基于SSA-BP極端高溫天氣駕駛疲勞的檢測

朱興林，克然木·司馬義，姚亮，葉拉森·庫肯

(新疆農業大學交通與物流工程學院，烏魯木齊 830052)

隨著全球氣候變暖，極端高溫天氣事件對人們生命安全構成嚴重威脅[1]，相關研究表明極端高溫天氣對人體健康產生不利影響，在高溫天氣下人的反應能力等知覺能力會有所減弱[2]。由此可見，相比于正常天氣，在極端高溫駕駛環境下行車時駕駛員生理特性指標變化較顯著，并導致駕駛員疲勞程度的快速增加。

根據國內外研究者對道路交通事故的研究結果，疲勞駕駛是道路交通事故的主要隱患，具有很難被發現的特點[3-4]。疲勞駕駛通常會使駕駛員對車輛操控能力的下降，從而導致道路交通事故，因此關于駕駛疲勞的研究引起了許多國內外研究者的關注。

Kecklund 等[5]通過駕駛時間設定為8 h，發現駕駛員腦電信號(α波、β波)和主觀疲勞等級隨時間顯著增加。裴玉龍等[6]以不同年齡駕駛員為研究對象，通過自然駕駛環境下進行行車試驗，分析不同年齡駕駛員在駕駛過程中的疲勞程度差異性，獲取了不同年齡段最優駕駛時間。Bittner等[7]以車輛方向盤正常轉速下的修正時間與低轉速下的修正時間之比為研究依據，進行駕駛疲勞檢測，并得到有效地驗證結果。

駕駛疲勞檢測是避免交通事故的有效措施，因此國內外學者使用各種檢測方法，針對駕駛疲勞進行了檢測與分類。Khushaba 等[8]利用布爾邏輯、粒子群及支持向量機(support vector machine,SVM)等3種算法構造了駕駛疲勞識別模型。Yang等[9]以駕駛員心電圖(electrocardiogram,ECG)和腦電圖(electro encephalo gram,EEG)生理指標特征為研究基礎，提出了一種基于動態貝葉斯網絡、信息融合、多重環境以及生理特征的駕駛疲勞識別模型。王連震等[10]利用貝葉斯網絡在信息融合和概率統計方面的優勢，對駕駛疲勞進行了識別。李鑫等[11]以駕駛員生物信號數據為研究基礎，采用D-S (Dempster-Shefer)證據理論構造了基于(blood pressure waveform,BPW)特征融合的駕駛疲勞檢測模型，根據該模型的駕駛疲勞檢測精度結果，發現具有良好的應用前景。盧章平等[12]采用實驗生理學和主觀調查疲勞等級方法，研究不同駕駛員在3個時間段的疲勞程度變化，通過不同生理指標的結合提高了對駕駛疲勞識別準確率。

目前，大部分駕駛疲勞檢測的研究主要局限在駕駛員生理特性變化和駕駛時間，但關于駕駛環境等多種影響因素的研究較少。首先從駕駛環境視角出發，根據駕駛員自身特征將駕駛員分為本地和外地等兩類，分別開展了三種溫度駕駛環境下實車試驗，采集了兩類駕駛員的主觀疲勞值和生理特性指標；其次通過統計學方法確定兩類駕駛員在不同溫度下主觀疲勞值和各項生理指標之間的差異；最終構建麻雀搜索算法與(back propagation,BP)神經網絡融合的駕駛疲勞檢測模型，對駕駛員疲勞等級進行識別與分類，以提高駕駛疲勞檢測準確率和可靠性。

1 試驗方案的設計

本次試驗目的是研究極端高溫天氣下駕駛員疲勞程度情況，通過采集的試驗數據分析兩類駕駛員在不同溫度下疲勞程度差異，利用主觀疲勞值和生理指標數據驗證駕駛疲勞等級檢測模型的識別精度與可靠性。

1.1 試驗人員

按照試驗目的，本次試驗共招募了20名駕駛員(即10名本地駕駛員、10名外地駕駛員)，均已有C1駕照，平均駕齡為8.25歲。按試驗路段熟悉度將駕駛員分為本地和外地等兩類，能夠滿足該疲勞等級檢測模型的需求。基于安全因素考慮，試驗要求所有試驗者為男性、身體健康、無不良駕駛記錄、試驗前睡眠充足、進行試驗前24 h不得飲酒和咖啡等刺激性飲品。

1.2 試驗儀器

本次試驗儀器選用加拿大Thought Technology公司的ProCamp Infiniti 生理儀設備，該設備包括先進的計算機技術和傳感器傳導技術。通過傳輸內線路內部的光纖，可以采集駕駛員心電、皮電等多種生理信號，采集頻率達到256 Hz/s。最終利用各種傳輸技術可以導出txt等格式的數據文件。

1.3 試驗環境

研究道路交通事故原因時，駕駛環境影響是不可忽視的主要因素，極端高溫天氣是溫度標準40 ℃及以上的特殊環境，因此駕駛員在極端高溫天氣下行車時，駕駛員生理特性發生有所變化，從而導致駕駛疲勞現象。根據本次試驗目的，擬選行車試驗路段始于吐魯番地區鄯善縣蘇巴什村止于吐魯番市高昌區，試驗路段來回一次總里程74 km，試驗時長均60 min。

1.4 采集數據流程

在進行行車試驗時，駕駛員佩戴相關的試驗儀器，采集心率和心率變異性數據，并在D-Lab軟件中計算。同時進行行車試驗過程中，利用卡羅林斯卡嗜睡表(Karolinska sleepiness scale,KSS)量表進行主觀調查，即每5 min一次詢問試驗者疲勞程度，詢問的時候觀察員根據駕駛員自身變化對駕駛員疲勞程度進行評分。最后將駕駛員回答與觀察員評分結果對比，判斷駕駛員疲勞程度，如果試驗者回答和觀察員評分結果不一致，那觀察員評分結果為準判斷。

1.4.1 主觀疲勞等級的確定

通過KSS量表量化疲勞等級是在駕駛疲勞檢測中常用的方法[13-14]。采用KSS量表主觀疲勞等級調查方法，對駕駛員進行主觀評分，KSS量表具體描述和疲勞等級如表1所示。

表1 KSS調查表Table 1 KSS questionnaire

1.4.2 駕駛疲勞等級簡化

由于KSS量表過于詳細，在評分時很難避免試驗者和觀察員個人主觀因素的影響，通常采用主觀評分法結合3級疲勞評價法建立駕駛疲勞3個疲勞等級的標準，有效減弱了試驗者在實時自我評分時主觀影響差異因素的影響。根據前人的研究成果，將KSS量表主觀疲勞值簡化為清醒、過度、重度疲勞等3個等級[15-16]，即當KSS≤4時，則試驗者處于在清醒狀態；當5

表2 疲勞等級表Table 2 Fatigue level table

2 指標選取與數據分析

2.1 指標介紹

通過閱讀前人的駕駛疲勞檢測研究成果，選取了心率(heart rating，HR)、心率變異性指標SDNN(standard deviation of R-R interval)和RMSSD(root-mean-square difference value of adjacent R-R interval)；根據天氣溫度影響人體特征參數，選取了表皮溫度指標，并與心率HR、SDNN和RMSSD相結合，運用數理統計方法，分析了兩類駕駛員各項生理指標在三種溫度駕駛環境下變化差異。

(1)HR。HR是指心臟每分鐘跳動的次數，人處在正常、疲勞及運動狀或緊張態下的HR跳動次數有差別，如正常狀態下成年人心率一般跳動次數60～100 次/min，激烈運動狀態下心率跳動次數一般在120～180 次/min范圍內，而睡眠狀態下心率一般50～70 次/min[17]。研究表明，心率的變化在辨識駕駛疲勞研究中具有舉足輕重的意義，即經過長時間行車導致駕駛員心率急劇下降[18]。

表3 選取指標與介紹Table 3 Selection indicators and introduction

(2)SDNN。SDNN是指RR間標準差，評價自主神經系統受損和恢復的主要指標。RR間標準差SDNN作為可以分析極端高溫天氣下駕駛員疲勞程度，計算公式為

(1)

(3)RMSSD。指相鄰RR間差值的均方根，表示心率變異性(heart rate variability，HRV)的快速變化。計算公式為

(2)

(4)表皮溫度。一般指人體皮膚表面的溫度，也稱為體表溫度，由于皮膚分布在身體的表面，容易受到外界環境的影響，因此與體溫而言皮膚溫度不穩定，變化的范圍比較大[19]，正常情況下皮膚溫度標準為36～37 ℃。伴隨天氣溫度增大，表皮溫度的越來越不穩定。

2.2 數據統計與分析

2.2.1 駕駛員主觀疲勞值和生理指標數據統計

在夏季時，本地駕駛員通常在極端高溫天下開車，因此本地駕駛員適應性與外地駕駛員相比較好，從而疲勞程度之間也存在明顯的差異。圖1為測試的兩類駕駛KSS量表主觀疲勞值。可以看出，隨著駕駛環境溫度的升高，駕駛員主觀疲勞值呈上升趨勢，外地駕駛員的主觀疲勞值大于本地駕駛員主觀疲勞值。

圖1 兩類駕駛員主觀疲勞值KSSFig.1 The subjective fatigue value KSS of two types of drivers

針對兩類駕駛員指標數據進行統計，分析各項指標在三種溫度駕駛環境下的變化情況，匯總結果見圖2所示。匯總結果顯示，隨著駕駛環境溫度變化，兩類駕駛員心率HR、表皮溫度、SDNN及RMSSD等4個特征指標之間存在顯著差異。

從圖2可見，在極端高溫天氣下兩類駕駛員各項生理指標變化顯著，通過此4項生理指標變化與主觀回答結果結合，初步可知極端高溫天氣下駕駛員疲勞速度較快。

圖2 不同溫度下兩類駕駛員相關指標數據匯總Fig.2 Summary graph of two types of driver-related index data at different temperatures

2.2.2 主觀疲勞值與生理指標相關性分析

由于駕駛疲勞程度增加與駕駛員自身特性變化密切相關，駕駛員主觀疲勞值和生理特性指標之間存在一定的關聯性，因此應用Person相關性分析方法，分析得到兩類駕駛員在極端高溫天氣下采集的4項生理特性指標之間的相關矩陣，如表4所示。

表4 基于極端高溫天氣生理數據相關性分析Table 4 Correlation analysis of physiological data based on extreme high temperature weather

分析結果表明，在極端高溫天氣下本地和外地駕駛員心率變異性指標SDNN和RMSSD共同兩個指標與駕駛員主觀疲勞值KSS相關性最顯著，同時與前人研究成果相結合，選取SDNN為極端高溫道路環境駕駛疲勞程度檢測研究中建議參考的生理指標。

2.2.3 不同溫度下兩類駕駛員生理指標差異性分析

在極端高溫天氣下本地與外地兩類駕駛員心理、生理特性指標數據變化程度之間有所差異，需要對本文選取的生理指標數據進行差異性分析。為分析極端高溫道路環境下兩類駕駛員生理數據變化之間的差異，采用非參數檢驗(曼-惠特尼U檢驗)針對極端高溫天氣、高溫天氣及正常天氣等3種溫度駕駛環境下兩類駕駛員4項生理指標進行差異性分析，檢驗結果如表5所示。

表5 不同溫度駕駛環境下兩類駕駛員非參數檢驗Table 5 Two types of non-parametric tests of drivers in different temperature driving environments

從表5可知，極端高溫和高溫兩種天氣下本地與外地駕駛員生理數據之間存在顯著差異，而正常天氣下此兩類駕駛員各項生理數據之間差異不顯著，檢驗結果表明極端高溫天氣對兩類駕駛員產生不同程度的影響，選取的4項生理指標可以用于基于極端高溫駕駛疲勞程度研究。

2.2.4 極端高溫天氣下兩類駕駛員生理指標配對檢驗

根據前人的研究成果和駕駛員特征分析檢驗，以兩類駕駛員生理指標里選取SDNN為主要特征參數，針對兩類駕駛員SDNN進行配對T檢驗，分別得到基于極端高溫道路環境2類駕駛員產生疲勞的駕駛時間。首先將兩類駕駛員SDNN指標數據 按5 min 的標準進行分組，前5 min的SDNN數據與其他數據組進行配對T檢驗(即5 min-10 min，5 min-15 min，…,5 min-60 min)。檢驗結果如表6所示。

由表6可知，本地駕駛員心率變異性指標SDNN數據到35 min的時候，配對檢驗結果顯示為非常顯著，表明本地駕駛員在極端高溫道路環境下行駛時間到35 min左右開始產生疲勞駕駛；而外地駕駛員在25 min時，檢驗結果顯示為非常顯著，表明外地駕駛員在極端高溫道路環境下行駛時間到25 min左右開始產生疲勞駕駛。

表6 極端高溫兩類駕駛員SDNN數據配對檢驗Table 6 Paired test of SDNN data for two types of drivers in extreme high temperature

3 疲勞檢測模型建立

3.1 BP神經網絡的基本概述

BP神經網絡是機器學習中常見的預測模型，它通過建立類似于大腦神經突鏈接的結構進行信息處理。BP神經網絡利用逆向傳播的方法，針對網絡進行訓練將誤差反饋給神經網絡，在訓練過程中對網絡中的權重值和閾值進行不斷地調整，并實現最優擬合結果[20]。BP神經網絡的基本拓撲結構包括輸入層、隱含層及輸出層等3個元素，如圖3所示。最終根據預測結果與主觀疲勞等級標簽擬合程度判斷預測準確率。

X1、X2、X3及X4表示為選取的4項生理指標，而X5表示為主觀疲勞等級標簽；Wij和Wjk表示為隱含層函數；A1、A2、A3、A4及A5分別表示為疲勞預測輸出值圖3 BP神經網絡結構圖Fig.3 Structure diagram of BP neural network

隨著BP神經網絡使用領域的擴大，國內外學者研究發現了BP神經網絡的缺點和不足，即BP神經網絡存在局部小化問題，導致預測結果不一致；存在算法收斂的速度較慢問題，引起了算法效率低的情況；訓練網絡機構選擇不一致問題，影響網絡結構的逼近能力。因此為提高疲勞檢測的精度，本文利用麻雀搜索算法優化BP神經網絡，建立駕駛疲勞檢測模型。

3.2 基于SSA優化BP神經網絡方法

麻雀搜索算法[21-22](sparrow search algrothm,SSA)是根據模擬麻雀覓食和逃避危險的行為提出的一種優化算法。麻雀群體的覓食行為包括三種，發現者尋找食物、加入者跟隨發現者發現食物位置、觀察者決定該群體是否放棄食物。其中發現者與加入者之間存在一定的相互轉換關系，發現者的數量占整個群體的10%～20%，由于發現者的活動范圍廣，通過不斷地更新自己的位置，并確定食物的具體位置。加入者則跟著發現者不斷地覓食行為，以獲得更高的適應度。而觀察者則偵查食物位置周圍的危險，負責捕食出現時提醒群體避免反捕食的行為，一般占群體數量的10%～20%[23]。

(1)發現者的位置更新表達式為

(3)

式(3)中：Cmax表示算法最大迭代次數；a則表示(0,1]的均勻隨機數；Q是服從正態分布的隨機數；L表示為1×d的矩陣；其元素為1；且R2∈[0,1]和ST∈[0，5，1]表示為預警值和安全值。

(2)加入者的位置更新公式為

(4)

麻雀群體尋找食物時部分麻雀進行偵查周圍環境的危險情況，當發現危險來臨時，通過交流方式提醒其他麻雀，從而麻雀群體它們放棄食物，避免捕食者的危險，移動其他位置繼續尋找食物。

(3)觀察者的位置更新公式為

(5)

麻雀搜索算法(SSA)與傳統的優化算法相比，受參數設置的影響小、收斂速度快、計算范圍廣，不易陷入局部最優，因此麻雀搜索算法(SSA)能夠有效地優化BP神經網絡駕駛疲勞檢測模型。SSA-BP神經網絡駕駛疲勞預測模型實現基本步驟(圖4)如下。

圖4 基于麻雀搜索算法優化BP神經網絡流計算程圖Fig.4 Flow calculation diagram of optimizing BP neural network based on sparrow search algorithm

(1)確定BP神經網絡的拓撲結構輸入層，隱含層、輸出層節點。

(2)對駕駛員生理指標數據進行預處理。

(3)初始化BP神經網絡閾值和權重值。

(4)計算每一只麻雀個體的適應度。

(5)根據式(3)、(4)、(5)計算發現者、加入者及觀察者的更新位置。

(6)更新最優適應度，判斷是否達到最優迭代數，若滿足下一步輸出結果，若沒有滿足回到循環繼續計算。

(7)得到種群最優個體賦值BP神經網絡閾值和權重值。

(8)輸出預測結果。

4 實例分析

基于SSA-BP神經網絡駕駛疲勞檢測模型在MATLAB進行實現，建立了極端高溫天氣駕駛疲勞檢測模型。該模型隨機抽取70%的樣本作為訓練集，30%的樣本作為測試集，將簡化后的KKS量表疲勞等級為標簽，對SSA-BP神經網絡駕駛疲勞預測模型進行訓練和測試，其極端高溫天氣駕駛疲勞預測和分類結果如圖5所示。

圖5 駕駛疲勞等級預測與分類結果Fig.5 Prediction and classification results of driving fatigue level

從圖5(b)預測結果可見駕駛疲勞等級越低，預測與分類效果越好，誤差越小，疲勞等級屬性1與疲勞等級屬性2、3相比較少，說明極端高溫天氣下駕駛員快速進入疲勞狀態。根據駕駛疲勞預測值和真實值之間相互對比分析，該模型的預測和分類效果較好、運行時間短及收斂速度較快，能夠為極端高溫天氣駕駛疲勞檢測研究提供一定的參考和借鑒。

標準BP神經網絡駕駛疲勞預測模型準確率達到0.885，利用麻雀搜索優化后的BP神經網絡準確率可達0.95，SSA優化曲線圖越接近1，則預測效率越好，從圖6可見，優化準確率達到0.945時開始平穩，最終結果達到了最佳適應度。表明SSA有效地優化BP神經網絡預測模型，基于SSA改進后的BP神經網絡駕駛疲勞檢測精度更準確。

圖6 SSA優化曲線圖Fig.6 SSA optimization curve

5 結論

從駕駛環境視角出發，針對極端高溫天氣駕駛環境中駕駛員疲勞程度進行研究。通過分析三種溫度駕駛環境下駕駛員相關生理指標變化差異，發現極端高溫天氣對兩類駕駛員產生不利影響。在此基礎上，建立了基于SSA-BP駕駛疲勞檢測模型，得出如下結論。

(1)首先按試驗道路熟悉程度，將駕駛員分為本地和外地等兩類，分別在極端高溫天氣、高溫天氣及正常天氣等3種氣溫環境下開展實車試驗，采集了兩類駕駛員的主觀疲勞值和生理數據，共選取4項指標并進行分析與研究。

(2)駕駛員特征分析結果表明，在極端高溫天氣下兩類駕駛員SDNN、RMSSD指標與KSS量主觀疲勞值之間的相關性最顯著；在極端高溫天氣和高溫天氣下兩類駕駛員生理特性指標變化之間存在顯著差異；配對檢驗結果顯示，本地駕駛員行駛時間到35 min時出現疲勞狀態，而外地駕駛員行駛時間到25 min時出現疲勞狀態，表明相比于本地駕駛員，外地駕駛員受極端高溫天氣不利影響較明顯。

(3)基于SSA-BP駕駛疲勞檢測模型分析本地及外地駕駛員極端高溫天氣疲勞等級分類表明，麻雀搜索算法能夠有效地優化BP神經網絡預測模型，該模型具有良好駕駛疲勞等級識別功能，可為極端高溫天氣道路交通安全提供一定的參考與借鑒。