基于生物電特征的駕駛員疲勞檢測系統的設計研究

衛　兵,郭玉堂,張　磊,周蚌艷

(1.合肥師范學院魂芯DSP產業化研究院 安徽 合肥 230601; 2.合肥師范學院計算機科學與技術系 安徽 合肥 230601；3.安徽大學計算機教學部 安徽 合肥 230039)

?

基于生物電特征的駕駛員疲勞檢測系統的設計研究

衛兵1,2,郭玉堂2*,張磊3,周蚌艷3

(1.合肥師范學院魂芯DSP產業化研究院 安徽 合肥 230601; 2.合肥師范學院計算機科學與技術系 安徽 合肥 230601；3.安徽大學計算機教學部 安徽 合肥 230039)

[摘要]針對駕駛員疲勞檢測研究中存在的難點，設計了一種基于人體生物電特征提取的疲勞檢測系統方案。系統中通過前額電極導聯采集駕駛員生理信號，利用無線節點將數據發送至手機端或車載端平臺，軟件中運用信號處理算法提取混合信號中的目標成份，并進行分類識別，建立特征模型，實現對生理疲勞的實時監控和記錄。該方法克服傳統疲勞檢測方法的單一和局限性，具備較好的準確率和魯棒性。

[關鍵詞]疲勞檢測；EEG；前額導聯；分類識別

疲勞駕駛是指機動車駕駛員在工作中出現疲勞狀況，大腦的警覺度會下降，對外界的瞬息變化的路況和交通信號無法及時應對，極易引發嚴重交通事故。歐美各國交通數據統計中與司機疲勞因素有關的事故達20%～30%[1]。在我國，很多地區路況條件相對復雜，疲勞駕駛極易引發各種事故，交通安全形勢十分嚴峻[2]。近年來，為了遏制重特大交通事故頻發的現象，公安交管部門加大了對交通駕駛中酒駕、超載、超速等一系列違法違規行為的查處力度，在一定程度上緩解了目前交通安全問題。但在這些執法措施中，疲勞駕駛行為卻沒有很好的檢測手段，執法標準也基本處于空白。不同于酒駕、超載等行為，人體疲勞狀態是時段性波動的，執法人員對于疲勞駕駛很難給出理想的量化指標，需要依賴一個在線的檢測判定方法。不僅僅是汽車駕駛員，其他很多對于操作安全性要求很高的工作領域也需要工作人員長時間保持清醒和警覺，例如，飛機駕駛、機場航班調度、航天測控、以及軍事系統值班等，人員疲勞都會產生重大隱患。因此，研究人體疲勞檢測技術對遏制疲勞工作、提高社會多領域交通生產安全具有重大意義[3]。

1疲勞檢測方案

疲勞狀態的研究主要是分析研究可以反映出人體生理疲勞程度的某些特征因素[4-5]。在疲勞檢測研究領域，受試者面部圖像特征、眨眼頻率、血壓、脈搏等多種相關生理參數都曾被分析研究用于受試者疲勞狀態判定，其中，利用生物電信號特征對人體的疲勞狀態進行分析判斷已經成為了一個重要的研究方向[6-8]。與人體疲勞相關的生物電主要為腦電(Electro-encephalogram , EEG)和眼電(Electro-oculogram, EOG)，當人身體清醒或疲勞狀態發生變化時，EEG和EOG信號中的成分或特征會發生相應的變化[9-11]。例如，當人進入疲倦瞌睡狀態時，EEG信號中α頻段能量突然下降，EOG信號波形中可檢測出眨眼時間趨長，幅度變小，眼球瞳孔活動降低，眼皮出現閉合趨勢等[12-14]。因此可以通過提取和分析人體在工作過程中的生物電信號來對疲勞狀態進行定量分析，進而反饋出所需要的信息。傳統的駕駛員疲勞檢測通常采用面部圖像設別法，但該類方法受個體差異情況變化大, 同時，算法的魯棒性會受攝像角度、光線以及其他不可控因素影響。為了實現生物電特征檢測，可以利用現在快速發展的物聯網技術平臺(包含智能微處理器、無線數據傳輸、信息感知融合等技術)，在人腦和計算機或其他外部設備之間建立直接的信息交互和控制通道。運用物聯網技術對生物電信號進行提取和分析，能夠克服實際駕駛環境中傳統生物電設備操作的諸多不便，進而實現對人體疲勞程度的實時檢測，是一種高效可靠的研究方案。

本文在研究人體生物電信號特征提取方法的基礎上，設計了一種基于人體EEG和EOG信號特征融合的疲勞檢測方案，通過最新的物聯網領域技術實現系統的搭建。系統子節點使用干電極，并采用新型前額導聯布局方式采集駕駛員生理信號，子節點完成數據采樣后，使用藍牙/Zigbee將數據發送到手機端或車載平臺，利用高性能微處理器以及APP軟件相關算法完成信號的特征提取和分類識別，對駕駛員的生理疲勞狀態作出預警，并通過手機端3G通信將監測結果匯總至控制中心進行實時監控和記錄。該方法克服傳統疲勞檢測方法的單一和局限性，可以很好地融入未來城市智慧交通系統中，為應用推廣奠定基礎。圖1所示為疲勞檢測系統的設計流程。

2設備子節點的設計

疲勞檢測系統平臺中，生物電信號由受試者頭戴設備進行采集數據，采集設備主要涉及電源、傳感電極、放大電路等組件，同時包含微處理器、無線傳感芯片，整體作為無線傳感網節點加入系統。從佩戴實用性出發，子節點在設計過程中從體積、功耗、佩戴舒適性等方面進行了相關優化。

EEG信號的產生的生理機理是大腦皮層的神經元同步電位活動，疊加的電信號穿透顱骨、頭皮，在頭皮表面形成有規律的電信號，這些電信號的幅度非常微弱，在不同導聯位置有不同的特征，且通常會淹沒于復雜的頭皮背景噪音。采用傳統布局的方式的優勢是電極置于信號源最強的導聯位置，在實驗準備充分的情況下，可以采集到相對理想的信號，再運用盲源分離算法分離出各源信號。傳統導聯方式的缺點是電極在頭皮表面受毛發干擾，放置極為不易，這個問題極大限制了系統向實際應用的推廣。前額部位環境開闊，無附屬物干擾，相對于頭皮表面生物電信號幅度變小的同時，干擾因素也減小，可以嘗試將電極部署在前額部位。實驗中將電極導聯放置于前額，從采集EEG信號中成功提取出α節律成分。EOG信號是由眼球運動時眼部肌肉的動作引發的電位活動，EOG信號的幅度較大，通常可達到毫伏級別，眼球附近干擾因素相對少，因此，試驗中可以采集到理想的EOG信號。傳統EOG信號采集時，電極放置于眼球四周采集眼動特征參數，在實際試驗中存在干擾視線、眼部不適等問題。基于同樣的道理，將EOG電極導聯也置于前額部位。

節點設計中依次完成微處理器、無線傳感芯片、電源、傳感電極等組件的選型調試以及放大電路詳細設計布局工作，精簡節點重量和體積。圖2為人體生物電采集平臺；圖3為無線傳感主節點平臺。

生物電數據采集成功后，使用無線傳感芯片與控制平臺進行數據傳輸。無線傳輸可采用低功耗的藍牙芯片與車載/手機現有的藍牙平臺建立數據連接，或采用目前廣泛使用的Zigbee技術。系統實驗中選用支持Zigbee協議的CC2530無線傳感芯片，CC2530芯片具有優良的低功耗特性和適中的傳輸速率。通過Zigbee傳感網將生物電數據發送至控制端進行后續信號分離和特征提取，并為駕駛員反饋大腦疲勞實時監測信息。

3系統軟件設計

3.1信號的特征提取和分類識別

針對前額采集的混合信號，需要設計盲源分離算法(BSS)對混合信號進行解混，提取出所需要的目標信號，如低頻段(0～40Hz)的EEG、水平EOG、垂直EOG等。獨立分量分析(ICA)是一種基于統計原理的信號分離算法，非常合適EEG等生物電信號的BSS處理。ICA可以把多通道混合信號分離成一組統計獨立的非高斯源信號的線性組合，再依靠觀測特征選擇各源信號。在多通道混合生物電信號分離中，選擇合適的ICA算法十分重要，采用不合適的方法可能會導致分離出的源成分中混入大量偽跡成分和噪音，同時會導致源信號無法識別。圖4所示為ICA算法對觀測信號進行分離求得源信號的運算模型。

系統中設計使用基于滑動窗的ICA算法進行信號源分離，該方法中運算數據按照單個樣本依次更新，能夠實現以自適應的方式對信號混合模型進行異步跟蹤，具有較好的運算實時性。基于滑動窗的ICA算法在數據移動方向上每次滑動一個樣本，即若滑動窗長為L，每次迭代時，窗內有L-1個數據和前一次窗內數據相同。利用窗內的的L個數據更新ICA的分離矩陣，在最大程度上克服了單樣本情況下ICA算法收斂性不足的問題。圖5所示為滑動窗的ICA算法運算原理。

人體前額部采集到的信號通常為各種生物電源信號混合形成的觀測信號。為了從采集的前額混合信號有提取出有效的EEG、EOG獨立分量成分，系統對所采集信號進行一些列降噪和去偽跡處理，再運用ICA方法進行盲源分離，結合EEG信號特征以及眨眼信號波形檢測算法從分離出的信號通道中甄別出EEG信號、EOG獨立分量成分。圖6為實驗中采集到的生物電混合信號時頻域波形圖。實驗中，針對采集到的生物電混合觀測信號，運用基于滑動窗的ICA算法進行源信號分離，提取出EEG信號中8～12Hz頻段的α波成份，以及反應受試者眼動特征的EOG成份。圖7所示為實驗數據中分離得出EOG源信號波形截選圖；圖8所示為實驗數據中EEG α波成份波形截選圖。

針對分離出的特征分量，運用SVM分類算法將不同疲勞狀態下特征分量分類開來，提取出理想的體現不同疲勞程度的EEG、EOG獨立分量成分。SVM可以有效適用于線性和非線性可分類問題，在確保分類精度的同時，進行最優化分類。對于線性可分類問題，通過建立超平面使得兩類問題樣本中最近點的間距最大化；對于非線性問題，SVM將問題映射到高維度特征空間中，構造出特征空間的最優超平面，進而實現線性可分類。為了提高疲勞檢測效果和系統魯棒性，建立可靠疲勞檢測混合模型，實驗中進行大量的不同受試者疲勞樣本數據實驗以尋找合適分離的混合信號樣本，生成多種特征融合的疲勞檢測模型，提高識別準確度。

3.2控制端APP軟件設計

APP軟件主要運行在控制端平臺。車載設備或手機設備中，利用現有藍牙設備接收采集端子節點發送的數據，基于Android或IOS開發；也可以基于ARM開發板重新研發控制平臺，嵌入Zigbee通信模塊來接收子節點數據。APP軟件中編寫DLL庫函數模塊實現數據處理算法，涉及生物電原始觀測信號的去噪、濾波等預處理，以及信號盲源分離、特征提取與模式分類識別，最終對駕駛員生理數據監測結果進行判別，給出提示或預警。同時，APP軟件需要利用手機3G通訊或車載WIFI與遠程服務器端APP建立連接，傳輸疲勞監測信息。

4方案分析評估

基于生物電特征的疲勞檢測系統方案通過一些列軟硬件開發與算法設計實現系統的整體功能架構，涉及傳感器節點硬件系統搭建，包括微處理器、無線傳感芯片的選型與調試，生物電放大電路的設計與調試，固件系統包括嵌入式芯片C控制程序開發、藍牙/Zigbee無線通信協議植入等。完成基于Android平臺的手機/車載控制端的APP應用程序開發，包括軟件UI界面設計、數據通信接收、信號處理算法實現、系統識別結果的傳輸等。系統搭建完成后，開展聯機實驗，根據實驗數據，結合實驗中受試者反饋等參數優化調整電極導聯布局、節點軟硬件系統參數、APP程序算法實現流程，提高疲勞檢測系統的準確率和魯棒性，實現對受試者疲勞狀態的有效識別。系統中采用這種系統架構盡可能地提高前端設備輕便性，未來進一步改進可以附在耳機眼鏡等設備中，減少駕駛員的設備穿戴不適。同時，前端設備的精簡可以減小功耗。后端設備植入車載平臺中，發揮其中高性能CPU運算優勢，和界面提示等便利。

5結束語

本文在結合現有生物電采集實驗與數據分析的基礎上，設計疲勞檢測系統的實驗范式，基于此依次展開頭戴式傳感器節點硬件設計，節點嵌入式程序設計，控制端APP應用程序開發，疲勞檢測系統聯機實驗等工作。后續在前額混合信號進行獨立成份分離、疲勞樣本選取等方面可進一步完善改進。依據實驗數據結果，結合受試者實驗反饋等多種參數，不斷調整優化系統的識別率與魯棒性。

[參考文獻]

[1]ETSC. The Role of Driver Fatigue in Commercial Road Transport Crashes[R]. Brussels: European Transport Safety Council, 2001: 4.

[2]公安部交通管理局. 中華人民共和國道路交通事故統計年報 [R]. 無錫, 中國: 公安部交通管理科學研究所, 2009.

[3]于洪生，高速鐵路司機作業前后疲勞狀況調查分析，疾病檢測與控制雜志，2010, vol.4, No.7.

[4]KENNETH P, WRIGHT J, JOSEPH H. Relationship between alertness, performance, and body temperature in humans[J]. American Journal of Physiology, 2002, 283(6): R1370-R1377.

[5]CAJOCHEN C, KHALSA S, WYATT J. EEG and ocular correlates of circadian melatonin phase and human performance decrements during sleep loss[J]. American Journal of Physiology, 1999, 277(3): R640-R649.

[6]D. F. Dinges, M. M. Mallis, G. J. W. Maislin. Final Report: Evaluation of Techniques for Ocular Measurement as an Index of Fatigue and as the Basis for Alertness Management, National Highway Traffic Safety Administration, Report No DOT HS 808762.

[7]K. Kozak, J. Pohl, W. Birk, J. Greenberg, B. Artz, M. Blommer, L.Cathey, and R. Curry, “Evaluation of lane departure warnings for drowsy drivers,” in Proc. Human Factors and Ergonomics Society 50th Annual Meeting, Oct. 16-20, 2006, pp. 2400-2404.

[8]R. S. Huang, T. P. Jung, A. Delorme, and S. Makeig, “Tonic and phasic electroencephalographic dynamics during continuous compensatory tracking,” Neuro Image, vol. 39, no. 4, pp. 1896-1909, Feb. 2008.

[9]R. S. Huang, T. P. Jung, and S. Make ig, “Tonic changes in EEG power spectra during simulated driving,” Lecture Notes in Computer Science, vol. 5638, LNAI, pp. 394-403, Dec. 2009.

[10]C. T. Lin, R. C. Wu, S. F. Liang, W. H. Chao, Y. J. Chen, and T.P. Jung, “EEG-based drowsiness estimation for safety driving using independent component analysis,” IEEE trans. Circuits Syst. I, Reg. Papers, vol. 52, no. 12, pp. 2726-2738, Dec. 12, 2005.

[11]C. T. Lin, Y. C. Chen, T. Y. Huang, T. T. Chiu, L. W. Ko, S. F. Liang, H. Y. Hsieh, S. H. Hsu, and J. R. Duann,“Development of wireless brain computer interface with embedded multitask scheduling and its application on real-time driver’s drowsiness detection and warning,” IEEE Trans. Biomed. Eng.,vol. 55, no. 5, pp. 1582-1591, May 2008.

[12]C. T. Lin, L. W. Ko, J. C. Chiou, J. R. Duann, R. S. Huang, S. F. Liang, T. W. Chiu, and T. P. Jung, “Noninvasive neural prostheses using mobile and wireless EEG,” Proc. IEEE, vol. 96, no. 7, pp. 1167-1183, Jul.2008.

[13]S. Otmani, T. Pebayle, J. Rogé, and A. Muzet, “Effect of driving duration and partial sleep deprivation on subsequent alertness and performance of car drivers,” Physiol. Behav., vol. 84, no. 5, pp. 715-724,Apr. 2005.

[14]N. Galley, R. Schleicher, and L. Galley, “Blink parameter as indicators of driver’s sleepiness-Possibilities and limitations,” Vis. Veh., vol. 10,pp. 189-196, 2004.

[收稿日期]2016-01-10

[基金項目]安徽省高校自然科學研究重點項目(編號：KJ2013A217)；魂芯DSP產業化研究院開放課題(編號：2014dspkfb03)；合肥師范學院青年基金項目(編號：2015QN16)資助

[作者簡介]衛兵 (1984-)，男，安徽省六安人，講師，碩士，主要研究方向：嵌入式系統、模式識別與智能數據處理；郭玉堂 (1962-)，男，安徽省安慶人，教授，博士，主要研究方向：圖像處理與模式識別，計算機網絡。

[中圖分類號]TP302.1；TP302.7

[文獻標識碼]A

[文章編號]1674-2273(2016)03-0020-05