基于棧式自編碼的駕駛員腦電信號疲勞檢測方法

石錦璇，王 昆

(山西大學 物理電子工程學院，山西 太原 030006)

0 引 言

近年來，隨著我國汽車保有量急劇增長，交通事故也頻頻發生。其中，疲勞駕駛是引發交通事故的主要原因之一，嚴重威脅著道路交通安全。研究表明，疲勞駕駛狀態下發生事故或接近發生事故的風險是清醒駕駛狀態下的4～6倍[1-2]。因此，開發車載疲勞預警系統，準確快速檢測駕駛員疲勞狀態成為研究的熱點。

與傳統的主觀評價方法相比，利用生理電信號來評價駕駛員駕駛疲勞狀態能做到客觀準確，是一種較有前景的疲勞狀態研究方法。在眾多的生理信息指標中，腦電信號(EEG)一直被譽為疲勞監測方法的“金標準”。它與精神和身體活動密切相關。車輛駕駛涉及運動、推理、視覺和聽覺處理、決策、感知和識別等各種功能。所有與駕駛相關的身心活動都反映在腦電圖信號中[3]。近年來，深度學習在許多具有挑戰性的分類任務中取得了成功，深度學習已成為腦電信號處理領域的一個熱點。例如，Ogino等[4]比較了功率譜密度(PSD)、自回歸(AR)建模和多尺度熵(MSE)3種方法對前額葉單通道腦電信號進行特征提取。利用PSD特征和逐步線性判別分析(SWLDA)進行特征選擇，利用支持向量機(SVM)進行分類，獲得了72.7%的分類準確率。Venkat和Chinara[5]提出了一種利用小波數據包變換(WPT)提取時域特征的單通道腦電信號疲勞檢測模型。Foong等[6]進一步證實腦電圖的功率帶可以用來估計駕駛員疲勞狀態，并在所試駕駛員的腦電圖中都觀察到了β波(12 Hz～35 Hz)功率帶在疲勞前后的明顯變化。……