基于皮電和肌電的駕駛疲勞判別閾值研究

蘭成輝 李江天 李敏 宋戰兵

摘 要：為獲得客觀而準確的駕駛疲勞判別閾值，基于穿戴設備采集了4小時模擬駕駛過程中的皮電、肌電和腦電信號，通過反應時間和腦電信號區分清醒與疲勞狀態，計算不同狀態下皮電肌電信號樣本熵值，最后繪制ROC曲線確定清醒和疲勞之間的判別閾值。研究表明：皮電信號樣本熵在疲勞狀態下低于清醒狀態，而肌電信號樣本熵在疲勞狀態下高于清醒狀態，但變化規律不一致，可能與不同疲勞程度有關;皮電信號樣本熵閾值為0.0197，準確率為0.91;肌電信號閾值為0.70185，準確率為0.85。

關鍵詞：駕駛疲勞;皮電;肌電;閾值;樣本熵

目前，駕駛疲勞檢測研究主要分以下三類：基于駕駛員行為特征的研究[1]、基于車輛行為特征的研究[2]以及基于駕駛員生理參數的研究[3]。鑒于前兩類研究容易受光照和路況等環境因素影響，例如視野正面光照強烈時，駕駛員會瞇眼、注視方向會偏移，車輛行為特征在擁擠的城市路段行駛和通暢的郊區路段行駛本身就存在差別，都會對疲勞駕駛產生干擾，而駕駛員生理信號能很好的避開上述環境因素造成的影響，因此本研究選擇從生理參數方面探索駕駛疲勞發展規律，以及檢測駕駛疲勞的方法。

1 實驗設計與設備

本研究招募了12名被試進行了4小時高速單調路況下模擬駕駛實驗，應用Bio-Radio無線生理檢測儀實時動態追蹤和采集生理信號皮電肌電的變化規律及疲勞發生的過程，并利用NE無線腦電儀采集實時腦電信號，通過實驗過程中對被試者應對刺激信號的反應時間以及被試者腦電信號的分析，對長時間駕駛過程中的疲勞段與清醒段進行劃分，然后利用能夠表征時間序列復雜程度的樣本熵算法提取清醒和疲勞之間的判別指標，最后通過制作ROC曲線確定清醒和疲勞之間的判別閾值，實現駕駛疲勞的實時檢測。

2 生理信號預處理與分析

2.1 疲勞狀態的觀測與描述

本文結合腦電和反應時間觀測疲勞。利用腦電預測駕駛疲勞的相關研究已頗為成熟，一般認為從正常狀態進入疲勞狀態時慢波增加快波減少。在疲勞前期，反應時間不會發生大變化，但當疲勞發展到一定階段時，反應時間迅速延長，發生跳躍，帶來駕駛能力的急劇降低和危險。基于上述情況，本文選取腦電δ節律功率增加β節律功率減小、反應時間超過反應時間均值的時候作為疲勞狀態，如圖1所示。

2.2 皮電肌電數據獲取

對采集的表面肌電信號進行Butterworth高通濾波，人體皮電信號采用Bandpass濾波，帶寬設置為0.02Hz～0.3Hz。濾波處理后，分別以1s作為單位樣本數據長度選取連續1min的疲勞和清醒狀態數據進行分析。以實驗開始之后第15min作為清醒狀態數據，反應時間RT突增時間點作為疲勞狀態數據。

3 數據處理

3.1 樣本熵

樣本熵（SampEn）是一種被廣泛用于非線性動力學時間序列研究的算法。樣本熵值的大小代表時間序列的復雜性，樣本熵值越大，時間序列越復雜，同時具有較好的抗干擾和抗噪能力，其計算準確性和對數據序列的解釋能力不受數據序列長短的影響，適用于確定性信號和隨機性信號分析。該算法由Richman和Moornan基于近似熵改進而來。其計算時需確定數據長度N，嵌入維數m以及相似容限r。

3.2 皮電信號樣本熵分析

以500個采樣點長度（1s）作為滑窗進行分析，則每個樣本的數據長度N=500，分別選取1min的疲勞和清醒兩種狀態進行分析，即兩種狀態分別為60個樣本。取m=2，取r=0.2倍標準偏差進行計算，結果皮電樣本熵均值在清醒、疲勞狀態下的分別為0.0778和0.047，皮電樣本熵標準差為00916和0.063，兩種狀態下的皮電信號樣本熵存在顯著性差異（P=0.001<0.05），可以作為駕駛疲勞的判別指標。此現象也可以從樣本熵值變化圖看出，如圖2所示。

3.3 肌電信號樣本熵分析

應用相同的方法獲取肌電樣本熵，結果如圖3。肌電樣本熵的變化規律與皮電樣本熵相反，從圖中可以看出肌電樣本熵在清醒時較低、波動幅度較小，而疲勞狀態下樣本熵值較高、波動幅度較大。解釋原因為，當駕駛員出現疲勞困倦后，其方向盤微調次數相比于清醒狀態下的正常駕駛變少了，同時急劇的方向盤動作增多（肌電采集部位為小臂）。

對清醒狀態和疲勞狀態下的肌電信號樣本熵進行計算，清醒、疲勞狀態下的肌電樣本熵均值費別為0.419和0.977，肌電樣本熵標準差為0.288和0.418，兩種狀態下的肌電信號樣本熵存在顯著性差異（P=0.001<0.05），可以作為駕駛疲勞的判別指標。

4 駕駛疲勞判別閾值的確定

4.1 ROC曲線原理

ROC曲線（receiver operating characteristic curve）即接收者操作特性曲線，其曲線上的各點可以反映對同一信號的敏感性和特異性。ROC曲線圖的橫坐標為（1-特異性），縱坐標為敏感性，ROC曲線下的面積代表對同一信號的診斷準確性大小，面積越大，準確性越高，而越靠近坐標圖左上方的點，敏感性和特異性越高。敏感度和特異度計算公式如下：

TPR指敏感度，解釋的是分類器所識別出的正實例占所有正實例的比例。TNR指特異度，指分類器所識別出的負實例占所有負實例的比例。TP為真正類，FP為假正類，TN為真負類，FN為假負類。本研究中，疲勞狀態為正類，清醒狀態為負類。敏感度即識別TNR出來的疲勞實例占所有疲勞實例的比例，特異度即識別出來的清醒實例占所有清醒實例的比例。

通過ROC曲線確定最佳判別閾值時，越靠近左上方的點表示判別效果越好，因為左上方表示較高的敏感度和特異度，對應較低的漏判率和誤判率。在應用中，通常選擇曲線上盡量靠近左上方Youden指數最大的切點作為判別閾值（Youden指數=靈敏度+特異度-1）。閾值的準確性可以通過曲線下的面積（AUC）來衡量。

4.2 皮電信號判別閾值

利用SPSS作出皮電信號樣本熵的ROC曲線，如圖4（左）所示。根據閾值選取原則，計算所有點的Youden指數，得到Youden指數最大時的特征點（點C），選取此點作為最佳臨界點，對應皮電信號樣本熵值為0.0197，敏感度為88.9%，表明11.1%的疲勞被漏報，特異度為80.8%，表明19.2%的清醒被誤報為疲勞。ROC曲線下面積為0.91，說明此方法準確性較高。

4.3 肌電信號判別閾值

肌電信號判別方法同皮電，ROC曲線如圖4（右）。需注意的是，因為疲勞狀態肌電信號樣本熵均值明顯高于清醒狀態，所以應該選擇較大的檢驗結果表示更明確的檢驗。由圖4（右）可看出曲線上存在一個極為明顯的拐點C，該點即為通過Youden指數確定的最優臨界點，對應肌電樣本熵值為0.70185，敏感度為81.3%，特異度為87.7%，ROC曲線下面積為0.85，說明此方法準確性中等。

5 結論

（1）12個被試者中，清醒狀態與疲勞狀態下的皮電、肌電信號樣本熵值都存在顯著性差異，因此皮電、肌電可作為動態駕駛疲勞判別指標。皮電信號樣本熵值在疲勞狀態下低于清醒狀態，且波動幅度更小。大部分駕駛員的肌電信號樣本熵值在疲勞狀態下則高于清醒狀態，且波動幅度更大。

（2）通過ROC曲線分析方法得到基于皮電以及肌電樣本熵值的駕駛疲勞判別閾值，即當駕駛員皮電樣本熵值在00197以下時，認為駕駛員處于疲勞狀態，準確率為0.91;當駕駛員肌電樣本熵值在0.70185以上時，認為駕駛員處于疲勞狀態，準確率為0.85。

參考文獻：

[1]鄭秀娟，栗戰恒，張昀.基于視覺特性的駕駛安全眼動研究進展[J].技術與創新管理，2018，39（01）：50-59.

[2]徐進，陳薇，周佳，羅驍，邵毅明.汽車轉向盤操作與駕駛負荷的相關性[J].吉林大學學報（工學版），2017，47（02）：438-445.

[3]P.A.Karthick，G.Venugopal，S.Ramakrishnan.Analysis of Muscle Fatigue Progression using Cyclostationary Property of Surface Electromyography Signals[J].Journal of Medical Systems，2016，40（1）.