基于ARM+FPGA的心電信號疲勞駕駛檢測方法的研究

陳卓然 張宇

摘? ?要：隨著經(jīng)濟的快速發(fā)展，經(jīng)濟全球化和科技現(xiàn)代化的加強，汽車已慢慢成為人們外出的首選交通工具之一。在各國對導(dǎo)致交通事故原因的統(tǒng)計中，疲勞駕駛均占有較大比重。為了減少交通事故量，減少各項損失，利用對基于 ARM+FPGA 平臺的心電信號疲勞駕駛檢測方法的研究，并設(shè)計神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可減少了數(shù)據(jù)對存儲單元的需求量，也降低了運算的復(fù)雜度，為進一步實現(xiàn)疲勞信號的傳輸提供便利。

關(guān)鍵詞：ARM+FPGA平臺? 心電信號? 疲勞駕駛

中圖分類號：U491? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）11（a）-0046-02

隨著經(jīng)濟的快速發(fā)展，經(jīng)濟全球化和科技現(xiàn)代化的加強，汽車已慢慢成為人們外出的首選交通工具之一。同時，交通問題如交通事故、交通堵塞等問題也日益突出。據(jù)估計全世界每年約有120萬人死于道路交通傷害，多達5000萬人受傷。在各國對導(dǎo)致交通事故原因的統(tǒng)計中，疲勞駕駛均占有較大比重：在美國，2011—2015年間共有4121人在疲勞駕駛導(dǎo)致的道路交通事故中喪生，因此如何監(jiān)測疲勞駕駛的出現(xiàn)并及時阻止已成為一個世界范圍的重要課題。針對這些應(yīng)用，對基于 ARM+FPGA 平臺的心電信號疲勞駕駛檢測方法的研究，并設(shè)計神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)減少了數(shù)據(jù)對存儲單元的需求量，也降低了運算的復(fù)雜度。

1? 國內(nèi)外研究現(xiàn)狀

目前已經(jīng)有多種用于監(jiān)測疲勞駕駛的方法，這些方法可被大致歸為以下三類：

（1）利用車輛的行為特征進行監(jiān)測;

（2）利用駕駛員的行為以及面部表情進行監(jiān)測;

（3）利用駕駛員的生理信號特征進行監(jiān)測。

2? 主要研究方法

目前已經(jīng)有多種用于監(jiān)測疲勞駕駛的方法，這些方法可被大致歸為以下三類：

（1）利用車輛的行為特征進行監(jiān)測;

目前有計算車輛行駛速度、前方車距、車道偏移等多種監(jiān)測方法，但該方法易受到外界因素的影響，例如，駕駛員的不良駕駛習(xí)慣，天氣和能見度影響，強光等影響等。

（2）利用駕駛員的行為以及面部表情進行監(jiān)測;

此類監(jiān)測方法準(zhǔn)確率更高一些，但也有其弊端。圖像的采取效果會受到攝像頭的采集圖像效果影響，同是也會受到外界的光線等的影響。

（3）利用駕駛員的生理信號特征進行監(jiān)測。

生理信號目前包括腦電信號檢測，眼電信號檢測，心電信號檢測等幾個方向。對于這幾個研究方向，其中心電信號在獲取信號方面有著更大的優(yōu)勢，并且對于信號獲取的成本來說，成本低，市場方案成熟。

心電信號是心臟電活動的一種客觀表現(xiàn)，代表著心臟在興奮發(fā)生、傳導(dǎo)和恢復(fù)過程中的電位變化，反映了心臟的工作狀態(tài).心電信號除了可被應(yīng)用于心臟疾病診斷以外，還可用于情緒辨別，如心理壓力的檢測，同時也可用于身份辨別等.由于心電信號不易受外界環(huán)境，如光照條件等影響，且其采集比腦電信號更方便，選用了心電信號。針對基于心電信號的疲勞駕駛檢測算法，通過計算心率變異性（ heart rate variability，HRV）指標(biāo)以判斷駕駛者是否進入疲勞駕駛狀態(tài)。心率變異性是指心臟搏動周期存在的微小變異現(xiàn)象，心率變異性可作為反映心臟交感神經(jīng)和迷走神經(jīng)活動張張性和均衡性的一種非侵入性重要指標(biāo)。

3? 主要設(shè)計思路

本課題將設(shè)計一種基于FPGA的心電信號疲勞駕駛檢測方法，將由FPGA設(shè)計的硬件加速系統(tǒng)頻域特征及經(jīng)過預(yù)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型提取的心電信號相關(guān)特征相結(jié)合的疲勞駕駛檢測算法。

（1）硬件部分，課題在對ARM+FPGA架構(gòu)設(shè)計神經(jīng)網(wǎng)絡(luò)，主要的運算階段在卷積和全連接兩部分，設(shè)計電路讓平臺中各部分發(fā)揮出各自最佳的性能，F(xiàn)PGA主要實現(xiàn)的網(wǎng)絡(luò)運算過程，在ARM處理器上對輸入信號和每層參數(shù)進行預(yù)加載和分配，并對FPGA的初始階段進行控制。硬件邏輯部分主要由計算單元、片內(nèi)存儲器、DMA和有限狀態(tài)機控制器組成，系統(tǒng)處理部分主要包括CPU、內(nèi)存控制器等。硬件邏輯部分DMA主要用來在運算階段預(yù)加載權(quán)重數(shù)據(jù)到片內(nèi)存儲器中，并將最終的預(yù)測結(jié)果寫回片外存儲器。片內(nèi)存儲器主要用來存儲計算單元運算之后的結(jié)果數(shù)據(jù)，并將 DMA 讀取的數(shù)據(jù)保存下來。計算單元內(nèi)部主要是將輸入的數(shù)據(jù)和權(quán)重在運算時通過使用一些優(yōu)化措施，加快網(wǎng)絡(luò)的運算過程，并輸出網(wǎng)絡(luò)最終的預(yù)測結(jié)果。

（2）軟件部分——數(shù)據(jù)和信號處理

①數(shù)據(jù)。

采集相關(guān)生理信號，考慮信號中的影響因素——睡眠、情緒、突發(fā)事件等，截取有規(guī)律心電信號序列。

②心電信號的噪聲樣本剔除。

常用的方法有：差分閾值法、模板匹配法、小波變換法以及神經(jīng)網(wǎng)絡(luò)法等。

③特征及其提取。

特征及其提取分為兩部分，分別是計算時域/頻域特征以及卷積神經(jīng)網(wǎng)絡(luò)模型提取特征。

4? 關(guān)鍵技術(shù)

（1）硬件加速模塊。

設(shè)計硬件部分使ARM和FPGA的特性能夠充分發(fā)揮出來，使片上系統(tǒng)和片內(nèi)系統(tǒng)協(xié)同工作。

（2）軟件算法。

優(yōu)化算法，加速信號提取的精確度和速度，使最終的設(shè)計結(jié)果能夠滿足利用心電信號來甄別駕駛員的疲勞狀態(tài)。

基于ARM+FPGA架構(gòu)的設(shè)計相較于傳統(tǒng)的FPGA設(shè)計模式，在設(shè)計過程中將性能、集成度和靈活性等因素考慮進來，這不僅降低了成本和功耗，還增強了特性和性能。系統(tǒng)設(shè)計采用硬件部分和軟件部分來實現(xiàn)。

軟硬件劃分的結(jié)果，針對網(wǎng)絡(luò)處理的數(shù)據(jù)類型和運算量的不同，在計算單元內(nèi)部分成了三個主要的模塊來分別處理卷積和全連接。每個模塊按照網(wǎng)絡(luò)的層次結(jié)構(gòu)來處理，相應(yīng)的特征圖數(shù)據(jù)，并產(chǎn)生最終的預(yù)測結(jié)果。

軟硬件接口部分也是本課題主要設(shè)計部分，在軟硬件劃分中，軟件部分主要來控制整個程序的運行和讀取片外存儲器里的數(shù)據(jù)到內(nèi)存中，在硬件部分主要進行大量的并行計算任務(wù)。由于權(quán)重和特征圖在硬件部分存放和讀取的方式不同，在連接實現(xiàn)時采用最優(yōu)方案來實現(xiàn)。首先，為了減少運算過程中軟硬件之間頻繁的數(shù)據(jù)訪問，將系統(tǒng)處理部分的數(shù)據(jù)通過值傳遞的方式傳輸?shù)接布鎯ζ鲀?nèi)部，相較于地址傳遞的訪問形式，雖然占用了一些內(nèi)存空間，但節(jié)省了交互的時間開銷。

通過設(shè)計的加速器架構(gòu)，使得加速器在單位面積吞吐量和每瓦特的吞吐量方面都優(yōu)于現(xiàn)有的全精度網(wǎng)絡(luò)，大幅提升了運算效率。

心電疲勞檢測系統(tǒng)應(yīng)用前景非常廣闊，關(guān)系到生活中非常重要的出行環(huán)節(jié)，特別是目前我國的車輛保有量在逐年上升，對于車輛行駛安全也成為我們關(guān)系關(guān)注的話題。該系統(tǒng)的研究，對當(dāng)今的車輛安全、健康監(jiān)測、安全駕駛等會產(chǎn)生深遠(yuǎn)影響。

5? 結(jié)語

從新的角度對車輛駕駛安全即駕駛員疲勞狀態(tài)檢測進行分析、運用ARM+FPGA平臺來實現(xiàn)心電信號的檢測技術(shù)，來提高疲勞駕駛檢測的精度，降低檢測成本，提高應(yīng)用價值。在理論上可將智能健康監(jiān)測系統(tǒng)應(yīng)用于車輛駕駛，在實際應(yīng)用中可與合作企業(yè)聯(lián)合開發(fā)。

參考文獻

[1] 肖昂弘，劉沭鋼，陳銘林，等.基于光電容積脈搏波監(jiān)測（PPG）技術(shù)的生理監(jiān)護藍牙智能手表設(shè)計[J]. 數(shù)字技術(shù)與應(yīng)用，2016（5）：163-164.

[2] 李佳玉，王仲民，鄧三鵬，等.基于生理信號的疲勞駕駛研究[J].機械工程師，2015（12）：25-26.

[3] 胡駿飛，文志強，譚海湖，等.基于二值化卷積神經(jīng)網(wǎng)絡(luò)的手勢分類方法研究[J].湖南工業(yè)大學(xué)學(xué)報，2017， 31（1）：75-80.