長途客運駕駛員出車前疲勞狀態便捷檢測方法研究

裴玉龍，蔡小溪，劉穎慧

(東北林業大學 交通學院，黑龍江 哈爾濱 150040)

0 引言

長途客運駕駛員是指持有A1類型駕駛證，長距離及長時間駕駛客車進行旅客運輸的一類駕駛者。從事長途客運的駕駛者一般具有較為穩定的情緒及豐富的駕駛經驗，但受工作條件及工作性質影響，是疲勞駕駛的高發人群。疲勞狀態是逐漸積累形成的，存在潛伏期，在駕駛過程中會對駕駛員的操作能力、反應判斷能力等產生影響，導致動作遲誤、操作不當等不安全駕駛行為，進而發生交通事故。因此，準確檢測駕駛員的疲勞狀態，判斷其是否適宜執行駕駛任務，對保障交通安全具有重要的現實意義。

國內外學者圍繞駕駛員疲勞狀態的檢測開展了較為廣泛的研究，主要從生理及心理檢測、外部特征檢測、駕駛行為檢測、主觀評價5類方法著手。其中，李君羨[1]等從腦電波數據角度測量駕駛員的疲勞感；周展鵬[2]等利用心電信號對疲勞進行判定；李響[3]等運用語音樣本數據衡量駕駛員疲勞狀況；桑峣[4]等運用心理反應檢測儀器鑒定駕駛員疲勞狀態；Ki Wan Kim[5]、Mitesh Patel[6]等通過對眼睛睜閉的檢測判定駕駛員疲勞狀態；Liyan Zhang[7]等通過估計頭部姿勢來確定駕駛員疲勞度；施樹明[8]等通過對嘴唇幾何特征值的提取，實時監控并區分駕駛員不同精神狀態；李洋[9]等借鑒不同國家睡眠、疲勞量表對疲勞狀態進行劃分；胥川[10]等分別在模擬及實際道路環境試驗中對駕駛員進行駕駛行為等的檢測。在既有研究的基礎上，本研究擬圍繞疲勞駕駛的高發人群——長途客運駕駛員開展疲勞狀態檢測方法的研究。考慮到長途客運駕駛員的工作屬性，同時需在出車前進行檢測，因此，其方法應具備準確、簡單便捷、普適、經濟及實用等特點，以及時掌握長途客運駕駛員疲勞狀態，確定其是否可以出車，提升駕駛員行車安全，減小因疲勞駕駛造成客車交通事故的概率，為客運公司提供規避運營風險的有力參考。

既有檢測方法中，生理檢測法、外部特征檢測法準確率高，但一般需使用接觸式檢測裝置，操作過程繁復且成本高，主要被應用于試驗階段；駕駛行為檢測法要求客車上配備車載傳感器，不具有普適性及經濟型，且檢測結果易受路況等駕駛環境影響，準確率較低，因此初步排除以上3類方法。長途客運駕駛員疲勞狀態對安全行車影響作用更大的主要是心理疲勞，且心理檢測法是目前研究駕駛疲勞較常用的方法，深度知覺儀等心理學設備操作簡單，準確性相對較好；主觀評價檢測法操作簡單易行，對駕駛員行車無干擾，因此，確定本研究使用心理檢測法和主觀評價檢測法。考慮到生理檢測法及外部特征檢測法準確率高，其中對于語音的檢測具有成本低、不與駕駛員接觸等優點，因此將語音檢測法納入本研究檢測方法之一。據此，本研究設計了主觀問題測試、心理反應檢測及語音檢測3種方法。

1 主觀問題測試法

1.1 問題測試指標篩選

駕駛員疲勞狀態問題測試法以疲勞問卷為基礎，通過問題測試得分對駕駛員疲勞狀態進行斷定。參考Stanford睡眠尺度表和北歐睡眠問卷(BNSQ)，將疲勞狀態劃分成不疲勞和疲勞兩種狀態，其中，疲勞狀態進一步劃分為輕度疲勞、中度疲勞及重度疲勞3種疲勞程度。國內外學者通過相關研究得知焦慮等情緒狀態及性格、肥胖及高血壓等疾病、年齡等因素會影響并造成駕駛員產生疲勞狀態，駕駛年限及經驗與駕駛員對危險認知的程度有關。歸納駕駛員疲勞狀態影響因素，并依此設計調查問卷問題，問題因子如表1所示，此外，還包括性別及是否需要借助藥物睡眠這2項指標，但通過對長途客運駕駛員開展問卷調查，收集的105份有效問卷中被調查的駕駛員均為男性，且均不需借助藥物睡眠，因此將這2項指標去除，最終得到19項指標，共33個問題因子。

表1 問題測試指標與疲勞狀態等級相關性及顯著性分析

注：① **表示通過了置信度為99%的顯著性檢驗；②*表示通過了置信度為95%的顯著性檢驗。

分析33個問題因子與疲勞狀態等級之間的相關性，結果如表1所示。通過了置信度為99%的問題因子共11個，且這些問題因子均只需回答YES或者NO，具有簡單、便捷等特點。根據問題因子與疲勞狀態等級之間的顯著程度，分別賦予1，2，3分，實現評判指標數量化。問題因子數量化原則如表2所示，問題測試法問題因子及其分值如表3所示。

表2 問題因子量化原則

表3 問題測試法問題因子及其分值

1.2 疲勞狀態判定閾值

將問題因子記為X1～X11，將問題測試法總分數記為J1，根據各問題因子的分值，建立疲勞狀態計算公式，如式(1)所示：

J1=3(X1+X2+X3+X4+X5+X6+X7)+

2X8+X9+X10+X11。

(1)

確定問題測試法所得總分數與駕駛員疲勞狀態等級的對應關系，如表4所示。其中，認定分數達到10分及其以上時，駕駛員嚴重疲勞，繼續駕駛存在一定風險。

表4 不同疲勞等級的問題測試得分劃分范圍

2 心理反應檢測法

2.1 心理反應檢測指標篩選

心理反應檢測法是指通過人在受到外部環境刺激時所產生的反應來判斷疲勞狀態的一種方法，主要采用視覺、速度知覺及判斷能力等測試儀獲取相關數據，并據此判定駕駛員疲勞狀態。本研究使用深視力測試儀對駕駛員進行深視力檢測，使用速度估計檢測儀對駕駛員進行速度知覺檢測，使用復雜反應判斷儀做判斷能力檢測。

依據既有樣本量求算方法[11]，確定本次試驗最小樣本量為20人。由于試驗所用的復雜反應判斷儀在檢測反應時間的同時會采集動作誤判次數，對反應時間指標的獲取具有一定的影響，因此，為了校正該指標，提出反應時間指標校正公式，如式(2)所示：

AT=t+eb,

(2)

式中，AT為修正后的反應時長；t為儀器顯示反應時長；e為儀器顯示動作判斷失誤操作次數；b為不失誤情況下平均反應時長。

為減小試驗誤差，選擇身體健康，年齡在25～40歲之間，駕齡超過2 a，且視力在1.0以上的駕駛員20名作為被試者。在實際試驗前，對被試者進行儀器使用方法培訓，保證其能熟練操作儀器，以提高試驗結果的準確性。同時，要求被試者在試驗前一天不能飲用咖啡、酒等對人體機能產生影響的飲品。

為采集被試駕駛員在清醒和疲勞狀態下的心理反應數據，以分析兩組數據之間的差異性，本研究將傳統駕駛員外部特征檢測法進行簡化，結合相關研究理論基礎[12-14]，提出一種由16個觀測判定指標組成的外部特征檢測法。其中，指標按照能否證明駕駛員處于疲勞狀態、是否易產生誤差等原則被分為A，B，C 3類，如表5所示。

表5 觀測判定指標及其分類

選擇5名觀測者對20名駕駛員進行判定指標的觀測，觀察時長為10 min。根據被試駕駛員的疲勞狀態對所得觀測判定指標總得分數進行劃分，最終確定觀測結果判定閾值，如表6所示。

表6 觀測結果判斷閾值

利用本研究所提出的外部特征檢測法分別采集20名駕駛員在清醒和疲勞兩種狀態下的數據，結果見圖1。由圖可知，深視力差異、速度估計差異、修正反應時長3項指標疲勞狀態測試值均大于清醒狀態。根據試驗被試人情況，本研究b取0.1 s。

圖1 疲勞和清醒狀態下各指標對比Fig.1 Comparison of indicators in fatigue and wakefulness

對各指標在疲勞及清醒狀態下的差異顯著性進行檢驗，結果見表7。其中，深視力差異及修正反應時長兩項指標差異顯著，速度估計差異不顯著，究其原因可能是由于被試駕駛員在試驗過程中會無意識地記住速度，從而影響試驗結果，因此，確定心理反應檢測法的檢測指標為深視力差異及修正反應時長兩項指標。

表7 不同狀態下心理反應指標差異分析

2.2 疲勞狀態判定因子

記J2為心理反應檢測法進行評定駕駛員疲勞狀態的因子，計算公式如下：

J2=αΔD+βΔAT+γ，

(3)

式中，α,β,γ為評判系數；ΔD為清醒狀態下的深視力差異值平均值與實際測量值之差；ΔAT為清醒狀態下的修正反應時長平均值與實際測量值之差。

進行重復試驗，要求被試駕駛員對應填寫Stanford量表，將其得分與疲勞狀態等級相對應，得J2=0.09ΔD+1.1ΔAT+1.23，將式(2)代入，得：

(4)

通過式(4)求算駕駛員疲勞狀態評判因子，進而劃分評判因子閾值，如表8所示。

表8 不同疲勞等級心理反應檢測法評判因子劃分標準

3 語音檢測法

3.1 語音信號特征參數分析與計算

Y(i)={s(i),s(i+φ), …,

(5)

人體感覺到疲勞時，其語音信號特征參數的變化主要表現在：語音信號基音頻率下降，語音信號基音周期延長；語音信號振幅降低；語音清晰度降低，清、濁音變化不明顯[3]。基音頻率受個人聲帶的長短、薄厚、韌性及性別、年齡等因素影響；人的發聲習慣及心情會對清、濁音產生影響，故本研究對這兩項參數不予考慮。基于以上特點，選擇分形維數、近似熵、短時平均幅度、短時平均過零率、短時平均能量等傳統語音特征參數作為表征指標。

(1) 分形維數。分形維數可以度量復雜形體的不規則性，能夠從幾何學的視角表征語音信號的復雜性。分形維數的計算公式如式(6)所示。

(6)

式中，ξ為用于覆蓋被測形體以確定維數的立方體的邊長；N(ξ)為立方體的數量。

(2)近似熵。近似熵是從統計學的角度表征語音信號動力學特性的指標，該值越大表明信號序列的復雜度越大。在重構的信號模型中計算對應元素間的最大差值為：

(7)

式中,m為相空間維數；X為語音信號時間序列數量。

(8)

對所有i點取其對數平均值，記為μm：

(9)

增加相空間的維數，使用上述方法重新計算μm+1。在有限個狀態時間序列下，語音特征參數近似熵估計值表達公式見式(10)：

ApEn(m,r,X)=μm-μm+1。

(10)

(3) 短時平均幅度。短時平均幅度是度量信號幅度值變化大小的指標，可以表征一幀語音信號的能量。計算公式如式(11)所示。

(11)

式中,n為幀數;w(n-m)為對信號的線性濾波運算。

(4) 短時平均過零率。短時過零率是用于描述語音信號時域的指標，可反映信號的頻率信息，通過計算一段時間內的過零率可得到平均過零率。短時平均過零率的定義為：

|sgn[X(n)]-sgn[X(n-1)]|w(n)，

(12)

式中，sgn[·]為符號函數，其定義如下：

(13)

(5) 短時平均能量。短時平均能量相當于語音信號的平方通過一個h(n)=w2(n)的線性濾波器輸出值，其中w(n)為窗函數。

(14)

3.2 基于語音檢測的駕駛疲勞狀態識別

本研究通過使用手機內置錄音軟件錄取被試駕駛員的聲音，利用Cool Edit Pro處理軟件進行語音截取與降噪，并將語音格式由mp3轉化為wav格式。通過一階FIR高通數字濾波器對語音信號進行預加重處理，采用交疊分幀的方法引入漢明窗進行加窗分幀處理。

類比心理反應檢測試驗中被試對象選擇標準，選擇15名長途客運駕駛員作為本試驗被試對象，分別在其處于“精神飽滿”和“昏昏欲睡、動作遲緩、眼神呆板”兩種狀態時，利用手機內置錄音軟件錄取“開始試驗”4個字，手機麥克風需置于嘴部10 cm 處，用時2 s左右。語音采集完成后，使用Cool Edit Pro處理軟件及MATLAB數據分析軟件等進行語音的處理與分析，獲取清醒及疲勞狀態下長途客運駕駛員語音信號特征指標數值，見圖2。

由圖可知：近似熵在駕駛員處于疲勞和清醒狀態時有明顯的分界值；分形維數與短時平均能量分布較為離散，尤其分形維數離散程度大，且其在清醒狀態下的數值均較疲勞狀態大，清醒狀態下的短時平均能量分布較疲勞狀態更加離散，分別處于0.25～0.7及0.1～0.25范圍內；短時平均幅度不同狀態下差值較大；短時平均過零率分布較為集中，變化范圍為60～80次/幀，但受語音信號轉化的影響，可能會產生部分異常值，如圖中的110，28等。運用SPSS軟件對兩組狀態的差異性進行檢驗，結果如表9所示。

圖2 疲勞與清醒狀態下各指標對比Fig.2 Comparison of indicators in fatigue and wakefulness

結合指標差異性檢驗結果，選取呈顯著差異的特征參數作為長途客運駕駛員語音檢測指標，分別為近似熵、短時平均幅度及短時平均能量。

通過相關研究結果可知，近似熵、短時平均幅度及短時平均能量的變化率會隨疲勞程度的提高而逐漸增大[16-17]。其中，短時平均能量及短時平均幅度的變化率通過對處于不同疲勞狀態的駕駛員進行測試，以清醒狀態為標準計算出由清醒到不同疲勞等級的變化率；語音信號近似熵在不同疲勞等級下的變化情況目前尚未見報道，本研究將“昏昏欲睡、動作遲緩、眼神呆板”狀態時的測量結果作為重度疲勞近似熵的取值，考慮到短時平均能量及短時平均幅度變化率增長較為穩定，由此等比例換算輕度及中度疲勞的增長率，結果如表10所示。

表9 不同狀態下語音信號特征參數差異分析

記清醒狀態為1，疲勞狀態為2，建立3項語音特征參數與駕駛員疲勞狀態之間的關系函數，如式(15)所示；同時，對駕駛員所處狀態及其疲勞等級進行閾值劃分，見表11。

表10 清醒與不同疲勞狀態間的語音樣本特征參數增長率

表11 語音檢測法評判因子疲勞等級閾值劃分

J3=-1.406V1-0.033V2-0.563V3+3.018,

(15)

式中,J3為駕駛員疲勞狀態語音檢測法評判因子；V1為近似熵檢測值；V2為短時平均幅度檢測值；V3為短時平均能量檢測值。

4 疲勞狀態便捷檢測法的驗證與應用

4.1 驗證性試驗設計4.1.1 驗證指標篩選

相關研究表明，Electroencephalogram(腦電波，EEG)是最適宜進行駕駛疲勞評價的生理指標[18]。綜合現有研究成果，本研究選定(α+θ)/β(α，θ，β為腦電波信號特征值)為長途客運駕駛員疲勞狀態便捷檢測法的驗證指標，作為被試駕駛員疲勞狀態提供判定標準。

類比心理反應檢測試驗中被試對象選擇標準，選擇5名長途客運駕駛員作為本試驗被試對象。試驗前一天，確保駕駛員有充足的休息時間，沒有飲酒及服用任何藥物的行為；試驗時，要求被試駕駛員佩戴Physio生理多導儀在實際道路上連續駕駛4 h。每15 min采集一組腦電數據，以中間5 min的(α+θ)/β值作為試驗數據，以開始試驗后的5 min腦電值作為0時刻數值。

采用周期圖法對5名駕駛員的腦電信號進行快速離散傅里葉變換，將信號的時域函數轉化為功率譜函數，對腦電信號進行功率譜估計，提取(α+θ)/β， 去掉顯著差異值后取平均值，得到駕駛員連續駕駛4 h的(α+θ)/β變化情況，結果如圖3所示。

圖3 連續駕駛時(α+θ)/β變化情況Fig.3 Change of (α+θ)/β during continuous driving

通過圖3可知，駕駛員在連續駕駛過程中，會逐漸由清醒狀態達到輕度、中度疲勞最后達到重度疲勞狀態。在達到輕度疲勞狀態后，通過自我控制和自我調節，緩慢地恢復清醒狀態，但45 min左右再次達到中度疲勞狀態，而后再次經過自我調節，疲勞狀態逐漸減輕，但30 min左右迅速達到重度疲勞狀態。觀察各狀態突變節點，對(α+θ)/β進行閾值劃分，如表12所示。

4.1.2試驗方案及流程

本次驗證性試驗旨在通過選定的腦電指標對本研究所提出的3種便捷檢測方法進行檢驗。選擇19名長途客運駕駛員作為被試對象，試驗時，盡量要求每位被試駕駛員處于不同的疲勞狀態，通過Physio生理多導儀及D-Lab軟件對腦電指標進行采集與記錄，在此過程中同時開展語音檢測及主觀問題檢測，完成后再進行心理反應檢測。

表12 (α+θ)/β疲勞等級閾值劃分

為確保試驗數據的有效性，試驗前一天，需組織被試駕駛員進行培訓，詳細講解試驗步驟及流程，要求被試駕駛員使用試驗設備操作練習，其中，在培訓心理反應檢測儀時，為每位被試駕駛員采集若干組試驗數據，篩除異常數據，將其平均值作為被試駕駛員正常狀態下心理檢測指標的基準。

4.2 驗證性試驗結果分析

對各種方法的判定結論進行統一化處理，將本研究所提出的清醒、不疲勞和輕度疲勞歸為A類疲勞狀態，認為是可以執行駕駛任務的疲勞狀態；中度和重度疲勞歸為B類疲勞狀態，認為是不建議執行駕駛任務的疲勞狀態。

對試驗采集得到的19名被試駕駛員腦電數據進行處理得到(α+θ)/β值，根據表9進行疲勞等級及疲勞類型的判定，結果如表13所示。

表13 基于EEG的疲勞狀態判斷結果

對19名被試駕駛員通過3種便捷檢測法所采集到的試驗數據分別進行疲勞狀態量化計算，得到疲勞狀態判斷結果如表14所示。

表14 基于便捷檢測法的疲勞狀態判斷結果

由以上結果可知，3種檢測方法對駕駛員是否適宜執行駕駛任務的檢測正確率較高，對駕駛員所處具體疲勞等級的檢測正確率略低，由于本研究主要的目的是提出一種便捷式駕駛員出車前的疲勞狀態檢測方法，以判斷其是否適宜執行駕駛任務，進而降低交通事故發生率，因此，對疲勞類型的檢測滿足本研究的需求，而疲勞等級的檢測結果對疲勞狀態的確定也具有一定的參考價值。

通過對比主觀問題測試法的判定結果更傾向于不疲勞或輕度疲勞狀態；心理反應檢測法、語音檢測法的判定結果則更傾向于中度或重度疲勞狀態。方法組合檢測中，由于組合規則，主觀問題測試法與心理反應檢測法、語音檢測法的組合產生了修正效應，其判定正確率優于單一檢測方法；而“心理反應檢測法+語音檢測法”和“問題測試法+心理反應檢測法+語音檢測法”的檢測結果則更傾向于中度或重度疲勞狀態，增加了疲勞程度判斷失誤的概率。考慮駕駛員行車安全，保持原定取值原則不變。

4.3 便捷檢測方法的應用

對3種檢測方法進行優缺點比較，發現主觀問題測試法雖然對疲勞類型的檢測結果準確率高，但易受主觀因素影響從而產生“假疲勞”現象，因此，不建議單獨采用；心理反應檢測法與問題測試法對疲勞類型及疲勞等級均具有較好的互補性，可以彌補問題測試法中存在的不足。根據驗證結果，推薦客運公司同時采用主觀問題檢測法及心理反應檢測法對長途客運駕駛員出車前的疲勞狀態進行檢測，不但能夠保證檢測的準確性，且操作簡單、便捷、經濟，普遍適合我國客運公司使用。

5 結論

本研究分別通過問卷調查、心理反應檢測、語音信號處理等途徑對3種便捷檢測方法的相關指標進行采集與計算；通過顯著性檢驗，選取相關指標建立其與駕駛員疲勞狀態的函數關系，并對各檢測方法疲勞狀態的判定范圍進行劃分，最后通過腦電指標進行驗證，結合各檢測方法的適用性，提出長途客運駕駛員出車前疲勞狀態便捷檢測方法。

目前，對于“疲勞駕駛”的相關研究已逐漸形成體系，但多停留在理論層面，實際應用層面的研究略顯不足。未來隨著我國交通運輸量的持續增長、駕駛員老齡化及新駕駛員的激增，交通安全問題將逐漸得到重視。后續研究，可以本研究為基礎，在駕駛員疲勞等級便捷性檢測、疲勞狀態自評問題因子擴充及量化、駕駛員疲勞狀態表征指標及閾值劃分、計算機軟件開發等方面進一步探索論證。