基于腦電信號的疲勞駕駛檢測及預警平臺

文／王恁 郭慧利 郭浩

背景

據統計，40%的交通事故是由疲勞駕駛引起的。Klauer等人的一項研究發現疲勞駕駛造成的交通事故比正常駕駛高4至6倍[1]。因此，疲勞駕駛的檢測已成為關乎人民生命財產安全的必要手段。疲勞駕駛的客觀檢測方法是通過測量諸如腦電、心電，肌電和皮膚電的生理信號以及駕駛員的眼球運動，頭部位移，駕駛操縱行為和車輛軌跡來測量駕駛員的疲勞狀態[2,3]。其中，腦電是檢測疲勞的金標準，被認為是最準確和客觀的分析方法之一。

目前，對腦電信號特征提取的研究大多基于運動想象的腦-機接口（brain-computer interface，BCI）實驗。Budi等在單調駕駛過程中測試了52人的腦波，通過觀察腦電波中δ、α、θ、β的四個節律，找到了四種算法(θ+α)/β，α/β，(θ+α)/(α+β)，θ/β可用于檢測疲勞的發生[4]。徐春婕使用α波和β波的平均功率譜密度比值作為腦電疲勞指標，準確率為96.3%[5]。付強驗證了β和(α+θ)/β 兩項指標對駕駛疲勞反應最敏感[6]。吳紹斌等使用腦電功率譜的比值R =(α+θ)/β作為檢測疲勞駕駛的指標[7]。李立等通過對情緒腦電圖的比較分析，得出樣本熵結果優于近似熵結果[8]。趙曉華等通過ROC曲線分析得到了疲勞駕駛腦電信號的樣本熵閾值，準確率為95%[9]。經前人研究發現，(α+θ)/β指標評估對疲勞反應變化最為敏感，因此本文采用這一方法作為檢測疲勞駕駛的指標。

本文采用基于小波包分解和樣本熵的腦電信號進行駕駛行為中的疲勞檢測，并構建預警平臺，以實現網絡環境下的疲勞駕駛行為的實時檢測、預警、管理以及應急。根據腦電信號的隨機性、非平穩性、非線性、易受外界干擾的特點，使用小波包分解用于提取腦電信號并組合不同頻段的腦電信號確定疲勞指數，以實現疲勞狀態的檢測與預測，并利用樣本熵區分疲勞狀態和非疲勞狀態，表明樣本熵也是判斷疲勞駕駛的有效指標，為進一步實時檢測疲勞駕駛奠定了基礎。通過IPv6網絡環境搭建疲勞駕駛預警平臺，管理駕駛員信息，實時檢測并監控駕駛員駕駛狀態，對歷史駕駛狀態分析達到對疲勞狀態的預警。

實驗設計

實驗方案

32名來自太原理工大學的本科及研究生（20男12女）作為實驗的被試，年齡在22～25歲之間，右利手，身體狀況良好，自愿參加實驗。實驗前要求被試48小時內保證充足睡眠，禁止使用酒精、咖啡和藥物。實驗時間確定在15：00～17：00，在模擬駕駛器內進行，要求被試連續駕駛120分鐘，場景選擇為景觀單一的高速公路，長時間直線行駛，容易產生疲勞。

實驗數據采集

主要實驗儀器有德國 Brain Products公司64導事件相關腦電位分析系統，放大器帶寬為1000Hz/通道，采樣頻率為 5000/通道/秒；腦電信號分析軟件BrainVision Analyzer；漳州惠智科技有限公司的汽車駕駛模擬器（智能學車型，產品型號：CLT-330）；電極配置采用國際標準導聯10-20系統（10-20 electrode system）。原始腦電波需要除去抖動較大的錯誤信息段，然后去除眼電偽跡。

腦電特征提取方法

小波包分解

小波變換不均勻劃分頻帶，具有高頻帶寬和窄頻帶的特點，可能導致某些有用信號的檢測精度降低。小波包分解是基于小波變換在整個頻率范圍內進行等頻帶寬正交分解，具有更好的時頻特性[10,11]。該方法不僅分解了信號的低頻近似部分，而且分解了信號的高頻細節部分，可以更大程度地保留原始信號的特征。分解后的信號更真實，更精細地反映了信號的本質。它在繼承小波變換本質的同時，也彌補了小波變換的不足，提高腦電信號分析的準確性[12]。

樣本熵

樣本熵是Richman基于近似熵提出的改進的時間序列規則性評估算法,它是一種序列復雜度的測量方法，是腦電等非線性動態時間序列研究的有力工具。與時域特征相比，頻域特征相對穩定，并且函數計算時間消耗小，因此許多基于腦電的應用基于頻域特性[13]。李立等通過兩組公共數據集討論近似熵和樣本熵哪種更適合作為腦電特征，結果表明樣本熵為特征的平均準確率均高于以近似熵為特征的平均準確率，從時間復雜度對比結果可以看出，樣本熵算法的計算效率明顯高于近似熵算法的計算效率，實驗結果與理論也是一致的。

具體算法如下：

步驟 1： 將序列x（1）,x（2）,…,x（N）按順序組成m 維矢量，即

式中：1≤k≤m-1;1≤i,j≤N-m+1,i≠j

步驟2： 定義矢量Xm (i)與矢量Xm (j)之間的距離為d[X_m (i),Xm (j)]，即

式中：

步驟3 ：給定相似容限r(r>0)，對于每個1≤i≤N-m，統計出 的數目與矢量總數N-m-1的比值，記作(r)：

式中：1≤j≤N-m,i≠j。求其對所有的平均值

對于m+1點矢量，同樣有

式中1≤j≤N-m,i≠j：。求其對所有的平均值

步驟4 ：此序列的樣本熵為

但是在實際計算中N不可能為∞，當N 取有限值時，估計

結果分析

小波包分解可以反映腦電信號的時頻特性，但不能反映其非線性特征。樣本熵是一種非線性分析方法，通過測量腦電信號的復雜度可以反映其非線性特征，但不能反映其時頻特征。針對這兩種方法的不足，本文將小波包分解與樣本熵相結合，提取腦電信號的特征，提高腦電信號的正確識別率。

腦電信號節律能量以及疲勞指數分析

在本文中，選擇與疲勞程度密切相關的前額電極FP1進行說明。將實驗采集到的120分鐘的腦電數據去掉前后10分鐘的實驗適應和實驗結束時間，將剩余的100分鐘腦電數據分成10個片段，每個片段為10分鐘，記為T1～T10。

根據能量時域計算公式：

可得出θ，α，β三種波的能量值，及變化曲線如圖1和表1。

圖1 不同時間段腦電波能量值變化曲線

由圖表分析可知，隨著時間的增加，β波的能量逐漸減小，θ波和α波的能量逐漸增加。在時間段T1至T3期間，θ波和α波的能量增長較慢；在時間段T5至T7期間，α波能量增長速率變快，θ波能量則是從T6開始變快；時間段T8至T10期間，θ波和α波能量保持在一定狀態。也就是說，當β波占主導地位時，被試的意識是清醒的；而當θ波和α波占主導地位時，人的意識模糊甚至出現睡眠。由于疲勞是多種因素共同作用的結果，單個節律能量的變化趨勢不能客觀衡量疲勞程度變化。因此，我們綜合分析多個節律的能量變化，得到疲勞指數(α+θ)/β 隨時間變化的曲線[4]。該比值可進一步設計為實時疲勞駕駛檢測的預警數值。

表1 不同時間段腦電波能量值變化

圖2 疲勞指數(α+θ)/β曲線圖

由圖2可知，在時間段T5～T6期間，疲勞指數開始呈現明顯上升趨勢，即開始出現疲勞駕駛情況。T6以后保持上升趨勢，疲勞程度越來越深。

腦電信號樣本熵分析

將小波包分解后的FP1電極腦電波重構后，得到一組腦電信號。本文中樣本熵使用表示，其中選擇參數m=2，相似容限r=0.2SD，樣本容量N=1000。每10秒計算一次樣本熵，計算出32名被試的樣本熵的時間序列，盡管32名被試的樣本熵值大小各不相同，但總體的的變化趨勢基本一致。得到平均的樣本熵序列，如圖3所示，FP1通道的腦電信號的樣本熵時間序列，從T5開始和之前有一定的區分度。由此可見，樣本熵可以作為判斷疲勞駕駛的依據。不同駕駛狀態的樣本熵值具有一定的差異，非疲勞駕駛狀態的樣本熵值集中在0.6～0.9之間，而疲勞駕駛狀態的樣本熵集中在0.3～0.6之間，即非疲勞駕駛狀態的樣本熵高于疲勞駕駛狀態的樣本熵。

圖3 樣本熵散點圖

IPv6網絡預警平臺

傳統的疲勞駕駛檢測只是判斷是否處于疲勞狀態并被動給出提醒信號，這種檢測判別精細化程度較低、漏檢率比較高，無法實現實時監測與預警。在此背景下，我們提出建立一種疲勞駕駛預測模型，通過采集和收集駕駛員以及車輛的各種數據，例如：腦電數據，CCD攝像頭采集的面部特征信息，簡易測量設備獲得的心率和脈搏數據，駕駛員行車路線以及行車時間等。對歷史數據進行管理分析，預測在相同狀態下駕駛員是否處于疲勞駕駛狀態。同時，我們利用IPv6 網絡環境搭建監控及預警平臺，對駕駛員進行聯網監控。利用大數據分析技術充分挖掘駕駛疲勞與駕駛員之間的關系，實現對駕駛員個體差異的差異化管理，有效提高駕駛疲勞檢測的準確性和實時性。同時，還可以提前對疲勞狀態進行預測，避免駕駛疲勞檢測的被動性。

表2 疲勞程度與預警信號

結合IPv6與物聯網技術，基于腦電的實時疲勞駕駛檢測與預警成為可能。利用IPv6無限IP地址，完全移動性，始終在線，更小的路由表，更快，更好的質量等特點，以及IPv6網絡數據傳輸經過身份驗證和加密，使預警平臺更迅捷更安全。

預警平臺主要實現疲勞狀態檢測，駕駛狀態監控，疲勞狀態預警等主要功能（圖4）。

圖4 疲勞駕駛檢測與預警平臺流程

本文的工作主要是對腦電信號的分析，采用疲勞指數與樣本熵結合，一旦平臺預測到駕駛員疲勞，預警平臺會分三個級別給駕駛員發出預警信號，如表2所示。

本文通過研究駕駛員模擬駕駛情況下的腦電波的時頻變化特征，利用小波包分解和樣本熵進行特征提取。研究發現，隨著駕駛時間的增加，β波的能量逐漸減小，θ波和α波的能量逐漸增加。在連續駕駛50至60分鐘時，β波能量開始迅速下降，θ波和α波的能量迅速上升，即開始出現疲勞駕駛狀態；連續駕駛70至80分鐘時，θ波和α波的能量超過β波的能量，可以認為已經處于疲勞駕駛狀態。此外，通過計算三種波的能量比值(θ+α)/β，可以得到一個隨時間變化的疲勞指數，指數值越大，疲勞程度越深。可以為將來實時疲勞駕駛檢測提供有效的參考指標。最后，樣本熵可以作為疲勞駕駛檢測的指標，隨著駕駛時間的增加，樣本熵值逐漸減小。從T5時間段即駕駛50分鐘開始，樣本熵有下降的趨勢，并在80～100分鐘穩定在0.3～0.6左右。可見非疲勞駕駛狀態的樣本熵值集中在0.6～0.9之間，而疲勞駕駛狀態的樣本熵集中在0.3～0.6之間。

本文工作為構建駕駛員狀態預測模型，為之后搭建預警平臺，以實現疲勞駕駛的檢測、監控及預警。