基于生物力學和頸腰部EMG判別駕駛員疲勞狀態?

王 琳，羅 旭，姜 鑫，王 宏

基于生物力學和頸腰部EMG判別駕駛員疲勞狀態?

王 琳1，2，羅 旭1，姜 鑫1，王 宏1

(1.東北大學機械工程與自動化學院，沈陽 110819； 2.沈陽工程學院機械學院，沈陽 110136)

本文中通過采用頸腰部生物力學和表面肌電信號相結合的方式，對駕駛員在駕駛過程中的疲勞狀態進行了研究。首先，通過生物力學的計算與分析，合理地選擇了能有效反映駕駛疲勞狀態的生理信號采集位置，即頸6左右兩側上斜方肌和腰4左右兩側豎脊肌。然后，在利用經驗模態分解算法對測得的肌電信號進行去噪的基礎上，找出能表征駕駛員疲勞狀態的頸腰部肌電特性參數，并對提取的特征參數(頸部復雜度、腰部復雜度和腰部近似熵)進行主成分分析，獲得了兩個主成分，有效保留有用信息，去除冗余信息，實現了特征參數的降維。最后，以此為自變量建立疲勞駕駛評價模型，有效提高了模型的正確率，加快了模型的運算速度。結果表明，該方法在對駕駛員正常與疲勞狀態的區分上具有良好的識別效果，正確率可達90%以上。

疲勞駕駛；生物力學；肌電信號；復雜度；近似熵

前言

駕駛員在長時間駕駛過程中，頸腰部肌肉的疲勞使人體困乏和反應遲鈍，從而易引起交通事故。疲勞駕駛和與其相關的職業健康問題已受到全球各國研究人員的關注，并對此進行了大量的研究工作[1]。目前，駕駛疲勞的檢測方法主要集中在3個方面:(1)基于駕駛員行為特征檢測；(2)基于車輛行為特征的檢測；(3)基于駕駛員生理信號特征的檢測。文獻[2]中研發了一種使用單攝像頭的頭部/眼睛追蹤系統來識別駕駛員疲勞水平。文獻[3]中在模擬駕駛條件下獲得了車輛行駛的相關參數，如車速和轉向盤角度等，通過小波變換法對去噪后的高頻信號特征進行分析，并設計了檢測駕駛疲勞的分類器。文獻[4]中利用模擬駕駛艙采集了被試者連續駕駛90min的心電信號，分析了駕駛初期15min和末期15min的心電數據，獲得了4項心電時頻域指標與疲勞程度的關系。可見，基于駕駛員和車輛行為的檢測技術可在對駕駛員影響較小的情況下獲得各種特征參數與駕駛疲勞的相關性，但該方法易受駕駛姿態、光照、遮擋、駕駛路面和車型等因素的影響[5]。生理信號是無法主觀控制的，因此檢測駕駛員的生理信號(如心電、腦電、肌電和呼吸等)，提取其特征參數(如中值頻率、峰值因數、近似熵和復雜度等)來分析駕駛員的疲勞狀態，被認為是當前最為客觀準確的方法，并取得了大量的有益研究成果[6－12]。其中，文獻[1]和文獻[7]中認為肌電信號和心電信號是反映駕駛疲勞的有效生理信號。文獻[8]和文獻[9]中主要研究了腦電信號在駕駛過程中的變化規律。文獻[10]中認為復雜度和近似熵是有效表征駕駛疲勞的特征參數。

以上絕大多數研究都是針對某一部位的生理信號展開的。分析認為，不同部位生理信號的各種特征參數可進行信息互補，提高對疲勞狀態的辨識度，但也存在一定的信息冗余。選擇合理的生理信號檢測部位，并將不同部位特征參數進行融合，是保留有用信息、消除冗余信息的有效手段[13－14]。對此，本文中進行了相關的實驗研究和理論分析，研究特點主要有:(1)根據駕駛姿態的頸腰部生物力學分析，確定了頸腰部為疲勞的敏感部位，選取其為檢測電極位置，提取并分析了駕駛過程中頸腰部的肌電信號(EMG)的多種特征參數。(2)通過主成分分析(principal components analysis，PCA)[15]實現了頸部和腰部特征參數間的融合，從而保留了有用信息，消除了冗余信息。在此基礎上，建立了能有效判別駕駛過程中綜合疲勞狀態的數學模型。

1 實驗與算法

1.1 實驗過程

美國公路交通安全管理局NHTSA(national highway traffic safety administration)的調查報告[16－17]顯示，16－35歲的年輕男性是疲勞駕駛導致交通事故的高發人群。因此本實驗隨機選取11名年齡22－35歲的男性作為被試者。被試者身高為170～180cm，體質量為60～85kg，無肌肉骨骼系統疾病史，且均有兩年以上駕齡。要求被試者24h內不允許飲用酒精和咖啡等刺激性飲料。實驗時間為下午12:30－14:30，該時段是與疲勞有關的交通事故高發時段[18]。被試者在模擬駕駛艙內進行連續2h的駕駛過程中，實時采集其頸部雙側上斜方肌、腰部豎脊肌的表面肌電信號。實驗設備和場景照片如圖1所示。測量系統即數據采集系統為Neuroscan 4.3，采樣頻率為1 000Hz，陷波頻率為50Hz。高速公路景觀單一，道路環境刺激較少，被試者駕駛自動擋小轎車易產生疲勞感。因此，為加速被試者的疲勞，本實驗采用高速公路作為路面場景，車輛設定為自動擋小轎車。

圖1 實驗設備和場景照片

1.2 復雜度

Lempel-Ziv復雜度算法是由Lempel和Ziv提出的一種用于度量隨著序列長度的增加而新模式也增加的算法，是對某個時間序列隨其長度的增長出現新模式速率的反映[19]。復雜度適用于確定性和隨機性信號，對于同時包含確定和隨機成分的生理信號極為合適。因此，使用復雜度來描述人體頸腰部EMG在駕駛過程中隨疲勞狀態的變化情況。

具體算法為[20]:設c(n)為序列S(s1，s2，…，sn)的復雜度，當n→∞時，c(n)趨近于定值n/logln，l為粗粒化段數(傳統二值化時，l＝2)，則歸一化計算式為

1.3 近似熵

近似熵是文獻[21]中提出的一種度量序列復雜性的非線性動力學參數。其用邊緣概率的分布來區分各種過程，描述當相位空間維數變化時，序列中產生新模式概率的大小。該方法可對確定序列、隨機序列和混合序列進行規律性量化，所需計算數據短，抗噪抗干擾能力強。因此，本文中使用近似熵來描述人體腰部EMG在駕駛過程中隨疲勞狀態的變化情況。

對于給定的N點時間序列{u(i)}，近似熵的計算步驟為:

(1)將時間序列u(i)，i＝1，…，N，按順序重構m維相空間(m為預先設定的模式維數)；

X(i)＝[u(i)，u(i＋1)，…，u(i＋m－1)]，i＝1～N－m＋1

(2)計算矢量X(i)與其余矢量X(j)之間的距離d為

(3)給定r的閾值(r為預先選定的相似容限，r＞0)，對每一個矢量X(i)值，統計距離小于r的數目，并計算該數目與總距離N－m的比值，記為(r)。即

(4)先將Cmi(r)取對數，再對所有i求平均值，即

(5)增加維數，將矢量變為m＋1維，重復(1)～(4)過程，得到Cmi＋1(r)和Φm＋1(r)。

(6)計算近似熵為

ApEn(N，m，r)＝Φm(r)－Φm＋1(r)

近似熵ApEn可以確定一個時間序列在模式上的自相似程度，其值可衡量當嵌入維數變化時序列中產生新模式的概率大小。本文中，m＝2，r＝信號標準差×n(n＝0.1～0.2)，可得到較合理的近似熵值[22]。

2 電極位置的分析與確定

駕駛過程中，駕駛員頸腰部肌肉疲勞易發生在較低節段位置(頸6、頸7、腰4、腰5)。本文中首先比較了頸6與頸7、腰4與腰5的受力情況，為合理選擇電極位置提供理論依據。根據生物力學原理，按照人體頭、頸部和腰部的外形及其受力情況，可將頭頸腰部簡化為一個變截面懸臂梁(圖2)。對駕駛員頸腰部的受力情況建立力學模型，即

圖2 根據駕駛姿勢的頸腰部受力示意圖

式中:假設頸腰部橫截面近似橢圓形，DA為橢圓的長軸，DB為橢圓的短軸，則根據式(1)可計算出基于橢圓等效直徑的頸腰部任意截面處的正應力。由頸腰部構造可知，無論長軸短軸，頸6處均小于頸7處，腰4處均小于腰5處。即DA頸6＜DA頸7，DB頸6＜DB頸7，DA腰4＜DA腰5，DB腰4＜DB腰5。

對于頸部 式(1)中M(x)為頸部彎矩，M(x)＝G·X。G為頸部載荷(主要為頭顱質量)。X為頸部阻力臂，頸6和頸7處的阻力臂近似相等，即X頸6≈X頸7，則彎矩M(x)也近似相等。MT(x)為頸部扭矩，頸6、頸7處的外力偶矩相同，故頸部扭矩MT(x)也相同。

對于腰部 式(1)中M(x)為腰部彎矩，M(x)＝G·X＋qL2cosθ/2。G為頭顱質量，X為腰部阻力臂。腰4和腰5處的阻力臂近似相等，即X腰4≈X腰5。人體脊柱質量可假設為作用在人體脊柱的均布載荷，載荷系數為q，脊柱長度為L。可知，對于同一被試者，q，L和θ相等。因此，被試者腰4和腰5處的彎矩M(x)近似相等。MT(x)為腰部扭矩，腰4、腰5處產生的外力偶矩相同，故腰部扭矩MT(x)也相同。

因此，駕駛過程中駕駛員頸6處的應力值恒大于頸7處的應力值，在長時間高應力作用下導致頸6周圍肌肉較頸7周圍肌肉更易疲勞。同理，腰4處的應力值恒大于腰5處的應力值，故腰4周圍肌肉較腰5周圍肌肉更易疲勞。

由圖2和式(1)分析可知，駕駛員座椅角度改變會使θ發生變化，從而影響頸腰部各部位肌肉、椎體和間盤組織的受力，即頸6、頸7、腰4、腰5所受的應力值都會相應改變。但其大小關系不變，即頸6處的應力值恒大于頸7，腰4的應力值恒大于腰5。這也解釋了為何長期坐位的工作人群(如駕駛員和電腦工作者)的頸腰椎病多發部位為頸6和腰4節段。因此，頸6上斜方肌和腰4豎脊肌在駕駛過程中對疲勞狀態反應最靈敏，該處肌肉為本實驗肌電信號的提取位置。電極位置分別為頸6棘突旁開2cm處，腰4棘突旁開3cm處，參考電極N置于頸7棘突處。測試的4個通道分別為A1，A2，B1，B2(圖3)。

圖3 電極位置示意圖

3 頸腰部EMG特征參數

針對EMG的混沌特性，本文中采用非線性動力學理論揭示其變化規律。首先利用經驗模態分解(empirical mode decomposition，EMD)對原始信號進行降噪處理，再提取并分析了頸腰部表面肌電信號的特征參數在駕駛過程中的變化規律。通過計算分析可知，在眾多生理信號的特征參數中，頸部EMG復雜度、腰部EMG復雜度、腰部EMG近似熵這3個特征參數對駕駛疲勞的判別度較好，因此主要考察這3個特征參數隨駕駛疲勞的變化規律。圖4為駕駛過程中11名被試者特征參數的平均值隨時間的變化趨勢，即每隔10min提取30s內的特征參數值。由圖可見，3種特征參數值都隨著駕駛時間的延長而逐漸降低。約90min后，下降趨勢變得平緩，表明肌肉進入比較疲勞狀態。可見，這3種特征參數對駕駛疲勞有較強的表征能力，對于不同被試者，規律性較好。為便于描述，定義如下:駕駛實驗初期的0～30min為正常狀態，駕駛實驗后期的90～120min為疲勞狀態。分別從11名被試者正常和疲勞狀態中各選4min數據。對頸部EMG每30s計算一個復雜度，對腰部EMG每30s計算一個復雜度和一個近似熵。再對每名被試者的這3種特征參數值進行歸一化處理，消除個體差異。每種特征參數共提取176

圖4 特征參數在駕駛過程中的變化規律

個特征值(11名被試者×2種狀態×4×60s/30s＝176)，其中正常狀態和疲勞狀態各88個。則以3種特征參數值為坐標的正常和疲勞狀態的三維分布如圖5所示。由圖可見，正常狀態時，3種特征參數的值都較大；疲勞狀態時，3種特征參數的值都較小。利用皮爾遜相關系數算法對3個特征值進行相關性分析，即

式中:K1和K2分別為兩種特征參數，i為某被試者的某個時間段，n＝176。

圖5 歸一化的正常狀態和疲勞狀態的三維分布

由式(2)可分別計算出各特征參數之間的相關系數r和顯著性差異p，如表1所示。

表1 皮爾遜相關性分析(相關系數r/顯著性差異p)___________

由表1可見，各特征參數之間具有良好的相關性(r＝0.86－1.00，p＜0.05)，說明3種特征參數之間既存在有用信息，也存在冗余信息，其中冗余信息主要是由于被試者個體差異和各種特征參數變化幅度不同所致。若將頸部復雜度、腰部復雜度和腰部近似熵3種特征參數去除冗余信息、保留有用信息，則能更明顯區分正常和疲勞兩種狀態。

4 疲勞駕駛評價模型

由以上分析可知，頸腰部的3種特征參數具有良好的相關性，將3種特征參數融合去除冗余信息、保留有用信息，能更明顯區分正常和疲勞兩種狀態。為保留相似信息、消除冗余信息，本文中利用主成分分析對3種特征參數進行分析和降維。主成分分析結果表明，前兩個主成分的貢獻率分別為59.14%和31.53%，二者之和為90.67%，超過85%。因此，選取貢獻率大的前兩個主成分U1，U2作為疲勞駕駛的綜合狀態參數，可有效表征駕駛員的疲勞狀態。主成分U1，U2是原始變量的線性組合:

式中:X1，X2，X3分別表示頸部復雜度、腰部復雜度和腰部近似熵，各種特征參數在主成分中的權重由系數矩陣獲得。

根據以上分析，以U1，U2為自變量，基于多元回歸理論，將人體不同部位的肌電信號進行融合，建立了疲勞駕駛狀態的評價模型，即

式中因為U1，U2是主成分分析優化求得的兩個主成分，所以二者不存在相關性，可避免模型產生偽回歸現象，確保了駕駛疲勞評價模型的正確性和合理性。根據式(5)模型的計算，若R＞0，表示模型的評價結果為正常狀態；若R＜0，則表示為疲勞狀態。

采用十折交叉驗證的方法來驗證以上疲勞駕駛評價模型的正確率。將176組數據集分成10份，輪流將其中9份做訓練集，1份做測試集，進行十折交叉驗證。十折交叉計算結果如表2所示。可見，訓練集和測試集的正確率分別為92.55%和91.27%。

表2 交叉驗證疲勞駕駛評價模型的正確率%

5 討論

5.1 特征參數的變化規律

由圖4可見，所有被試者的頸部復雜度、腰部復雜度和腰部近似熵3種特征參數平均值都隨著駕駛時間的延長而逐漸降低。約90min后，下降趨勢變緩，肌肉進入比較疲勞狀態。該變化表明，隨著駕駛時間的延長，肌肉逐漸處于緊張僵直狀態，神經系統在控制肌肉對抗疲勞的過程中，漸進性地協調眾多運動單位同步收縮[23]。雖然由于個體差異的影響，復雜度和近似熵值會有所波動，但3個特征參數在各個時刻的標準差都較小，說明這兩種算法在表征駕駛疲勞狀態時穩定性好，規律性的整體下降趨勢保持較好。

5.2 模型準確度

該模型的準確度可達91%以上的原因主要是利用生物力學計算與分析合理地選擇了生理信號的采集位置，并利用主成分分析對3種特征參數進行了降維處理，得到了兩個對駕駛疲勞狀態具有良好辨識度的主成分U1和U2。既保留了有用信息，又消除了冗余信息，從而消除了冗余信息對模型計算造成的干擾。

為進一步證明U1與U2對駕駛疲勞狀態具有良好的辨識度，利用SPSS統計分析軟件對U1和U2進行Wald-Wolfowitz游程檢驗，結果如表3所示。由表可見，U1和U2的單邊檢測概率值都小于0.05，說明二者分別在表征駕駛過程的正常狀態和疲勞狀態上差異明顯，從而確保了以此為自變量所建立的疲勞駕駛評價模型的正確性。通過計算可知，傳統的多元回歸評價模型的測試集平均準確率為82.96%，而采用主成分分析降維后的模型測試集平均準確率達91.27%。

表3 U1和U2的Wald-Wolfowitz游程檢驗

5.3 模型的應用展望

由于駕駛操作過程和疲勞狀態的形成機理都十分復雜，駕駛員疲勞狀態識別涉及的內容和研究領域比較廣泛，提出的識別方法離實際應用還有很多工作要做。因此，為能將該駕駛疲勞評價模型盡快應用到實際的駕駛過程中，今后的工作主要集中在模型的產品化方面。即通過編制相應軟件，使數據的采集、計算、分析和報警一體化，最終開發出可直接應用于駕駛過程中的新型駕駛疲勞預報裝置。

6 結論

在從易疲勞的肌肉位置提取并分析了人體生理信號在駕駛過程中的變化規律的基礎上，將不同部位(頸部和腰部)的EMG特征參數進行融合，建立了評價疲勞駕駛的數學模型，得到如下結論。

(1)根據駕駛姿態的頸腰部生物力學分析可知，頸6左右兩側上斜方肌和腰4左右兩側豎脊肌在駕駛過程中最易疲勞，對疲勞狀態反應最靈敏，因此該部位肌肉為本實驗人體肌電信號的提取位置，數據采集更加科學。

(2)頸部復雜度、腰部復雜度和腰部近似熵這3個肌電信號的特征參數值都隨著駕駛時間的延長而逐漸降低。將這3種特征參數聯系起來能更明顯地區分正常和疲勞兩種狀態，說明3者之間既存在有用信息，也存在冗余信息。通過主成分分析可實現頸部和腰部特征參數間的融合，保留有用信息，消除冗余信息，可有效提高模型計算的準確性。

(3)基于多元回歸理論，將人體不同部位的肌電信號進行融合，建立了能有效預測疲勞駕駛的數學模型。十折交叉驗證結果表明，該模型的正確率可達91%以上，對實際駕駛過程中及時預報出駕駛員的疲勞狀態具有重要的現實意義。

[1] LAL S K L，CRAIG A.A critical review of the psychophysiology of driver fatigue[J].Biological Psychology，2001，55:173－194.

[2] BOVERIE S，GIRALT T，LEQUELLEC J M，et al.Intelligent system for video monitoring of vehicle cockpit[C].Proceedings of the 1998 SAE International Congress and Exposition，Detroit，MI，U-nited states，1998:1－5.

[3] AERSTEDT T，FOKKARD S.The three-process model of alertness and its extension to performance，sleep latency and sleep length [J].Chronobiol，1997，14(2):115－123.

[4] 楊渝書，姚振強，李增勇.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，2002，5:94－95.

[5] 袁翔，孫香梅.疲勞駕駛檢測方法研究進展[J].汽車工程學報，2012，2(3):157－164.

[6] 付榮榮，王宏，張揚，等.基于可穿戴傳感器的駕駛疲勞肌心電信號分析[J].汽車工程，2013，35(12):1143－1148.

[7] PATEL M，LAL S K L，KAVANAGH D，et al.Applying neural network analysis on heart rate variability data to assess driver fatigue[J].Expert Systems with Applications，2011，38(6):7235－7242.

[8] 張寧寧，王宏，付榮榮.基于小波熵的駕駛疲勞腦電信號特征提取[J].汽車工程，2013，35(12):1139－1142.

[9] 羅旭，王宏，王福旺.基于腦電信號分類的高速公路上駕駛疲勞識別[J].汽車工程，2015，37(2):230－234.

[10] ZHANG C，WANG H，FU R R.Automated detection of driver fatigue based on entropy and complexity measures[J].IEEE Transactions on Intelligent Transportation System，2014，15(1):168－177.

[11] SCOMMERICH C M，JOINES S M，HERMANS V，et al.Use of surface electromyography to estimate neck muscle activity[J]. Journal of Electromyography and Kinesiology，2000，10(3):377－389.

[12] KAPTHICK P A，VENUGOPAL G，RAMAKEISHNAN S.Analysis of muscle fatigue progression using cyclostationary property of surface electromyography signals[J].Journal of Medical System，2016，40(1):28－35.

[13] LIN Y，LENG H，MOURANT R R.EEG electrode locations and their signal sensitivities in driver drowsiness measurement[J].Biomedical Fuzzy＆Human Sciences，2009，14(2):97－103.

[14] VOERMAN G E，VOLLENBROEK M M，HERMENS H J.Upper trapezium muscle activation patterns in neck-shoulder pain patients and healthy control[J].European Journal of Apply Physiology，2007，102(1):1－9.

[15] 付榮榮，王宏，王琳，等.基于無線體域網中多生理信號駕駛疲勞檢測[J].東北大學學報(自然科學版)，2014，35(6):850－853.

[16] CHIPMAN M，JIN Y L.Drowsy drivers:The effect of light and circadian rhythm on crash occurrence[J].Safety Science，2009， 47(10):1364－1370.

[17] WILLIAMSON A，LOMBARDI D A，FOLKARD S，et al.The link between fatigue and safety[J].Accident and Prevention，2011，432:498－515.

[18] SAGBERG F.Road accidents caused by drivers falling asleep[J]. Accident And Prevent，1999，31(6):639－649.

[19] LEMPEL A，ZIV J.On the complexity of finite sequence[J]. IEEE Transactions on Information Theory，1976，22(1):75－81.

[20] 陳東偉，陳俊杰.情感識別中腦電信號Lempel-Ziv復雜度的研究[J].太原理工大學學報，2014，45(6):758－763.

[21] RICHMAN J S，MOORMAN J R.Physiological time-series analysis using approximate entropy and sample entropy[J].American Journal of Physiological Heart and Circulatory Physiology，2000，278(6):2039－2049.

[22] FOIJ O，HOLCIK J.Applying nonlinear dynamics to ECG signal processing[J].IEEE Engineering in Medicine and Biology，1998，3(4):96－110.

[23] 劉加海，王健，羅曉芳.局部肌肉疲勞的表面肌電信號復雜度和熵變化[J].生物物理學報，2004，20(3):198－202.

Detection on Driver Fatigue Based on Biomechanics and EMG of Cervical and Lumbar Muscles

Wang Lin1，2，Luo Xu1，Jiang Xin1＆Wang Hong1
1.School of Mechanical Engineering and Automation，Northeastern University，Shenyang 110819；2.Department of Mechanical Engineering，Shenyang Institute of Engineering，Shenyang 110136

The fatigue state of driver during driving is studied by biomechanics combined with surface EMG.signals in this paper.Firstly，through biomechanical calculation and analysis，the sampling positions of physiological signals，which can effectively reflect the fatigue state of driver，are reasonably selected.They are upper trapezius on both sides of 6th cervical vertebra and vertical rachial muscles on both sides of 4th lumbar vertebra.Then，on the basis of de-noising on measured EMG signals by using empirical modal decomposition algorithm，cervical and lumbar EMG characteristic parameters representing the fatigue state of driver are found，and a principal component analysis is conducted on characteristic parameters extracted(the complexities of cervical and lumbar muscle，and the approximate entropy of lumbar muscle)with two principal components obtained，effectively retaining useful information and eliminating redundant one，achieving the dimension descent of characteristic parameters.Finally，a fatigue driving model is built with the two principal components as arguments，and the model has high correctness and operation speed.The results show that the scheme proposed has good identification effects in distinguishing the normal and fatigue states of driver with a correct rate higher than 90%.

fatigue driving；biomechanics；EMG signal；complexity；approximate entropy

10.19562/j.chinasae.qcgc.2017.08.016

?國家自然科學基金(NSFC 51405073)資助。

原稿收到日期為2016年7月12日，修改稿收到日期為2016年9月27日。

王宏，教授，博士生導師，E-mail:jiangx＠smm.neu.cn。