基于心肌電的聯合收獲機駕駛人疲勞檢測研究

祝榮欣,王金武

(1.桂林航天工業學院 廣西航空物流研究中心,廣西 桂林 541004;2.東北農業大學 工程學院,哈爾濱 150030)

0 引言

與機動車駕駛不同,聯合收獲機駕駛操作比較費力,駕駛員要兼顧儀表顯示、割臺行駛位置和運轉狀態等多項信息;同時,聯合收獲機駕駛環境較差,顛簸嚴重,噪聲較大,光照劇烈,微氣候環境質量低,周圍景觀單一,且聯合收獲機駕駛室內部人機設計的舒適性遠不如機動車。因此,聯合收獲機駕駛人的心理和生理機能更易產生失調,出現倦怠、煩躁、打磕睡等心理和生理疲勞現象,降低反應能力和警戒程度,造成交通作業事故。疲勞駕駛已成為聯合收獲機作業事故發生的最主要原因,直接危害著生命財產的安全,因此有效地辨識聯合收獲機駕駛人的疲勞狀態對預防作業事故、保障安全駕駛及保護駕駛員身心健康具有重要意義[1]。

目前,駕駛疲勞狀態的檢測主要有主觀和客觀2 種方法。客觀檢測法的研究主要集中在3個方面:檢測駕駛人的眨眼頻率、面部狀態和頭部運動等物理行為的變化[2-5];檢測方向盤運動信息、偏移值和行車速度等車輛運行參數[6-8];檢測駕駛人的肌電(electromyogram,EMG)、心電(electr-ocardiogram,ECG)、腦電(electroencephalogram,EEG)和眼電等生理信號的變化規律[9-13]。檢測駕駛人物理行為特征的方法主要利用機器視覺技術,易受光線、角度、面部障礙物、振動等環境因素的干擾;檢測車輛運行參數的方法是通過方向盤和車輛的行駛狀態來判別人體的疲勞程度,易受個人習慣、道路環境及交通狀況等因素影響;基于生理信號判斷駕駛疲勞雖具有測試復雜、對駕駛操作產生不便的缺點,但生理信號能夠直接反映駕駛人由清醒變為疲勞過程中大腦、心臟和肌肉等活動狀態,被公認為是最客觀、準確的分析方法,取得了較多的有益研究成果。Saroj提出EEG與駕駛疲勞狀態高度相關[14];Patel等通過實驗研究證明ECG的譜功率分布能夠有效反映駕駛疲勞[15];Hostens等認為EMG是反映駕駛過程中肌肉疲勞的有效生理信號[16]。在上述研究基礎之上,Wang Hongtao等采用功率譜密度和樣本熵兩種指標,開發了一種基于干腦電圖信號的實時駕駛疲勞檢測方法[17];Wang Lin等利用便攜、非接觸式實時傳感器采集的EMG和ECG,基于多元回歸理論建立了駕駛疲勞識別模型,對正常和疲勞狀態的識別準確率為91.73%[18]。

目前,國內外在農機駕駛疲勞領域的研究尚處于起步階段,研究集中在探索拖拉機振動對駕駛人心率和EMG的影響[19-20],以及基于EMG分析拖拉機模擬駕駛時駕駛人頸、腰、臂肌肉的生理活動和局部疲勞與工作負荷的關系[21-24]。研究中客觀評判聯合收獲機駕駛人疲勞狀態的成果較少,應用的心率和EMG方法不能全面地反映駕駛人體力和精神疲勞的產生過程。

HRV能夠定量評估駕駛負荷中心臟交感和迷走神經張力及其平衡性,EMG可客觀地評價肌肉疲勞狀態,EEG可直觀、有效地反映精神疲勞下大腦的生理活動信息。單一生理信號的反饋信息通常具有局限性,綜合不同部位生理信號評價駕駛疲勞,可實現信息互補,從不同角度表達駕駛人生理狀態,提高駕駛疲勞程度的識別準確度。但考慮實車駕駛時EEG的測量對駕駛操作的侵入性較強,振動對EEG干擾大,本文基于ECG和EMG建立聯合收獲機駕駛人疲勞檢測方法,探究ECG和EMG非線性特征參數隨駕駛時間的變化規律,構建聯合收獲機駕駛人疲勞狀態識別模型,期望實現對聯合收獲機駕駛人疲勞狀態的客觀評測,為進一步開展農機危險性駕駛狀態檢測與預警技術的研究提供理論依據。

1 實驗方法

1.1 實驗樣本與設備

選擇10名聯合收獲機駕駛員(男性)作為被試,年齡(34.2±7.39)歲,駕齡(5.2±1.86)年,所有被試均身體健康,無重大心血管疾病。要求被試保證實驗前晚睡眠充足,實驗前2h無劇烈運動,情緒穩定,避免攝入咖啡因和酒精。

在約翰迪爾S660型聯合收獲機(割臺尺寸9m)上進行實車收獲實驗。實驗過程中,通過成都儀器廠生產的RM-6240C多通道生理信號采集處理系統實時采集ECG和sEMG信號,采樣頻率為1kHz。ECG由胸部三電極方式(左腋前線第四肋間、右側鎖骨中點下緣和劍突下偏右)獲得,sEMG分別測試頸部左、右中斜角肌和L3腰椎右側豎脊肌。

1.2 實驗過程

實驗在黑龍江省農墾總局北安分局格球山農場進行,選擇的實驗地塊具有直線距離長、面積較大、縱斷面坡度小、作物高度相近及景觀單調一致的特點,收獲作物為大豆,實驗時間為每日8:00-11:00。

在實驗起點處,被試者填寫實驗前總體疲勞程度主觀調查問卷,并靜坐在駕駛室中10min,然后開始收獲駕駛。駕駛過程包括直行、轉彎和卸糧3個環節。直行時速保持在8～10km/h,任務持續 120 min,全程無休息,并每隔10min填寫1次總體疲勞程度主觀調查問卷。實驗場景和信號示例如圖1所示。

2 分析方法

2.1 駕駛疲勞特征參數提取

心率變異性(heart rate variability,HRV)是ECG的重要分析手段,是指逐次心跳間期存在的微小差異,可定量評估駕駛負荷中心臟自主神經性活動的交感和迷走神經張力及其平衡性,能夠反映駕駛人綜合疲勞程度的變化。表面肌電信號(Surface Electromyography,sEMG)是通過測量肌肉皮膚表面微弱的電流變化來表征局部肌肉活動水平和功能狀態,其特征與駕駛人腰、頸部疲勞程度有密切聯系。HRV和sEMG被普遍認為是混沌或含有混沌成分的非線性、非平穩信號,具有典型的非線性特征,與線性分析方法相比,非線性動力學方法有助于精確捕捉上述信號的本質特征。已有研究表明,復雜度和近似熵是有效表征駕駛疲勞的特征參數[25]。針對聯合收獲機駕駛人的作業特點和操作環境,考慮信號的非線性、短時數據特點和參數的抗干擾性,選取HRV和頸部、腰部sEMG的非線性特征參數C0復雜度和樣本熵作為駕駛疲勞識別特征參數,期望能夠比較客觀、完整地描述駕駛人HRV和sEMG信號中包含的疲勞信息。

2.1.1C0復雜度

C0復雜度是測度混沌系統產生序列接近隨機序列程度的一個量化指標,比傳統的C1、C2復雜度算法優越[26]。C0復雜度可反映時間序列隨其長度增加出現新模式的速率,時間序列復雜程度越小,C0復雜度就越小。該法計算量小、計算速度快,利用較短的數據即可求解,廣泛應用在生物醫學工程領域。C0復雜度的求解過程如下:

設長為N的時間序列為{f(k),k=0,1,2,…,N-1},對其進行Fourier變換轉換,并記WN=e2πi/N,則

(1)

設序列{FN(j),j=0,1,2,…,N-1}的均方值為

(2)

(3)

(4)

C0復雜度定義為

(5)

2.1.2 樣本熵

樣本熵是描述非線性時間序列復雜度的一種定量方法,是在近似熵算法的基礎提出的[27],可以減小近似熵計算的誤差,與時間序列的隨機部分緊密性更強。樣本熵值越大,表明時間序列的復雜程度越大。樣本熵具有抗干擾能力強、適合于短時數據等優點,因此在生物醫學工程領域常用于分析與檢測人體生理信號的特征。樣本熵的原理如下[28]:

已知長度為N的R-R間期時間序列{x(i),i=1,2,…,N},從任意點開始任意選取連續的m個數據,構造1組m維向量Xm(i),記為Xm(i)=[x(i),x(i+1),...,x(i+m-1)]。其中,i=1,2,…,N-m+1。

定義向量Xm(i)和Xm(j)之間的距離d為向量對應元素之差的最大絕對值,即

(6)

信號的SampEn定義為

(7)

在上述計算過程中,m為重構相空間的維數,前期研究建議選擇m=2[29]。經驗得出r=(0.1-0.25)Std(Std表示數據的標準差),這里選擇r=0.15Std。

2.2 主成分分析法

由于不同被試的個體差異、實車實驗環境的微小差異及6種特征參數變化幅度不同,使得到的駕駛疲勞特征參數之間既存在有價值信息,也存在冗余信息。為保留有價值信息,去除冗余信息,對特征參數應用主成分分析法(Principal Component Analysis,PCA)進行降維,將得到的主成分作為疲勞狀態識別因子,以期大幅提高疲勞狀態的識別準確率。PCA的計算方法為[30]:

首先對原始數據進行歸一化處理,然后按式(9)計算向量x和y的協方差,得到協方差矩陣C。

(9)

對協方差矩陣C進行特征根分解,得到特征根及特征向量,即

C=UΛUT

(10)

其中,U為特征向量構成的矩陣;Λ為由特征根λ1,λ2,…,λn構成的對角陣。

(11)

將原始數據投影到U矩陣的特征向量構成的新坐標系中,由這些新的投影構成的向量就是主成分的分向量。

2.3 駕駛疲勞狀態識別模型

支持向量機(support vector machine,SVM)是1995年提出的基于結構風險最小化原則和VC維理論的一種機器學習方法。比較傳統的機器學習方法,SVM更適用于小樣本、非線性、高維模式分類識別問題,并具有良好的通用性和魯棒性。

SVM的計算過程如下[31]:

設駕駛疲勞狀態識別因子集為{xi,yi},xi∈Rn,yi∈{+1,-1}為類別號,i=1,2,3,…,n,n為疲勞識別因子樣本個數。其分類面函數設為

(12)

其中,αi為拉格朗日乘子;b為分類閾值;k{xi,yi}為核函數,本文選取RBF核函數。

k(xi,xj)=exp(-γ|xi-xj|2)

(13)

按式(12)計算上述分類面函數中αi的最優解集,即

(14)

其中,C為Lagrange乘子設定的上限,C>0。在式(14)得到的最優解集中,選取αi>0(i=1,2,…,s且s

(15)

對于一組未知狀態的駕駛人疲勞狀態識別向量Xr=(xr1,xr2,…,xrp),將其代入式(15)中。若f(Xr)=-1,則判定駕駛員為輕度疲勞狀態;若f(Xr)=+1,則判定駕駛員為重度疲勞狀態。

3 駕駛疲勞特征參數分析

將每位被試在駕駛過程中采集的120minECG和sEMG數據,每10min選取30s的靜息狀態數據(即無明顯的瞬間波動,避開轉彎和卸糧環節)作為1組信號,共12組,分別對應12個時段。采用bior小波消除工頻干擾和基線漂移等噪聲,計算ECG的HRV時間序列,然后按照前述方法計算得到HRV、頸部和腰部sEMG的C0復雜度和樣本熵。將10名被試12個時段的特征參數值取平均值,得到C0復雜度和樣本熵均值隨駕駛時間的變化趨勢,如圖2所示。

由圖2可以看出:HRV、頸部和腰部sEMG的C0復雜度和樣本熵隨駕駛時間的增加均呈下降趨勢,駕駛后期下降趨勢變緩。

為研究C0復雜度和樣本熵表征駕駛疲勞的效度,應用配對樣本t檢驗的方法判別各特征參數值在駕駛前后變化的程度與方向。首先采用單樣本K-S檢驗方法對第1時段和第12時段的各特征參數值的分布規律進行檢驗,發現各值的分布規律均為正態分布;然后,對上述2個時段的各疲勞特征參數值進行兩配對樣本t檢驗,檢驗結果如表1所示。由表1可以看出:在駕駛前后2個不同時段各疲勞特征參數值均表現出顯著差異(P<0.05)。

圖2 特征參數變化趨勢圖

表1 特征參數差異檢驗結果

4 駕駛疲勞狀態識別

參考駕駛實驗中總體疲勞程度的調查結果,將駕駛實驗的10～40min定義為輕度疲勞等級,90～120min定義為重度疲勞等級。將對應時段的ECG和sEMG數據按照前述方法進行數據處理和特征提取,得到駕駛疲勞狀態特征參數向量集,特征提取的時間窗口設為30s,每1min提取一次。

為保留HRV、頸部、腰部特征參數的有價值信息,去除冗余信息,按照前述PCA的原理對特征參數進行降維,計算得到前3個主成分U1、U2、U3的貢獻率分別為50. 67%,28.53% 和13. 18%,累積貢獻率達到92. 38%,超過90%。因此,將這3個主成分作為駕駛疲勞狀態識別模型的識別因子。

U1、U2、U3是原始6個特征參數的線性組合,表達式為

U1=0.6398X1+0.2458X2+0.3601X3+

0.4320X4+0.3515X5-0.2597X6

(16)

U2=0.7564X1-0.2961X2-0.28291X3-

0.2150X4-0.3669X5+0.2375X6

(17)

U3=-0.0574X1+0.1941X2+0.62571X3+

0.0145X4-0.6182X5-0.2691X6

(18)

其中,X1,X2,…,X6分別表示HRV C0復雜度、HRV樣本熵、頸部C0復雜度、頸部樣本熵、腰部C0復雜度及腰部樣本熵。

對實驗得到的600組駕駛疲勞狀態識別因子向量樣本基于SVM模型進行駕駛疲勞狀態識別,并采用十折交叉驗證法得到識別正確率均值。訓練誤差設為10-4,最大迭代次數為500次,RBF核函數中C和γ值的取值范圍為(0.5,1,2,4,8,16)和(0.0625,0.125,0.25,0.5,1和2),通過網格尋蹤法得到最優參數C=2,γ=0.125。十折交叉驗證檢測結果如表2所示。

表2 十折交叉驗證檢測結果

由表2可知:模型訓練集和測試集的平均準確率為92. 72%和90. 78%,總體平均準確率為91.75% ,表明該模型具有較高的識別精度。

5 討論

5.1 駕駛疲勞特征參數變化

由圖2可以看出:HRV的C0復雜度和樣本熵隨駕駛時間的增加均呈下降趨勢。這表明,駕駛員的疲勞程度不斷加深,駕駛員心臟交感神經和迷走神經相互調節的能力減弱,辨別與適應外界環境變化的能力下降,感知收獲地塊的差異及各種儀表刺激的能力降低。

頸部和腰部sEMG的C0復雜度和樣本熵隨駕駛時間的增加均呈下降趨勢,表明隨著駕駛時間的延長,sEMG信號的復雜性逐漸降低,在維持等長收縮過程中肌肉的變化模式更趨簡單和有序,隨機性程度下降,表明肌肉逐漸進入緊張僵直狀態。

受收獲件和個體差異的影響,駕駛疲勞特征參數曲線會有所波動,但整體下降趨勢的規律性明顯,波動較小,且各疲勞特征參數值在駕駛前后不同時段均呈顯著性差異,表明C0復雜度和樣本熵在反映駕駛疲勞生理信息方面具有較好的表征能力和穩定性。本文研究得到C0復雜度和樣本熵的變化趨勢結論與前人的研究成果結論一致。

5.2 主成分分析降維的優越性

為考查應用PCA實現特征參數降維的優越性,比較以原始特征參數為識別因子和以主成分為識別因子進行駕駛疲勞狀態判別的準確率,結果如表3所示。

表3 兩類參數識別準確率比較

由表3可見:以原始特征參數為識別因子的模型平均識別準確率為87.53%,以主成分為識別因子的模型平均識別準確率為91.75%,識別效果明顯提高。這說明,應用PCA對特征參數降維能夠有效去除特征參數的冗余信息,保留其有價值信息,可實現提高疲勞狀態識別正確率的目的。

5.3 駕駛疲勞狀態識別分析

根據表3中的主成分識別結果得知:聯合收獲機駕駛人疲勞狀態識別模型對輕度和重度疲勞等級的識別準確率分別為90.49% (±3.20%)和93.01% (±2.13%),總體識別準確率為91.75%。該模型對重度疲勞等級的識別準確率較高,而對輕度疲勞等級的識別準確率相對較低。重度疲勞等級下駕駛員HRV和sEMG特征比較明顯,因此識別準確率較高;而當駕駛員處于輕度疲勞時,由于已經產生輕微疲勞,但為了保證安全駕駛,仍然強迫自己處于清醒狀態,導致HRV和sEMG特征曲線波動幅度較大,所以識別準確率稍低。此外,被試個體之間的體質差異、神經反射不同等也是造成錯分的原因之一。

5.4 不同生理信號組合識別效果分析

為驗證使用多種生理信號指標是否可以有效提高駕駛疲勞狀態識別的準確率,選用不同生理信號特征參數組合進行駕駛疲勞狀態識別檢測,對比分析不同組合的識別準確率和識別時間,識別結果如表4所示。

表4 不同特征組合駕駛疲勞狀態識別結果

單獨采用頸部和腰部肌電特征進行疲勞狀態識別的效果差異不大,識別準確率也較低,且時間較長,表明應用肌電特征判別駕駛人總體疲勞狀態的效果不理想;而采用HRV特征的疲勞識別效果優于肌電特征,表明HRV在表征駕駛人心理和生理的疲勞狀態方面有一定的優越性。對比組合4、5和1,在HRV特征的基礎上,增加某一疲勞部位的肌電特征進行識別檢測,準確率有所提高;最后將HRV特征與所有肌電特征相結合形成組合6,其識別結果為91.75%,明顯高于其他組合,且時間最短。這表明HRV特征與肌電特征能夠形成互補,從整體和局部多角度、全面地反映駕駛人疲勞時的心臟狀態和局部肌肉狀態,融合多種生理信號特征進行疲勞狀態識別可明顯提高識別準確率。

6 結論

1)HRV、頸部和腰部sEMG的C0復雜度和樣本熵在駕駛過程中呈下降趨勢,駕駛前后存在顯著性差異,兩種指標在反映駕駛疲勞生理信息方面具有較好的表征能力和穩定性。

2)采用PCA對HRV和頸部、腰部sEMG的6項非線性特征參數降維,基于SVM方法建立了聯合收獲機駕駛人疲勞狀態識別模型,模型性能良好,識別正確率達91.75%。

3)與單一信號特征信息相比,融合HRV與sEMG特征信息進行駕駛疲勞狀態識別,可從整體和局部多角度、全面地反映駕駛人疲勞時的心臟狀態和局部肌肉狀態,明顯提高疲勞狀態識別準確率。

值得注意的是,雖然本研究在識別駕駛疲勞方面取得了較好的效果,但仍有大量的研究工作需要進一步深化和完善。筆者認識到在分類數據集中需要更大的樣本大小,這些數據集中包含了較大的主體間方差。后續研究將繼續引入EEG、EOG等其他生理信號,進一步整合各種生理信息,建立可靠的駕駛疲勞識別模型,使其在農業機械駕駛員疲勞預防領域具有廣泛的應用價值。