基于貝葉斯網絡的駕駛疲勞程度識別模型

王連震，裴玉龍

(1.哈爾濱工業大學交通科學與工程學院，黑龍江哈爾濱150090；2.東北林業大學交通學院，黑龍江哈爾濱150040)

0 引言

隨著汽車保有量的迅速增加，道路交通事故已成為當前世界各國面臨的嚴重社會問題。據公安部統計，中國每年因道路交通事故死亡的人數約為7萬人，其中因疲勞駕駛導致的死亡人數約占死亡總數的15%[1]。疲勞駕駛和酒后駕駛是交通事故的主要隱患，不同的是，酒后駕駛很容易被檢測出來，而駕駛人的疲勞程度則不能被直接觀測。因此，研究駕駛疲勞程度的識別和檢測方法，可以有效預防疲勞駕駛，從而減少由其引發的道路交通事故、提高道路交通安全水平。

疲勞駕駛程度識別的相關研究引起了國內外學者的廣泛關注。文獻[2]將駕駛疲勞的檢測方法概括為主觀評定法(駕駛人陳述或填表)、生理指標測定法(分析腦電、心電、肌電、呼吸速率、血壓等)和操控性能評定法(監測駕駛人對方向盤、剎車、檔位的實際操作結果)。文獻[3]以心率變異性為檢測指標，采用人工神經網絡分析方法對疲勞駕駛進行檢測，精度可達90%。文獻[4]采用腦電指標和心電指標對駕駛人在模擬駕駛過程中的心理疲勞狀況進行測定，結果表明這兩類指標能夠較好地表征駕駛人的心理疲勞。文獻[5]以方向盤轉角的均值和標準差及車輛橫向位置的標準差作為表征指標，驗證了長時間駕駛、環境單調和困倦狀態對駕駛人駕駛行為表現的負面影響。文獻[6]提出通過采集車輛轉向角信號的方法識別疲勞駕駛。文獻[7]選取車速變化、油門、剎車、離合變化等駕駛行為數據作為駕駛人疲勞程度識別的指標。文獻[8]以方向盤轉動程度、車道偏離程度及駕駛人疲勞特征等作為評價指標，建立基于多通道信息融合的駕駛疲勞行為判定模型，提高了疲勞駕駛行為檢測的精度。

文獻[9]采用AdaBoost算法分類器，對自然光條件下駕駛人的眼睛狀態進行識別，通過計算單位時間內眼睛閉合時間所占的百分比(Percentage of Eyelid Closure over the Pupil over Time,PERCLOS)指標來判斷駕駛人疲勞程度。文獻[10]采用閉眼總持續時間、時段內眨眼次數和眨眼時間均值等眼部行為特征作為表征疲勞程度的指標。文獻[11]利用眼睛和嘴巴在駕駛過程中的特征作為參數判斷駕駛人的疲勞程度。

文獻[12]通過分析連續駕駛時間對駕駛特性指標(深度知覺差異、速度知覺差異、選擇反應時間等)的影響，來判斷駕駛人的疲勞程度。文獻[13]以反應時間、腦電、駕駛行為等指標為參照，通過實驗證明了卡羅林斯卡(Karolinska)睡眠量表與上述指標具有較高的相關性，可以作為檢測駕駛人疲勞程度的替代方法。文獻[14]設計開發了一種新的綜合性調查表，不僅對駕駛人的自覺疲勞癥狀進行評定，而且對交通環境等影響因素進行感官定性測量，分析各種因素對駕駛疲勞的影響。文獻[15]以PERCLOS值、連續駕駛時間、方向盤動作狀態及方向變化與駕駛人反應不一致的情況等作為檢測指標，采用TS模糊神經網絡方法進行多目標信息融合，檢測駕駛疲勞。

綜上所述，國內外學者在駕駛疲勞度量指標及其測定方面已取得較為豐富的研究成果。但是，在駕駛疲勞程度識別方面，學者們大多采用單一類型指標進行判斷。受儀器設備、駕駛習慣及周圍環境等影響，單一指標在檢測時通常呈現出不穩定性，已有部分學者開始利用綜合指標對駕駛疲勞進行判斷。本文通過貝葉斯網絡模型在信息融合和概率推理方面的優勢，對駕駛疲勞程度進行識別，以提高駕駛疲勞檢測的準確性和可靠性。

1 基于貝葉斯網絡模型的駕駛疲勞程度識別

駕駛疲勞作為一個不可直接觀測的研究對象，其影響因素非常多且難以定量，各類度量指標對駕駛疲勞的界定又沒有統一的標準。因此，判斷駕駛疲勞程度是一個非常復雜的系統問題。與酒后駕駛的檢測指標不同，所有用來檢測駕駛疲勞的指標在獲取過程中均會受到不同程度的干擾。目前，還沒有一種方法能夠對駕駛疲勞程度進行準確無誤的檢測。因此，使用概率論的方法對駕駛疲勞程度進行識別具有一定的合理性。

貝葉斯網絡模型的基本思想是：在信息不完備的情況下，通過可觀察隨機變量(證據變量)推斷不可觀察隨機變量(隱含變量)，進行概率推理。利用貝葉斯網絡求解駕駛疲勞程度識別的問題可以表述為：在已知疲勞度量指標測定結果的情況下，利用貝葉斯網絡方法求解在一定影響因素條件下，疲勞狀態處于各種程度(清醒、輕度疲勞、重度疲勞)時的概率。

駕駛疲勞貝葉斯網絡的構建包括兩個主要內容：1)確定網絡節點；2)計算節點間的先驗概率。其中，網絡節點的選擇取決于疲勞的各種特征及影響因素，而節點先驗概率的確定則依賴于某個特征或因素對判斷疲勞程度的可能性。

2 駕駛疲勞程度識別模型

2.1 駕駛疲勞貝葉斯網絡結構

駕駛疲勞作為系統的核心，其復雜的影響因素即該系統的輸入，在生理、眼動及駕駛績效等方面表現出來的特征即該系統的輸出。

將駕駛疲勞的影響因素分為三類：駕駛環境屬性、駕駛人個體屬性以及原始疲勞屬性。各類影響因素的具體度量指標見圖1。其中，溫度、天氣等變量是駕駛環境變量的父節點，相應的駕駛環境變量是溫度、天氣等變量的子節點，以此類推。駕駛疲勞貝葉斯網絡結構的輸入層用變量I表示，其中駕駛環境屬性用I1表示，駕駛人個體屬性用I2表示，原始疲勞屬性用I3表示。imn表示第m個輸入層變量的第n種狀態。輸入層節點各個變量的狀態分類見表1～表3。

圖1 駕駛疲勞影響因素Fig.1 Influencing factors of driving fatigue

表1 駕駛環境屬性及其父節點變量狀態分類Tab.1 Driving environmental attribute and classification of its father nodes variable

表2 駕駛人個體屬性及其父節點變量狀態分類Tab.2 Drivers’individual attribute and classification of its father nodes variable

表3 原始疲勞屬性及其父節點變量狀態分類Tab.3 Original fatigue attribute and classification of its father nodes variable

目前，駕駛疲勞的檢測方法可歸納為生理指標檢測(如腦電、心電等)、面部特征指標檢測(如眼動指標)、駕駛績效指標檢測等，且均已形成較為成熟的檢測手段。由于駕駛疲勞程度的表征指標眾多，本文采用皮爾遜相關系數法對各類指標之間的相關性進行分析。結果發現：腦電指標中，θ波與β波在各個時段出現頻率的比值θ/β與其他指標的相關性最好；心電指標中RR間期(一次心跳的周期)的標準差，即24 h心率變異性參數(Standard Deviation of NN Intervals,SDNN)與其他各類指標的相關性最好；眼動指標中PERCLOS與其他各類指標的相關程度最高；駕駛績效指標中速度標準差(Standard Deviation of Speed,SDS)與其他各類指標的相關性最高。

因此，選擇腦電指標θ/β、心電指標SDNN、眼動指標PERCLOS、駕駛績效指標SDS作為駕駛疲勞貝葉斯網絡的輸出層變量，用O表示，見表4。Oqj表示第q個輸出層變量的第j種狀態。采用K均值聚類分析法對各個度量指標進行分類研究，各個指標的狀態分類及閾值見表5～表8。

疲勞程度作為隱含層變量，用H表示，變量的取值用hk表示，其中k=1,2,3，分別表示駕駛疲勞的三種狀態類型：清醒、輕度疲勞、重度疲勞。

當貝葉斯網絡的輸入層、隱含層及輸出層確定后，駕駛疲勞貝葉斯網絡結構即可確定。圖2為某一時刻t，當貝葉斯網絡中各個節點變量的狀態一定時，所有節點構成的網絡結構即駕駛疲勞靜態貝葉斯網絡結構。其中，駕駛環境變量是駕駛疲勞變量的父節點，相應的駕駛疲勞變量是駕駛環境變量的子節點，以此類推。隨著駕駛時間的推移，網絡節點中某些變量的狀態勢必會發生變化。根據貝葉斯理論，這種變化是由上一時刻和當前時刻網絡中各個節點的狀態所決定的。由所有時刻的靜態貝葉斯網絡按時間順序展開，形成駕駛疲勞動態貝葉斯網絡結構，見圖3。

2.2 貝葉斯網絡條件概率表的確定

在建立的駕駛疲勞貝葉斯網絡模型中，條件概率分為兩類：一類是輸入層變量與隱含層變量之間的條件概率，另一類是隱含層變量與輸出層變量之間的條件概率。

1）第一類條件概率。

首先通過統計分析疲勞駕駛交通事故數據和問卷調查結果得到父節點的先驗概率及父節點與其子節點的條件概率，然后計算所有節點的條件概率分布，計算公式見式(1)和式(2)。輸入層變量與隱含層變量間的條件概率計算結果見表9。

由貝葉斯公式推導可得

將式(1)的計算結果進行歸一化處理可得

式中：Hk,Hl為變量H的第k，l種狀態，對駕駛疲勞這個變量而言，l的取值為1，2，3，分別表示駕駛疲勞的三種狀態類型，即清醒、輕度疲勞、重度疲勞；Ix為變量H的第x個父節點，Ix之間相互獨立；N為變量I的個數；M為變量H狀態分類的個數，對駕駛疲勞而言，M=3。

2）第二類條件概率。

通過分析實驗數據獲得。每個指標與隱含層之間的條件概率計算公式見式(3)。駕駛疲勞程度與輸出層變量間的條件概率計算結果見表10。

式中：P(Or|Hk)為疲勞程度為Hk、度量指標取值為Or的概率；Nr為第r個度量指標取值為Or的樣本數量；Na為總樣本數量。

2.3 駕駛疲勞程度貝葉斯網絡識別模型

輸入層變量和輸出層變量統稱為貝葉斯網絡中的證據變量。利用貝葉斯網絡建立駕駛疲勞程度識別模型的原理是在已知網絡中各節點先驗概率的前提下，結合證據變量的取值，根據貝葉斯公式計算不同駕駛疲勞程度的后驗概率。

假設It,Ht,Ot分別表示駕駛疲勞程度貝葉斯網絡中的輸入層變量、隱含層變量、輸出層變量在t時刻的狀態。輸入層和輸出層各變量之間均滿足條件獨立性假設，即輸入層或輸出層中任一變量取值的概率與其他變量的取值無關。

由貝葉斯公式可得

式中：P(Hk|I,O)為輸入、輸出層變量狀態一定時，隱含層變量為Hk的概率；P(Hk)為隱含層變量狀態為Hk時的全概率；P(I,O|Hk)為隱含層變量狀態為Hk時，輸入、輸出層變量取一定狀態時的概率；P(I,O)為輸入、輸出層變量取一定狀態時的全概率。

表4 駕駛疲勞度量指標Tab.4 Measure index of driving fatigue

表5 腦電指標狀態分類及取值Tab.5θ/β index classification and value

表6 心電指標狀態分類及取值Tab.6 SDNN index classification and value

表7 眼動指標狀態分類及取值Tab.7 PERCLOS index classification and value

表8 駕駛績效指標狀態分類及取值Tab.8 SDS index classification and value

由變量間的條件獨立性假設可得

由全概率公式可得

式中：P(Hk|I)為輸入層變量狀態為I、隱含層變量狀態為Hk的概率；P(O|Hk)為隱含層變量狀態為Hk、輸出層變量狀態為O的概率。

由變量間的條件獨立性假設和全概率公式可得

圖2 駕駛疲勞靜態貝葉斯網絡結構Fig.2 Static Bayesian Network structure of driving fatigue

圖3 駕駛疲勞動態貝葉斯網絡結構Fig.3 Dynamic Bayesian Network structure of driving fatigue

式中：m，n，q分別為三個輸入層變量狀態的不同類型。聯立式(7)、式(8)和式(9)可得到基于靜態貝葉斯網絡的駕駛疲勞程度識別模型。根據動態貝葉斯理論，t時刻的駕駛疲勞程度只與t時刻的輸入層變量狀態It和t-1時刻的疲勞程度有關，而與其他時刻的屬性集狀態無關，因此

式中：t=1,2,…,T;k=1,2,3;r=1,2,3,4;v=1,2,3，表示駕駛疲勞的三種狀態類型；T為時刻t的個數。聯立式(7)、式(10)和式(11)可得到基于動態貝葉斯網絡的駕駛疲勞程度識別模型。

3 模型有效性驗證

采用模擬駕駛的方法進行實驗設計。實驗設備包括模擬駕駛仿真實驗平臺——AS1300卡車駕駛模擬系統、多通道生物生理記錄儀、攝像機等。同時采用斯坦福嗜睡量表(Stanford Sleepiness Scale,SSS)對駕駛人的主觀疲勞狀況進行問卷調查，以了解駕駛過程中駕駛人對疲勞的主觀感受。

共有4名實驗對象，其中男性駕駛人2名，女性駕駛人2名，平均年齡33.2歲，駕齡均在1年以上。所有實驗對象均身體健康，無慢性疾病或生理缺陷。實驗開始前一天睡眠質量均良好，無不良情緒，且實驗前24 h內無飲酒或服用藥物情況。

本次模擬駕駛的實驗場景是平原高速公路，試驗線路為近似矩形的環狀道路，線路全長200 km，交通條件為自由流，行駛速度依照每個實驗對象的駕駛習慣自行設定。在正式實驗之前，需要對實驗對象進行模擬駕駛培訓和實驗設備的操作訓練，要求所有實驗對象在正式實驗時能熟練操作各種設備。實驗開始前，對實驗對象進行主觀疲勞問卷調查并記錄，還要在靜坐狀態下使用生物生理記錄儀測試每個實驗對象的腦電和心電指標，并用攝像機記錄眼動情況，測試時間為5 min。正式實驗過程中，使用生物生理記錄儀、攝像機連續測試并記錄駕駛人的腦電、心電、眼動、行駛速度等指標數據，每隔30 min進行主觀疲勞問卷調查。駕駛任務結束后，立即重復進行上述測試過程。

表9 疲勞程度與輸入層變量間的條件概率Tab.9 Contingent probability of fatigue degree and variables of input layer

表10 疲勞程度與輸出層變量間的條件概率Tab.10 Contingent probability of fatigue degree and variables of output layer

圖4 基于貝葉斯網絡的駕駛疲勞程度識別流程Fig.4 Driving fatigue recognition flow based on Bayesian Network

表11 初始時刻父節點變量狀態Tab.11 Variable state of root nodes at initial moment

利用貝葉斯網絡模型對疲勞程度進行識別的流程見圖4。

根據實驗設定的條件和實驗對象的特征，確定初始時刻父節點變量的狀態，見表11。根據父節點變量的狀態，可以獲得駕駛環境屬性、駕駛人個體屬性和原始疲勞屬性3個輸入層節點的先驗概率。根據駕駛疲勞貝葉斯網絡模型的計算結果，取最大概率對應的狀態為該時刻駕駛疲勞的識別狀態。

根據實驗測定的指標數據，確定輸出層節點變量的狀態。以實驗對象1為例，應用本文建立的模型對各個時刻該對象的疲勞程度進行判斷。初始時刻測得實驗對象1的腦電指標、心電指標、眼動指標、駕駛績效指標的狀態均為“正常”。因此，各節點該狀態的概率即為1，其他狀態概率均為0。確定各個節點的狀態和先驗概率后，應用靜態貝葉斯網絡模型可以得到駕駛疲勞在初始時刻不同狀態時的條件概率。

將初始時刻不同駕駛疲勞程度的概率作為已知條件，利用動態貝葉斯網絡模型，計算下一時刻不同駕駛疲勞程度的概率，以此類推，即可得到所有時刻不同駕駛疲勞程度的概率。實驗對象1的不同駕駛疲勞程度隨駕駛時間的變化情況見圖5。同理，可獲得其余3名實驗對象在各個時刻不同疲勞程度的概率，結果見表12。

由圖5可知，隨著駕駛時間的增加，駕駛人保持清醒狀態的概率不斷降低，保持輕度疲勞狀態的概率呈現出先增加后降低的趨勢，而保持重度疲勞的概率在開始階段處于較低的水平，隨著清醒和輕度疲勞狀態概率水平的降低，重度疲勞狀態的概率水平不斷增加。

利用SSS方法采集駕駛人主觀疲勞評價數據，對采集到的108個疲勞程度樣本進行判斷，其中“清醒”程度的樣本數量為43個，“輕度疲勞”程度的樣本數量為45個，“重度疲勞”程度的樣本數量為20個。分別采用單一指標以及本文建立的貝葉斯網絡模型對駕駛人的疲勞程度進行判斷，并與主觀疲勞測評結果進行對比，結果見表13。

由表13可知，利用本文建立的貝葉斯網絡模型與主觀疲勞量表對駕駛疲勞累積程度進行對比判斷時，準確率可達92.9%，而采用單一指標進行判斷時，準確率均低于本文建立的模型。說明基于貝葉斯網絡的駕駛疲勞程度識別模型不僅能消除單一指標失效時產生的誤判和漏判，并且具有較高的準確性。因此，該模型在識別駕駛疲勞累積程度方面具有較高的可信度。

4 結語

本文以貝葉斯理論為研究基礎，針對單一指標在檢測駕駛疲勞程度中的不足，提出融合駕駛疲勞多種度量指標和影響因素等信息的駕駛疲勞程度貝葉斯網絡識別模型。通過模擬駕駛實驗采集駕駛疲勞度量指標數據，分別以腦電指標、心電指標、眼動指標和駕駛績效指標等單一指標和貝葉斯網絡模型對駕駛疲勞程度進行判斷，并與主觀疲勞評價結果進行對照。結果表明，應用貝葉斯網絡模型進行駕駛疲勞程度識別不僅能消除單一指標失效時產生的誤判和漏判，而且可以提高識別的準確性。

模型中條件概率的確定基于事故數據、問卷調查結果和實驗數據，受主觀因素和樣本數量的影響較大，后續研究中應進一步完善條件概率的確定方法，以提高模型精度。

圖5 實驗對象1不同駕駛疲勞程度隨駕駛時間的變化Fig.5 Change of experimental object I in driving fatigue degree along with driving time

表13 單一指標和貝葉斯模型對駕駛疲勞程度的識別結果Tab.13 Driving fatigue recognition results of single index and Bayesian model

[1]袁翔，黃博學，夏晶晶.疲勞駕駛檢測方法研究現狀[J].公路與汽運，2007，18(3)：51-54.Yuan Xiang,Huang Boxue,Xia Jingjing.Research Status of Fatigue Driving Detecting Methods[J]. Highways and Automotive Applications,2007,18(3):51-54.

[2]Lal S K L,Craiga Ashley.A Critical Review of the Psychophysiology of Driver Fatigue[J].Biological Psychology,2001,55(3):173-194.

[3]Patel M,Lal S K L,Kavanagha D,Rossiterb P.Applying Neural Network Analysis on Heart Rate Variability Data to Assess Driver Fatigue[J].Expert Systems with Applications,2011,38(6):7235-7242.

[4]Zhao Chunlin,Zhao Min,Liu Jianpin,et al.Electroencephalogram and Electrocardiograph Assessment of Mental Fatigue in a Driving Simulator[J].Accident Analysis and Prevention,2012(45):83-90.

[5]Riccardo Rossi,Massimiliano Gastaldi,Gregorio Gecchele.Analysis of Driver Task-related Fatigue Using Driving Simulator Experiments[J].Procedia-Social and Behavioral Sciences,2011(20):666-675.

[6]Takei Y,Furukawa Y.Estimate of Driver’s Fatigue through Steering Motion[C]//IEEE.2005 IEEE InternationalConference On System,Man and Cybernetics.New York:IEEE Conference Publications,2005:1765-1770.

[7]張暉.基于駕駛行為的疲勞程度識別研究[D].武漢：武漢理工大學，2009.Zhang Hui.Research on Driving Fatigue Recognition Based on Driving Behavior[D].Wuhan:Wuhan University of Technology,2009.

[8]秦洪懋，劉志強，汪澎.基于多通道信息融合的疲勞駕駛行為分析研究[J].中國安全科學學報，2011，21(2)：115-120.Qin Hongmao,Liu Zhiqiang,Wang Peng.Research on Drowsy Driving Behavior Based on Multi-channel Information Fusion[J].China Safety Science Journal,2011,21(2):115-120.

[9]Wu Qing,Sun Bingxi,Xie Bin,Zhao Junjie.A PERCLOS-based Driver Fatigue Recognition Application forSmartVehicle Space[C]//IEEE.Third InternationalSymposium on Information Processing.New York:IEEE,2010:437-441.

[10]潘曉東，李君羨，徐小冬.基于眼部行為的駕駛疲勞評價指標的閾值[J].同濟大學學報(自然科學版)，2011，39(12)：1811-1815.Pan Xiaodong,Li Junxian,Xu Xiaodong.Threshold Value of Indices of Eye States to Monitor Driving Fatigue[J].Journalof Tongji University(Natural Science),2011,39(12):1811-1815.

[11]張建明，魏林峰，劉志強，汪澎.基于貝葉斯網絡的疲勞度及注意力檢測[J].計算機工程，2012，38(9)：189-192.Zhang Jianming,Wei Linfeng,Liu Zhiqiang,Wang Peng.Fatigue and Attention Detection Based on Bayesian Network[J].Computer Engineering,2012,38(9):189-192.

[12]馬艷麗，裴玉龍.連續駕駛時間對駕駛特性測評指標的影響[J].中國公路學報，2009，22(1)：84-88.Ma Yanli, Pei Yulong. Influences of Continuous Driving Time on Test Indicators of Driving Characteristics[J].China Journal of Highway and Transport,2009,22(1):84-88.

[13]Kaida K,Takahashi M,Akerstedt T,et al.Validation ofthe Karolinska Sleepiness Scale against Performance and EEG Variables[J].Clinical Neurophysiology,2006,117(7):1574-1581.

[14]舒紅宇，李發權，易樹平，藤本英昭，上野義雪.汽車駕駛疲勞的一種綜合性評定方法[J].上海交通大學學報，2008，42(8)：1338-1343.Shu Hongyu,LiFaquan,YiShuping,HideakiFujimoto,YoshiyukiUeno.A Comprehensive Evaluation Method for Automotive Driving Fatigue[J].Journal of Shanghai Jiaotong University,2008,42(8):1338-1343.

[15]沈永增，胡立芳，馮繼妙.多源信息融合在駕駛疲勞檢測中的應用[J].計算機應用與軟件，2012，29(2)：272-275.Shen Yongzeng,Hu Lifang,Feng Jimiao.Multi-source Information Fusion Application to Driving Fatigue Detection[J].Computer Applications and Software,2012,29(2):272-275.