基于模糊神經網絡的駕駛警覺度識別方法研究

吳志敏，潘雨帆，洪治潮

（1.公路交通安全與應急保障技術及裝備交通運輸行業研發中心，廣東 廣州 510420；2.廣東華路交通科技有限公司，廣東 廣州 510420；3.西南交通大學交通運輸與物流學院，四川 成都 610031）

0 引言

駕駛警覺度通常是指駕駛員在執行駕駛任務時長時間保持注意力或警惕性的水平[1]。在長時間的連續駕駛作業過程中，駕駛員需對車輛運行、車輛狀態、運行環境等多重信息進行實時監控，易誘發駕駛員疲勞，導致駕駛警覺度下降，從而增加了事故發生率。因此對駕駛員的駕駛警覺度進行有效識別，是駕駛安全研究的關鍵問題之一。

目前國內外學者針對駕駛員的駕駛警覺度進行了一系列研究。汪澎[2]以駕駛員低警覺度不安全駕駛行為為研究對象，提出了一種駕駛員駕駛行為實時監測系統。李凡[3]則采用支持向量機、線性判別分析等分類方法，構建了基于方向盤握力信號的警覺度監測模型。董書琴等[4]采用不同程度的警覺度（睡眠與清醒）對應的腦電信號（Electroencephalograph，簡稱EEG），通過對EEG進行特征提取建立了駕駛警覺度識別模型。Papadelis等[5]采用生理信號評估駕駛警覺度，研究結果表明駕駛員EEG、心電信號可對駕駛警覺度進行有效檢測。Mbouna等[6]采用眨眼次數、瞳孔活動與頭部姿勢3項指標，構建了基于SVM的駕駛警覺度識別模型。

上述研究從不同角度豐富了駕駛警覺度相關研究，但缺乏對駕駛警覺度等級的合理劃分。以往的研究證明了不同時段的主觀疲勞測評、駕駛行為績效能夠反映駕駛精神狀態的差異性，同時EEG與駕駛精神狀態有著高度相關性[7-8]，因此本文擬采用主觀疲勞測評、駕駛行為績效對駕駛警覺度進行等級劃分，以EEG為特征指標，結合模糊神經網絡模型（Fuzzy Neural Network，簡稱FNN），提出一種駕駛警覺度識別方法，以期對駕駛員的駕駛警覺度進行有效識別，為設計、開發相關預防控制系統提供理論依據。

1 駕駛員的駕駛警覺度劃分

目前，國內外研究通常采用駕駛作業前后兩個時段對駕駛警覺度等級進行劃分[9-10]。在駕駛作業開始不久，駕駛員具有較高的警覺度，故選取駕駛作業前時段作為駕駛員的高警覺度時段；隨著駕駛作業時長增加，駕駛員的疲勞程度逐漸增加，警覺度也隨之下降，故選取駕駛作業后時段作為駕駛員的低警覺度時段。

為了量化駕駛員的駕駛警覺度，本文結合主觀疲勞評估與駕駛監控作業行為績效兩項指標來衡量駕駛員的駕駛警覺度。通過對比前后兩個時段的主觀疲勞評估（卡羅林斯卡嗜睡量表（Karolinska Sleepiness Scale，簡稱KSS）得分）、駕駛監控作業行為績效（反應時間、速度偏差等）差異性，以驗證駕駛警覺度劃分的合理性。

2 基于小波變換的腦電參數提取

EEG是一種時變非平穩信號，而小波變換是一種時頻結合的分析方法，具有多分辨率的優點[11]，適用于對非平穩信號提取相關特征信息。因此本文采用小波變換對EEG進行分解，將分解得到的θ(4～8Hz),α(8～13Hz),β(13～30Hz)3種頻段分別提取小波系數能量值作為EEG特征參數，具體處理過程如下。

（1）對信號f(n)進行小波變換，其小波系數定義如下式所式：

式中：(n)為小波函數；k為信號帶寬；j為信號中心頻率。

（2）將Cj,k進行逆變換，得到逆信號h(n)如下式所示：

式中：hj(n)為逆信號h(n)在某一刻度的分量。

（3）為了對逆信號h(n)進行有限層分解，本文引入Mallat算法[12]，即：

式中：W為分層級數，本文取W=3；hW(n)為模糊分量；a為信號某一刻度；haj(n)為不同刻度下的細節分量。因此，可通過上述有限層分解得到θ,α,β3種不同頻段的EEG。

（4）小波系數能量值能夠反映EEG的時域與頻域特征，而各頻段的小波系數具有能量的量綱，因此分別提取θ,α,β的小波系數能量值，同時計算合成參數(α+β)/β,α/β,(θ+α)/(α+β),θ/β,(α+β)/θ的比值作為EEG特征參數。

按照步驟（1）～（4）對q個電極的EEG進行處理，則相應得到8q項EEG特征參數，將其作為駕駛警覺度識別特征指標。

3 基于模糊神經網絡的識別模型構建

模糊神經網絡是將模糊理論引入人工神經網絡，較好地實現了兩者融合。人工神經網絡有著強大的學習能力，并能夠對目標事物開啟自動識別模式[13]。一般來說，人工神經網絡對事物中存在的模糊信息無法有效處理，導致其適用范圍不夠廣泛[14-15]。通過引入模糊理論，彌補了神經網絡處理模糊信息的缺陷，從而能夠同時對模糊與明確信息進行分類識別。腦電信號作為一種復雜的生理信號，其隱含著諸多復雜信息，也必然存在著大量的模糊信息。鑒于此，結合模糊神經網絡有著較強的學習能力與處理模糊信息的特點，本文采用該方法對不同駕駛警覺度等級進行有效識別，構建模型過程如下。

建立含一個輸入層、一個模糊層、一個模糊推理層、一個補償運算層以及一個輸出層的FNN模型。其中輸入層節點個數由駕駛識別特征指標個數確定，并與節點一一對應；模糊層節點個數由輸入變量及其模糊子集個數所確定；模糊推理層與補償運算層節點個數均由規則數m所確定；輸出層節點個數為1，規定高警覺度的輸出結果為1，低警覺度的輸出結果為0。該網絡結構如圖1所示。

圖1 FNN模型網絡結構

對于某一組駕駛警覺度識別特征指標X=(x1,x2,…,x8q)，每個EEG特征參數xi視為模糊語言變量。選擇高斯型函數作為模糊層隸屬函數μip(xi)(i=1,2,…,8q;p=1,2,…,m)，所得到的隸屬度作為該層輸出，如下式所示：

式中：cip為xi的第p個節點對應隸屬度的均值；σip為xi的第p個節點對應隸屬度的方差。

在模糊推理層，第p個節點的輸出量?p如下式所示：

而在補償運算層中第p個節點的輸出量φp如下式所示：

式中：γ為補償度，且γ∈[0,1]。

輸出層輸出結果為：

式中：wip為第p個補償模糊節點到第i個輸出節點的權值；τ為給定閾值。

4 識別效果測評

表1 識別模型輸出結果

基于上述識別結果，可構建FNN識別模型對高駕駛警覺度的識別正確率（TPR）、FNN識別模型對低駕駛警覺度的識別正確率（SPC）、FNN識別模型的整體識別正確率（ACC）3項指標，分別定義如下：

式（8）～式（10）中：TP為模型判斷為真高警覺度的樣本量；FN為模型判斷為偽高警覺度的樣本量；TN為模型判斷為真低警覺度的樣本量；TP為模型判斷為偽低警覺度的樣本量。

通過計算上述3項指標，以SPC為橫坐標、TPR為縱坐標構成反映識別模型效果優劣的接收者操作特征（Receiver Operating Characteristic，簡稱ROC）曲線。為了對識別模型識別效果進行評價，將ROC曲線的線下面積（Area Under the Curve，簡稱AUC）作為評價指標。當AUC≤0.5時，說明識別模型識別效果較差；當AUC〉0.5且越來越逼近1時，說明識別模型識別效果越來越好[16]。

5 實例分析

5.1 試驗設計

試驗有償招募了20名男性駕駛員（年齡在32～40歲之間，駕齡在4～9年之間）進行測試。被試者身體健康，無精神病史，無色盲或者色弱，且視力或矯正視力在1.0以上。

試驗采用型號為VDS—S—I的高仿真駕駛模擬器，其駕駛艙外部如圖2（a）所示。試驗路線選用一條雙向4車道公路，每車道寬度為3.75m，線路里程為100km，設計時速為60km/h。在試驗過程中，駕駛操作臺前方屏幕將會隨機呈現信號，當隨機信號出現時要求被試者盡可能快速按鍵做出反應（若反應時間超過1 000ms，則視此次反應無效）。隨機信號刺激呈現120次，相鄰兩信號刺激時間間隔在25～35s之間。同時，要求被試者始終保持以不低于5km/h的設計時速運行駕駛模擬器，連續駕駛時長為3h。

在整個試驗過程中，記錄被試者對隨機信號的反應時間、車輛當前運行速度。在試驗開始前與結束后要求被試者填寫KSS量表以評估其主觀疲勞度。同時，采用德國Brain Products公司研制的64導Neuroscan腦電儀實時對被試者EEG數據進行采集并記錄，如圖2（b）所示，普遍選用FC1電極作為參考。腦電采樣率、采集頻率帶寬分別設置為500Hz,1～50Hz，所有電極阻抗均低于2kΩ。

圖2 試驗場景

5.2 駕駛警覺度等級劃分合理性驗證

選取試驗開始后的16～46min作為高駕駛警覺度時段、150～180min作為低駕駛警覺度時段。對上述兩個時段的主觀疲勞測評（KSS量表得分）與駕駛監控行為績效數據（速度偏差、反應時間及反應正確率）進行獨立樣本t檢驗。通過檢驗兩者的差異性來驗證警覺度等級劃分的合理性，檢驗結果如圖3所示。

從圖3可看出，前后時段KSS量表得分檢驗結果為顯著性水平低于0.01，其在第1時段（16～46min）顯著低于第2時段（150～180min），表明駕駛員經過長時間駕駛操作導致駕駛疲勞，且疲勞程度顯著增加；前后時段速度偏差檢驗結果為顯著性水平低于0.05，其在第1時段顯著低于第2時段，表明駕駛員對車輛運行速度控制能力下降；前后時段反應時間檢驗結果為顯著性水平低于0.01，其在第2時段顯著高于第1時段，表明駕駛員對信號認知能力有所下降；前后時段反應正確率檢驗結果為顯著性水平低于0.01，其在第2時段顯著低于第1時段，表明駕駛員誤操作率明顯上升。

圖3 主觀疲勞與行為數據檢驗結果

綜上所述，驗證了以試驗第1時段作為高駕駛警覺度時段、第2時段作為低駕駛警覺度時段的劃分具有合理性。

5.3 駕駛警覺度識別結果

采用第2節處理方法分別對試驗中第1時段與第2時段的EEG數據進行特征參數提取，均得到512項EEG特征參數，作為駕駛警覺度等級識別特征指標。將所得到的警覺度等級識別特征指標樣本作如下處理：將樣本分為訓練樣本與測試樣本，按照3∶1的比例從樣本中隨機抽取。為了驗證本文所提模型的優勢，分別對FNN識別模型與參考文獻[17]中的BP神經網絡識別模型進行訓練與測試，共測試200次，其結果如表2所示。

表2 兩種不同模型的識別結果

由表2可看出，在警覺度識別結果中，FNN模型與BP模型兩者對低警覺度識別正確率高于高警覺度，說明兩模型對低駕駛警覺度易于識別；在整體識別正確率結果中，FNN模型的整識別體正確率高于BP模型；同時從模型識別效果來看，FNN模型在AUC值上明顯高于BP模型，且AUC值接近于1，表明FNN模型識別效果較優。因此，本文所提模型具有可行性與有效性。

6 結論

本文針對駕駛員的駕駛警覺度識別問題，基于EEG構建了駕駛員的駕駛警覺度等級識別方法，其成果主要體現在以下2個方面。

（1） 通過前后 2個時段 （16～46min與 150～180min）駕駛員主觀疲勞測評數據與駕駛監控作業行為績效差異性對比分析，驗證了長時間連續駕駛作業會導致駕駛員的駕駛警覺度下降。

（2）以EEG特征參數作為識別特征指標，分別結合FNN模型與BP模型構建了駕駛員的駕駛警覺度識別方法，結果表明FNN模型識別效果優于BP模型。

本文實現了對機動車駕駛員的駕駛警覺度等級的有效識別，可為后續預防控制系統的設計與開發提供理論依據。由于該研究是基于模擬駕駛環境展開的，今后將對該方法在實際駕駛狀態下的適用性予以進一步驗證。