基于BDPCA的駕駛員腦疲勞等級劃分研究

呂 超，閆 超，徐亞茹，年錦濤

(長春理工大學，吉林長春130021)

1 引言

世衛組織的報告中說明了道路交通事故已經成為了全球一項重要的死亡原因[1]。而在頻發的交通事故中，由于駕駛員的疲勞駕駛導致的交通事故占據相當大的比例。如果能夠對駕駛員的疲勞狀態進行檢測，并進行相應的等級劃分，就能夠充分地掌握駕駛員的精神狀態，根據駕駛員的疲勞等級狀態進行相應的工作劃分，便能大大的減少疲勞駕駛所導致的交通事故的發生。近些年，對駕駛員疲勞狀態的客觀檢測研究主要圍繞肌電、眼電、心電以及腦電等生物電信號進行。除此之外，還有研究人員使用眨眼頻率、方向盤軸承偏移量等行為信號進行駕駛員的疲勞狀態分析。但是由于生物電信號具有良好的實時差異性和不可偽裝性等優點[2]，其對疲勞狀態檢測的精確度要高于行為信號，而腦電信號相比于其它生物電信號的采集更加簡單方便，對機體狀態的表征更為全面，因此使用腦電信號對駕駛員的疲勞狀態進行檢測被認為是最合適的方法之一[3]。隨著人工智能技術的快速發展，基于人工智能的分析方法在數據的處理和分類問題上越來越受到關注。Jianfeng Hu[4]將K-NN和SVM應用到腦電信號的分析處理中。閔建亮[5]使用極限學習機對從腦電信號中提取到的特征值進行分析進行對疲勞狀態的檢測。Saeedi Maryam[6]將SVM和多層感知器應用在腦電信號的分析處理中。上述的機器學習方法雖然在對清醒狀態與疲勞狀態的區分檢測中取到了不錯的識別精度，但僅僅針對疲勞與清醒進行相應的劃分，而忽略了其中兩種狀態之間的過渡信息，并沒有建立一個客觀明確的疲勞等級劃分機制。由于前期進行訓練的數據狀態大多是由個體的主觀感受作為依據，因此難免會出現誤差。為解決上述問題，本文采用無監督學習方式的聚類學習算法直接對數據進行處理。相對于有監督的學習方式，無監督學習的聚類算法自動的將疲勞狀態相近的腦電信號劃分為同一等級，實現對疲勞等級的客觀劃分。DPCA算法基于數據的局部密度與數據點之間的距離進行分析，但是DPCA算法無法自動確定類簇中心K的數值。因此本文引入貝葉斯信息準則(BIC)對DPCA聚類算法進行改進的BDPCA算法對數據進行分析。

2 疲勞狀態劃分機制

腦電信號中蘊含著豐富的節律波信息，當疲勞程度加深時，腦電信號中的慢波逐漸增多，快波逐漸減少，大腦系統的復雜性下降[7]。這種大腦系統和腦電信號與疲勞狀態的變化關系證明了通過腦電信號對疲勞狀態進行劃分的可能性[8]。通過腦電信號的變化特性進行疲勞狀態分析的步驟為：腦電信號的采集、聚類分析算法、腦電信號的預處理、腦電信號的特征提取、疲勞狀態劃分。研究者對腦電信號的特征提取方式研究通常從頻域和時域兩個方面進行著手。時域分析方法簡單直觀，一般提取信號的的幅值、均值、方差、正則性和同步性等參數。簡單的時域特征提取方式并不適用于復雜的腦電信號分析。頻域分析方法將信號投射到頻率域進行分析，但是腦電信號有著較強的隨機性，很多有用的信息都是瞬態的，根據“不確定性原理”，信號處理時無法同時擁有較好的時間與頻率分辨率，因此在時域和頻域結合起來進行處理是非常必要的。而小波包變化既兼顧了頻率分辨率，又保留了時間分辨率，同時相對于小波變換，小波包變換對低頻信號的劃分更為細致。因此本文使用小波包變換對采集到的的腦電信號進行特征提取。然后使用改進的BDPCA聚類算法對提取的特征向量進行訓練，完成對不同疲勞狀態等級的聚類區分。一個完整的疲勞狀態等級劃分機制的流程圖如圖1所示。

圖1 疲勞狀態等級劃分機制的流程圖

3 腦電信號的特征提取

3.1 腦電信號預處理

通過實驗采集到的原始腦電信號中含有大量的諸如肌電、心電等生物電噪聲和工頻干擾噪聲。因此在使用腦電信號進行特征提取之前需要對腦電信號進行預處理消除上述噪聲。首先對原始腦電信號進行128Hz重采樣，128Hz重采樣不僅降低了信號所占內存的大小并且有利于后續使用小波包分解進行能量特征的提取。使用陷波濾波器去除50Hz的工頻陷波。使用0.45-35Hz的帶通濾波器去除低頻噪聲和高頻干擾。使用MATLAB自帶的EEGLAB工具箱進行ICA成分分析，去除較為明顯的眼電噪聲成分。經過上述預處理步驟后的腦電信號用于后續的特征提取。

3.2 腦電信號的特征提取

特征提取的主要目的是從預處理后的腦電信號中提取到與機體疲勞狀態密切相關的信息用于后續的分析。腦電信號中主要包含δ波(0.5-4Hz)、θ波(4-7.5Hz)、α波(8-13Hz)、β波(14-30Hz)、γ波(30-45Hz)等五種不同頻帶范圍的電波分量[9]。當疲勞狀態發生時，大腦的反應能力下降，同時大腦系統的復雜度降低。EEG信號中γ波較多出現于病變機體的腦電信號中，因此并不適用于對疲勞狀態的分析。隨著疲勞程度的變化，δ波、θ波、α波、β波均會發生相應的變化，對疲勞狀態等級的劃分提供了理論支持[10]。根據腦電信號隨疲勞狀態程度的變化特性，本次研究采用小波包變換對腦電信號進行分解，提取不同頻帶范圍的節律波能量值作為疲勞狀態劃分的特征值。將預處理后的腦電信號進行4層的小波包分解，共得到16個節點，節點位置及編號如圖2所示。

圖2 4層分解小波包樹

其中，與各節律波有關的節點編號及所屬的頻帶范圍如表1所示。

表1 小波包節點對應頻帶范圍

根據不同節律波所處的分解子頻帶的系數通過式(1)計算求取該節點的能量。

(1)

除此之外選擇能反映系統復雜度的非線性特征來表征大腦系統的變化。最終，本次研究選擇使用樣本熵(F2)與節律波能量特征(F1)一同作為提取的特征向量進行后續疲勞狀態等級的分析。

4 判別模型的選擇

4.1 BDPCA聚類算法流程

針對有監督學習與無監督學習的算法模型的特點。本文研究采用BDPCA聚類算法對腦電信號的疲勞狀態等級進行相應的劃分。BDPCA聚類算法由密度峰值聚類算法(DPCA)和貝葉斯信息準則(BIC)融合而成。DPCA聚類算法的核心思想為類簇的中心點有著更大的局部密度值，而不同類簇的中心點之間與非類簇中心點之間有著更遠的距離[12]?；谏鲜龊诵乃枷隓PCA聚類算法的聚類步驟如下所示：

1) 選取截斷距離dc。

2)按照式(2)和式(3)求取局部密度。

(3)

3)按式(4)求取聚類中心距離。

(4)

4)使用求取到的局部密度與聚類中心距離畫圖。根據所做圖進行數據點類型的判定。普通點靠近橫軸，異常點靠近縱軸。而聚類中心點同時遠離橫軸和縱軸。

5)聚類劃分。將非中心點數據點劃分至局部密度大于該點中距離最近的點所屬的簇中。對每個點進行判斷分析后結束算法。

DPCA算法雖然根據簇類中心圖提出了簇類中心點的選擇原則，但是在實際數據分析應用中，研究者大多不知道數據集的分布形式，因此很容易出現疑似簇類中心的點被選作簇類的中心點。圖3為使用德國波恩大學癲癇腦電數據集提取到的特征值所畫的簇類中心圖。

圖3 波恩數據集簇類中心圖

(5)

在初始條件下，每個模型被選擇的概率相同的條件下，尋找后驗概率最大的模型就是尋找邊緣概率P(x1，x2，…，xn|Mi)最大的模型。

(6)

其中θi為模型的參數向量，L為最大似然函數，gi(θi)為參數向量的概率密度函數。BIC參數和最大似然函數的計算進一步簡化為式(7)[13]。

(7)

Pi為模型參數的個數。上述BIC參數表征的是模型與真實數據之間的損失，BIC參數絕對值越小，所選擇的模型越好。聚類算法的工作流程如圖4所示。

圖4 BDPCA算法工作流程圖

4.2 BDPCA聚類算法的改進

3.1所述的BDPCA聚類算法主要有如下不足：由于對不同的數據點計算的ρi和δi均為離散值。有可能造成不同數據點求取的局部密度ρi與聚類中心距離δi相等的情況。圖5為截取的疲勞測試采集到的腦電信號所產生的簇類中心圖。

圖5 簇類中心圖

觀察根據提取到的特征向量生成的簇類中心圖，可以發現局部密度相同的點有很多，因此局部密度最大的點所產生的疑似簇類中心點也很多，雖然可以通過計算BIC參數確定最佳簇類的個數，但會大大增加運算時間，并且會對后續的數據點所屬類別的判定造成困難。

因此，本文使用相似度的概念對ρi和δi的值進行重新定義。根據(8)和(9)計算局部密度ρi與距離δi。

(9)

通過計算信號點之間的相似度代替原始的ρi和δi，極大地降低了不同數據點的ρi和δi出現相同的情況。但是，由于在計算相似度的時候單純的使用兩點的距離進行計算，因此當某一簇的邊緣數據點與另一簇的邊緣數據點相距較近時，容易出現的誤判的情況。圖6為經典雙月數據集的劃分結果。

圖6 相近數據點類別誤判的情況

從聚類結果圖中可以看出聚類效果并不理想。圖7為單通道腦電數據集提取到的二維特征分布圖。從圖中可以看出提取到的特征值數值大小十分接近，而且其分布狀態在二維平面并不明顯可分，因此直接使用相似度進行腦電數據點的聚類分析并不可行。

圖7 二維腦電特征分布圖

為避免上述情況，本文研究引入共同鄰居參數(CNN)對相似度的計算進行優化[14]。優化后的計算公式如(10)所示

(10)

其中CNN(sisj)表示數據點si和sj的dc鄰域范圍內共同存在的數據點的個數。與傳統相似度計算方法不同，引入該參數后，后續數據點的類型判定由距離和兩點之間的局部密度共同決定。數據點將被劃分至局部密度大于其的數據點中距離最近的一個，避免出現由于兩類不同簇的邊緣點距離過近造成的誤判現象。

5 BDPCA聚類算法在疲勞等級劃分中的應用

BDPCA算法已經應用在一些工程的數據處理研究中，諸如航空發動機故障數據標記等工程信號中，并取得了較好的仿真結果[15]。由于腦電信號和大多數工程信號一樣具有隨機性、非平穩性等特點，本文將BDPCA算法應用在腦電數據的處理分析工作中。

5.1 BDPCA算法應用于腦電信號的可行性分析

本文使用改進后的BDPCA算法在部分波恩癲癇腦電數據中進行聚類分析。通過聚類結果的準確率進行可行性分析。通過小波包變換提取腦電信號的δ波和θ波作為訓練的特征向量。使用改進后的BDPCA算法對提取到的特征向量進行訓練分析，生成的聚類中心圖如圖8所示。

圖8 波恩數據集簇類中心圖

根據簇類中心圖確定疑似中心點的個數為2-6個，分別計算簇類中心點的個數為2-6個時的BIC參數。計算結果如表2所示。

表2 不同K值的BIC參數

根據BIC參數確定最佳聚類簇數為3類。而選取的數據為健康受試者、癲癇患者未發病狀態與癲癇患者的發病狀態采集的腦電信號。其實際簇類個數與BIC參數的計算結果相符。BDPCA聚類算法的分析結果如表3所示。

表3 波恩癲癇腦電聚類結果

根據聚類結果可以看出BDPCA聚類算法在對發病的癲癇患者的劃分的準確率達88%。證明了BDPCA聚類算法應用在腦電信號分析中的可行性。

5.2 BDPCA算法在疲勞狀態等級劃分中的應用

為保證實驗數據與真實的駕駛腦電數據相一致與安全性，本文使用的數據為志愿者駕駛虛擬駕駛設備時采集到的腦電信號進行分析。為更好的查看個體的差異性與消除實驗的偶然性，實驗選取身體健康、視力正常、近期無服藥病史且有駕照的一男一女共兩名志愿者同學參加。

實驗選擇在易于產生疲勞狀態的午后進行。正式進行實驗開始前，駕駛員需要進行10min的試駕來熟悉操作過程。正式實驗開始后要求駕駛員以固定的速度進行駕駛，駕駛過程中前方屏幕會隨機出現障礙物，要求駕駛員操控方向盤進行閃避，整個實驗過程共持續150min，整個實驗期間駕駛員如感覺身體不適可隨時停止，停止后實驗隨之結束。如沒有出現特殊要求，駕駛員將沒有休息的持續駕駛150min，駕駛過程中，便攜式EMOTIV采集設備將一直以256Hz的頻率采集駕駛員的腦電信號。實驗過程中還配有兩名工作人員，其中一名工作人員在側面每5min記錄一次駕駛員的眨眼次數，另一名工作人員記錄下障礙物出現的時間以及避障結果。上述兩類參數將作為后期劃分疲勞狀態等級的判定標準之一。

采集到的腦電信號經過預處理后，將信號劃分為20s的數據段，提取數據段中的10s作為特征提取的信號。通過小波包分解提取信號的能量特征與樣本熵作為算法的輸入向量。分別對提取的兩名駕駛員的腦電信號特征向量進行BDPCA聚類分析。

駕駛員A生成的簇類中心圖如圖9所示。

圖9 駕駛員A簇類中心圖

根據簇類中心圖確定疑似中心點的個數為2-6個，分別計算簇類中心點的個數為2-6時的BIC參數。計算結果如表4所示。

表4 不同K值的BIC參數

根據BIC參數BDPCA算法將腦電信號分為5種不同的狀態。不同狀態的特征值變化如圖10所示。

圖10 駕駛員A特征值變化圖

從圖中可以看出能量特征值是逐漸增加的，樣本熵是逐漸減小的這與疲勞程度加深時特征值理論變化趨勢相一致。從圖中可以觀察到的能量變化更為明顯，樣本熵雖然有減少的趨勢，但并不如能量特征值明顯。

駕駛員B生成的簇類中心圖如圖11所示。

圖11 駕駛員B簇類中心圖

根據簇類中心圖確定駕駛員B疑似中心點的個數也為2-6個，計算簇類中心點的個數為2-6時的BIC參數。計算結果如表5所示。

表5 不同K值的BIC參數

根據BIC參數BDPCA算法將腦電信號分為5種不同的狀態。不同狀態的特征值變化如圖12所示。

圖12 駕駛員B特征值變化圖

根據駕駛員B 的特征值變化圖，可以發現其變化趨勢與駕駛員A的變化趨勢相同，符合理論變化趨勢。

在BDPCA聚類算法對數據進行分析訓練后，使用實驗過程中記錄的避障結果、眨眼次數與特征值數值一同進行疲勞狀態等級的劃分。在通過對每一狀態對應的時間段記錄的眨眼次數與特征值數值的分析過后，發現駕駛員A與B的狀態5時間分布較為普遍，并不集中在某一時間段，進一步觀察行為信號發現，在提取該狀態的10s時間段信號內，均發生過3次及以上的避障操作，因此將該狀態作為多次連續動作造成的特殊狀態，并不納入疲勞狀態等級中。對其余四種狀態進行分析發現駕駛員B的狀態1避障率要高于駕駛員A狀態1的避障率，眨眼次數也遠小于駕駛員A的狀態1次數。繼續對比發現駕駛員A的狀態1的各種行為信息與駕駛員B的狀態2相近，而能量特征的數值也有這種對應關系，證明駕駛員A在前10min預駕駛時已出現了疲勞狀態。最終通過避障率、眨眼次數確定了各狀態所表征的疲勞程度，確定駕駛員A和B的不同疲勞狀態分布如圖13所示。

圖13 駕駛員疲勞狀態等級圖

表6 基于能量特征F1疲勞等級劃分條件

6 結論

本文針對腦疲勞等級劃分缺乏客觀性判斷的問題，提出了一種基于BDPCA的改進型聚類算法進行腦疲勞狀態的等級劃分。實驗中采集不同駕駛員的腦電信號進行驗證研究，并通過避障率與眨眼次數等行為信號進一步為疲勞等級劃分提供依據。實驗結果表明兩名駕駛員相同疲勞狀態等級的能量特征值的平均值相近，當駕駛員處在清醒(F1<0.9)與輕度疲勞狀態(0.9