駕駛員疲勞狀態生理信號的DFA*

曾　超， 王文軍， 陳朝陽, 張超飛， 成　波， Cavanaugh John M

(1.石河子大學 信息科學與技術學院，新疆 石河子 832003；2.清華大學 汽車工程系， 北京 100083；3.清華大學 汽車安全與節能國家重點實驗室，北京 100083；4.韋恩州立大學 生物醫學工程系，底特律 MI 48201)

?

駕駛員疲勞狀態生理信號的DFA*

曾超1，2， 王文軍2，3， 陳朝陽4, 張超飛2.3， 成波2，3， Cavanaugh John M4

(1.石河子大學 信息科學與技術學院，新疆 石河子 832003；2.清華大學 汽車工程系， 北京 100083；3.清華大學 汽車安全與節能國家重點實驗室，北京 100083；4.韋恩州立大學 生物醫學工程系，底特律 MI 48201)

摘要:通過去趨勢波動分析(DFA)研究駕駛員疲勞狀態的心率變異性信號和腦電信號特征。22名被試在駕駛模擬器上進行模擬駕駛作業，采集駕駛過程中的心率變異性和腦電信號并進行離線分析。Wil-coxon符號秩檢驗用于分析清醒和疲勞兩種狀態間DFA標度指數的差異，受試者工作曲線(ROC)分析用于確定DFA區分疲勞駕駛和清醒駕駛的能力。結果表明：疲勞狀態時，心率變異性和腦電信號的標度指數顯著增加(Wilcoxon符號秩檢驗，p<0.01)；心率變異性和腦電信號標度指數的ROC下面積最大分別為0.75和0.78。DFA的標度指數具有應用于駕駛疲勞監測系統的前景。

關鍵詞：駕駛員疲勞； 去趨勢波動分析； 心率變異性； 腦電信號

0引言

根據世界衛生組織(WHO)的資料[1]，道路交通事故每年造成124萬人死亡，2 000～5 000萬人受傷，疲勞駕駛是造成交通事故的重要原因。我國2008年因疲勞駕駛導致的交通事故共2 568起，其中,死亡1 353人，受傷3 129人，造成直接財產損失5 738萬元[2]。在此背景下，駕駛員的疲勞檢測成為汽車工業中的一個重要研究課題。目前，用于駕駛員疲勞檢測的方法主要可分為三類[3,4]：基于車輛行為的方法、基于駕駛員動作的方法和基于生理信號的方法?；谏硇盘柕鸟{駛員疲勞檢測方法通常從腦電信號(EEG)[5]、心率變異性(HRV)[6]和腦氧[7]等生理信號中提取能夠反映疲勞的特征，這類方法準確可靠、預警時間充足，具有較好的應用前景。

近年來的研究表明，HRV和EEG信號具有長程暫態相關性，這種相關特性的基本特征是服從冪律統計關系，表明在不同時間尺度，信號的形成機制具有相似性[8]。為了分析非平穩時間序列的長程暫態相關性，Peng C K等人[9]提出了去趨勢波動分析(detrended fluctuation analysis,DFA)方法。DFA是一種非線性方法，通過搜尋并去除不同尺度下積分信號中的趨勢成分[10]，達到消除信號中非平穩偽跡，進而提取非平穩信號波動暫態相關特征的目的[11]。DFA已成功應用于交通數據[12]、氣象數據[13]和生理信號[14,15]等領域的研究。然而，這一方法在基于HRV的駕駛員疲勞研究中僅有少量報道[16]，而在基于EEG的駕駛員疲勞研究中未見報道。

本文通過DFA方法研究駕駛員HRV和EEG中的波動，用于區分駕駛員清醒和疲勞狀態。

1研究對象與方法

1.1研究對象

招募22名持有有效駕照的成年人(16名男性，6名女性，平均年齡為23.5歲)參加實驗。所有被試均精神正常，要求所有被試在實驗當天和前一天不得吸煙和飲用茶與咖啡。

1.2實驗過程

實驗在駕駛模擬器上進行，所有實驗在上午10點到下午5點之間進行。駕駛場景設置為高速公路，被試在單向3車道的公路上進行跟車實驗，前方車輛以60 km/h的速度勻速行駛，要求被試持續駕駛，直到由于疲勞而無法繼續駕駛作業。受試者被要求對停止駕駛前的疲勞(困意)程度按KKS進行主觀評價[17]。

駕駛過程中，通過腦電帽(CAP100C，BiopacInc，Goleta，CA)，記錄國際標準10～20導聯系統左額(Fp1)、右額(Fp2)、左顳(T3)和右顳(T4)位置的EEG，同時記錄Ⅱ導ECG。EEG由BioNomadix無線腦電模塊記錄,ECG由BioNomadix無線心電/呼吸模塊記錄，記錄到的信號通過藍牙方式實時發送到MP—150系統(BiopacInc，Goleta，CA)顯示并保存。EEG與ECG的采樣率均為1 000 Hz。

1.3DFA方法

DFA方法能夠在消除時間序列局部趨勢的基礎上，研究時間序列的長程冪律相關性，從而避免非平穩性造成的虛假相關性。

(1)

2)將y(k)分成長度為n，且無重疊的若干段，在每段內部采用最小二乘法對數據進行擬合，擬合得到局部線性趨勢yn(k)，則y(k)的均方根波動

(2)

3)若x(t)存在長程冪律相關性，則有

Fn∝nα.

其中，α為描述時間序列長程相關性的標度指數[8～10]。在雙對數坐標中將Fn看做n的函數，該函數的斜率即為標度指數α。

模擬駕駛作業最開始5min認為駕駛員處于清醒狀態，作業結束前5min認為駕駛員處于疲勞狀態。對于ECG提取清醒和疲勞狀態信號，通過自動算法標記R波，并由專家進行手動校正后，得到RR間期序列，去除并補償異位心拍后，得到HRV信號，進而計算清醒和疲勞狀態HRV信號的標度指數。本文采用2,5min兩種時間長度，研究HRV信號的標度指數在駕駛員清醒和疲勞狀態的差異。對于EEG，提取清醒和疲勞狀態各2min信號，進行無重疊分段，每段20s，采用DFA方法計算20sEEG信號的標度指數α，并將6段20s信號α值的中值作為2min信號的α值。

1.4統計與分類方法

通過均值(Mean)、標準差(SD)、中值(Med)、第一四分位數(Q1)和第三四分位數(Q3)描述HRV和EEG標度指數在清醒狀態和疲勞狀態的統計分布[18]。同時計算不同狀態間均值、標準差、中值、第一四分位數和第三四分位數的個體差異，并通過Wilconxon符號秩檢驗各標度指數在樣本內的統計學差異,以p<0.01為差異有統計學意義。受試者工作曲線下面積用于評價不同標度指數檢測疲勞的能力[19]。

2測試結果

被試的平均駕駛時間為(65±5)min，所有被試駕駛作業結束時的KSS評分均為9分。

圖1為某被試5minHRV信號的DFA示意圖，圖中擬合曲線的斜率即為DFA的標度指數α，該被試疲勞狀態HRV信號的α值較清醒狀態更大。圖2為某被試清醒和疲勞狀態時EEG的DFA，同樣可見，疲勞狀態下標度指數α增加。

圖1　HRV信號的DFAFig 1　DFA on HRV signal

表1為被試HRV和EEG標度指數α在清醒狀態和疲勞狀態間的描述統計，表2示出了標度指數從清醒狀態到疲勞狀態的變化情況。與清醒狀態相比，疲勞狀態四個導聯的EEG和兩種時長的HRV信號的標度指數均顯著增加。

表1　駕駛員清醒和疲勞狀態時生理信號標度指數的描述統計

圖2　EEG信號的DFAFig 2　DFA on EEG signal

信號類型時長/導聯MeanSDMedQ1Q3p值HRV2min0.2290.3060.1430.4250.0330.005*5min0.2110.2400.1640.3340.0330.001*EEGFp10.0190.1520.0360.0590.0100.006*Fp20.0380.0980.0420.0570.0330.001*T30.1010.1090.1010.1550.0360.000*T40.0760.1070.0650.1270.0060.001*

*表示p<0.01

圖3和圖4分別為HRV和EEG的DFA標度指數α的ROC曲線，該曲線表征單一指標取不同閾值時，分類性能假陽性率和真陽性率之間的函數關系。如果通過選擇閾值提高真陽性率，同時也意味著提高了假陽性率。因此，采用單一指標對清醒和疲勞狀態進行分類時，需要通過選擇合適的閾值，實現真陽性率和假陽性率之間的良好折衷。ROC曲線下面積是描述單一指標分類能力的參數，HRV和EEG的標度指數的ROC曲線下面積如表3所示。

3討論

本文比較了HRV和EEG的DFA標度指數α區分駕駛員清醒狀態和疲勞狀態時的樣本內差異。

基于DFA的EEG處理主要集中在對疾病，如抑郁癥方面的研究。Lee J S等人[20]的研究表明，抑郁癥患者EEG的標度指數大于健康人,而這一方法在駕駛員疲勞的研究中未見報道，因而沒有可以比較的文獻。本文的研究表明，疲勞狀態導致駕駛員標度指數α值顯著增大。疲勞造成駕駛員思維和反應減慢，這一點與抑郁癥類似。而從疲勞對標度指數的影響，或可說明其與抑郁癥有類似的神經網絡動力學機制。

圖3　HRV信號標度指數檢測駕駛員疲勞的ROC曲線圖Fig 3　ROC curves of scaling index in HRV signal fordriver’s fatigue detection

圖4　EEG信號標度指數檢測駕駛員疲勞的ROC曲線圖Fig 4　ROC curves of scaling index in HRV signal fordriver's fatigue detection

DFA在HRV信號中的應用較為廣泛，但駕駛員疲勞研究領域僅有少量報道。盡管Rigas G等人[16]研究了標度指數α識別駕駛員疲勞的能力，但沒有給出駕駛員清醒狀態和疲勞狀態下α值的大小和差異。本文的研究表明，疲勞導致駕駛員HRV信號α值顯著增大。

表3　HRV與EEG信號標度指數檢測駕駛員疲勞的ROC曲線下面積

ROC曲線下面積是評價不同判別算法性能的參數，也可用于對單個指標分類能力的評價。該參數的取值區間為[0.5，1.0]，取值在0.5～0.7時，表示分類準確性較低；取值在0.7～0.9時，準確性中等；取值0.9～1.0時，準確性較高[19]。本文所有導聯EEG的α值只能獲得接近中等或者中等的分類性能。同樣，使用HRV的α值區分清醒和疲勞狀態，也只能獲得中等的分類性能，與Rigas G等人[16]的報道一致。α值的中等分類能力與該值的顯著性差異形成了對比，提示該值存在一定的樣本間差異。由于標度指數反映了生理信號的暫態相關性，如果將其融入到考慮不同駕駛員之間差異的疲勞檢測模型[21]，有望提高這類模型的性能。

目前，常見的HRV分析一般在5 min的心電數據中進行，而本文的結果表明:2 min心電數據中得到的α指數在疲勞和清醒狀態間具有顯著性差異，由此可縮短基于HRV的疲勞預警時間。近年來，ECG的非接觸測量[22]獲得了較好的發展，HRV信號的獲取將不再對駕駛員造成任何干擾或影響，基于HRV的駕駛員疲勞檢測因而具有獨特優勢。

4結論

本文利用DFA方法從HRV和EEG中得到標度指數α，用于駕駛員疲勞的研究。結果表明：1)疲勞狀態導致駕駛員Fp1,Fp2,T3和T4四個導聯EEG的α值顯著上升；2)疲勞狀態導致駕駛員HRV信號的α值顯著上升；3)從單一類型(或導聯)的生理信號中得到的標度指數α不能理想地區分駕駛員的清醒狀態和疲勞狀態，但由于α值反映了生理信號的標度特征，該指標與駕駛員的其他生理特征結合使用，有望得到性能更為優良的駕駛疲勞檢測模型。

參考文獻:

[1]World Health Organization.Global status report on road safety 2013[R].Geneva:WHO,2013.

[2]李都厚,劉群,袁偉,等.疲勞駕駛與交通事故關系[J].交通運輸工程學報,2010,10(2):104-109.

[3]Sahayadhas A,Sundaraj K,Murugappan M.Detecting driver drowsiness based on sensors:A review[J].Sensors,2012,12(12):16937-16953.

[4]Coetzer R C,Hancke G P.Driver fatigue detection:A survey[C]∥2009 AFRICON,AFRICON’09,IEEE,2009:1-6.

[5]Wang J,Wu Y Y,Qu H,et al.EEG-based fatigue driving detection using correlation dimension[J].Journal of Vibroengineering,2014,16(1):407-413.

[6]董占勛,孫守遷,吳群,等.心率變異性與駕駛疲勞相關性研究[J].浙江大學學報:工學版,2010,44(1):46-50.

[7]李增勇,代世勛,張小印,等.駕駛員疲勞態下腦氧飽和度的近紅外光譜法檢測及其分析[J].光譜學與光譜分析,2010,30(1):58-61.

[8]顏紅梅,夏陽,錢鎮兵,等.癲癇大鼠腦電信號的除趨勢漲落分析[J].生物醫學工程學雜志,2008,25(2):255-258.

[9]Peng C K,Havlin S,Stanley H E,et al.Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series[J].Chaos:An Interdisciplinary Journal of Nonlinear Science,1995,5(1):82-87.

[10] Nguyen-Ky T,Wen P,Li Y.Improving the accuracy of depth of anaesthesia using modified detrended fluctuation analysis method[J].Biomedical Signal Processing and Control,2010,5(1):59-65.

[11] Lee J S,Yang B H,Lee J H,et al.Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls[J].Clinical Neurophysiology,2007,118(11):2489-2496.

[12] Zhu X Y,Liu Z H,Tang M.Detrended fluctuation analysis of traffic data[J].Chinese Physics Letters,2007,24(7):2142-2145.

[13] 黃琰,袁乃明,何文平.長時間大氣溫度序列的外部變化趨勢判別研究[J].物理學報,2015,64(2):029201.

[14] Ding L J,Peng H,Cai S M,et al.Multifractal analysis of human heartbeat in sleep[J].Chinese Physics Letters,2007,24(7):2149-2152.

[15] 曾超,蔣奇云,陳朝陽,等.心率變異性分析在新生兒疼痛檢測中的應用[J].物理學報,2014,63(20):208704.

[16] Rigas G,Goletsis Y,Bougia P,et al.Towards driver’s state recognition on real driving conditions[J].International Journal of Vehicular Technology,2011,2011:617210.

[17] Akerstedt T,Gillberg M.Subjective and objective sleepiness in the active individual[J].International Journal of Neuroscience,1990,52(1/2):29-37.

[18] Melillo P,Bracale M,Pecchia L.Nonlinear heart rate variability features for real-life stress detection.case study:Students under stress due to university examination[J].Biomed Eng Online,2011,10(1):96.

[19] 趙曉華,許士麗,榮建,等.基于ROC曲線的駕駛疲勞腦電樣本熵判定閾值研究[J].西南交通大學學報,2013,48(1):178-183.

[20] Lee J S,Yang B H,Lee J H,et al.Detrended fluctuation analysis of resting EEG in depressed outpatients and healthy controls[J].Clinical Neurophysiology,2007,118(11):2489-2496.

[21] Lin C T,Chang C J,Lin B S,et al.A real-time wireless brain-computer interface system for drowsiness detection[J].IEEE Transactions on Biomedical Circuits and Systems,2010,4(4):214-222.

[22] 高山,李永勤,魏良,等.基于電容耦合的非接觸式心電監測技術研究[J].生物醫學工程學雜志,2015,32(3):553-557.

曾超(1982-)，男，湖南益陽人，博士，研究方向為生物醫學信號處理。

陳朝陽，通訊作者，E—mail:cchen@wayne.edu。

DFA of physiological signals in driver’s fatigue state*

ZENG Chao1，2, WANG Wen-jun2， 3, CHEN Chao-yang4, ZHANG Chao-fei2，3, CHENG Bo2，3, Cavanaugh John M4

(1.College of Information Science and Technology,Shihezi University,Shihezi 832003,China; 2.Department of Automotive Engineering,Tsinghua University,Beijing 100083,China; 3.State Key Laboratory of Automotive Safety and Energy,Tsinghua University,Beijing 100083,China; 4.Department of Biomedical Engineering,Wayne State University, Detroit MI 48201,USA)

Abstract:Characterization of heart rate variability(HRV)signal and electroencephalogram(EEG)in driver’s fatigue state are studied using detrended fluctuation analysis(DFA).Twenty-two subjects participated in experiment using a driving simulator.HRV and EEG signals are recorded during alert and fatigue states and analyzed off-line.The difference of scaling index of DFA between alert and fatigue states is analyzed statistically using Wilcoxon Signed Rank test.The receiver operating characteristic curves(ROC)analysis is performed to determine the ability of DFA in discriminating fatigue driving from alert driving.The results show that the scaling index significantly increased in fatigue state(Wilcoxon signed rank test,p<0.01)both in HRV and EEG.The maximum area under the curve(AUC)of HRV and EEG is 0.75 and 0.78,respectively.This study indicates that scaling index of DFA can be a promising parameter for driver fatigue monitoring.

Key words:driver’s fatigue; detrended fluctuation analysis(DFA); heart rate variability; electro encephalogram(EEG)

作者簡介:

中圖分類號：TN 911.7

文獻標識碼：A

文章編號：1000—9787(2016)01—0007—04

*基金項目：國家自然科學基金資助項目(51565051)； 清華大學汽車安全與節能國家重點實驗室開放基金資助項目(KF14222，KF11011)； 石河子大學科學技術發展研究計劃資助項目(RCZX201437，2014ZRKXYQ17)

收稿日期：2015—11—04

DOI:10.13873/J.1000—9787(2016)01—0007—04