基于機器學習的疲勞檢測及預警系統(tǒng)設計

曾心遠 張正華 韓雪 胡新盛 周立言 呂允博

摘 要：據(jù)統(tǒng)計，疲勞駕駛是交通事故發(fā)生的主要原因之一，因此本系統(tǒng)采用一種基于機器學習的方法來判定駕駛員的疲勞狀態(tài)。系統(tǒng)通過腦電采集模塊、心率采集模塊、圖像采集模塊檢測駕駛員的生理參數(shù)并傳輸至車載處理模塊進行一系列數(shù)據(jù)預處理，再利用機器學習訓練好的邏輯回歸模型綜合判定駕駛員的疲勞狀態(tài)，最后將疲勞判定結(jié)果傳輸至預警模塊進行座椅振動及聲光分級預警。在滿足實時性及準確度的要求下，多種預警方式能夠有效地對駕駛員進行疲勞預警。

關鍵詞：機器學習;疲勞檢測;疲勞預警;邏輯回歸模型;聲光預警;PERCLOS算法

中圖分類號：TP39文獻標識碼：A文章編號：2095-1302（2019）07-00-03

0 引 言

隨著中國經(jīng)濟和社會的持續(xù)快速發(fā)展，我國機動車總數(shù)急劇增加。截至2018年底，我國機動車保有量達3.22億輛。車輛的劇增也伴隨著意外交通事故的頻發(fā)。據(jù)我國交通部門統(tǒng)計，因疲勞駕駛造成的交通事故約占總交通事故的20%、特大交通事故的40%以及交通死亡人數(shù)的83%，因此，實時檢測疲勞駕駛并有效預警十分重要[1]。

目前，基于駕駛員生理參數(shù)[1]、駕駛員行為[2]與車輛特征的檢測方法[3]較為常見。文獻[4]中Brandy等人通過為駕駛員穿戴一件放置有BioHarness3生物傳感器的背心（內(nèi)嵌無線生理信號傳感器）來測量心率、呼吸速率等生理信號。文獻[5-6]中，通過計算機視覺技術檢測人眼閉合狀態(tài)以判定駕駛員是否處于疲勞狀態(tài)，采用的PERCLOS算法將眼瞼閉合度作為駕駛疲勞的度量指標，PERCLOS值越大，疲勞駕駛程度越大。

由于駕駛員身體差異、實際駕駛環(huán)境差異、道路差異，所以依靠單信號源判斷疲勞狀態(tài)存在漏檢、錯檢的可能性，判定結(jié)果并不可靠。因此本文通過機器學習的方法，依靠大量駕駛員疲勞駕駛及正常駕駛的心率、腦電、人眼數(shù)據(jù)，訓練疲勞判定模型，并以此模型進行實時判定，以提高疲勞判定的準確性。

本系統(tǒng)主要包括圖像采集模塊、心率采集模塊、腦電采集模塊、車載處理模塊、預警模塊。各采集模塊分別采集人眼圖片、心率信號、腦電信號并傳輸至車載處理模塊進行一系列數(shù)據(jù)預處理，利用機器學習訓練后的邏輯回歸模型判定人的疲勞狀態(tài)，并根據(jù)模型判斷結(jié)果控制預警模塊進行相應強度的預警。圖1所示為系統(tǒng)架構(gòu)圖。

1 理論基礎

疲勞駕駛主要表現(xiàn)為駕駛員在駕駛過程中出現(xiàn)打瞌睡、走神、心率變快、頻繁眨眼等行為，并導致操作失誤或駕駛能力喪失[7]。

1.1 心率、腦電疲勞計算及PERCLOS算法

表征疲勞的心電信號時域指標主要有R-R間期，即心臟每次搏動間期。對一段時間內(nèi)的R-R間期取平均值，再除以相應的系數(shù)即可求得心臟在1 min內(nèi)跳動的次數(shù)[8]即為所得

2 系統(tǒng)模塊檢測疲勞的實現(xiàn)方法

2.1 腦電采集模塊

該模塊使用非侵入式腦電采集裝置，由前額腦電極、耳夾電極、TGAM芯片和藍牙從機模塊組成。

前額腦電極、耳夾電極采集待測對象的α波、β波、

θ波腦電信號并傳輸至TGAM芯片進行濾波、放大、模數(shù)轉(zhuǎn)換、傅里葉變換、功率譜計算等處理，利用式（2）計算待測對象的腦電疲勞值r，并通過藍牙從機模塊傳輸至搭載了藍牙主機模塊的控制處理模塊。

2.2 心率采集模塊

心律采集模塊使用手環(huán)佩戴式裝置，由光學心率傳感器、DA14580芯片組成。

光學心率傳感器測量血液的透光率數(shù)據(jù)，并傳輸至DA14580芯片。DA14580芯片對透光率數(shù)據(jù)進行濾波、除噪、模數(shù)轉(zhuǎn)換等預處理，求取R-R間期平均值后，利用式（1）求取待測對象的心率h，并通過芯片內(nèi)置藍牙模塊傳輸至控制處理模塊。

2.3 圖像采集模塊

圖像采集模塊使用攝像頭采集駕駛員的行為動作，并通過USB傳輸至控制處理模塊。

2.4 控制處理模塊

控制處理模塊選用樹莓派3B+作為控制處理芯片，接收腦電疲勞值r、心率h及行為視頻，處理步驟如下：

（1）每100 ms截取一次圖像，以盡可能捕捉駕駛員的眨眼情況;

（2）利用OpenCV計算機庫中已有的目標檢測方法，進行基于Harr特征的人臉識別及人眼識別并截取圖片;

（3）對人眼圖片進行預處理，包括中值濾波、拉普拉斯銳化、灰度化、二值化;

（4）以二值化人眼圖片中黑眼球的面積來表示人眼的閉合程度，并利用計時函數(shù)記下當前人眼閉合程度的時間;

（5）利用式（3）計算PERCLOS指數(shù)。

3 實驗結(jié)果及分析

本文選用訓練集及驗證集外的駕駛員進行本模型泛化能力的測試，同時也可反映出本文訓練模型的準確性。

對駕駛員采用主觀評價法和客觀測量法進行測試，得到表2所列駕駛員生理參數(shù)及模型評估結(jié)果。一方面，駕駛員會主觀評估自己的狀態(tài);另一方面，各模塊實時檢測其心率、腦電疲勞值及人眼PERCLOS指數(shù)，并依靠模型進行綜合評估。腦電疲勞值r對其進行了數(shù)據(jù)歸一化處理，范圍為0～100，值越低，駕駛員的專注度越差;心率h的范圍為50～120，人在疲勞時，心率加快;當PERCLOS指數(shù)f在0.4左右時，駕駛員處于疲勞狀態(tài)，值越大表明閉眼時間占總時間的比例越高。綜合評估的范圍為0～1，越靠近1，駕駛員越清醒。

4 結(jié) 語

本系統(tǒng)綜合了待測對象的腦電信號、心率及人眼狀態(tài)，可以準確判斷出被測對象的疲勞程度，且準確率達92%以上。相比較采用單一信源判定疲勞狀態(tài)，本系統(tǒng)所使用的方法準確性更高，且本文設計的系統(tǒng)已基本滿足對實時性的要求。

參 考 文 獻

[1]蔡馥鴻，張正華，劉金龍，等.基于TGAM腦波模塊的疲勞駕駛預警系統(tǒng)設計[J].信息化研究，2016，42（4）：76-78.

[2]萬蔚，王振華，王保菊.基于駕駛行為的疲勞駕駛判別算法研究

[J].道路交通與安全，2016，16（6）：21-24.

[3]黃皓.基于駕駛操作及車輛狀態(tài)的疲勞駕駛行為檢測研究[D].南京：東南大學，2016.

[4] WARWICK B， SYMONS N， CHEN X， et al. Detecting driver drowsiness? using wireless wearables [C]// In： IEEE， International Conference on Mobile Ad Hoc and Sensor Systems. Hawaii，2015：585-588.

[5] ZHANG F， SU J， GENG L，et al. Driver fatigue detection based? on eye state recognition [C]// International Conference on Machine Vision? and Information Technology. Singapore，2017：105-110.

[6] MANDAL B， LI L， WANG G S， et al. Towards detection of bus driver fatigue based on robust visual analysis of eye state [J].IEEE transactions on intelligent transportation systems，2017（3）：1-13.

[7]李力.基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究[D].長沙：湖南大學，2018.

[8]周銳.基于面部多視覺信息融合的駕駛員疲勞狀態(tài)的識別[D].哈爾濱：哈爾濱工程大學，2018.

[9]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.

[10]洪志陽，王猛飛，侯東強，等.基于機器視覺的駕駛員疲勞檢測方法[J].物聯(lián)網(wǎng)技術，2018，8（7）：78-79.