基于BP神經網絡的駕駛精神疲勞識別方法

郭孜政，譚永剛，馬國忠，潘毅潤，陳崇雙

基于BP神經網絡的駕駛精神疲勞識別方法

郭孜政1，2，譚永剛1，馬國忠1，潘毅潤1，陳崇雙1

（1.西南交通大學交通運輸與物流學院，610031成都；2.中國科學院心理研究所，100101北京）

為了對駕駛精神疲勞予以有效識別，基于行為績效結合心電信號指標構建了一種駕駛精神疲勞識別方法.以駕駛行為績效為客觀測評指標，給出了駕駛精神疲勞狀態的分級劃分方法.在此基礎上，以心率變異性的6項指標作為疲勞識別特征因子，采用BP神經網絡模型，建立了駕駛精神疲勞狀態分類器.最后結合實例，依據駕駛行為績效，將疲勞狀態劃分為2級，采用10名駕駛員連續4 h的駕駛行為績效（反應時）、心電數據，對模型、方法予以測算.結果表明，10名駕駛員平均正確識別率在71%～80%之間，且其平均正確識別率為73%.BP神經網絡模型與心率變異性指標相結合可有效的識別疲勞.

駕駛行為；精神疲勞；識別方法；心率變異性；BP神經網絡

1 基于行為績效的駕駛精神疲勞狀態等級劃分

精神疲勞（mental fatigue）將造成駕駛員的注意分配、注意轉移、反應速度、短時記憶等基本認知功能的損傷［8-9］，從而造成駕駛能力的下降，影響行為績效.故在統計意義上，單位時間內的駕駛行為績效可反映駕駛精神疲勞水平.

1.1精神疲勞的分級及閾值確定

對特定等級的疲勞狀態水平而言，駕駛員的基本認知能力相對穩定，因此當外界環境及駕駛任務難度水平一定的情況時，駕駛行為績效值隨機，且服從正態分布.不同疲勞狀態所對應的駕駛行為績效均值中心不同.

因此本算法的核心思想為，對駕駛行為績效值予以升序排列，按特定步長從小至大逐步探測，找出一級疲勞狀態所對應駕駛行為績效的均值中心，然后以該均值加3倍標準差作為第1級與第2級疲勞狀態的行為績效分級閾值（統計學理論保證了該范圍可覆蓋大于95%的一級疲勞狀態所對應的行為績效數據）.從整體駕駛行為績效數據集合中去除小于上述分級閾值的行為績效數據，然后在剩余數據集合中，采用上述方法繼續搜索第2、3級疲勞狀態分級閾值.依次類推，直至得到所有分級閾值，具體計算步驟與過程如下.

對于原始駕駛行為績效序列集合Β＝｛b1，b2，…，bn｝，去除3個標準差外的異常數據值后，按升序排列得到行為績效序列集合X＝｛x1，x2，…，xn｝，然后按如下步驟確定駕駛精神疲勞分級閾值.

步驟1 以s（s為整數）為步長，統計X中落入［x1，xs）內的樣本點個數n1，并計算其密度值den，步長s的計算方法如下.

7.統一度量衡，使賦稅的征收更為準確和公平。統一度量衡中最為重要就是統一量具。量具既是確定交易商品計算單位的工具，也是官府對農戶征納實物賦稅的工具。在統一度量衡之前，不同的地域使用的量具標準不一致，導致農民實際交納的糧食數量存在差異。商鞅統一度量衡后，各地均按朝廷的標準制作量具，標準統一，向農民征收糧食更為公平，征收的數量更為準確。

步驟2 繼續增加1個步長s，同理統計X中落入［x1，x2s］內的樣本點個數n2，并計算其密度值

步驟3 循環步驟2，依次得到行為績效樣本點分布密度值序列den s1、den s2、den s3…，直至出現den si＜den si-1停止循環，得到第1級疲勞與第2級疲勞間的行為分級閾值α1，其計算公式為

步驟4 從行為績效序列集合X中，去除落入［x1，α1）的所有數據元素.然后重新按升序排列，并按順序更新行為績效序列集中元素下標，對于該序列集合不妨仍記為X.重復步驟1至步驟3，直至覆蓋所有行為績效樣本數據，從而得到基于行為績效的駕駛精神疲勞水平劃分閾值序列（α1，α2，…，αm-1），其中m為疲勞等級數.

1.2疲勞狀態的劃分

在確定了基于行為績效的駕駛精神疲勞水平劃分閾值序列（α1，α2，…，αm-1）的基礎上，可對原始行為績效序列集合Β＝｛b1，b2，…，bn｝，按步長（取整數）逐段進行疲勞等級確定.對截取到的第i個子序列Bi＝｛b（i-1）·λ＋1，b（i-1）·λ＋2，…，biλ｝，按1，2，…，m逐級計算該段行為子序列對各級疲勞的隸屬度為

其中：nk為Βi中滿足αk-1≤bj＜αk（對于第1級為bj＜α1，對于第m級則為αm-1≤bj）的元素個數.最終該子序列的疲勞等級劃分為

2 駕駛精神疲勞識別模型的建立

2.1精神疲勞狀態識別因子的確定

心率變異性（heart rate variability，HRV）是指連續心跳間期的微小漲落，已有研究表明HRV可反映人體的精神疲勞狀態［10-11］，用于疲勞識別的心率變異性指標主要包括以下6項.

對于一段心電信號，VLF為極低頻頻段0.003 3～0.04 Hz功率，LF為低頻段0.04～0.15 Hz功率、HF為高頻段0.15～0.4 Hz功率，Ri為該段心電信號中第i個RR間期.上述6項指標構成駕駛精神疲勞識別向量.

2.2駕駛精神疲勞狀態分類器設計

以駕駛精神疲勞識別向量為輸入層，精神疲勞等級為輸出層，建立包含一個隱含層的3層神經網絡模型.其中輸入層神經元個數由駕駛精神疲勞識別向量的元素個數P確定，并且與各元素相對應.輸出層神經元個數由疲勞等級數m確定，對于第k級疲勞，其標準輸出為m個神經元中僅有第k個輸出為1，其余均為0.同時中間隱含層神經元個數為向下取整運算.

設該模型中輸入層到隱含層、隱含層到輸入層的連接權系數分別為k＝1，2，…，K；r＝1，2，…，m）.則第i級疲勞的第l（l＝1，2，…，ni）個訓練樣本（cl1，cl2，…，clp）的隱含層、輸出層的節點輸出hlk、ylr分別為［12］

式中：f為Sigmoid函數f（x）＝（1＋e-x）-1.對于第i級疲勞所有樣本輸出總誤差定義為

其中：eir為第i級疲勞的標準輸出.采用誤差反向傳播（BP）調整權系數訓練神經網絡，從而使總誤差逐漸減小，完成網絡模型訓練.

對于一個未知的駕駛精神疲勞識別向量樣本，將其作為模型輸入代入訓練好的BP神經網絡，計算其輸出向量（y1，y2，…，ym）.按照式（13）分別計算其與各級疲勞標準輸出間的誤差Ej（i＝1，2，…，m），可得該測試樣本的疲勞等級

3 實 例

步驟1 實驗環境設定.選取10名男性駕駛員在西南交通大學自主研發的大型駕駛模擬器上進行連續性駕駛精神疲勞測試實驗，該模擬器的行為數據采樣頻率為30 Hz.測試場景為一市郊單向直線道路，道路上僅有駕駛員駕駛的車輛，要求駕駛員盡量保持車輛速度為60 km／h，并沿直線勻速行駛，其場景如圖1所示.

駕駛過程中，每間隔一段時間會有障礙物在車輛前方100 m的位置，要求駕駛員看到障礙物后，立刻踩踏剎車（踩踏剎車后障礙物消失）.系統自動記錄障礙物出現至駕駛員踩踏剎車的時間差（即駕駛員的反應時間），當駕駛員反應時間≥950 ms時，認為駕駛員本次反應失效，系統自動記錄本次駕駛員反應時間為950 ms.整個連續駕駛過程為4 h，其間障礙物共隨機出現243次，同時采用Biopac公司的BioHarness無線心電綁帶采集系統（采樣頻率為1 000 Hz），同步記錄駕駛員的心電數據.

圖1 測試場景示意

步驟2 駕駛行為績效度量.采用駕駛員反應時作為駕駛行為績效指標，采用1.1中算法，對一名駕駛員反應時數據進行處理，得到劃分閾值為603 ms，依據數據自身分布特征（見圖2），通過計算自動將駕駛精神疲勞等級劃分為2級.

圖2 1號駕駛員的反應時間分布頻率

其中1號駕駛員的行為績效（反應時）分布及疲勞分級結果如圖3所示.

圖3 1號駕駛員的駕駛精神疲勞狀態分級

步驟3 RR間期提取.依據駕駛員的疲勞狀態分級結果的對應時段，對心電數據進行劃分，得到1級、2級疲勞狀態下的心電數據樣本段.對分級后的心電數據，采用Matlab編程提取其RR間期.其中1號駕駛員2級疲勞狀態下的一組心電信號RR間期分布如圖4.

圖4 1號駕駛員的RR間期值提取

在此基礎上，按照式（5）～（10）分別計算6項指標，構成駕駛精神疲勞識別向量，其中1號駕駛員共得到1類駕駛精神疲勞識別向量416個，2類駕駛精神疲勞識別向量526個.其中1號駕駛員的部分精神疲勞識別向量計算結果，如表1所示.

表1 1號駕駛員的精神疲勞識別向量（部分）

步驟4 駕駛精神疲勞狀態識別.對半拆分樣本數據，一半作為訓練樣本，其余作為測試樣本.基于第2節中所給算法，采取Matlab編程，對神經網絡模型予以訓練與測試.以正確識別率作為模型效度的測評指標，正確識別率計算公式為

式中：Pk為模型對第k級疲勞的正確識別率；nk為第k級疲勞測試樣本中，被正確識別的樣本個數；Nk為第k級疲勞測試樣本總個數.經計算1號駕駛員1級疲勞正確識別率為74%，2級疲勞狀態正確識別率為78%.基于上述步驟對其余9名駕駛員的行為、心電數據予以分析，10名駕駛員的分級疲勞識別結果如表2所示.

表2 10名駕駛員的疲勞狀態識別結果%

由表2可以看出，10名駕駛員平均正確識別率介于71%～80%之間，且其平均正確識別率為73%，因此總體而言，本文所提方法與模型具有較高精度與可實現性.

4 結 論

1）以駕駛行為績效為疲勞狀態的劃分依據，構建了一種駕駛精神疲勞狀態識別方法，針對駕駛過程中疲勞狀態的波動性變化，提出了一種基于行為績效的駕駛精神疲勞狀態分級方法，該方法可實現疲勞分級閾值的自動搜索，提升了疲勞識別中疲勞劃分的客觀性.

2）基于心電數據的6項心率變異性指標，結合BP神經網絡模型構建了一種駕駛精神疲勞識別模型與方法，并且通過實際數據測試，證明了該方法的實用性.

3）提出的疲勞等級劃分方法僅依賴于駕駛員的行為績效數據，無任何主觀因素影響，進一步提升了疲勞識別的客觀性.克服了已有疲勞識別中疲勞等級劃分所采用的時間分段法、主觀量表評定法，在疲勞等級劃分中，人為參量因素的涉入，以及未能考慮到疲勞狀態的波動性的缺點.

［1］KAR S，BHAGAT M，ROUTRAY A.EEG signal analysis for the assessmentand quantification of driver’s fatigue［J］.Transportation Research Part F：Traffic Psychology and Behaviour，2010，13（5）：297-306.

［2］LAL S K L，CRAIG A，BOORD P，et al.Development of an algorithm for an EEG?based driver fatigue countermeasure［J］.Journal of Safety Research，2003，34（3）：321-328.

［3］董占勛，孫守遷，吳群，等.心率變異性與駕駛疲勞相關性研究［J］.浙江大學學報：工學版，2010，44（1）：46-50.

［4］李增勇，焦昆，陳銘，等.汽車駕駛員駕駛過程中的心率變異性功率譜分析［J］.中國生物醫學工程學報，2003（6）：574-576.

［5］李延軍，嚴洪，楊向林，等.基于心率變異性的精神疲勞的研究［J］.中國生物醫學工程學報，2010（1）：1-6.

［6］趙治月.基于心電脈搏信號的視覺疲勞狀態識別方法研究［D］.蘭州：蘭州理工大學，2010.

［7］吳群.基于心電信號的駕駛疲勞檢測方法研究［D］.杭州：浙江大學，2008.

［8］VAN DER LINDEN D，FRESE M，MEIJMAN T F.Mental fatigue and the control of cognitive processes：effects on perseveration and planning［J］.Acta Psychologica，2003，113（1）：45-65.

［9］BOKSEM M A S，MEIJMAN T F，LORIST M M.Effects of mental fatigue on attention：an ERP study［J］.Cognitive Brain Research，2005，25（1）：107-116.

［10］HARTLEY L R，ARNOLD P K，SMYTHE G，et al.Indicators of fatigue in truck drivers［J］.Journal of Safety Research，1995，26（4）：256.

［11］EGELUND N.Spectral analysis of heart rate variability as an indicator of driver fatigue［J］.Ergonomics，1982，25（7）：663-672.

［12］聞新.MATLAB神經網絡應用設計［M］.北京：科學出版社，2000.

（編輯魏希柱）

Recognition method of driving mental fatigue based on BP neural network

GUO Zizheng1，2，TAN Yonggang1，MA Guozhong1，PAN Yirun1，CHEN Chongshuang1
（1.School of Transportation and Logistics，Southwest Jiaotong University，610031 Chengdu，China；2.Institute of Psychology Chinese Academy of Sciences，100101 Beijing，China）

To recognize driving mental fatigue efficiently，this study constructs a recognition method based on ECG.The method proposes hierarchy partition of state of driving mental fatigue by using driving behavior performance as objective evaluation indexes.Meanwhile，taking 6 indexes of HRV as fatigue recognition characterization factors and BP artificialneuralnetwork model，this paper establishes the recognition modelfor state of driving mental fatigue.Finally，according to examples，the mental fatigue is divided into two classifications.Collecting 4 hours continualdriving behavior performance and ECG data from 10 drivers to testthe model，the result shows that the average recognition accuracy rate is between 71%and 80%，and the average accuracy rate is 73%.The combination of BP neural network model and HRV indexes could recognize fatigue effectively.

driving behavior；mental fatigue；recognition method；HRV；BP neural network

U491

A

0367-6234（2014）08-0118-04

2013-06-07.

國家自然科學基金資助項目（51108390，51108040）.

郭孜政（1982—），男，副教授.

郭孜政，guozizheng＠psych.ac.cn.