基于支持向量機(jī)的駕駛疲勞檢測研究

李 敏，李江天，宋戰(zhàn)兵

(武漢理工大學(xué) 汽車工程學(xué)院，湖北 武漢 430070)

隨著無人駕駛技術(shù)的發(fā)展，駕駛員對駕駛過程的參與將越來越少。由于駕駛員的操作很少，極易進(jìn)入疲勞，且一旦進(jìn)入疲勞將更難以喚醒[1]。由于操作行為很少，不宜依據(jù)駕駛員行為檢測，因此本研究從生理信號展開對駕駛疲勞的檢測研究。

生理參數(shù)駕駛疲勞檢測相關(guān)研究中目前存在一些不足：①檢測設(shè)備存在侵入性。以往研究由于條件限制，采集生理信號時(shí)需要在駕駛者身上布置復(fù)雜線路或傳感器，干擾正常駕駛，不能很好地反映正常駕駛條件下駕駛者的行為反應(yīng)。②以往研究對疲勞狀態(tài)的確定不夠嚴(yán)謹(jǐn)，直接將實(shí)驗(yàn)結(jié)束前30 min作為疲勞狀態(tài)，可能遺漏部分疲勞時(shí)段，或通過KSS嗜睡量表，太過主觀。因此，數(shù)據(jù)的采集方法以及疲勞段的確認(rèn)還有待優(yōu)化。

為彌補(bǔ)以上不足，本研究利用無侵入性的穿戴設(shè)備Bio-Radio 無線生理監(jiān)測儀采集了4 h高速單調(diào)路況下模擬駕駛的皮電和肌電信號，傳感器手環(huán)采集了心率信號，實(shí)時(shí)動(dòng)態(tài)追蹤生理信號變化規(guī)律及疲勞發(fā)展過程。通過實(shí)驗(yàn)過程中應(yīng)對刺激信號的反應(yīng)時(shí)間區(qū)分疲勞狀態(tài)與清醒狀態(tài)，然后對比分析不同狀態(tài)下各信號的時(shí)域特征，確定皮電、肌電樣本熵作為特征值，通過SVM(support vector machines)實(shí)現(xiàn)駕駛疲勞檢測，為疲勞駕駛預(yù)警設(shè)備的開發(fā)奠定了理論基礎(chǔ)。

1 理論基礎(chǔ)與實(shí)驗(yàn)設(shè)計(jì)

1.1 理論基礎(chǔ)

駕駛疲勞發(fā)展過程中，一些生理參數(shù)也會(huì)發(fā)生明顯變化。目前已有很多生理信號被用于檢測駕駛疲勞，尤其是腦電和眼電信號的研究，還有心電、血氧、脈搏等，然而關(guān)于皮電用于檢測駕駛疲勞的卻幾乎沒有。劉光遠(yuǎn)等認(rèn)為肌電可以用來評價(jià)肌肉和神經(jīng)活動(dòng)的強(qiáng)弱，皮電可以間接測量腦喚醒和警覺水平[2]。Karthick等[3]基于改進(jìn)的B分布時(shí)頻特征(modified B-distribution,MBD)對表面肌肉疲勞進(jìn)行分析，采集肱二頭肌處的肌電信號，并提取不同頻帶的功率比值，最終實(shí)現(xiàn)了各種正常和異常情況下的神經(jīng)肌肉活動(dòng)的有效區(qū)分。Patel等[4]基于心率變異性HRV(heart rate variability)建立了一種檢測疲勞早期的神經(jīng)網(wǎng)絡(luò)模型，準(zhǔn)確率達(dá)90%，并認(rèn)為LF(low frequency)/HF(high frequency)可用于檢測駕駛疲勞，隨著疲勞增加LF/HF指標(biāo)降低，表明駕駛員的駕駛操作能力與行為下降。從理論上分析，肌電、皮電和心電都與神經(jīng)系統(tǒng)的活動(dòng)密切相關(guān)，而駕駛疲勞屬于精神疲勞，因此各信號與駕駛疲勞應(yīng)該存在聯(lián)系，可用于檢測駕駛疲勞。

1.2 實(shí)驗(yàn)設(shè)備

搭建的模擬駕駛平臺(tái)和生理信號采集設(shè)備有：羅技G29駕駛模擬器、Bio-Radio 無線生理監(jiān)測儀，傳感器手環(huán)。通過Bio-Radio無線生理監(jiān)測儀采集肌電和皮電信號，手環(huán)采集心率。其中，Bio-Radio無線生理監(jiān)測儀可全面檢測人體生理信號，包括呼吸、肌電、皮電、心電和血氧濃度等，并采用無線藍(lán)牙的方式把生理數(shù)據(jù)傳輸至計(jì)算機(jī)。佩戴方便舒適，無侵入性，不干擾正常駕駛。

1.3 實(shí)驗(yàn)方法設(shè)計(jì)

選擇高速公路作為模擬駕駛場景，因?yàn)楦咚俟翻h(huán)境單調(diào)，速度穩(wěn)定，行車噪聲小，容易導(dǎo)致疲勞。具體場景由LFS(live for speed)軟件構(gòu)建，按照高速公路的標(biāo)準(zhǔn)，設(shè)計(jì)模擬道路為雙向四車道簡單環(huán)形路線，車道寬3.75 m，直道5 km，彎道半徑800 m，全長12.5 km,無坡度變化。

參與實(shí)驗(yàn)人員共計(jì)8位(5男3女，年齡21～30歲，平均26歲，平均駕齡3年)，身體健康，視力良好，睡眠充足。模擬駕駛平臺(tái)由羅技G29駕駛模擬器、55寸顯示器和計(jì)算機(jī)組建而成。實(shí)驗(yàn)前先熟悉設(shè)備及實(shí)驗(yàn)操作，然后佩戴Bio-Radio生理監(jiān)測儀和傳感器手環(huán)，在下午13:00～18:00點(diǎn)之間進(jìn)行實(shí)驗(yàn)。為了采集被測試者的反應(yīng)時(shí)間，用Visual Studio編制信號燈作為刺激信號，在交通場景中每隔5 min出現(xiàn)一次，記錄刺激信號出現(xiàn)至駕駛員正確操作按鍵的時(shí)間。

2 生理信號預(yù)處理與分析

2.1 信號預(yù)處理

表面肌電信號主要集中在50～150 Hz，使用濾波器濾掉50 Hz的工頻噪聲，濾波器類型選擇Butterworth高通濾波器[5]，肌電電位增益1 000。人體皮電信號的有效頻段范圍為0.02～0.2 Hz，采用Butterworth帶阻濾波器，帶寬設(shè)置為0.02～0.3 Hz，階數(shù)為2[6]。

原始采集的皮電和肌電信號皆為時(shí)域信號，其變化規(guī)律雜亂無章，為便于分析頻率特性，將時(shí)域信號轉(zhuǎn)換為頻域信號，對其進(jìn)行快速傅里葉變換，得到其功率譜，在此基礎(chǔ)上得到分析疲勞狀態(tài)的皮電肌電功率指標(biāo)。

2.2 生理信號變化規(guī)律描述

在對疲勞狀態(tài)和清醒狀態(tài)的數(shù)據(jù)進(jìn)行對比分析之前，首先需要區(qū)分疲勞狀態(tài)與清醒狀態(tài)。研究表明[7]，反應(yīng)時(shí)間長短與EEG(electroencephalogram)4種波形密切相關(guān)，都能夠判斷困倦狀態(tài)，因此本研究采用反應(yīng)時(shí)間確定疲勞狀態(tài)。為更好地觀察不同狀態(tài)下各生理信號的變化情況，將各生理信號進(jìn)行適當(dāng)處理后與反應(yīng)時(shí)間繪制在同一圖中，如圖1所示。圖1中X軸表示時(shí)間，每刻度為2 min，左邊縱坐標(biāo)表示采集的各信號指標(biāo)值，分別為反應(yīng)時(shí)間(ms)，心率(次/min)，肌電功率(V2)，右邊的縱坐標(biāo)表示皮電功率(μV2)。

圖1 反應(yīng)時(shí)間與生理信號圖

觀察圖1中的反應(yīng)時(shí)間，確定反應(yīng)時(shí)間突變時(shí)刻為疲勞狀態(tài)。 反應(yīng)時(shí)間的變化是跳躍性的。在4 h的長時(shí)間模擬駕駛過程中，反應(yīng)時(shí)間并非逐漸遞增，而是發(fā)生突變，呈現(xiàn)周期性。突變意味著駕駛員駕駛操作能力顯著下降。在這之前，并不意味著沒有疲勞發(fā)生，觀察視頻發(fā)現(xiàn)反應(yīng)時(shí)間突變之前有打哈欠等疲勞癥狀，只是疲勞累積還未達(dá)到嚴(yán)重影響駕駛能力的程度。反應(yīng)時(shí)間突變之后，則由于身體自我調(diào)節(jié)控制等復(fù)雜的機(jī)制，重新恢復(fù)清醒。

生理信號包括：①心率。疲勞狀態(tài)時(shí)，心率變化不一致，有些大幅度高于平均值，而有些卻明顯低于平均值。進(jìn)入疲勞狀態(tài)的過程中，心率變化劇烈。②肌電。肌電功率的變化也不一致，疲勞狀態(tài)時(shí)部分高于清醒狀態(tài)并呈現(xiàn)出增加趨勢，部分則急劇降低低于清醒狀態(tài)。③皮電功率變化規(guī)律較一致，疲勞狀態(tài)下的皮電功率低于清醒狀態(tài)。經(jīng)過上述各信號變化規(guī)律分析，疲勞狀態(tài)下心率和肌電都呈現(xiàn)出不同的相反的兩種情況，分析原因可能為指標(biāo)選取不太合適，不能反映總體規(guī)律，或者各信號變化與疲勞程度有關(guān)，即同為疲勞，但是不同疲勞程度可能規(guī)律也不一樣。由于僅根據(jù)反應(yīng)時(shí)間無法進(jìn)一步細(xì)分疲勞程度，本研究進(jìn)一步選取指標(biāo)探索不同狀態(tài)下各生理信號規(guī)律。

本文的實(shí)驗(yàn)環(huán)境為：Intel(R)Core(TM)i5-4210M CPU@2.60GHZ，8GB內(nèi)存，NVIDIA GTX 850M顯卡。使用的開發(fā)工具為基于Python 3.6.5版本的PyCharm，Alex-Net卷積神經(jīng)網(wǎng)絡(luò)使用TensorFlow框架。

3 特征指標(biāo)選取

因心率信號采集精度較低，僅對皮電肌電信號選取特征指標(biāo)。分別選取疲勞和清醒狀態(tài)下1 min的數(shù)據(jù)進(jìn)行分析，反應(yīng)時(shí)間突變時(shí)刻作為疲勞狀態(tài)數(shù)據(jù)源，實(shí)驗(yàn)開始之后第15 min作為清醒狀態(tài)數(shù)據(jù)源。對比被試者在疲勞狀態(tài)和清醒狀態(tài)的皮電和肌電可看出，不同狀態(tài)下波動(dòng)程度不一樣。由于樣本熵能反映序列的無序度或混亂度，因此可選取樣本熵作為特征指標(biāo)。

3.1 樣本熵

樣本熵(sample entropy)是由Richman和Moornan提出的一種基于近似熵進(jìn)行改進(jìn)的算法，能有效度量新的時(shí)間序列復(fù)雜性，序列越復(fù)雜，樣本熵值越大[8]。樣本熵計(jì)算準(zhǔn)確性和對數(shù)據(jù)序列的解釋能力不受參與計(jì)算的數(shù)據(jù)序列長短影響，也不僅限于確定性信號分析，還適用于隨機(jī)信號，且具有較好的抗干擾和抗噪能力。樣本嫡可以用SampEn(N，m,r)表示，其中，N為數(shù)據(jù)長度，m為嵌入維數(shù)，r為相似容限。r取原始數(shù)據(jù)標(biāo)準(zhǔn)偏差的0.1～0.25倍，m=1或m=2時(shí)樣本熵值對序列長度N的依賴性最好。通常情況下為減少詳細(xì)信息的遺漏，優(yōu)先選擇m=2，m>2時(shí)，對數(shù)據(jù)量要求較高。N最好在100～5 000之間。計(jì)算過程如圖2所示，具體計(jì)算通過Matlab實(shí)現(xiàn)。

3.2 皮電信號樣本熵分析

采用窗口長度為500點(diǎn)(1 s)的時(shí)間滑動(dòng)窗進(jìn)行分析，即N=500，疲勞和清醒狀態(tài)分別選取1 min進(jìn)行分析，即兩種狀態(tài)分別為30 000個(gè)數(shù)據(jù)，60個(gè)樣本熵值。m取2，r取0.2倍標(biāo)準(zhǔn)偏差。計(jì)算得清醒狀態(tài)下皮電樣本熵均值為0.079 9，標(biāo)準(zhǔn)差為±0.097 3；疲勞狀態(tài)樣本熵均值為0.047 0，標(biāo)準(zhǔn)差為±0.063 2。由此可得，隨著駕駛疲勞程度的加重，皮電信號樣本熵值逐漸降低，且波動(dòng)幅度變小。皮電樣本熵值如圖3所示。

圖2 樣本熵計(jì)算過程

圖3 皮電樣本熵值分布圖

對清醒狀態(tài)和疲勞狀態(tài)下的皮電信號樣本熵?cái)?shù)據(jù)進(jìn)行獨(dú)立樣本t檢驗(yàn)，結(jié)果見表1，p值(Sig)為0，小于0.05，表明被試者在疲勞與清醒狀態(tài)下的皮電信號樣本熵值存在顯著性差異，即樣本熵的大小能夠反映駕駛員的疲勞狀態(tài)，可以作為駕駛疲勞的判別指標(biāo)。

表1 皮電樣本熵值獨(dú)立樣本檢驗(yàn)

3.3 肌電信號樣本熵分析

肌電信號分析處理方法同皮電。肌電樣本熵值分布如圖4所示，由圖4可看出清醒狀態(tài)下肌電信號樣本熵值較低，且波動(dòng)幅度較小，疲勞狀態(tài)下樣本熵值較高，且波動(dòng)幅度較大。此規(guī)律正好與皮電相反。對清醒狀態(tài)和疲勞狀態(tài)下的肌電信號樣本熵進(jìn)行初步統(tǒng)計(jì)計(jì)算，得清醒狀態(tài)下均值為0.398 5、標(biāo)準(zhǔn)差為0.315 2;疲勞狀態(tài)下均值為0.599 4，標(biāo)準(zhǔn)差為0.393 7。對肌電信號樣本熵?cái)?shù)據(jù)進(jìn)行獨(dú)立樣本t檢驗(yàn)，p值為0，表明被試者在疲勞與清醒狀態(tài)下的肌電信號樣本熵值存在顯著性差異，可以作為駕駛疲勞的判別指標(biāo)。

圖4 肌電樣本熵值分布圖

4 基于SVM的駕駛疲勞識(shí)別模型

4.1 支持向量機(jī)原理

支持向量機(jī)，最早由Vapnik提出，可用于模式分類和非線性回歸，其主要思想是建立一個(gè)分類超平面作為決策平面，使得正例和反例之間的隔離邊緣被最大化[9]。支持向量機(jī)具有良好的泛化能力，即通過有限訓(xùn)練樣本得到小的誤差仍然能夠保證獨(dú)立的測試樣本也保持小的誤差，還具有較好的魯棒性，被廣泛用于模式識(shí)別問題。

設(shè)線性可分樣本集為(xi,yi),i=1,2，…,n,x∈Rd,y∈{+1,-1}表示類別符號。線性判別函數(shù)的一般形式為g(x)=w·x+b,分類線方程則為w·x+b=0。對該判別函數(shù)進(jìn)行歸一化處理，使所有樣本滿足|g(x)|=1,分類間隔則為2/‖w‖,當(dāng)‖w‖最小時(shí)有最大分類間隔，為實(shí)現(xiàn)對所有樣本正確分類，需滿足

min‖w‖2/2

s.t.yi[w·x+b]-1≥0,i=1,2,…,n

(1)

通過Lagrange將上述分類問題轉(zhuǎn)化后，得到最優(yōu)分類函數(shù)為：

f(x)=sgn{(w*·x)+b*}

(2)

(3)

式中：ai?0，w*為最優(yōu)分類面的權(quán)系數(shù)向量;b*為最優(yōu)分類閾值。

線性不可分情況下，式(1)中應(yīng)增加一個(gè)松弛項(xiàng)參數(shù)εi≥0，即為：

s.t.yi[(wi·xi)+b]-1+εi≥0,i=1,2,…,n

(4)

式中：C為大于零的常數(shù)，被稱為懲罰因子。

4.2 駕駛疲勞分類檢測

通過皮電和肌電樣本熵實(shí)現(xiàn)清醒與疲勞兩種狀態(tài)的分類，屬于二維的二分類問題。依據(jù)反應(yīng)時(shí)間區(qū)分疲勞與清醒狀態(tài)，選取反應(yīng)時(shí)間突變點(diǎn)處的1 min作為疲勞狀態(tài)，分類標(biāo)簽為1，第15 min為清醒狀態(tài)分類標(biāo)簽為0，再從疲勞狀態(tài)中選取10個(gè)最大的樣本熵值，清醒狀態(tài)中隨機(jī)選取10 s，作為SVM訓(xùn)練和測試樣本，共160組數(shù)據(jù)，每個(gè)樣本包含皮電樣本熵和肌電樣本熵兩個(gè)維度。然后將每個(gè)類別所有數(shù)據(jù)隨機(jī)分為兩組，一組為訓(xùn)練集，一組為測試集，對分類模型進(jìn)行訓(xùn)練和測試。

訓(xùn)練之前，為達(dá)到更高的分類準(zhǔn)確率，對所有樣本數(shù)據(jù)進(jìn)行歸一化處理，具體關(guān)系如下：

(7)

其中，x,y∈Rn。歸一化處理后，所有原始樣本數(shù)據(jù)都被規(guī)整到[0,1]區(qū)間內(nèi)。

然后選擇RBF(radial basis function)核函數(shù)，通過matlab中的libsvm工具箱實(shí)現(xiàn)駕駛疲勞分類。首先由訓(xùn)練集數(shù)據(jù)對SVM進(jìn)行訓(xùn)練得到分類模型，然后用該模型對測試集進(jìn)行標(biāo)簽預(yù)測，再與通過反應(yīng)時(shí)間得到的疲勞與清醒狀態(tài)分類相比較，最終得到分類準(zhǔn)確率為86.25%，分類結(jié)果如圖5所示，具體所有實(shí)例判斷結(jié)果如表2所示。若僅使用皮電信號分類準(zhǔn)確率為71%，僅使用肌電信號準(zhǔn)確率為83%，由此可看出，融合信號將提高分類準(zhǔn)確率。

圖5 測試集分類結(jié)果

SVM01//%03644090.0017334082.50

5 結(jié)論

通過實(shí)時(shí)采集駕駛員動(dòng)態(tài)駕駛條件下的皮電、肌電和心率信號，并通過刺激信號采集反應(yīng)時(shí)間，根據(jù)反應(yīng)時(shí)間確定疲勞狀態(tài)，分析各信號不同狀態(tài)下的變化規(guī)律，進(jìn)一步選取表征信號復(fù)雜程度的皮電、肌電樣本熵作為特征指標(biāo)，通過SVM進(jìn)行駕駛疲勞檢測，得出以下結(jié)論：

(1)反應(yīng)時(shí)間的變化是跳躍性的。在4 h的長時(shí)間模擬駕駛過程中，反應(yīng)時(shí)間并非逐漸遞增，而是發(fā)生突變，呈現(xiàn)周期性變化。

(2)清醒狀態(tài)與疲勞狀態(tài)下的皮電、肌電信號樣本熵值都存在顯著性差異，利用皮電與肌電信號的樣本熵值作為動(dòng)態(tài)駕駛疲勞判別指標(biāo)，能有效識(shí)別出駕駛疲勞。皮電信號樣本熵值在疲勞狀態(tài)下低于清醒狀態(tài)，且波動(dòng)幅度更小。大部分駕駛員的肌電信號樣本熵值在疲勞狀態(tài)下則高于清醒狀態(tài)，且波動(dòng)幅度更大。

(3)通過構(gòu)造皮電樣本熵和肌電樣本熵二維特征向量，結(jié)合反應(yīng)時(shí)間確定的分類標(biāo)簽，即疲勞狀態(tài)與清醒狀態(tài)，利用支持向量機(jī)對駕駛疲勞狀態(tài)進(jìn)行識(shí)別，準(zhǔn)確率達(dá)86.25%。