基于生理信號的駕駛疲勞分級檢測研究

盧章平，尹傳斌，李 瑞，何 仁

(1.江蘇大學 機械工程學院，江蘇 鎮江 212013；2.江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013)

基于生理信號的駕駛疲勞分級檢測研究

盧章平1，尹傳斌1，李 瑞1，何 仁2

(1.江蘇大學 機械工程學院，江蘇 鎮江 212013；2.江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013)

采用實驗生理學測試與主觀疲勞調查的方法，通過實車駕駛實驗，以腦電信號和心電信號為基本指標，研究不同駕駛經驗駕駛員在09：00—12：00，12：00—14：00，21：00—23：00這3個駕駛過程中疲勞等級的變化。通過主成分分析法，建立腦電信號與心電信號之間的關系，確定駕駛疲勞綜合評價指標。結果顯示：上述疲勞綜合指標在在不同疲勞等級狀態下存在顯著性差異，通過對不同指標的融合提高了對駕駛員不同疲勞等級的識別準確率。

交通工程；生理信號；疲勞駕駛分級；主成分分析法；駕駛經驗

疲勞是一種復雜的狀態，主要以警覺性下降、人體心理機能和生理機能下降的形式顯現，常常伴隨睡意、疲倦等狀態[1]。2004年我國由人為因素造成的交通事故占總交通事故的94.77%[2]，其中疲勞駕駛已成為導致交通安全事故的重要原因之一。

G.KECKLUND等[3]讓駕駛員連續行車8 h，發現駕駛員主觀疲勞度和腦電譜功率(θ波，α波)隨駕駛時間顯著升高。TING Ping-Huang等[4]通過檢測行車軌跡和調查主觀疲勞度，發現在單調高速公路上連續行車至80 min左右時，駕駛員進入疲勞狀態；其實驗結果與T.NILSSON等[5]的發現一致。馬艷麗等[6]采用心理學測試與主觀疲勞調查方法，把駕駛員的疲勞程度分為1～5個等級，研究駕駛員在高速公路上連續駕駛時間與疲勞等級的關系。吳紹斌等[7]把駕駛員疲勞狀態分為清醒、輕度疲勞、中度疲勞、重度疲勞以及瞌睡5個等級，發現腦電功率譜的比值(α+θ)/β越大，駕駛員疲勞等級越高。劉志強等[8]通過分析心電信號來研究駕駛員在疲勞狀態下的轉向特征，發現疲勞狀態下轉角熵升高了57.1%。秦偉等[9]通過研究HRV指標，發現駕駛員在草原公路上連續駕駛到120 min左右時出現疲勞癥狀。

現階段，學術界對駕駛疲勞的研究主要有如下不足：①大多數研究需借助駕駛模擬器完成，忽略了影響疲勞的諸多因素(如道路、車內外環境等)；②忽略駕駛員個體差異性，沒有對駕駛員個體進行分類；③大多數研究只分析被試的腦電信號或心電信號，疲勞特征參數較少。為此，筆者按駕駛經驗把駕駛員分為熟練組和非熟練組，通過實車駕駛提取不同駕駛時間段內表征疲勞程度的腦電信號和心電信號，建立準確的駕駛疲勞綜合評價指標，確定不同駕駛經驗駕駛員的疲勞等級變化。

1 實驗設計

1.1 被試的選取

G.A.RYAN[10]通過研究發現：性別差異對駕駛疲勞引起的交通事故的數量存在顯著影響，尤其男性駕駛員是發生疲勞事故的高危人群。I.D.BROWN[11]指出：30歲以前和30歲以后的駕駛員對疲勞度的感知是有差異的。為此，筆者為了減少這種個體差異性對實驗數據的影響，選取30歲以下年輕男性駕駛員8名為被試，平均年齡27歲。按駕駛經驗等級分為熟練和非熟練駕駛員兩組，每組4名被試，熟練程度以駕駛里程5×104km駕駛經驗為標準[12]。

實驗要求所有被試者身體健康，無睡眠不良、失眠等疾??；駕駛員在實驗前24 h內禁止酒精、咖啡等其他刺激性飲料。實驗時間分別選取09：00—11：00，12：00—14：00，21：00—23：00。為了保證駕駛員的行車安全，在實驗車輛副駕駛位置上安裝剎車板，并配備一名實驗人員。當駕駛員出現較重疲勞癥狀時，實驗人員需采取緊急措施，如緊急剎車、減速等有效措施。

1.2 實驗設備

1.2.1 心理分析儀

實驗采用歐洲思必瑞特Spirt-Mind公司生產的Spirt-10 MarkII心里分析儀器，包括硬件Nexus(8通道)和軟件Biotrace+(80通道)，可以采集人體的腦電、眼電、皮電、心電等多種生理信號，最高采樣頻率可以達到8 192次/s。通過無線藍牙和USB傳輸技術與電腦連接，可以導出MATLAB，Txt等格式的數據文件。

1.2.2 疲勞分級測量

主觀疲勞調查是研究駕駛疲勞的重要手段之一。其中應用最為廣泛的疲勞測量表則為斯坦福嗜睡量表(stanford sleepiness scale, SSS)[13]。SSS量表共包含1～7個不同疲勞等級(疲勞等級用S表示)，疲勞程度依次加深。其中：S=1表示充滿生機與活力；S=7表示睡眠初期、非常疲倦，如表1。被試者需從7個疲勞等級中選擇一個等級來表示自己目前的疲勞狀態。其優點在于操作簡單并可反復進行。

表1 斯坦福嗜睡量表

1.3 實驗流程

實驗路段選取為江蘇省鎮江市S338省道，雙向6車道，道路限速為100 km/h。行駛過程中無交叉路口，無信號燈等待，道路兩側景觀單調。在到達實驗場地后，駕駛員先進行20 min預實驗，熟悉駕駛環境。休息5 min后，連續駕駛90 min的正式實驗，在駕駛過程中要求駕駛員不能進行次任務，車速保持在80 km/h以下。

在此過程，采用Spirt-10 MarkII心里分析儀監測實驗者的腦電信號和心電信號，采樣頻率為256 Hz。在預實驗前、實驗開始前和實驗結束后，駕駛員需填寫SSS主觀疲勞調查表進行疲勞自我評價。實驗將駕駛員疲勞狀態分為清醒(S=1，2)、輕度疲勞(S=3，4)、中度疲勞(S=5)以及重度疲勞(S=6，7)這4個等級。

對采集的生理數據先用獨立分量分析法(independent component analysis，簡稱ICA)進行降噪處理，消除偽跡的影響。其后，利用快速傅立葉變換(FFT)進行功率譜分析。大部分工作借助Excel、SPSS 19.0和MATLAB等計算軟件完成。

2 數據分析結果

2.1 主觀疲勞問卷調查

圖1為測試的SSS疲勞數值?？梢钥闯?，駕駛員主觀疲勞等級呈上升趨勢，這與TING Ping-Huang等[4]的研究結果一致。其中非熟練駕駛員的疲勞等級大于熟練駕駛員的疲勞等級。

對主觀疲勞調查問卷結果進行雙因素方差分析。結果發現：駕駛經驗因素的主效應顯著，F(1，18)=13.000，p=0.002<0.05，這說明駕駛經驗對駕駛人疲勞程度有顯著性影響；駕駛時間因素的主效應也呈顯著性，F(2，18)=48.538，p=0.00<0.05，表示駕駛時間的不同對疲勞程度的影響存在顯著性差異，在21：00—23：00晚間駕駛時，被試的疲勞等級最高。而駕駛經驗和測試時間對駕駛人主觀疲勞程度交互效應并不顯著，F(2，18)=1.462，p=0.258>0.05。

圖1 被試的SSS疲勞數值Fig.1 SSS score of subjects throughout the experiment (S=1～7)

2.2 腦電數據分析結果

當駕駛員處于疲勞狀態時，大腦的思維活動以及信息處理能力會降低，警覺度下降，從而致使β波及高頻腦電波減少。當人體從疲勞轉為瞌睡或輕度睡眠狀態時，腦電節律會逐步降低為θ波和δ波。

2.2.1 EEG信號檢測

將實驗過程分為9部分，每部分持續10 min，取其各個頻段的幅值平均值作軌跡圖。兩組被試的4種腦電波δ波、θ波、α波、β波和一種比率(α+θ)/β指標的變化規律，如圖2。

圖2 EEG變化規律Fig.2 Change law of EEG signals

對統計結果進行ANOVA方差分析，具體結果如表2。研究顯示：駕駛經驗對δ波、β波的變化無顯著影響，δ波：F(1，214)=0.035，p=0.852>0.05；β波：F(1，214)=0.140，p=0.709>0.05。駕駛經驗對θ波、α波以及比率(α+θ)/β的變化有顯著影響，θ波：F(1，214)=9.55，p=0.002<0.05；α波：F(1，214)=29.569，p=0.000<0.05；比率(α+θ)/β：F(1，214)=11.153，p=0.001<0.05。

表2 駕駛經驗對腦電指標的方差分析

注：顯著性水平為0.05。

2.2.2 驗證EEG指標的合理性

為驗證各項EEG指標的合理性，以實驗開始后10 min被試的各項EEG指標為參考值，對統計結果進行配對樣本T檢驗，具體結果見表3。

表3 EEG各指標的配對T檢驗

從表3中可以看出，4種基本指標除了α波沒有顯著性，其他3項指標均有顯著性(p<0.05)，其中：δ波、β波隨駕駛時間顯著降低，而θ波則顯著增加。比率指標(α+θ)/β有顯著性增加。這些結論與以往關于駕駛疲勞的生理研究基本一致[15]。

因此，該3項基本指標δ波、β波、θ波以及比率指標(α+θ)/β可用于對駕駛疲勞程度進行量化評判。但是由于駕駛經驗只對θ波和比率指標(α+θ)/β有顯著影響，所以筆者只選取θ波、比率(α+θ)/β為檢測不同熟練程度駕駛員疲勞駕駛的指標。

2.3 心電數據分析結果

在進行實證分析之前，先對六個指數收益率序列進行描述性統計分析，這樣有利于后文更好地分析數據之間的相依性。

心率(HR, heart rate)的分析較為簡單、直觀，反應了人體在不同任務要求下所承受的心理及生理負荷水平。研究表明：心率的變化對于判別駕駛疲勞具有潛在的研究意義。S.K.L.LAL等[16]發現經過長時間連續駕駛，駕駛員的心率急速下降。

由于人的操作具有自適應性，心率在駕駛任務開始10 min后趨于平穩，因此選取10 min時的指標值作為參考。駕駛員的心率信號變化趨勢情況如圖3。

圖3 心率變化規律Fig.3 Law of heart rate variation

對兩組被試的心率數據進行ANOVA方差分析，結果發現：F(1，210)=6.362，p=0.012<0.05，表明駕駛經驗對心率的主效應有顯著性影響。駕駛時間段對心率的主效應有顯著影響，F(1，210)=13.635，p=0.000<0.05。駕駛經驗和駕駛時間段對心率的交互效應無顯著影響，F(2，210)=0.839，p=0.434>0.05。配對T檢驗結果顯示：t=17.212，p=0.000<0.05，說明心率隨駕駛時間變化整體呈明顯下降趨勢。所以筆者選取心率作為檢測不同熟練程度駕駛員疲勞駕駛的指標。

2.4 疲勞綜合評價指標確定

為全面考察兩種生理指標對駕駛疲勞的判定，筆者利用主成分分析法對腦電信號和心電信號進行分析從而確定一種疲勞綜合評價指標。主成分分析不但可以降低變量的維度，而且還可以在損失很少信息的前提下，把多個指標轉化為一個綜合指標，提高駕駛疲勞評價的準確性。

利用SPSS 19.0軟件對腦電指標θ、(α+θ)/β以及心電指標HR進行主成分分析。由成分得分系數矩陣可知，3種生理指標數據的系數分別為0.854、-0.365、0.853。根據前面所得數據由主成分特征向量得出綜合疲勞指標為：

Y=0.854θ-0.365(α+θ)/β+0.853HR

2.5 駕駛員疲勞等級的確定

疲勞綜合指標Y在不同疲勞等級下有顯著差異，如圖4。疲勞指標Y在清醒和輕度疲勞之間的差異性較小，但顯著水平p仍低于0.05，而清醒狀態與中度或重度疲勞的顯著水平為p=0.000<0.01。上述結論驗證了利用疲勞綜合指標Y推測駕駛員疲勞狀態的可行性。

圖4 疲勞綜合指標Y與疲勞等級的相關性Fig.4 Relation of comprehensive fatigue indicator and fatigue level

在09：00—11：00駕駛時，駕駛經驗對疲勞綜合指標Y無顯著影響，實驗結束后駕駛員處于清醒狀態，個別非熟練駕駛員處于輕度疲勞狀態。在12：00—14：00駕駛時，駕駛經驗對疲勞綜合指標Y有顯著影響，非熟練駕駛員在連續駕駛60 min時進入輕度疲勞狀態，實驗結束后處于中度疲勞狀態。熟練駕駛員在連續駕駛80 min時進入輕度疲勞狀態，其疲勞狀態一直持續到實驗結束。在21：00—23：00駕駛時，駕駛員進入疲勞狀態的時間縮短，且非熟練駕駛員比熟練駕駛員較早進入重度疲勞狀態。

3 總結與展望

提出一種基于生理信號的駕駛員疲勞狀態檢測方法。首先通過斯坦福嗜睡量表(SSS)對駕駛員疲勞狀態進行分級，與此同時，提取駕駛員的腦電和心電指標。最后，采用主成分分析法，綜合考慮腦電和心電各項指標，提出一種疲勞綜合生理指標。結果顯示，提出的疲勞綜合指標在在不同的疲勞等級下均存在顯著性差異，通過對不同指標的融合能夠有效檢測駕駛員的疲勞狀態。

筆者研究采取的基于駕駛員生理信號的檢測方法為接觸式檢測，可靠性高，但檢測設備會妨礙駕駛員的正常操作，影響行車安全。因此，以后的研究重點應更加注重于非接觸式疲勞檢測方法，例如基于駕駛員面部特征、基于方向盤以及基于車輛行駛軌跡等的檢測方法。

[1] 張恩亮，肖貴平，聶磊.交通環境對駕駛員心理的影響分析及對策研究[J].公路交通科技(應用技術版)，2006(11)：164-165. ZHANG Enliang, XIAO Guiping, NIE Lei. Research the impact of traffic environmental on the driver psychology[J].JournalofHighwayandTransportationResearchandDevelopment(ApplicationTechnologyEdition), 2006(11)：164-165.

[2] 敖谷昌，楊利.機動車駕駛員人為因素與交通事故危害性關聯分析[J].重慶交通大學學報(自然科學版)，2010，29(1)：121-124. AO Guchang, YANG Li. Correlation analysis on driver’s human factors and accident hazard in road traffic accidents[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2010，29(1)：121-124.

[3] KECKLUND G，?KERSTEDT T. Sleepiness in long distance truck driving: an ambulatory EEG study of night driving[J].Ergonomics，1993，36(9)：1007-1017.

[4] TING Ping-Huang, HWANG Jiun-Ren, DOONG Ji-Liang, et al. Driver fatigue and highway driving: a simulator study[J].Physiology&Behavior，2008，94(3)：448-453.

[5] NILSSON T, NELSON T M, CARLSON D. Development of fatigue symptoms during simulated driving[J].AccidentAnalysis&Prevention，1997，29(4)：479-488.

[6] 馬艷麗，王要武，裴玉龍.疲勞與駕駛時間關系的實驗心理學研究[J].西南交通大學學報，2009，44(4)：535-540. MA Yanli, WANG Yaowu, PEI Yulong. Experimental psychology study on relationship between fatigue and driving time[J].JournalofSouthwestJiaotongUniversity, 2009，44(4)：535-540.

[7] 吳紹斌，高利，王劉安.基于腦電信號的駕駛疲勞檢測研究[J].北京理工大學學報，2009，29(12)：1072-1075. WU Shaobin, GAO Li, WANG Liu’an. Detecting driving fatigue based on electroencephalogram[J].TransactionsofBeijingInstituteofTechnology, 2009，29(12)：1072-1075.

[8] 劉志強，焦立峰.疲勞駕駛的轉向特征研究[J].重慶交通大學學報(自然科學版)，2011，30(3)：432-435. LIU Zhiqiang, JIAO Lifeng. Research on the steering feature in fatigue driving state[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2011，30(3)：432-435.

[9] 秦偉，朱守林，裴志永，等.草原公路駕駛員時域分析指標與駕駛疲勞灰關聯分析[J].重慶交通大學學報(自然科學版)，2014，33(6)：142-145. QIN Wei, ZHU Shoulin, PEI Zhiyong, et al. Gray relation analysis of time domain index and driving fatigue of prairie highway drivers[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2014，33(6)：142-145.

[10] RYAN G A. Road traffic crashes by region in Western Australia[C]∥ConferenceofFatigueandDriving. Fremantle, Western Australia: ARRB Group Limited, 1995.

[11] BROWN I D.MethodologicalIssuesinDriverFatigueResearch[M]. London: Taylor & Francis，1995：155-166.

[12] 郭應時.交通環境及駕駛經驗對駕駛員眼動和工作負荷影響的研究[D].長安：長安大學，2009. GUO Yingshi.StudyonEffectsofTrafficEnvironmentandDrivingExperienceonDriver’sEyeMovementandWorkload[D]. Chang’an: Chang’an University, 2009.

[13] HODDES E, ZARCONE V，SMYTHE H, et al. Quantification of sleepiness: a new approach[J].Psychophysiology，1973，10(4)：431-436.

[14] AKERSTEDT T, KECKLUND G，WKNUTSSON A. Manifest sleepiness and the spectral content of the EEG during shift work[J].Sleep，1991，14(3)：221-225.

[15] 殷艷紅.基于腦電波與眨眼的駕駛員疲勞模擬實驗研究[D].上海：同濟大學，2008. YIN Yanhong.ResearchonDriver’sFatigueStateBasedonAnalyzingEEGandEyeBlinkinStimulatedDrivingEnvironment[D]. Shanghai: Tongji University, 2008.

[16] LAL S K L, CRAIG A. Driver fatigue: electroencephalography and psychological assessment[J].Psychophysiology，2002，39(3)：313-321.

(責任編輯 劉 韜)

Study of Driver’s Fatigue Level Grading Experiment Based on His Physiological Signal

LU Zhangping1，YIN Chuanbin1，LI Rui1，HE Ren2

(1. School of Mechanical Engineering, Jiangsu University, Zhenjiang 212013, Jiangsu, P.R.China；2.School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang 212013, Jiangsu, P.R.China)

With the help of Electroencephalogram (EEG) and Electrocardiogram (ECG), a real traffic driving experiment which combining physiology test and subjective fatigue survey was conducted to study the law of fatigue level variation of a diver who was driving during 09：00—12：00AM，12：00—14：00PM and 21：00—23：00PM. By the principal component analysis (PCA), this study was able to establish the relationship between EEG and ECG signal, and to set up a comprehensive indicator to determine driver fatigue. The results show that the above-mentioned comprehensive indicator can recognize different levels of driver fatigue and the fusion of different indicators thas can improve the accuracy in detecting driver′s different fatigue levels.

traffic engineering; physiological signal; driver′s fatigue level; principal component analysis(PCA); driving experience

10.3969/j.issn.1674-0696.2017.01.14

2015-09-28；

2015-12-11

高等學校博士學科點專項科研基金聯合資助課題項目(20113227110007)；“江蘇大學”博士創新計劃項目(KYLX 15_1050)

盧章平(1958—)，男，江蘇揚州人，教授，博士，主要從事計算機輔助設計、人機交互理論及應用方面的研究。E-mail: lzping@ujs.edu.cn。

尹傳斌(1990—)，男，山東臨沂人，碩士研究生，主要從事道路交通安全方面的研究。E-mail: yinchuanbin 1990@126.com。

U491

A

1674-0696(2017)01-077-05