絡的輸入層訓練數據。與該矩陣對應的輸出層訓練數據為長度為360的向量(前180行為0，對應非疲勞輸出；后180行為1，對應疲勞輸出)。

3.3 訓練神經網絡與結果分析

根據第2節中給出的神經網絡設計方案，利用MATLAB神經網絡工具箱創建BP神經網絡，向網絡輸入已生成的屬于某駕駛員的訓練矩陣，執行訓練網絡操作。神經網絡經訓練后，隱含層內5個隱節點的輸入與輸出權值向量得到確定，如表1和表2所示。

表1 隱含層節點的輸入權值向量

表2 隱含層節點的輸出權值向量

執行網絡訓練時，MATLAB隨機地從所有輸入數據中提取70%用于訓練操作，15%用于驗證操作，15%用于測試操作。由于此隨機性的存在，有必要多次執行網絡訓練以獲取神經網絡的平均分類準確率。對每個駕駛員的特征數據，分別執行了4次訓練操作，記錄并統計神經網絡分類準確率，如表3所示。

表3 神經網絡訓練結果

從實驗結果可以看到，BP神經網絡對4個駕駛員的兩類特征數據(非疲勞與疲勞數據)的分類識別效果明顯。每個駕駛員的4次分類準確性都穩定在89%以上，總平均準確率為93.2%。

4 結論

駕駛狀態下的自發腦電信號，經離散小波變換濾波并進行統計特征提取后，可保留用于區別是否疲勞的特征內容。根據這些特征內容訓練并創建BP人工神經網絡，神經網絡能夠以較高準確率對非疲勞與疲勞腦電信號進行分類。

另外，因為針對每個窗口下的腦電數據，其離散小波濾波與統計特征提取的計算時間，以及BP人工神經網絡根據輸入值計算輸出值的時間，都遠小于信號的采集時間。因此，為下一階段研究實時監測駕駛疲勞奠定了基礎。

[1] Lal Saroj K L, Craig A.Electroencephalography Activity Associated with Driver Fatigue: Implications for a Fatigue Countermeasure Device[J/CD].Journal of Psychophysiology, 2001, 15: 125-130.

[2] Lal S K L, Craig A.A Critical Review of the Psychophysiology of Driver Fatigue[J].Biological Psychology, 2001, 55(3): 173-194.

[3] Sehier M A.Changes in EEG Alpha Power During Simulated Driving: A Demonstration International[J].Journal of Psychophysiology, 2000, 37(2) : 155-162

[4] Eoh H J, Chung M K, Kim S H.Electroencephalographic Study of Drowsiness in Simulated Driving with Sleep Deprivation[J].International Journal of Industrial Ergonomics,2005，35(4):307-320.

[5] Zhang C,Zheng C X, Yu X L.Automatic Recognition of Cognitive Fatigue from Physiological Indices by Using Wavelet Packet Transform and Kernel Learning Algorithms[J].Expert Systems with Applications, 2009, 36(3): 4664-4671.

[6] Galka A.Topics in Nonlinear Time Series Analysis: with Implications for EEG Analysis[M].World Scientific Publishing Company Incorporated, 2000.

[7] 馮象初，甘小冰，宋國鄉．數值泛函于小波理論[M]：西安：西安電子科技大學出版杜，2003.

[8] 楊幫華,顏國正, 鄢波.基于離散小波變換提取腦機接口中腦電特征[J].中國生物醫學工程學報, 2006, 25(5): 518-522.

[9] Hecht-Nielsen R.Theory of the Back Propagation Neural Network[C].Proceeding of the International Joint Conference on Neural Networks(IJCNN), New York, 1989,1:593-605.

[10] 史峰，王小川，郁磊，等.MATLAB神經網絡30個案例分析[M]：北京：北京航空航天大學出版社，2010：9-10.

[11] Hagan M T,Menhaj M B.Training Feedforward Networks with the Marquardt Algorithm[J].IEEE Transactions on Neural Networks, 1994, 5(6): 989-993.

Driver Fatigue Recognition in Highway Driving Based on EEG Signal Classification

Luo Xu1,2, Wang Hong1& Wang Fuwang1

1.NortheasternUniversity,Shenyang110004; 2.ShenyangNormalUniversity,Shenyang110034

A method of electroencephalogram (EEG) signal classification for driver fatigue recognition is presented based on wavelet transform and BP neural network.The EEG signals of drivers are filtered using discrete wavelet transform to obtain the wavelet coefficients in four subbands with frequencies lower than 30Hz, from which eigenvalues are extracted by statistical method.With these eigenvalues as training data, the BP artificial neural network created is trained.The results show that the classification with the neural network created on the EEG signals recorded from coach drivers in both fatigue and non-fatigue states in highway driving has reached an accuracy rate up to 93.2 %.

driver fatigue； EEG； wavelet transform； BP artificial neural network

*無線體域網下疲勞駕駛狀態腦肌眼電信號特性研究基金(61071057)資助。

原稿收到日期為2013年4月6日，修改稿收到日期為2013年8月12日。