基于可穿戴傳感器的駕駛疲勞肌心電信號分析*

付榮榮，王 宏，張 揚(yáng)，王福旺

(東北大學(xué)機(jī)械工程與自動化學(xué)院，沈陽 110189)

前言

駕駛員的駕駛疲勞是導(dǎo)致交通事故多發(fā)的主要原因之一［1］，因此須要找到能夠表征駕駛員駕駛疲勞的特征參數(shù)，并據(jù)此檢測出駕駛員的疲勞狀態(tài)，從而減少駕駛疲勞導(dǎo)致交通事故的發(fā)生率。如今駕駛員駕駛疲勞的檢測已經(jīng)成為國內(nèi)外的研究熱點(diǎn)，所做的研究主要從主觀和客觀兩個角度出發(fā)［2］，主觀檢測主要是對被試者進(jìn)行問卷調(diào)查［3］，通過調(diào)查結(jié)果對駕駛員的疲勞程度進(jìn)行估計(jì);客觀檢測主要集中在以下3個方面:(1)通過駕駛員的生理信號來檢測駕駛疲勞，常見的如腦電信號、心電信號和肌電信號等;(2)通過對駕駛員的行為進(jìn)行疲勞檢測，如駕駛員手握轉(zhuǎn)向盤的位置，眨眼頻率和頭部位置等;(3)通過檢測車輛在行駛中的狀態(tài)，如偏離正常行駛線的位置等。盡管關(guān)于疲勞駕駛的研究很多，但都有不同程度的缺點(diǎn)，如主觀檢測法雖然簡單易行，但會受到駕駛員個人意志的影響，從而導(dǎo)致檢測結(jié)果不準(zhǔn)確［4］;大多基于生理信號檢測疲勞的方法都針對某一單一生理信號進(jìn)行分析處理，而由于生理信號所具有的隨機(jī)性導(dǎo)致在諸多此類文獻(xiàn)中給出了很多不一致的研究結(jié)果，而且測量生理信號的電極不可避免地會影響到駕駛員的正常操作。

本文中利用東北大學(xué)研制的可穿戴式傳感器有效地接收股二頭肌位置的生理信號的同時(shí)實(shí)現(xiàn)了非接觸性測量，達(dá)到了應(yīng)用方便且不影響駕駛員正常駕駛的效果。由于采集到的生理信號是心電信號與肌電信號的混合信號，利用快速獨(dú)立成分分析與經(jīng)驗(yàn)?zāi)B(tài)分解算法實(shí)現(xiàn)了心電信號與肌電信號的有效分離，對心電信號與肌電信號的時(shí)域和頻域的各項(xiàng)指標(biāo)進(jìn)行研究，意在尋找能不受隨機(jī)情況影響并能客觀表征駕駛員疲勞的特征參數(shù)，從各個特征參數(shù)中選取隨時(shí)間變化具有相應(yīng)的一致變化的特征參數(shù)。統(tǒng)計(jì)分析結(jié)果發(fā)現(xiàn)，肌電信號與心電信號的相關(guān)峰值和肌電信號的峰值因數(shù)在正常駕駛狀態(tài)與疲勞駕駛狀態(tài)中具有顯著差別，符合表征疲勞特征參數(shù)的條件，故選取這兩個指標(biāo)作為判別疲勞的組合特征。利用一些表征疲勞和正常狀態(tài)的數(shù)據(jù)作為駕駛員狀態(tài)判別的訓(xùn)練集，采用馬氏距離作為判別疲勞的準(zhǔn)則，對測試集中的待判樣本進(jìn)行判別，最后通過十折交叉驗(yàn)證的方法得到了判別的平均正確率。判別結(jié)果表明，該方法在對正常狀態(tài)與疲勞狀態(tài)的區(qū)分上有良好的識別效果，能實(shí)現(xiàn)生理信號的非接觸采集，為駕駛員的疲勞檢測提供了一種簡單有效的新方法。

1 疲勞駕駛實(shí)驗(yàn)

1.1 疲勞駕駛實(shí)驗(yàn)方案

選取8名(5男3女，年齡:24.75±2.76歲)身體健康沒有睡眠相關(guān)疾病，并且駕齡都小于2年的被試者參與本實(shí)驗(yàn)。實(shí)驗(yàn)要求被試者在進(jìn)行駕駛實(shí)驗(yàn)的前24h之內(nèi)禁止飲酒、喝茶和咖啡。實(shí)驗(yàn)時(shí)間定在下午1:00-3:00左右，連續(xù)駕駛時(shí)間為2h。所有實(shí)驗(yàn)在東北大學(xué)生物機(jī)電實(shí)驗(yàn)室進(jìn)行，被試者在實(shí)驗(yàn)前了解實(shí)驗(yàn)流程并同意進(jìn)行實(shí)驗(yàn)。

本文中疲勞駕駛實(shí)驗(yàn)平臺由模擬駕駛系統(tǒng)和數(shù)據(jù)采集系統(tǒng)構(gòu)成。為加速被試者的疲勞，采用單調(diào)的高速公路作為實(shí)驗(yàn)的路面場景，車輛為自動擋小轎車，天氣狀況選擇晴天。因?yàn)楦咚俟芬灾钡罏橹?，并且駕駛自動擋小汽車，其他車輛較少且沒有行人，路邊景觀單調(diào)，干擾少，被試者極易進(jìn)入疲勞狀態(tài)［5］。將可穿戴式傳感器的傳導(dǎo)電極植入汽車坐墊內(nèi)，駕駛員坐在坐墊上就可采集到股二頭肌所在位置的生理信號，實(shí)現(xiàn)了非接觸式測量。采樣頻率為1 000Hz，陷波頻率為 50Hz。

1.2 數(shù)據(jù)處理方法

實(shí)驗(yàn)中采集到的信號s(t)為幾種不同成分信號的疊加［6］:

式中:EMG(t)代表肌電信號成分，ECG(t)為心電成分，N(t)為由呼吸和身體移動等引起基線噪聲。因此須要選取一定的信號處理方法實(shí)現(xiàn)心電信號與肌電信號的盲分離，并去除基線噪聲。由于快速獨(dú)立成分分析(FastICA)在應(yīng)用中具有速度快、易實(shí)現(xiàn)等優(yōu)點(diǎn)［7］，本文中使用快速獨(dú)立成分分析對信號進(jìn)行預(yù)處理，實(shí)現(xiàn)肌電信號與心電信號的粗略分離，并在此基礎(chǔ)上利用經(jīng)驗(yàn)?zāi)B(tài)分解算法去除肌電、心電信號之間少量的混疊現(xiàn)象和基線噪聲，從而實(shí)現(xiàn)肌電信號與心電信號的完全分離。

為進(jìn)一步明確說明本文中的數(shù)據(jù)處理過程，下面以長度為4s的靜態(tài)原始測量信號為例，如圖1所示。先利用FastICA對其進(jìn)行預(yù)處理，分離信號如圖2所示。

由圖2可見，經(jīng)FastICA處理后，仍有少量偽跡未能完全去除，且含有基線噪聲。因此，接著分別對圖2(a)和圖2(b)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到各個固有模態(tài)分量(IMF)，將各個IMF投影到頻域中得到各個固有模態(tài)分量的頻譜。依據(jù)肌電信號和心電信號各自的頻率范圍進(jìn)行信號重構(gòu)，重構(gòu)時(shí)要舍棄最后幾個低頻的固有模態(tài)分量，以去除信號的趨勢，即去除頻率較低的基線噪聲，于是得到處理后的肌電信號和心電信號。選取Savitzky-Golay濾波器對心電信號進(jìn)行平滑處理，該濾波器用一元p階多項(xiàng)式以長度為n的滑動窗口對數(shù)據(jù)點(diǎn)進(jìn)行擬合，其中n取35，p取3，此3階多項(xiàng)式的系數(shù)由最小二乘法準(zhǔn)則使擬合誤差最小來確定，從而實(shí)現(xiàn)平滑處理。至此成功實(shí)現(xiàn)了肌電信號和心電信號的分離，處理結(jié)果如圖3所示。

2 表征疲勞的特征選取

對8名被試者的2h駕車實(shí)驗(yàn)過程進(jìn)行等距提取，每隔10min提取長度為30s的數(shù)據(jù)進(jìn)行分析。在被試者駕車之后，要求被試者靜坐5min，休息10min后再記錄5min的靜坐數(shù)據(jù)，同樣地，從疲勞靜坐5min和休息后靜坐5min的數(shù)據(jù)中各自提取長度為30s的數(shù)據(jù)，與之前從駕車過程中提取的數(shù)據(jù)進(jìn)行同樣處理。

肌電信號和心電信號的各種特征指標(biāo)隨著駕駛時(shí)間的增加或者說被試者疲勞感和困倦感的增加都存在著一定的改變，雖然由于個體差異，這8名被試者的這種改變并不一致，但是在這些表征疲勞的指標(biāo)中，肌電信號的峰值因數(shù)和肌電信號與心電信號的互相關(guān)峰值所描繪出的曲線得到了基本一致的結(jié)論，利用統(tǒng)計(jì)分析 SPSS軟件進(jìn)行 Kolmogorov-Smirnov Z檢驗(yàn)，得到這兩個特征參數(shù)在正常駕駛與疲勞駕駛兩種狀態(tài)中P＜0.001，說明正常駕駛與疲勞駕駛差異性顯著。

肌電信號峰值因數(shù)可表示為

式中:Apeak為肌電信號的峰值，xrms為肌電信號的均方根值。

文中以2 000點(diǎn)(2s)為步長，以4 000點(diǎn)(4s)為窗口長度，進(jìn)行重疊率為50%的滑動計(jì)算，每次計(jì)算得到一個峰值因數(shù)，圖4為由各個峰值因數(shù)值繪制的肌電信號峰值因數(shù)圖。

以同樣的方法截取對應(yīng)處心電信號和肌電信號做互相關(guān)曲線，圖5給出計(jì)算示意圖。

在計(jì)算互相關(guān)曲線時(shí)應(yīng)注意保持相位一致，但處理后肌電信號頻率較高并在時(shí)域里上下幅值基本對稱，因此難以得到相位信息，而圖2中所包含的心電信號成分可以作為辨別肌電信號相位的依據(jù)。

鑒于肌電信號的峰值因數(shù)和肌電信號與心電信號的互相關(guān)峰值兩者存在數(shù)量級的差別，分別對它們進(jìn)行歸一化。歸一化后的肌電信號的峰值因數(shù)和肌電信號與心電信號的互相關(guān)峰值分別如圖7和圖8所示。

對圖7和圖8做進(jìn)一步的處理，將其減縮為14個時(shí)間段的數(shù)據(jù)，如圖9所示。由圖可更明顯看出，兩個特征參數(shù)Fc和c_max的時(shí)間歷程有很相似的變化趨勢，即在2h駕車的過程中大體呈現(xiàn)出向上的趨勢，當(dāng)駕駛員結(jié)束駕車后進(jìn)入疲勞靜坐狀態(tài)和休息后靜坐狀態(tài)的過程中，在曲線的末尾處呈現(xiàn)出下降趨勢，故肌電信號峰值因數(shù)、肌電與心電信號相關(guān)峰值這兩個參數(shù)可以表征疲勞狀態(tài)。利用SPSS統(tǒng)計(jì)分析軟件得到的Kolmogorov-Smirnov Z檢驗(yàn)結(jié)果表明，文中所選的特征參數(shù)在表征正常駕駛與疲勞駕駛時(shí)差異顯著。但是僅利用其中某一個特征參數(shù)作為疲勞與否的判據(jù)又具有偶然性，因此為減小生理信號隨機(jī)性對于判斷結(jié)果準(zhǔn)確性的影響，選取這兩個特征指標(biāo)作為組合特征，以提高判斷的準(zhǔn)確性。

3 判別分析

3.1 判別原理

本文中采用馬氏距離作為判別分析的判別準(zhǔn)則［9］。

對于兩個數(shù)學(xué)期望分別為μ1和μ2的不同總體G1和G2，協(xié)方差分別為Σ1和Σ2，假設(shè)是一個待判樣品，至總體G的馬氏距離為

分別計(jì)算x至總體 G1和 G2的馬氏距離 d(x，G1)和 d(x，G2)，哪個距離小，就認(rèn)為 x屬于哪個總體。

3.2 判別實(shí)例

隨著駕駛時(shí)間的增加，駕駛員的疲勞程度大致呈上升趨勢，因此認(rèn)為在駕駛初期的約40min為正常狀態(tài)，相對而言，在駕駛結(jié)束前約30min與駕駛后5min駕駛員處于疲勞狀態(tài)。從被試者一次實(shí)驗(yàn)的特征參數(shù)中選取正常數(shù)據(jù)段(前65組)和有明顯疲勞感出現(xiàn)的數(shù)據(jù)段(第121～185組)作為訓(xùn)練集數(shù)據(jù)，利用訓(xùn)練集數(shù)據(jù)建立判別函數(shù)，并以該名被試者的再次駕車的數(shù)據(jù)作為測試集數(shù)據(jù)(30組)?？疾靸煞N狀態(tài)，第1組數(shù)據(jù)為駕駛員的正常狀態(tài)，用G1表示;第2組數(shù)據(jù)為駕駛員的疲勞狀態(tài)，用G2表示?？疾祚{駛員兩個特征參數(shù):c_max代表駕駛員肌電、心電信號的相關(guān)峰值;Fc為駕駛員肌電信號的峰值因數(shù)。數(shù)據(jù)由訓(xùn)練集中數(shù)據(jù)按上述的判別方法得到判別函數(shù)為

3.3 判別準(zhǔn)則的評價(jià)

當(dāng)利用各個總體的訓(xùn)練集數(shù)據(jù)計(jì)算出判別函數(shù)后，可通過對測試集中的數(shù)據(jù)進(jìn)行判別，得到判別結(jié)果的混淆矩陣為。

4 分析與討論

對圖7和圖8中視為正常狀態(tài)的前65組數(shù)據(jù)和視為疲勞狀態(tài)的后65組數(shù)據(jù)進(jìn)行處理，得到對應(yīng)于正常和疲勞的歸一化的特征參數(shù)均值，如圖10所示。由圖可見，文中選用的兩個特征參數(shù)在疲勞與正常狀態(tài)下幅值上均具有明顯差別。

通過上面的分析與討論，可進(jìn)一步驗(yàn)證本文中提出的特征參數(shù)在表征正常與疲勞狀態(tài)上的有效性。

5 結(jié)論

利用東北大學(xué)研制的可穿戴式傳感器對8名被試者進(jìn)行2h的駕駛模擬實(shí)驗(yàn)，采集股二頭肌部位的生理電信號，并對其進(jìn)行分離和進(jìn)一步的去噪，得到肌電和心電信號，并找到能不受隨機(jī)情況影響且能客觀表征駕駛員疲勞程度的特性參數(shù)，利用統(tǒng)計(jì)分析軟件SPSS進(jìn)行Kolmogorov-Smirnov Z檢驗(yàn)，最終選取肌電信號的峰值因數(shù)和肌心電信號互相關(guān)峰值作為組合特征，并采用馬氏距離作為判別疲勞的準(zhǔn)則。判別結(jié)果表明，該方法在對正常狀態(tài)與疲勞狀態(tài)的區(qū)分上取得了良好的識別效果。該方法能實(shí)現(xiàn)非接觸測量，不影響駕駛員的正常駕駛，為駕駛員的疲勞檢測提供了一種簡單有效的新方法。

［1］ Riccardo Rossi，Massimiliano Gastaldi，et al.Analysis of Driver Task-related Fatigue Using Driving Simulator Experiments［J］.Procedia Social and Behavioral Sciences，2011，20:666-675.

［2］ Gregoire S Larue，Andry Rakotonirainy，et al.Driving Performance Impairments Due to Hypovigilance on Monotonous Roads［J］.Accident Analysis and Prevention，2011，43:2037-2046.

［3］ Michel Grabisch，Jacques Duchene，et al.Subjective Evaluation of Discomfort in Sitting Positions［J］.Fuzzy Optimization and Decision Making，2002，1:287-312.

［4］ Carolyn H Declerck，Christophe Boone，et al.On Feeling in Control:A Biological Theory for Individual Differences in Control Perception［J］.Brain and Cognition，2006，62(2):143-176.

［5］ Eike A Schmidt，Michael Schrauf，et al.Driver's Misjudgment of Vigilance State During Prolonged Monotonous Daytime Driving［J］.Accident Analysis and Prevention，2009，41:1087-1093.

［6］ Jacques Duchene，Thibault Lamotte.Surface Electromyography A-nalysis in Long-term Recordings:Application to Head Rest Comfort in Cars［J］.Ergonomics，2001，44(3):313-327.

［7］ James C J，Lowe D.Single Channel Analysis of Electromagnetic Brain Signals Through ICA in a Dynamical Systems Framework［C］.Proc.of the 23rd Annual EMBS Conference，2001:1974-1977.

［8］ 胡廣書.數(shù)字信號處理-理論算法與實(shí)現(xiàn)［M］.北京:清華大學(xué)出版社，2003.

［9］ 王巖，隋思漣，等.數(shù)理統(tǒng)計(jì)與MATLAB工程數(shù)據(jù)分析［M］.北京:清華大學(xué)出版社，2006.