基于下肢表面肌電的駕駛員緊急制動行為識別*

周申培 喬丙辰 陳 云

(武漢理工大學自動化學院1) 管理學院2) 武漢 430070)

0 引 言

駕駛員的緊急制動行為識別研究一直是汽車主動安全領域的重要內容，其對緊急制動輔助系統激活時間點的確定、智能緊急制動燈的優化設計、自動駕駛系統人-機模式的平滑切換,以及線控制動系統控制信號的生成等具有重要價值[1-2].制動行為識別涉及人的復雜性和不確定性[3]，現有研究主要從制動行為的執行階段進行識別，以建立制動行為和車輛狀態間的映射關系.Miller[4]將不同駕駛意圖下駕駛員的操作特性和信號的界限值結合，提出一種針對避障的制動意圖識別系統；Liu等[5]基于制動踏板數據對駕駛員的制動行為進行識別，并控制制動踏板的液壓缸壓力，使駕駛員獲得良好的制動踏板感覺.王英范等[6]發現，制動踏板位移(開度)適合單獨作為駕駛員制動行為識別的輸入參數，可有效提高辨識準確度.然而，緊急制動情況下會觸發一連串行為的級聯反應，制動踏板的響應只是最后一個觸發事件.

因此，本研究擬引入駕駛員下肢sEMG信號來實現駕駛員緊急制動行為的識別.通過測量下肢肌肉(包括脛骨前肌、腓腸肌和比目魚肌)所引起的肌電活動，試圖在制動踏板感應之前準確檢測腿部運動，以提前識別出緊急制動行為，減少碰撞事故的發生率.另外，由于駕駛員緊急制動時的下肢sEMG信號特征與常規制動和加速換擋行為特征極為相似，故選擇常規制動、加速換擋和緊急制動樣本數據進行特征提取和分類識別，以提高駕駛員緊急制動行為的識別準確度.

1 模擬駕駛實驗設計

1.1 實驗對象

本次共招募10名身心健康且慣用右手的非職業駕駛員進行實驗，年齡(24.5±2.5)歲.所有實驗對象均持有駕駛執照，且具有正常或矯正到正常的視力.并在實驗開始前24h內睡眠質量均良好，無不良情緒，無飲酒或服用藥物的情況.

1.2 實驗設備

本次實驗所使用的設備包括某汽車駕駛模擬器、某ELONXI EMG 100-Ch-Y-RA肌電儀(采樣頻率為1 000 Hz)、RX-D2027柔性薄膜壓力傳感器(量程為2Kg)和基于STM32F103的數據采集與同步系統等.

1.3 實驗過程

先采用ELONXI肌電儀進行最大自主收縮(maximum voluntary contraction, MVC)實驗，分別測量受試者下肢脛骨前肌、腓腸肌和比目魚肌處的sEMG信號，以用于對實驗過程中所采集的sEMG信號進行非線性化處理，進而得到肌肉激活程度值.模擬駕駛過程中，受試者需根據實際交通情況進行加速換擋、緊急制動和常規制動操作，同步記錄其右下肢肌肉的sEMG信號和右足底壓力信號.其中，每名受試者進行45 min的連續駕駛實驗.

2 肌電信號特征提取

2.1 活動段提取

活動段提取是從連續采集的sEMG數據流中提取出對應于動作執行時的有效片段，稱為活動段(active segments)[7].目前，常采用滑動矩形窗從信號能量的角度對sEMG信號進行滑動分析，根據一個矩形窗內信號的能量和來判斷其是否處于動作狀態[8].公式為

(1)

式中：Q為t時刻滑動矩形窗內sEMG能量值；Δt為滑動矩形窗的寬度；sEMG(t)為所采集的sEMG序列.然后，分別設定動作狀態能量閾值A和非動作能量閾值B，以此判定動作的起始與結束時刻.駕駛員進行緊急制動操作時，脛骨前肌處sEMG經處理后的部分活動段信號見圖1.

圖1 sEMG活動段

2.2 特征提取

sEMG信號較為微弱、頻率低且易受干擾，主要噪聲干擾源包括外部電路的工頻干擾、心電干擾、相鄰肌肉群的活動、AD轉換器等硬件設備干擾等.因此，在進行特征提取前，先采用50Hz的陷波濾波器濾除工頻干擾，再經過通帶為20～500 Hz的四階巴特沃斯濾波器進行處理.

目前，廣泛采用的sEMG特征提取方法主要有時域法、頻域法、時頻域法、參數模型法等.相比之下，時域法、頻域法和模型參數法較為常用.其中，時域特征計算速度快、實時性高且有明顯的物理意義；頻域特征以頻率維度反映信號變化特性，平穩性好；而模型參數法可以提取信號的高維特征，其特征具有一定的頻譜監視功能、較為穩定，能夠滿足實際要求,因此，本實驗提取積分肌電值(iEMG)、均方根值(RMS)、平均功率頻率(MPF)、中位頻率(MF)和四階AR模型參數(aj,j=1,2,3,4)構成特征向量.計算方法為

(2)

(3)

(4)

(5)

(6)

式中：xi為樣本點；N為采樣點數；P(f)為信號的功率譜密度；ni為殘留白噪聲；p為AR模型的階數；aj為AR模型的系數，其可由Yule-Walker方程得到.其中，緊急制動時脛骨前肌的iEMG，RMS，MPF，MF曲線見圖2，橫軸為樣本點數.

圖2 緊急制動時脛骨前肌sEMG特征值曲線

3 最優sEMG分類器的設計與實現

3.1 支持向量機分類算法

針對二分線性分類問題，給定分類樣本集(xi,yi),i=1,2,…,n；其中，xi∈Rn，表示數據點，yi∈(1,-1)，代表類別標簽.支持向量機分類算法的目標即是在當前的n維數據空間中尋找最優超平面，為

y=wTx+b

(7)

式中：w和b為待求參數.

然而，針對二維空間的線性不可分問題，需要將其向高維空間轉換，進而使其變得線性可分，即轉變成二次優化問題，為

(8)

式中：C為懲罰因子；ξ為松弛變量.

針對約束最優化問題，常利用Lagrange對偶性將其轉換為對偶問題，通過求解對偶問題而得到原始問題的解.在此，引入Lagrange乘子對問題進行轉化，那么支持向量機決策函數即為

(9)

式中：αi為Lagrange乘子；(xi·x)為兩個向量的點積.

進而，采用核函數K(xi,x)來替代點積(xi·x)，且由于徑向基核函數(RBF)適應性強，故選用其作為支持向量機的核函數[9]，分類決策函數變為

(10)

式中：σ為徑向基核函數的寬度.

3.2 sEMG的多分類算法

圖3 有向無環圖的支持向量機分類器

3.3 模型實現

結合時域法、頻域法和模型參數法對所有樣本信號的三類動作sEMG進行特征提取，選取iEMG,RMS,MPF,MF和四階AR模型參數(aj,j=1,2,3,4)構成特征向量；計算訓練樣本的特征向量值，對有向無環圖的支持向量機進行訓練，并采用遺傳算法對支持向機的參數進行優化，進而通過交叉驗證法得到C=7.68，σ=2.91.根據特征集和最優參數建立基于sEMG的緊急制動行為識別模型，并對測試樣本進行測試，以檢驗模型性能.

4 實驗結果分析

為驗證本研究中特征提取方法的有效性與緊急制動識別模型的準確性，將45組數據作為基于有向無環圖的支持向量機的輸入，其中包括30組訓練樣本和15組測試樣本數據.為了能夠在駕駛員腳底動作執行前準確識別出緊急制動行為，選擇與緊急制動行為特征相似的常規制動行為和加速換擋行為構成三種不同動作.分別針對同一駕駛員的特征數據、不同駕駛員的特征數據進行分類，并對不同個體間的不同動作進行分類，得到駕駛員3中不同動作的識別率，重點關注其緊急制動行為的識別率.將所有受試駕駛員的動作識別率求平均，獲得動作識別率結果見表1.

表1 動作識別率%

89.382.788.283.490.981.8

對比試驗結果表明，所提取sEMG活動段內的特征向量用于動作識別，具有較高的識別率.其中，針對常規制動、加速換擋和緊急制動共三種駕駛行為，同一駕駛員的識別率平均能達到89.5%，不同駕駛員間的識別率平均為82.6%.同時，駕駛員緊急制動行為的識別率相對較高，同一駕駛員的動作識別率高達90.9%，不同駕駛員間的識別率為81.8%.

另外，評估了在檢測駕駛員緊急制動行為時，使用sEMG的輔助識別系統比以往僅依靠制動踏板反應的識別系統的提前時間，見圖4.

圖4 時差計算示意

圖4中A點為駕駛員緊急制動時脛骨前肌最大激活程度點，即足部由油門踏板抬起到最高點處；B點為駕駛員足部作用在剎車踏板時的壓力開始產生點.其中，本研究可以在A點前，根據駕駛員下肢sEMG信號識別出其緊急制動行為，即能夠在緊急操作制動踏板前準確識別，對每次實驗進行平均計算，提前時間為220 ms；以100 km/h的行駛速度計算，制動距離將減少6.1 m.因此，采用下肢sEMG進行制動行為識別具有明顯的實用價值.

5 結 束 語

提出將下肢sEMG信號引入到駕駛員緊急制動行為識別模型中，利用基于有向無環圖的支持向量機構建分類器對緊急制動行為進行識別.實驗研究表明，同個體緊急制動行為識別率高達90.9%，不同個體識別率平均達81.8%；且該系統能夠在緊急操作制動踏板前220 ms進行識別，以100 km/h的行駛速度計算，制動距離將減少6.1 m.接一下要重點研究分類算法的改進，以提高不同個體的緊急制動行為識別率.