基于生理狀態(tài)的疲勞駕駛檢測(cè)技術(shù)綜述

岳嘉瑜 薛興樂 劉秀

摘? ?要：交通事故數(shù)量隨城市發(fā)展逐年增加，疲勞駕駛是造成事故的主要誘因之一。因此，研究如何檢測(cè)疲勞駕駛對(duì)道路行車安全具有重要意義。本文綜述與生理狀態(tài)有關(guān)的疲勞駕駛檢測(cè)技術(shù)，并根據(jù)檢測(cè)儀器是否與人體直接接觸，將檢測(cè)方式分為接觸類檢測(cè)和非接觸類檢測(cè)，經(jīng)過比較、分析得到兩種方式的特點(diǎn)，為研究者選擇檢測(cè)方法提供參考。

關(guān)鍵詞：疲勞檢測(cè)? 生理狀態(tài)? 接觸類檢測(cè)? 非接觸類檢測(cè)

我國每年發(fā)生大量的交通事故，疲勞駕駛是造成交通事故率增長的重要誘因。統(tǒng)計(jì)所得數(shù)據(jù)顯示，有40%～70%的交通事故是由駕駛員疲勞駕駛引起的[1-2]。因此，檢測(cè)疲勞駕駛能夠?yàn)楦鞣降缆肥褂谜咛峁┮欢ǖ陌踩Ｕ稀?/p>

目前檢測(cè)疲勞駕駛的方式可以分為基于生理信號(hào)檢測(cè)、基于生理動(dòng)作檢測(cè)、基于駕駛員操作動(dòng)作檢測(cè)和基于主觀評(píng)價(jià)檢測(cè)。

以上四種檢測(cè)方法中，基于生理信號(hào)的檢測(cè)所得檢驗(yàn)結(jié)果最準(zhǔn)確，且實(shí)驗(yàn)結(jié)果可用作對(duì)照數(shù)據(jù)，但檢測(cè)成本較高;基于生理動(dòng)作的檢測(cè)，信號(hào)提取較簡(jiǎn)單，但精確度隨環(huán)境的改變和算法的復(fù)雜程度變化;基于駕駛員操作動(dòng)作的檢測(cè)和基于主觀評(píng)價(jià)的檢測(cè)，結(jié)果受多種因素影響，準(zhǔn)確度較低。

以檢測(cè)精度較高的基于生理信號(hào)的檢測(cè)和基于生理動(dòng)作的檢測(cè)為研究目標(biāo)，根據(jù)檢測(cè)儀器是否直接與人體接觸，將包含在這兩種檢測(cè)類別中的各具體方法進(jìn)行對(duì)比、分析，期望為研究者在進(jìn)行有關(guān)生理狀態(tài)與疲勞駕駛檢測(cè)的研究時(shí)，提供一些方法選擇層面的參考。

1? 基于生理信號(hào)的疲勞駕駛研究

1.1 生理信號(hào)研究指標(biāo)

腦電、心電、肌電、血壓[3]、呼吸頻率等是目前廣泛被研究的生理信號(hào)，其中比較成熟的是腦電信號(hào)、心電信號(hào)和肌電信號(hào)的研究。實(shí)驗(yàn)時(shí)選用的檢測(cè)指標(biāo)通常分別為腦電波、心率及其他心電信號(hào)圖、肌電信號(hào)[4]、血壓值等。

1.2 具體生理信號(hào)的疲勞駕駛檢測(cè)

人腦的生理活動(dòng)可由腦電信號(hào)直觀反映。彭軍強(qiáng)[5]等，由研究發(fā)現(xiàn)駕駛動(dòng)作對(duì)腦電信號(hào)有一定的影響，并得到疲勞時(shí)的腦電特性可較好地由α波和β波的平均功率譜密度比R值表征，駕駛員清醒狀態(tài)時(shí)的R值明顯低于疲勞時(shí)的R值。王玉化[6]等，測(cè)試了駕駛員在真實(shí)的草原二級(jí)公路駕駛環(huán)境下的腦電特征，實(shí)驗(yàn)結(jié)果表明駕駛員在草原公路駕車時(shí)，可用與駕駛時(shí)間相關(guān)性很高的β波和（α+θ）/β作為腦電檢測(cè)指標(biāo)。顏松[7-8]等，采集了實(shí)際駕駛環(huán)境中，駕駛員在清醒狀態(tài)下做出如起步、換擋、轉(zhuǎn)向等駕駛操作時(shí)，不同頻帶腦電波平均功率譜密度比值，得到用α和δ的平均功率密度比值及用α和θ的平均功率密度比值評(píng)價(jià)駕駛員是否疲勞比較合理，且仍需做進(jìn)一步的研究。

基于生理信號(hào)判別駕駛疲勞的方法還有檢測(cè)心電信號(hào)。楊渝書[9-10]等，進(jìn)行了實(shí)驗(yàn)者模擬駕駛實(shí)驗(yàn)研究，證明駕駛員疲勞狀態(tài)時(shí)HRV頻域測(cè)量指標(biāo)中的RR間期標(biāo)準(zhǔn)差、低頻值LF以及低高頻比值LF/HF顯著上升，同時(shí)高頻值HF明顯下降，得到可用以上四種指標(biāo)定量描述疲勞程度的結(jié)論。徐禮勝[11]等，設(shè)計(jì)了一種疲勞駕駛檢測(cè)算法，用于實(shí)現(xiàn)依托短時(shí)心電信號(hào)判斷疲勞，將神經(jīng)網(wǎng)絡(luò)與R-R間期序列的時(shí)域/頻域特征結(jié)合，并用隨機(jī)森林分類器將這些特征分類，此算法檢測(cè)心電信號(hào)用時(shí)更少且平均準(zhǔn)確率超過90%。

表面肌電可用于評(píng)估運(yùn)動(dòng)技術(shù)動(dòng)作的肌肉疲勞程度等指標(biāo)[12]，也有學(xué)者將肌電信號(hào)的研究應(yīng)用到疲勞駕駛檢測(cè)中[13]。鄭培[14]等指出肌電信號(hào)與疲勞有一定的相關(guān)性，并通過研究發(fā)現(xiàn)，駕駛員處于疲勞時(shí)，肌電圖頻率下降而肌電圖的幅值增大。楊崢[15]等通過實(shí)驗(yàn)研究發(fā)現(xiàn)，肌肉的疲勞狀態(tài)可由表面肌電信號(hào)很好地反映，并證明肌電信號(hào)和駕駛員疲勞有較好的相關(guān)性。

對(duì)以上內(nèi)容做整理和歸納，如表 1所示。

通過以上歸納發(fā)現(xiàn)，目前常用的生理信號(hào)檢測(cè)指標(biāo)中，對(duì)腦電和肌電信號(hào)的檢測(cè)都屬于接觸類檢測(cè)，信號(hào)采集多用接觸式生理傳感器，此類傳感器對(duì)人體皮膚有一定的侵入性，檢測(cè)過程中對(duì)駕駛?cè)嗽斐闪艘欢ǔ潭鹊母蓴_，對(duì)個(gè)人依賴程度較大，實(shí)時(shí)性一般，但是具有檢測(cè)準(zhǔn)確率較好的特點(diǎn)。心電信號(hào)的檢測(cè)可由接觸式傳感器完成，也可通過非接觸類的檢測(cè)、識(shí)別算法完成，前者具有接觸類檢測(cè)的問題，后者不會(huì)對(duì)駕駛員安全駕駛造成干擾，且有良好的實(shí)時(shí)性，但主要受到環(huán)境的干擾。

2? 基于生理動(dòng)作的疲勞駕駛研究

2.1 生理動(dòng)作研究指標(biāo)

人體疲勞時(shí)，在身體內(nèi)部表現(xiàn)為生理信號(hào)的改變，在外部的生理動(dòng)作表現(xiàn)為面部和肢體動(dòng)作等生理運(yùn)動(dòng)特征的改變。目前研究較成熟的生理運(yùn)動(dòng)特征有眼部運(yùn)動(dòng)、頭部運(yùn)動(dòng)、嘴部運(yùn)動(dòng)[16]等。

2.2 具體生理動(dòng)作的疲勞駕駛檢測(cè)

駕駛員眼部運(yùn)動(dòng)與其疲勞狀態(tài)有很高的相關(guān)性，檢測(cè)對(duì)象主要有眨眼閉合率、眨眼頻率、瞳孔直徑大小、視線方向[10]等。陳昕[17]等基于OpenCV中的Haar分類器和PERCLOS算法提出了“雙眼檢測(cè)、單眼判別”的疲勞駕駛判別法，并借助仿真實(shí)驗(yàn)研究了駕駛員的疲勞狀態(tài)，得出基于視頻的疲勞駕駛檢測(cè)方法檢測(cè)效率較高的結(jié)論。毛須偉[18]等通過改進(jìn)人臉檢測(cè)算法，提高了人臉檢測(cè)速度，并將眨眼頻率和PERCLOS-P80原理結(jié)合，降低了誤判率。許少凡[19]等提出一種嵌入式系統(tǒng)，系統(tǒng)通過瞳孔圖像的幾何特征定位人眼，基于直方圖均衡預(yù)處理后收集到的圖像，可降低光線對(duì)檢測(cè)結(jié)果造成的影響，實(shí)現(xiàn)準(zhǔn)確檢測(cè)疲勞駕駛程度。

疲勞時(shí)，頭部運(yùn)動(dòng)常表現(xiàn)為頻繁點(diǎn)頭、抬頭姿勢(shì)難以維持和頭部長期不動(dòng)，點(diǎn)頭的頻率和頭部?jī)A斜角度與疲勞程度有很高的相關(guān)性。李勇達(dá)[20]等用攝像頭收集人臉信息，并用Camshift算法求出頭部旋轉(zhuǎn)角度及角速度，以達(dá)到疲勞檢測(cè)的目的。田文杰[21]等，在車上安裝紅外線發(fā)射器和接收器，通過接收頭接收到的信息檢測(cè)頭部相對(duì)位置，根據(jù)頭部偏離正常位置是否超過設(shè)定時(shí)間判斷駕駛?cè)说钠跔顟B(tài)。

頻繁打哈欠也是疲勞的重要信號(hào)。施樹明[22]等，用機(jī)器視覺研究駕駛員嘴部狀態(tài)，并借助Fisher線性分類器確定駕駛員嘴的形狀和位置，結(jié)合BP神經(jīng)網(wǎng)絡(luò)研究了打哈欠、說話和正常這三種嘴部狀態(tài)，實(shí)驗(yàn)表明當(dāng)駕駛員頭部擺動(dòng)幅度較小時(shí)，此方法可有效跟蹤嘴部區(qū)域。

對(duì)以上內(nèi)容做整理和歸納，如表2所示。

頭部、眼部、嘴部運(yùn)動(dòng)等常用的生理運(yùn)動(dòng)檢測(cè)指標(biāo)，目前均采用非接觸類檢測(cè)，不對(duì)駕駛員的正常駕駛造成影響，具有良好的實(shí)時(shí)性，和較準(zhǔn)確的檢測(cè)結(jié)果，但是容易受到諸多環(huán)境因素，如光線強(qiáng)弱、是否有遮擋、背景復(fù)雜程度大小的干擾，檢測(cè)、識(shí)別算法較復(fù)雜，須符合一定的條件，如頭部動(dòng)作較緩慢，才可正常識(shí)別，故此類檢測(cè)方式容易受到條件的限制，如何提高檢測(cè)的精度是要解決的問題。

3? 檢測(cè)方法接觸性對(duì)比

將生理信號(hào)和生理動(dòng)作按照檢測(cè)儀器的接觸性分類，并從是否干擾駕駛員駕駛、檢測(cè)精度、檢測(cè)實(shí)時(shí)性等方面進(jìn)行對(duì)比，對(duì)比結(jié)果如表 3所示。

4? 結(jié)語

本文基于生理狀態(tài)，從生理信號(hào)和生理動(dòng)作兩方面綜述疲勞駕駛相關(guān)研究，根據(jù)檢測(cè)儀器的接觸性將檢測(cè)方法分為接觸類檢測(cè)和非接觸類檢測(cè)。發(fā)現(xiàn)生理信號(hào)中的腦電、肌電信號(hào)檢測(cè)均為接觸類檢測(cè)，心電信號(hào)可為接觸類檢測(cè)也可為非接觸類檢測(cè);生理動(dòng)作中的眼部、頭部、嘴部動(dòng)作特征均為非接觸類檢測(cè)。接觸類檢測(cè)會(huì)干擾駕駛員正常駕駛，但檢測(cè)精度較高，成本較高;非接觸類檢測(cè)不會(huì)干擾駕駛員正常駕駛，檢測(cè)精度較低，成本較低。為相關(guān)學(xué)者進(jìn)行生理狀態(tài)與疲勞檢測(cè)的研究時(shí)，提供方案選擇的參考。

目前的研究正從接觸類的檢測(cè)向非接觸類檢測(cè)發(fā)展，但非接觸類檢測(cè)方法受眾多因素影響，檢測(cè)準(zhǔn)確率較低，檢測(cè)識(shí)別算法復(fù)雜，因此，將接觸類和非接觸類檢測(cè)結(jié)合的信息融合檢測(cè)，將是未來的發(fā)展趨勢(shì)。

參考文獻(xiàn)

[1] 裴玉龍，馬艷麗.疲勞對(duì)駕駛員感知判斷及操作特性的影響[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2009，39（5）：1151-1156.

[2] 申琳.基于視頻圖像的駕駛員疲勞檢測(cè)[D].天津大學(xué)，2012.

[3] 杜娟.生理信號(hào)變異性分析及其在高血壓發(fā)展中的應(yīng)用研究[D].浙江大學(xué)，2006.

[4] 張雨.基于視覺信息融合的駕駛員疲勞檢測(cè)技術(shù)研究[D].上海師范大學(xué)，2014.

[5] 彭軍強(qiáng)，吳平東，殷罡.疲勞駕駛的腦電特性探索[J].北京理工大學(xué)學(xué)報(bào)，2007（7）：585-589.

[6] 王玉化，朱守林，戚春華，等.基于腦電信號(hào)的草原公路駕駛疲勞研究[J].科學(xué)技術(shù)與工程，2014，14（27）：286-290.

[7] 顏松，魏建勤，吳永紅.汽車駕駛員瞌睡狀態(tài)腦電波特征提取的研究[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2005（1）：110-113.

[8] 吳群. 基于心電信號(hào)的駕駛疲勞檢測(cè)方法研究[D].浙江大學(xué)，2008.

[9] 楊渝書，姚振強(qiáng)，李增勇，等.心電圖時(shí)頻域指標(biāo)在駕駛疲勞評(píng)價(jià)中的有效性研究[J].機(jī)械設(shè)計(jì)與制造，2002（5）：94-95.

[10]武留信，紀(jì)桂英，胡大一.不明原因暈厥的診斷方法學(xué)研究進(jìn)展[J].中華心律失常學(xué)雜志，1997（1）：73-75.

[11]徐禮勝，張聞勖，龐宇軒，等.基于短時(shí)心電信號(hào)的疲勞駕駛檢測(cè)算法[J].東北大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，40（7）：937-941.

[12]劉凡，曹蕾.表面肌電應(yīng)用的新進(jìn)展[J].體育世界：學(xué)術(shù)版，2019（7）：149-151.

[13]班帥.人體上肢表面肌電信號(hào)采集與處理的研究[D].東北大學(xué)，2012.

[14]鄭培，宋正河，周一鳴.機(jī)動(dòng)車駕駛員駕駛疲勞測(cè)評(píng)方法的研究狀況及發(fā)展趨勢(shì)[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2001（6）：101-105.

[15]楊錚，王立玲，馬東.基于自回歸模型表面肌電信號(hào)檢測(cè)肌肉疲勞研究[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2018，37（6）：673-679.

[16]黃斌.基于人臉特征的駕駛員疲勞檢測(cè)算法與實(shí)現(xiàn)[D].南京航空航天大學(xué)，2017.

[17]陳昕，朱國華，張馳，等.基于眼睛閉合狀態(tài)的駕駛疲勞檢測(cè)方法[J].遼寧工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2018，38（3）：182-186，191.

[18]毛須偉，景文博，王曉曼，等.一種基于眼部狀態(tài)的疲勞駕駛檢測(cè)方法[J].長春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，39（2）：125-130，136.

[19]許少凡，李凱鈿，狄紅衛(wèi)，等.基于瞳孔幾何特征的駕駛疲勞檢測(cè)嵌入式系統(tǒng)的設(shè)計(jì)[J].光學(xué)技術(shù)，2009，35（1）：148-151.

[20]李勇達(dá)，張超，孟令君.基于頭部姿態(tài)特征的列車司機(jī)疲勞駕駛檢測(cè)系統(tǒng)研究[J].交通信息與安全，2014，32（5）：114-119.

[21]田文杰，劉繼承.基于頭部位置特征的疲勞駕駛檢測(cè)儀[J].儀表技術(shù)與傳感器，2008（5）：24-26.

[22]施樹明，金立生，王榮本，等.基于機(jī)器視覺的駕駛員嘴部狀態(tài)檢測(cè)方法[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2004（2）：232-236.