基于貝葉斯網絡的疲勞駕駛檢測預警系統(tǒng)設計

薛興樂 岳嘉瑜 趙新陽 白宇

摘? ?要：疲勞駕駛是造成交通事故的重要原因之一，現有的檢測疲勞駕駛的方法多基于單一指標，缺乏信息融合。基于行車狀態(tài)，建立了貝葉斯網絡疲勞駕駛檢測模型，將連續(xù)駕駛時長、駕駛時段和駕駛艙溫度作為模型的原因層變量，將行車速度標準差、方向盤轉角標準差、油門踏板高度標準差作為結果層變量，并根據模型設計出了疲勞駕駛檢測預警系統(tǒng)。

關鍵詞：行車安全? 疲勞駕駛? 貝葉斯網絡? 信息融合? 行車狀態(tài)? 預警系統(tǒng)

Abstract： Fatigue driving is one of the important causes of traffic accidents. Existing methods for detecting fatigue driving are mostly based on a single indicator and lack information fusion. A Bayesian network fatigue driving detection model was established based on driving conditions. Continuous driving duration， driving time， and cockpit temperature were used as the cause-level variables of the model， and the standard deviation of driving speed， standard deviation of steering wheel angle， and standard deviation of accelerator pedal height were used as the result-level variables of the model， and a fatigue driving detection and early warning system is designed based on the model.

Key Words： Driving safety; Fatigue driving; Bayesian network; Information fusion; Driving state; Early warning system

隨著道路網的高速建設和汽車行業(yè)的迅猛發(fā)展，道路安全事故的數量也極大地增加。據統(tǒng)計在所有交通事故中，由疲勞誘發(fā)的事故比例占40%～70%[1]。

車輛行車狀態(tài)可以反映出司機駕駛時對車輛的操縱能力，能夠較為直觀地反映出駕駛者的疲勞程度，用于檢測行車狀態(tài)的裝置成本較低、操作簡便、實時性好且不影響正常駕駛。目前基于行車狀態(tài)檢測疲勞駕駛的方法多根據單一指標，如張希波等研究駕駛員的方向盤操作特征，運用Fisher線性判別算法形成了對疲勞駕駛的識別率達82%的疲勞狀態(tài)檢測模型[2];裴玉龍等研究了連續(xù)駕駛時間和駕駛疲勞程度之間的相關性，得出了駕駛員一次連續(xù)駕車時長應小于等于3.5h的結論[1]。岳李圣颯等研究了方向盤轉向小波能量熵的分布與疲勞程度檢測，發(fā)現二者存在顯著相關關系[3]。采用單一指標的檢測方法受個體差異性、實驗儀器侵入性和環(huán)境復雜性等因素的影響，具有一定的局限性。本文基于行車狀態(tài)，建立了多信息融合的貝葉斯網絡疲勞駕駛檢測模型，并設計了基于貝葉斯網絡的疲勞駕駛檢測預警系統(tǒng)。

1? 基于貝葉斯網絡的疲勞駕駛檢測模型

1.1 貝葉斯網絡結構的基本概述

貝葉斯網絡為一種數學概率模型，隨機變量在網絡中用節(jié)點表示，連接節(jié)點的圖線表示節(jié)點間的關聯，進而運用有向無環(huán)圖的形式表征父、子節(jié)點之間的獨立與依賴關系[4]。作為一種不定性因果關系的檢測模型，貝葉斯模型在駕駛疲勞檢測上的應用可理解為：在已知疲勞的因果變量情況的前提下，運用貝葉斯網絡演繹不同疲勞程度出現的條件概率。

1.2 應用于疲勞駕駛模型的貝葉斯網絡結構

1.2.1 貝葉斯網絡結構原因層節(jié)點選取

疲勞駕駛模型的原因層節(jié)點選取連續(xù)駕駛時長、駕駛時段和駕駛艙溫度。

連續(xù)駕駛時間的長短與駕駛員疲勞的產生、疲勞的程度密切相關。相關學者通過研究發(fā)現隨連續(xù)駕駛時間增加，人體疲勞程度呈上升趨勢，當駕駛時間超過3.5h后，駕駛員容易操作失誤[5]，因此將駕駛時長小于3.5h設定為短，大于等于3.5h設定為長。

疲勞發(fā)生時的駕駛時段與人體的生理節(jié)律相關。人類的自然疲勞峰值一般出現在午后及凌晨，此時駕駛人的疲勞程度會出現較大突變[6]。若駕駛時段與人體晝夜節(jié)律較低迷的時段重合，則駕駛員疲勞的概率會極大地提高。有研究發(fā)現在13：00～16：00、02：00～06：00這兩個時段內容易發(fā)生交通事故，并據此將駕駛時段分為困倦高峰和正常時段[7]。

駕駛艙溫度影響駕駛員疲勞程度，有研究表明人體最舒適的溫度區(qū)間為20℃～25℃，環(huán)境溫度高于28℃時人體通常感受不佳，當駕駛室溫度過高時容易導致人體疲勞。并據此將駕駛艙溫度的狀態(tài)分為正常和異常[7]。

1.2.2 貝葉斯網絡結構結果層節(jié)點選取

結果層變量選取行車速度標準差、方向盤轉角標準差、油門踏板高度標準差。

駕駛員疲勞時車速會在一定范圍內波動，且疲勞駕駛程度越深，行車速度標準差越小[8]。行車速度與很多指標都有相關性，有研究發(fā)現駕駛績效指標中，速度標準差與其他各類指標的相關性最高，并將行車速度標準差小于等于6km/h時設定為正常狀態(tài)，大于6km/h設定為異常狀態(tài)[9]。

駕駛員會根據不同的行駛情況做出修正方向盤的動作，相關研究表明當駕駛員處于清醒狀態(tài)時對方向盤的修正幅度相對較小，處于疲勞狀態(tài)時對方向盤的修正幅度相對較大，甚至在嚴重疲勞時會出現瞬時大幅度修正方向盤轉角的現象，即駕駛員疲勞時對車輛駕駛操控的準確性下降，故方向盤轉角可用來表征駕駛員的疲勞程度[10]。

油門踏板高度標準差也可用于表征駕駛員疲勞程度，有研究表明當駕駛員清醒時油門踏板高度變化特征為幅度小、頻度高;而當駕駛員疲勞時油門踏板高度變化特征表現為幅度大、頻度低，即駕駛員對油門踏板的控制能力隨疲勞程度的增加而降低[11]。

1.2.3 構建貝葉斯網絡結構

將貝葉斯網絡的原因層用ε表示，其中εij表示第i個原因層變量的第j種情況。將疲勞駕駛的程度作為中間層，用中間層變量μl表示，其中l(wèi)取值為1、2，分別表示兩種駕駛疲勞程度：清醒，疲勞。將貝葉斯網絡的結果層用ω表示，其中ωmn表示第m個結果層變量的第n種情況[9]。

確立了貝葉斯網絡結構的原因層，中間層及結果層，如圖1所示。

1.3 疲勞駕駛檢測模型的貝葉斯網絡概率公式

首先原因層變量和中間層變量之間的條件概率為：

上式中，εk為原因層變量，k的取值為1、2、3，分別對應行車速度標準差、方向盤轉角標準差、油門踏板高度標準差，μ表示疲勞程度，P（μ|εk）表示已知原因層狀態(tài)的情況下，疲勞發(fā)生的概率，（εk|μ）表示疲勞發(fā)生時，原因層的各個變量導致疲勞發(fā)生的條件概率。

其次中間層變量與結果層變量之間的條件概率為：

上式中，ωm表示結果層變量，P（μ|ωm）為結果層變量狀態(tài)確定時，疲勞發(fā)生的概率;P（ωm|μ）表示疲勞發(fā)生時，結果層的各個變量也發(fā)生的條件概率。

2? 系統(tǒng)設計

2.1 硬件設計

根據上述基于貝葉斯網絡的疲勞駕駛檢測模型，設計了疲勞駕駛檢測預警系統(tǒng)，系統(tǒng)結構組成圖與各組成部分的作用如圖2所示。

系統(tǒng)通過方向盤轉角傳感器、霍爾傳感器與溫度傳感器收集貝葉斯網絡各節(jié)點信息，通過控制模塊即STM32單片機計算出駕駛員實時疲勞程度概率，并針對疲勞程度較嚴重的情況采用聲音提醒、燈光提醒與GSM通訊提醒等方式預警。

2.2 軟件設計

系統(tǒng)工作流程為系統(tǒng)啟動后，收集原因層和結果層節(jié)點實時數據，確定原因層與結果層節(jié)點實時狀態(tài)，并通過貝葉斯檢測模型計算出駕駛疲勞程度實時概率，并通過顯示屏顯示概率值，若概率值大于0.6且持續(xù)時間超過3s則開啟聲音預警與燈光預警，若概率值大于0.6且持續(xù)時間超過8s則啟動GSM通信預警，通知預設的緊急聯系人幫助駕駛員。系統(tǒng)具體工作流程如圖3所示。

3? 結語

本文研究了與行車狀態(tài)有關的疲勞駕駛檢測問題，通過分析駕駛時段、連續(xù)駕駛時長、駕駛環(huán)境的溫度對人體疲勞的影響和駕駛員疲勞時行車速度標準差、方向盤轉角標準差、油門踏板高度標準差的變化，構建了結合多誘因、多指標的貝葉斯網絡，并設計了相應的疲勞駕駛檢測預警系統(tǒng)。貝葉斯網絡中各節(jié)點間條件概率的確定、系統(tǒng)判斷結果的準確率等問題，仍需進行大量的實驗統(tǒng)計與數據處理，這是進一步研究的方向。

參考文獻

[1] 裴玉龍，馬艷麗.疲勞對駕駛員感知判斷及操作特性的影響[J].吉林大學學報：工學版，2009，39（5）：1151-1156.

[2] 張希波，成波，馮睿嘉.基于方向盤操作的駕駛人疲勞狀態(tài)實時檢測方法[J].清華大學學報：自然科學版，2010，50（7）：1072-1076，1081.

[3] 岳李圣颯，吳志周，孫陽.小波能量熵在疲勞駕駛檢測中的應用[J].交通信息與安全，2014，32（5）：108-113.

[4] 呂健健. 基于貝葉斯網絡的駕駛員疲勞評估方法研究[D].大連理工大學，2013.

[5] 馬艷麗，裴玉龍.連續(xù)駕駛時間對駕駛特性測評指標的影響[J].中國公路學報，2009，22（1）：84-88.

[6] 張琦. 機動車駕駛人疲勞程度時變特性及規(guī)律研究[D].武漢理工大學，2018.

[7] 單夢璐. 基于貝葉斯網絡的疲勞駕駛狀態(tài)研究與實現[D].大連海事大學，2016.

[8] 毛喆，嚴新平，吳超仲，等.疲勞駕駛時的車速變化特征[J].北京工業(yè)大學學報，2011，37（8）：1175-1183.

[9] 王連震，裴玉龍.基于貝葉斯網絡的駕駛疲勞程度識別模型[J].城市交通，2014，12（3）：66-74.

[10]牛清寧.基于信息融合的疲勞駕駛檢測方法研究[D].吉林大學，2014.

[11]張暉.基于駕駛行為的疲勞狀態(tài)識別研究[D].武漢理工大學，2009.