基于正則極限學習機的駕駛員疲勞狀態分類方法

李冰 陳龍

摘 要：為避免接觸式疲勞檢測方法給駕駛員帶來干擾，解決單一信號源對于反映疲勞程度可靠性低的問題，實現對疲勞狀態高精度、高速度的檢測，提出一種基于正則極限學習機的駕駛員疲勞狀態分類方法。該方法通過多普勒雷達模塊采集駕駛員生理信號，包括呼吸信號和心跳信號，作為神經網絡輸入數據。通過多源信息結合的方式提高疲勞狀態檢測可靠性。設計正則極限學習機（RELM）模型對數據集進行訓練。實驗結果顯示，基于RELM算法模型檢測駕駛員疲勞狀態的準確率達92%。RELM算法可實現對訓練數據的快速計算和學習，同時通過特征變換消除個體差異，實現對駕駛員疲勞狀態較高的檢測率。

關鍵詞：疲勞駕駛狀態分類;多普勒雷達;多源信息;正則極限學習機

DOI：10. 11907/rjdk. 201209

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）010-0121-04

Abstract：In order to effectively solve the problems of interference caused by the contact fatigue detection method to the driver and the low reliability of a single signal source to reflect the fatigue level， and to achieve high-precision and high-speed detection of fatigue status，this paper proposes a driver fatigue classification method based on regularized extreme learning machine. This method uses the Doppler radar module to collect the drivers physiological signals， including breathing signals and heartbeat signals， as input data of the neural network.In this paper， the reliability of fatigue state detection is improved by combining multiple sources of information.A regular extreme learning machine （RELM） is designed to train the dataset. The experimental results show that the accuracy of detecting the fatigue state of the driver based on the RELM algorithm model reaches 92%. The RELM algorithm can realize fast calculation and learning of training data， and at the same time， the method of eliminating individual differences through feature transformation can achieve a higher detection rate of driver fatigue.

Key Words： fatigue driving; Doppler radar;multi-source information; RELM

0 引言

近年來，隨著汽車等交通工具的普及，交通事故發生率越來越高。其中駕駛員疲勞駕駛是引發交通事故的主因。疲勞駕駛指駕駛在長時間連續駕車后，生理機能進入失調狀態，從而影響正常駕駛[1]。目前對于疲勞駕駛的檢測方法多為單一信號檢測，常用檢測方法主要包括：①基于駕駛員生理信號的檢測。該方法主要通過檢測不同疲勞狀態下人體腦電信號、心電信號或呼吸信號等出現的變化，判別駕駛員疲勞狀態。該方法需在駕駛員體表安裝相應檢測裝置，這會影響駕駛員安全駕駛，可行性較低;②基于駕駛員面部表情特征的檢測，該方法通過視頻監測駕駛員面部表情特征，如眨眼、打哈欠等動作，并運用圖像處理等方法提取分析數據以判斷駕駛員疲勞狀態。該方法受駕駛員佩戴口罩、眼鏡等行為的影響較大，疲勞檢測準確度會隨之降低。針對目前疲勞駕駛檢測方法存在的問題，本文采用多源信息結合的方式，將多種檢測方法的優勢結合到一起，提高疲勞駕駛檢測可行性和準確性。具體思路是通過一種車載裝置實現駕駛員生理信號非接觸式檢測，采用攝像頭采集與生理信號同步的駕駛員面部視頻信號，通過專家評判方法對視頻信號進行疲勞等級評判，進而確定同步的生理信號疲勞等級，并設計神經網絡算法模型提取生理信號特征，進行疲勞等級分類，確定駕駛員疲勞狀態。該方法在實現駕駛員生理信號非接觸采集的同時，增加駕駛員面部表情特征分析，并通過神經網絡充分提取生理信號特征，可大幅提高疲勞檢測科學性和準確性。

本文首先介紹基于多普勒雷達的駕駛員生理信號采集平臺[2]，通過該平臺可實現駕駛員生理信號非接觸式采集，克服傳統接觸式采集生理信號對駕駛員造成的干擾。本文將疲勞等級劃分為4類，分別是清醒狀態、I級疲勞（輕度疲勞）狀態、II級疲勞（中度疲勞）狀態和III疲勞（重度疲勞）狀態[3]，采用神經網絡算法對數據進行特征提取及模型訓練。由于普通的神經網絡模型網絡結構復雜，計算量普遍較大，無法滿足本文對數據快速計算的需求，因此構建RELM（正則化極限學習機）網絡模型以實現對駕駛員疲勞狀態高精度、高速度檢測。

1 基于多普勒雷達的非接觸式生理信號采集平臺

本文實驗平臺是以微波多普勒雷達探測器探頭傳感器HB100模塊[4]為核心的生理信號采集平臺。如圖1所示，該平臺主要由模擬駕駛器及模擬駕駛環境重現系統、監控系統、多普勒雷達系統3部分構成。多普勒雷達系統以微波多普勒雷達探測器探頭傳感器HB100模塊為核心，用于采集駕駛員生理信號。雷達信號包括人體呼吸信號、心跳信號等生理信號及噪聲信號。生理信號需從雷達信號中分離出來。

生理信號采集實驗平臺搭建完成并通過調試后，需安排實驗人員進行生理信號采集。獲得由雷達信號和視頻信號組成的數據集。本文采用面部專家評分方法[5]對視頻信號進行分類，分類標準如表1所示。將疲勞等級劃分為4個等級，分別是清醒狀態、I級疲勞狀態、II級疲勞狀態、III級疲勞狀態。

制定疲勞等級劃分標準后，采用面部專家評分方法對信號進行疲勞等級分類，再提取雷達信號特征。信號幅值和周期可準確表達正弦信號特征。因此，利用濾波器將生理信號濾波分離，得到呼吸信號和心跳信號，并通過離散傅里葉變化得到其頻譜特性圖，分別提取呼吸信號與心跳信號幅值及周期。

大量數據表明，對于呼吸信號，在不同疲勞狀態下呼吸幅值和呼吸周期均有較明顯變化;而對于心跳信號，在不同疲勞狀態下，心率有較明顯變化，但由于心跳信號幅值非常小，對于不同疲勞狀態下幾乎沒有變化。因此，本實驗忽略心跳信號幅值，只保留呼吸信號幅值[BA]、呼吸信號周期[BT]以及心跳信號周期[HT]3個特征。確定特征值之后，需整合所有特征值數據，建立駕駛員生理信號數據集，將其命名為DOPS（Drivers Original Physiological Signal）數據集。

2 模型構建與實驗

極限學習機（Extreme Learning Machine，ELM）是黃光斌教授[6]提出的一種求解單隱層神經網絡算法。ELM算法針對反向傳播算法計算復雜性進行改進，以達到提升學習效率和簡化參數迭代的目的。

2.1 極限學習機算法模型

極限學習機采用單層前饋神經網絡（Single Layer Feedforward Neuron Network，SLFN）結構[7]。極限學習機網絡結構由輸入層、單隱藏層以及輸出層3部分組成。網絡結構如圖2所示。

ELM網絡模型突出優勢是對反向傳播算法[8]的改進，具體方法是隨機設定隱藏層輸入節點權重，并且在網絡訓練過程中無需更新，學習過程只涉及隱藏層輸出層權值。對于ELM神經網絡（見圖2），輸入樣本總數為[m]，輸入數據為[X]，網絡輸出為[O]，隱藏層激活項為[H]，隱藏層輸入權重矩陣為[ω]，隱藏層輸出權重矩陣為[β]，激活函數為Sigmoid函數，[b]為閾值。激活項[H]計算方程為：

單隱含層神經網絡學習目標是使輸出誤差最小，即讓模型適當擬合目標輸出，可表示為：

其中，[n]表示特征值數量，[m]表示樣本總數。[T]為期望輸出矩陣。則存在[β]、[ω]、[b]，使得：

通常情況下，隱藏層神經元個數遠小于訓練集樣本數量，此時矩陣[H]不可逆。要求解隱藏層輸出矩陣[β]，只能求解使損失函數最小解[β]。

其中，[H?]為隱含層激活項[H]的Moore-Penrose廣義逆，簡稱偽逆[9]。[H?]的求解方法為：

傳統極限學習機存在不適定問題[10]，即當輸入矩陣[X]不是列滿秩或某些列之間存在很強的線性關系。出現這種情況時，會導致[XTX]的行列式結果為0，此時，計算[XTX-1]時將產生很大誤差。因此在式（6）中添加一個正則化項解決該問題 ，于是式（5）轉換為：

其中，[I]為單位矩陣，[C]為正則化系數[11]。通過正則化處理，可得到正則化極限學習機（Regularized Extreme Learning Machine，RELM）模型，實現快速穩定的網絡輸出。

通常情況下，網絡輸出沒有經過歸一化處理。本文網絡目標輸出由0和1組成，所以對網絡輸出作歸一化處理，有利于分析輸出結果，最終通過神經網絡模型對數據進行分類。本文使用Softmax函數對輸出數據作歸一化處理[12]，其表達式為：

其中[m]為網絡輸出個數，[i]為整數，[i∈][1，m]。經過Softmax函數處理后的網絡輸出數據具有兩個性質：①各個輸出為非負數;②所有輸出之和為1。Softmax函數按照這兩條性質對在負無窮到正無窮上的網絡輸出結果進行轉換。

2.2 實驗結果及分析

本文通過多普勒雷達采集駕駛員生理信息，并建立DOPS數據集。設計正則化極限學習機算法模型對DOPS數據集進行訓練。

2.2.1 檢測模型評判標準

在多分類問題中，準確率（accuracy）、精確率（precision）、召回率（recall）是判斷模型好壞的重要依據[13]。準確率指分類正確的樣本數與總樣本數的比值，精確率指正確的樣本在檢索得到的樣本中所占比例，召回率指檢索樣本比率[14]。本文數據集輸入數據是一維數據，且只包含3個特征值，將數據輸入到網絡中時，不存在無法檢測的情況，這說明在本文實驗中準確率和精確率可視為同一數據，并且召回率可被忽略。因此，本文對模型評判標準只通過準確率判定，其計算公式為：

其中，[Numcorrect]表示網絡輸出中預測正確的樣本數量，[Numtotal]表示樣本總數。為了方便分析網絡對不同類別的預測效果，計算每個類別預測準確率，公式為：

其中，[s]表示類別索引，[s]的取值為0、1、2和3。

2.2.2 基于DOPS數據集的實驗

本次實驗中，使用RELM模型對DOPS數據集進行訓練。對于RELM模型，隱藏層輸入權重矩陣初始化采用Python中numpy包中隨機初始化類，具體是numpy.random.random（[row，col]）。本數據集特征值數量為3個，即[col=3];隱藏層神經元數量為500個，即[row=500]，正則化系數[C]設置為[C=le5]。為了訓練出更加可靠穩定的網絡模型，本文采用自助法與簡單交叉驗證法相結合的數據分配和訓練方法。

本文實驗結果分為兩部分，分別是網絡輸出效果圖和相關準確率參數對比。網絡輸出效果和相關參數對比表分別如圖3和表2所示。

圖3包括4個小部分，每部分代表1個疲勞等級，每張畫布展示的是該疲勞等級測試樣本在RELM網絡的輸出結果。每個畫布橫坐標表示疲勞等級，取值為0、1、2、3;縱坐標表示每個疲勞等級相應的輸出概率。每個樣本均對應4個輸出，即4個點。用[T]表示4個輸出，則[T]為：

其中，[ηs]為該疲勞等級的概率，[ηs]越大，說明該輸入樣本對應于該疲勞等級的概率越大。即當[ηs]最大時，[ηs]對應的疲勞等級是輸入樣本對應的疲勞等級。

結合圖3和表2可以看出，基于RELM算法模型的精確度達到92%，對于清醒狀態和III級疲勞狀態的精確度達到98%和96%。說明RELM對于這兩個狀態的預測精確度很高。在訓練時間方面，RELM模型訓練網絡時間很少，從原理上講，它只是進行了1次正規方程計算[15]。對于計算機來說，計算正規方程的時間可忽略不計。在各疲勞等級預測精確度方面，RELM對清醒狀態和III級疲勞狀態的精確度相對較高，對I級疲勞狀態和II級疲勞狀態的精確度相對較差。該特點從側面反映駕駛員不同疲勞狀態的生理信號變化很小，不同疲勞等級之間的差異更是微小。這是影響網絡精確度的重要因素，也是該實驗不足之處。

3 結語

本文基于正則化極限學習機的非接觸式疲勞駕駛檢測方法，采用非接觸式采集駕駛員生理信號的方法，通過多源信息相結合的方式，設計RELM算法模型訓練數據，得到用于駕駛員疲勞狀態檢測的算法模型。基于RELM算法模型對駕駛員疲勞狀態檢測的精確度達到92%，實現了高精度和高速度的駕駛員疲勞狀態檢測。本文用于網絡訓練的所有數據均來源于多普勒雷達模塊采集的人體生理信號，因此其信號準確性直接影響了本文實驗結果。通過實驗發現，多普勒雷達采集的生理信號受周圍噪聲影響很大，容易導致心跳信號無法被分離出來。因此，若在硬件方面提升信號抗干擾性和精度，實驗結果將大幅提升。另外，本文用于算法訓練的樣本特征值只有3個，不足以全面反映人體疲勞狀態，特征值有待進一步擴充。

參考文獻：

[1] 李都厚，劉群，袁偉，等. 疲勞駕駛與交通事故關系[J]. 交通運輸工程學報，2010，10（2）：104-109.

[2] CHEN L，YANG X，WU J，et al. Non-contact physiological signal monitoring system based on Doppler radar[J]. IEICE Electronics Express， 2017， 14（3）：1-9.

[3] 姜朝曦，馮瓊琳，錢宗亮. 一種對于疲勞駕駛的評估及預警方法[J]. 自動化與儀器儀表， 2015（4）：74-78.

[4] 康培華. 基于ZigBee技術的智能路燈監測系統設計[D].? 哈爾濱： 哈爾濱理工大學，2016.

[5] 程耀，余友泰.? 基于專家評判思維方式的綜合評判方法[J].? 農業機械學報，1992（1）：3-6.

[6] HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： Theory and applications[J]. Neurocomputing， 2006， 70（1-3）：489-501.

[7] HUANG G B，ZHU Q Y，SIEW C K. Extreme learning machine： a new learning scheme of feedforward neural networks[C]. 2004 IEEE International Joint Conference onNeural Networks，2004：985-990.

[8] OOYEN A V，NIENHUIS B. Improving the convergence of the back-propagation algorithm[J].? Neural Networks， 1992， 5（3）：465-471.

[9] PETKOVI M D， STANIMIROVI P， TASI? M B，et al. Effective partitioning method for computing weighted Moore-Penrose inverse[J].? Computers & Mathematics with Applications，2008，55（8）：1720-1734.

[10] 金其年， 侯宗義.? 非線性不適定問題的Tikhonov正則化的參數選取方法[J].? 數學年刊：A輯， 1997（4）：483-490.

[11] ZHAI G， ZHANG W， YANG X， et al. Efficient deblocking with coefficient regularization， Shape-Adaptive filtering， and quantization constraint[J]. IEEE Transactions on Multimedia，2008，10（5）：735-745.

[12] 梁家政， 薛質.? 網絡數據歸一化處理研究[J].? 信息安全與通信保密， 2010（7）：47-48，51.

[13] KUBREA E，WIECZORKOWSKA A A，SKRZYPIEC M.? Influence of feature sets on precision， recall， and accuracy of identification of musical instruments in audio recordings[C].? International Symposium on Methodologies for Intelligent Systems，2014：204-213.

[14] 郭祥云，胡敏，王文勝，等. 基于深度學習的非結構環境下海參實時識別算法[J]. 北京信息科技大學學報（自然科學版）， 2019（3）：27-31.

[15] XING Z， CAO J， ZENG Y.? The solution to the normal equation associated with a variational inequality[J].? Journal of Shaanxi Normal University， 2000， 28（1）：40-41.

（責任編輯：江 艷）