基于便攜式腦電數據的實時疲勞駕駛檢測系統

于旭蕾 李相澤

摘 要：針對腦電的疲勞駕駛檢測技術實用化需要解決的無線化、小巧化及實時性等難題，本文在分析被試處于注意力集中、放松、疲倦和睡眠狀態下左前額腦電Attention和Meditation數據關系的基礎上，提出了基于Attention和Meditation相關系數進行疲勞駕駛檢測的方法，設計了相應的基于KNN的疲勞駕駛檢測算法，并在安卓智能手持設備上設計實現了系統。實驗證明系統疲勞駕駛檢測的Sensitivity、Specificity分別達到68.31%和90.43%，系統同時具有無線、小巧和實時的特點。

關鍵詞：可穿戴；疲勞駕駛檢測；前額葉腦電；KNN

中圖分類號：TP274 文獻標識碼：A 文章編號：2096-4706（2018）04-0037-03

Abstract：According to the wireless，compact and real-time problems on the practical application of driving fatigue detection based on EEG，the relation between attentive and meditative EEG from the left prefrontal lobe of the driver who is in concentration，relax，tiresome and sleep states. Meanwhile，a new method for driving fatigue detection based on the correlation coefficient of driver’s Attentive and Meditative EEG is proposed，and the KNN is introduced to develop a new algorithm for driving fatigue detection. The experiments show that the Sensitivity and Specificity of the system are 68.31% and 90.43% respectively，and the system has the characteristics of wireless，compact and real-time.

Keywords：wearable；driving fatigue detection；prefrontal lobe EEG；KNN

0 引 言

隨著我國汽車擁有量的急劇攀升，汽車交通的安全問題日益引起人們的關注。如何避免和減少交通事故成為學界積極研究的課題。疲勞駕駛是產生交通事故的主要因素之一，駕駛員在疲勞狀態下會出現注意力分散、思維活動降低的現象，進而造成其反應遲鈍、車輛控制力下降，增加發生交通事故的可能性。實驗發現，78%的碰撞都與駕駛員注意力不集中有關[1]。然而，交通事故并不是在駕駛員剛剛產生駕駛疲勞時就立刻發生的，若能實時檢測駕駛員在駕駛過程中的精神狀態，在其剛剛出現疲勞跡象時就發出警報，就能有效提高安全系數。據統計，在交通事故發生時，如果駕駛員的反應能快半秒，60%交通事故都可以避免[2]。因此，疲勞駕駛檢測研究具有十分重要的實用意義。

目前有關疲勞駕駛檢測的方法主要有基于生理參數的測量方法[3]、基于駕駛員頭部動作的方法[4]、基于駕駛行為的方法[5]和基于計算機視覺的檢測方法[6]。由于不同人對疲勞的具體反應不同，使業界缺少針對疲勞的客觀指標。同時，已有大部分疲勞檢測系統采用接觸性傳感器，但在實際行車過程中往往會造成駕駛員不適或影響駕駛員操作。通過直接監測駕駛員腦電[7，8]，并綜合計算科學技術實時分析檢測駕駛員的大腦疲勞度是一種全新且很有發展前途的疲勞駕駛預警技術。例如，文獻[9]通過測量腦電信號中功率譜值的變化來分析駕駛員的疲勞程度。但基于腦電的疲勞駕駛檢測實用化需要解決腦電采集系統的小巧化、無線化以及腦電信號實時提取與分析等難題。

1 技術基礎

1.1 腦模型及前額葉功能

人類大腦中的中央溝、外側溝和頂枕裂三條主要溝裂將大腦分為五個葉：中央溝以前、外側裂以上的額葉；外側裂以下的顳葉；頂枕裂后方的枕葉；外側裂上方、中央溝與頂枕裂之間的頂葉；深藏在外側裂里的腦島。研究發現前額葉皮層是最高級別的聯合皮層，雖然它不直接參與感覺或運動功能，但是接受來自感覺、運動和其他腦區的信息，并對這些信息進行整合加工處理，再把信息傳回相關腦區，進而調控它們的活動。前額葉皮層在腦的注意力調控、學習和記憶、行為抑制、行為的計劃和策略、思維和推理等方面起著關鍵作用。由于前額葉與注意力、行為計劃和策略等緊密相關，若能通過檢測前額葉的腦電信號來分析駕駛員在駕駛過程中是否存在注意力分散、思維活動降低等現象，就能進而判定駕駛員是否處于疲勞駕駛狀態。

Mindset腦電耳機集成了ThinkGear腦電感知芯片，能以512Hz的頻率采樣用戶左前額fp1電極的腦電信號，并以1Hz的頻率生成Attention（專注度）和Meditation（冥想度）數據。其中，Attention取值范圍0～100，取值越高表明用戶的注意力越集中；Meditation取值范圍0～100，取值越高說明用戶的大腦活動越少。Mindset腦電耳機為課題組研究基于左前額腦電的疲勞駕駛檢測技術提供了硬件支持。

1.2 左前額腦電Attention和Meditation關系分析

課題組設計了注意力集中（被試閱讀書籍或做數學題，大腦處于注意力集中的狀態）、放松（被試散步或冥想，大腦處于放松狀態）、疲倦（被試午飯后犯困，想睡而沒睡著的疲倦狀態）和睡眠（被試進入睡眠后的狀態）4種狀態場景，選擇4名學生志愿者（年齡從22到25歲不等，兩男兩女）攜帶Mindset腦電耳機開展實驗，并采集這4種場景中被試的Attention和Meditation信號。其中，每位被試針對每種場景采集3組20分鐘的實驗數據?？紤]被試從帶上Mindset到進入指定狀態需要一定時間，課題組針對每組數據只提取其中間10分鐘的Attention和Meditation數據。經研究分析發現Attention和Meditation之間存在一種對稱的關系，對此課題組采用相關系數分析這四種場景中Attention和Meditation之間的關系。設Xi和Yi分別表示i時刻前額葉腦電的Attention和Meditation數據值，X和Y分別為前額葉腦電Attention和Meditation的均值，則第i時刻Attention和Meditation的相關系數r可按公式（1）求出。

被試處于4種不同狀態下，其Attention和Meditation信號的相關系數曲線層次分明，若選取合適的分類方法是可以將4種狀態區別開的。

由于換擋、轉彎等駕駛動作持續時間較短，所以數據的采樣時長為10秒。經試驗發現，平穩駕駛、換擋和轉彎3種常見駕駛狀態與疲勞駕駛狀態的Attention和Meditation的對稱關系差別明顯，也證明了采用左前額腦電Attention和Meditation相關系數進行疲勞駕駛檢測的技術可行。

2 基于前額葉腦電相關系數和KNN的疲勞檢測技術

由于最近鄰方法（k-nearest neighbor，簡稱KNN）算法無須事先知道屬性值分布，不要求得出顯式的規則，并具有較高的分類準確率。因此，本文采用KNN算法來分類前額葉腦電Attention和Meditation信號相關系數，進而預測疲勞駕駛。

2.1 KNN分類算法原理

KNN作為一種簡潔有效的非參數分類方法，其分類算法步驟如下。

（1）對訓練樣本分類生成訓練集；

（2）針對每一個測試數據X，從訓練集中依據公式（2）找到X的K個最近鄰居；其中，D表示曼哈頓距離，Ti表示訓練樣本值，xi表示測試樣本值，n表示訓練樣本和測試樣本的維數：

（3）根據X的K個最近鄰居的分類屬性取值，并通過投票被測試點X分到權重最大的類別中。

2.2 基于KNN疲勞駕駛檢測算法

駕駛活動是一種連續的活動流，為了計算左前額腦電Attention和Meditation相關系數，并實時監測疲勞駕駛，需要選擇合適的采樣寬度，即設置合適的緩存腦電Attention和Meditation數據的滑動窗口。由于換擋、轉彎等駕駛活動的持續時間較短，并綜合考慮計算Attention和Meditation相關系數有效性和算法實時性的要求，本文以60秒作為一組樣本的采樣寬度?；贙NN的疲勞駕駛檢測算法包括訓練樣本空間構造和檢測算法實現兩部分。其中，訓練樣本空間構造算法如下：

（1）以1Hz的頻率采集被試正常駕駛狀態下的Attention和Meditation數據，計算二者的相關系數，并將其標記為清醒狀態；累計采集60秒清醒狀態下的Attention和Meditation數據后開始計算它們的相關系數；累計計算60秒清醒駕駛狀態下的相關系數后，作為一組訓練樣本；（2）以1Hz的頻率采集被試疲勞駕駛狀態下Attention和Meditation數據，計算二者的相關系數，并將其標記為疲倦狀態；累計采集60秒疲勞狀態下的Attention和Meditation數據后開始計算它們的相關系數；累計計算60秒疲勞駕駛狀態下的相關系數后，作為一組訓練樣本；（3）重復步驟（1）和（2），直到生成足夠組數的訓練樣本。

相應KNN疲勞檢測算法如下：

（1）創建長度為60的滑動窗口WA[60]、WM[60]，用于緩存60秒的腦電Attention和Meditation值；（2）以1Hz的頻率采集被試的Attention和Mediation數據，并分別依次放入滑動窗口WA和WM中；（3）判斷窗口WA和WM中是否填滿，若沒有，執行步驟（2），否則執行步驟（4）；（4）按照公式（1）計算當前Attention和Meditation的相關系數，并創建長度為60的滑動窗口WC[60]，用于緩存60秒的Attention和Meditation的相關系數值；（5）判斷窗口WC[60]是否填滿，若沒有，執行步驟（4），否則執行步驟（6）；（6）執行KNN算法，識別當前Attention和Meditation的相關系數屬于“正常駕駛”類型或“疲勞駕駛”類型；若屬于“正常駕駛”類型，則執行步驟（2）；否則，為“疲勞駕駛”，響鈴報警，并通過短信或呼叫等方式向監督人員報警。

3 系統實現及實驗結果分析

因為Mindset耳機同時集成了藍牙模塊，因此可通過藍牙以1Hz的頻率發送采集到的Attention和Meditation數據。由于日益普及的移動手持智能設備（如手機、pad等）大都集成了藍牙通訊模塊，并具有較強的計算能力。因此課題組利用安卓手持智能設備集成的藍牙模塊接收來自Mindset耳機的Attention和Meditation數據，并設計開發了基于KNN的疲勞駕駛檢測軟件，實現了具有無線、小型化和實時特點的基于腦電的疲勞駕駛檢測系統。

3.1 系統架構

如圖1所示為基于MindSet和安卓手持智能設備的疲勞駕駛檢測系統架構。其中，Mindset耳機將采集到的被試Attention和Meditation信號通過藍牙傳送到安卓手持智能設備上；手持智能設備計算接收Attention和Meditation腦電信號的相關系數，并采用KNN算法實時判斷被試的駕駛狀態。如果駕駛員處于疲勞狀態，手持智能設備自動通過振鈴向被試報警，提醒其注意休息。此外，系統也可通過呼叫或發送短信的方式向監控人員或交通中心報警。

3.2 實驗結果分析

課題組選取了年齡在18至43歲間的18名被試于中午12點（午飯后）在模擬駕駛艙中進行駕駛實驗。被試均具有1年以上駕齡，其中男被試12名，女被試6名。每次試驗持續半小時左右。試驗中，副駕駛室的觀測人員實時記錄被試人員狀態（正常駕駛、疲勞），填寫駕駛狀態表，試驗結束被試人員對駕駛狀態表進行確認。試驗累計獲得正常駕駛數據345組，疲勞駕駛數據142組，如表1所示，正常駕駛345組數據中，正確識別312組，另有33組被系統錯誤識別為疲勞駕駛；疲勞駕駛142組數據中，正確識別97組，另有33組被系統錯誤識別為正常駕駛。

為評估疲勞駕駛檢測的識別效果，課題組采用了以下兩個評估指標[10]：

其中，TP（True Positives）為正確識別出正樣本的數量，即將疲勞駕駛正確識別出的樣本數量；FN（False Negatives）為未識別出正樣本的數量，即將疲勞駕駛識別為正常駕駛的樣本數量；TN（True Negatives）為正確識別出負樣本數量，即將正常駕駛識別為正常駕駛的樣本數量；FP（False Positives）為未識別出負樣本的數量，即將正常駕駛識別為疲勞駕駛的樣本數量。依據公式（3）和公式（4），計算疲勞駕駛檢測系統的敏感性和特異性指標如下：

男性被試的Sensitivity、Specificity分別為70.73%和87.61%；女性被試的Sensitivity、Specificity分別為65%和95.28%。男性被試的Sensitivity較高；而女性被試的Specificity較高。

實驗中手持智能設備完成1分鐘的滑動窗口數據采樣后，從接收到Attention和Meditation數據到給出KNN分類結果的響應延時小于0.1ms，系統具有良好的實時性。同時，課題組在操作系統為安卓2.2的Moto 525手機上也成功測試運行了軟件，表明系統面向安卓智能設備具有良好的通用性。

4 結 論

本文針對基于腦電的疲勞駕駛檢測需要解決的使系統小巧、實時等技術難題，提出了基于駕駛員左前額腦電的Attention和Meditation相關系數進行疲勞駕駛檢測的方法，設計了基于Attention和Meditation相關系數和KNN算法的疲勞駕駛檢測算法，在Android智能手持設備上設計實現了系統，并通過試驗證明系統具有小巧、實時和實用性高的特征。本文所得結論敘述如下：

（1）采用左前額腦電Attention和Meditation相關系數進行的疲勞駕駛檢測技術可行；（2）本文開發的前額葉腦電相關系數和KNN的疲勞檢測系統的Sensitivity、Specificity分別達到68.31%和90.43%，同時具有無線、小巧和實時的特點；（3）本文開發的前額葉腦電相關系數和KNN的疲勞檢測系統具有良好的實時性，從接收Attention和Meditation數據到給出KNN分類結果的響應延時小于0.1ms。同時，本系統面向安卓智能設備具有良好的可移植性。

參考文獻：

[1] 毛喆，初秀民，嚴新平，等.汽車駕駛員駕駛疲勞監測技術研究進展 [J].中國安全科學學報，2005，15（3）：108-112.

[2] 吳雅萱，李文書，施國生，等.疲勞駕駛檢測技術研究綜述 [J].工業控制計算機，2011，24（8）：44-46+49.

[3] 葉檸，孫宇舸.基于EEG小波包子帶能量比的疲勞駕駛檢測方法 [J].東北大學學報（自然科學版），2012，33（8）：1088-1092.

[4] Qiang Ji，Xiaojie Yang. Real-time eye，gaze，and face pose tracking for monitoring driver vigilance [J]. Real-Time Imaging，2002（8）：357-377.

[5] 焦昆，李增勇，等.駕駛精神疲勞的心率變異性和血壓變異性綜合效應分析 [J].生物醫學工程學雜志，2005（2）：343-346.

[6] 石堅，吳遠鵬，卓斌，等.汽車駕駛員主動安全性因素的辨識與分析 [J].上海交通大學學報，2000（4）：441-444.

[7] 呂俊，謝勝利，章晉龍.腦-機接口中基于ERS/ERD的自適應空間濾波算法 [J]. 電子與信息學報，2009，31（2）：314-318.

[8] Huang Kuan-Chih，Jung Tzyy-Ping，Chuang Chun-Hsiang，et al. Preventing lapse in performance using a drowsiness monitoring and management system. [J]. Conference proceedings：Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference，2012：3336-9.

[9] 程如中，趙勇，戴勇，等.基于Adaboost方法的車載嵌入式疲勞駕駛預警系統 [J].北京大學學報（自然科學版），2012，48（5）：719-726.

[10] Maarit Kangas，Irene Vikman，Jimmie Wiklander，et al. Sensitivity and specificity of fall detection in people aged 40 years and over [J]. Gait & Posture，2009，29（4）：571-574.

作者簡介：于旭蕾（1983.11-），女，漢族，遼寧大連人，教師，講師，碩士。研究方向：物聯網；李相澤（1981.05-），男，漢族，吉林白城人，講師，博士研究生。研究方向：機器學習。