疲勞駕駛狀態智能識別算法的研究

華楚霞，吳研婷，喬曉華

（惠州經濟職業技術學院信息工程學院，廣東惠州，516001）

0 引言

隨著汽車擁有量的增加，駕駛安全問題日益突出，根據數據分析在發生的交通事故案例中將近四分之一是由疲勞駕駛導致的，因此針對疲勞駕駛問題，開發和設計一款便攜、準確的智能識別與預警系統成為了大眾的廣泛訴求。

目前在生物識別技術的發展推動下，國內外一些高端品牌車的疲勞駕駛監測技術在市場上已出現通過監測駕駛員面部特征來判斷駕駛員是否疲勞駕駛的系統，該系統通過人臉識別獲取面部綜合信息如面部表情、眼睛瞳孔放大放小等，提取面部特征從而判斷是否疲勞駕駛。然后對比國內外資料顯示通過腦電信號判別人體疲勞狀態是最準確、高效的一種方式，腦電波是一些自發的有節律的神經電活動，可用電子掃描儀檢測出，其頻率變動范圍在每秒1-30次之間的，可劃分為四個波段，即δ（Delt）、θ（Theta）、α（Alpha）、β（Beta）。δ波3Hz以下人在深睡狀態下會出現。Theta波4-7Hz人腦處于深度輕松狀態，一般是進入睡眠的前的狀態。α波8-13Hz輕松狀態，大腦清醒放松，容易集中注意力。β波14Hz以上緊張狀態，對周圍環境很敏感，但難于集中注意力，且容易疲勞。而人要進入睡眠時候的θ波到δ波之間的波段稱為慢波，慢波的出現表示人已經達到疲勞駕駛狀態了。

本文采用TGAM模塊進行二次開發，對采集的腦電信號進行分析研究，通過解析數據流獲取眨眼特征值，并用層次模型構造矩陣計算出人體疲勞相關的特征參數：專注度、放松度，采用準確率高的算法分析其疲勞程度并進行預警提示。

1 疲勞駕駛狀態智能裝置結構及工作流程

本文采用疲勞駕駛狀態智能裝置硬件包括單EEG電極傳感器、TGAM信號處理模塊以及無線網絡協議模塊，腦電信號處理模塊結構圖如圖1所示。

圖1 TGAM腦電信號處理模塊

TGAM模塊對采集的腦電信號進行放大、濾波等處理，對采集到的數據流進行分析通過軟件輸出波形，可得到人體疲勞特征時候的波形變換，通過適合的算法可較準確的判斷出疲勞狀態，并通過藍牙模塊發送到智能設備進行監控與預警。其工作流程如圖2所示。

圖2 疲勞駕駛狀態智能識別與警報工作流程

疲勞駕駛狀態智能識別與警報裝置采用單EEG電極傳感器進行人體腦電信號采集的實驗，將模塊中的干電極與人的腦袋直接相連，通過單EEG腦電通道檢測到極微弱的腦電信號，TGAM模塊對信號進行抗干擾處理過濾掉噪音獲取腦波。

其次采用合適的算法對獲取的腦電波進行疲勞波段識別，該算法通過設置Alpha波段幅值變小和Delt波段幅值變大的波形特征的閾值即疲勞狀態下的波段值，采集N個距離閾值的鄰近樣本，判斷處于疲勞波段的范圍的樣本占比從而判斷是否處于疲勞駕駛狀態，根據人腦處于慢波波段還需要一定的時間進入淺睡眠，則要進行判斷慢波波段是否超過8S，如是則進行危險警報。最后通過藍牙將TGAM模塊獲取的腦波信號傳送到客戶端，實現腦波波形的直觀呈現。

2 疲勞駕駛狀態智能識別算法分析

疲勞駕駛狀態智能識別算法功能是對TGAM模塊的二次開發，TGAM模塊[1]大約每秒發送513個包，發送的包有小包和大包兩種，模塊采用小波包變換對信號進行分析：小包的格式是AA AA04 80 02 xxHighxxLowxxCheckSum前面的AA AA04 80 02是不變的，后三個字節是一直變化的，xxHigh和xxLow組成了原始數據rawdata，xxCheckSum就是校驗和。所以一個小包里包含了一個對開發者來說有用的數據，那就是rawdata。模塊采用小波包變換對信號進行分析得到原始數據，首先指定波特率抓包后進行校驗和驗算：

當sum和xxCheckSum相等時，說明這個包是正確的，否則直接忽略這個包，然后計算rawdata：

獲取到的腦波數據流分析進行解析后獲得原始數據，通過原始數據可檢測測試員眨眼狀態，眨眼表現在原始數據的波形上，就是一個很大的波峰，用代碼檢測這個波峰的出現，就可以判斷出測試員眨眼的狀態，通過軟件MindViewer可調試輸出腦波波形，測試員在睜眼和閉眼時波段節律中α波的信號功率譜密度有顯著的不同[2]如圖3所示。

圖3 睜眼和閉眼時α波的信號功率譜密度

除此，根據腦電信號研究文獻[3]發現，獲取的特定波段信號的能量占比與專注度Attention和放松度Meditation有關。

大腦專注度與Y波、α波、β波段信號的能量占比有關，大腦放松度與θ波、δ波、α波段信號的能量占比有關，分別建立AHP模型表示為：

其中A為專注度，γ、β、α分別為對應三個波段的能量占比，其中m為γ波的權重系數、n為β波的權重系數、t為α波的權重系數；

其中M為放松度，分別為對應θ、δ、α三個波段的能量占比，其中x為θ波的權重系數、y為波的δ權重系數、z為α波的權重系數。

圖4 專注度層次模型

圖5 放松度層次模型

下面對專注度和放松度建立層次模型，根據層次分析法步驟可計算出各權重系數值，頂層為專注度分析和放松度分析，第二層分別將專注度和放松度及其持續時間作為影響因子，底層將各波段的能量占比作為另一個影響因子。首先對第一層的專注度分析構造比較矩陣，計算出矩陣的最大特征值：λmax=2，并得出其特征向量為其次通過計算CI和CR驗證其一致性，因為當出現兩個極端現象如不符合一致性要求，判斷結果不能用。計算出CR小于判別標準0.1，其符合一致性驗證要求。

繼續對專注度及其影響因子即各波段的能量占比構造比較矩陣，計算出矩陣的最大特征值：λmax=3，得出其特征向量為其次通過計算CI和CR驗證其一致性，也滿足驗證要求。同樣對專注度及其持續時間進行矩陣構造，計算出矩陣最大特征值：λmax=3，其特征向量為計算得到的兩個特征向量,1W為第二層的影響因數特征向量，2W為底層影響因數特征向量，兩者互為影響的特征向量矩陣為：

由以上結果可知專注度疲勞狀態判別相關系數矩陣為：

即（4）式子中，Y波的權重系數m=0.89、β波的權重系數n=0.74、α波的權重系數t=0.50。

用理可得放松度的APH模型3.5式子中，θ波的權重系數x=0.32、δ波的權重系數y=1.01、α波的權重系數z=0.75，APH模型公式為：

根據層次分析法得到專注度與放松度的相關系數，分別將駕駛員正常駕駛和疲勞駕駛過程中專注度和放松度的值反應在同一坐標內，如圖6所示。

圖6 駕駛過程中專注度和放松度的關系

可看出正常駕駛狀態與疲勞駕駛狀態下的專注度和放松度存在相關性，其計算關系如下[4]：

其中,r為基于專注度和放松度相關系數的疲勞判別特征值，Xi和Yi分別是在i時的專注度與放松度。為二者在i時間段內的平均值。

本文的疲勞駕駛狀態識別算法是將駕駛員的眨眼頻率與專注度和放松度的相關系數作為判斷疲勞狀態的特征值，選擇準確率高的算法進行結果分析與判斷。國內外文獻中主要使用基于Knn模型、C4.5模型以及樸素貝葉斯模型的疲勞識別算法，其中基于Knn模型算法的正確率被驗證為較高。

獲取到特征值r后，對實驗數據進行Knn疲勞識別算法處理，其時間復雜度為O（n），其中n為樣本的數量，樣本數量的專注度和放松度相關系數為rn，眨眼次數為bn，專注度和放松度的實時數據為r，眨眼實時數據為b，根據Knn算法距離選擇標準，分別計算每個實時采集的新數據到樣本空間數據的幾何距離計算方式如下:

確定好了疲勞狀態判別算法后，采用交叉驗證法[5]選取最優的K值，找到與采集的新數據最相近的K個樣本，目前文獻[6]將其取值為1,3,5,7,9,11，計算正確率，而本文中的疲勞狀態識別裝置的K值如何定義的，這是本文將繼續深入研究的內容。

3 研究總結

文中分析該領域國內外的研究現狀和研究成果，在已有現代腦電科學的研究分析基礎上，研究一種基于腦波模塊TGAM的疲勞駕駛狀態智能識別與警報系統，分析裝置的結構與工作流程，并對模塊獲取的數據流采用小波包變換進行分析，研究得到大腦的專注度和放松度與各波段能量占比有關，根據相關系數分別建立AHP模型并求得相關系數值，從而獲得基于眨眼次數與專注度和放松度相關系數的判斷大腦疲勞狀態的運算方法，再將Knn算法運用于識別疲勞駕駛狀態樣本，下一步將對K值的取值進行研究，為提高該裝置疲勞駕駛狀態識別的準確率奠定實驗基礎。