基于隱馬爾可夫模型的無侵入疲勞等級判別

尉志禮，胥 川，王雪松，王岳川

(1.西南交通大學 交通運輸與物流學院，四川 成都 611756；2.西南交通大學 綜合交通運輸智能化國家地方聯合工程實驗室，四川 成都 610031；3.同濟大學 交通運輸工程學院，上海 201804；4.道路交通集成優化與安全分析技術國家工程實驗室，江蘇 無錫 214151)

0 引言

疲勞駕駛是一種危險駕駛行為，會造成駕駛人車輛操縱能力的退化，是引起道路交通事故的重要原因之一[1-2]。根據美國高速公路安全管理局的統計，美國每年大約有328 000起事故由疲勞駕駛引發，造成大約1 090億美元的損失[3]。美國汽車協會交通安全基金會的調查顯示，大約96%的駕駛人認為疲勞駕駛非常危險，但仍有大約24%的駕駛人承認自己每30天會有1次在疲勞狀態下進行駕駛的情況[4]。疲勞駕駛是中國高速公路事故的主要原因之一，2015年，中國有8.41%的道路事故和6.21%的高速公路事故由疲勞駕駛導致[5]。近年來，國內外學者對疲勞駕駛的研究關注度越來越高[2]。

目前，交通運輸行業對疲勞駕駛相當重視，但是其治理仍然存在困難。在我國，相關法律規定駕駛員連續駕駛4 h后必須進行20 min的休息[6]，相關部門也要求部分客運及貨運車輛安裝并使用衛星定位系統并接入全國性平臺對車輛運行時間進行實時監控[7]。一些公司推出了自己的疲勞監控產品：Volvo在汽車上搭載能夠實時監控車輛運動狀態的疲勞預警系統[8]；OPTALERT通過無線眼鏡檢測眼動指標來判斷駕駛員疲勞狀態并已投入商用[9]。盡管采取了一些措施，但是針對疲勞等級的判別，還需要更加準確可靠的模型[10]。

按照測量設備與駕駛人的額外接觸關系，用以判別疲勞等級的測量指標可以分為兩種:侵入測量指標(有額外接觸測量)和無侵入測量指標(無額外接觸測量)。侵入測量指標主要有腦電信號、心電信號和肌電信號等生理信號[11-14]，這類指標具有可靠性強的優點，但是通常通過在駕駛人表面粘貼電極獲取數據，容易干擾正常駕駛。此外這類指標的采集和處理需要多種昂貴的設備儀器和復雜的計算方法，特征參數提取時效性較差[1,11]，因此還未廣泛應用于實際。無侵入測量指標主要通過對面部特征和車輛運行狀態的檢測獲得，包括眼特征參數、口部特征、頭部位置以及車輛運行參數等指標。這些指標的獲取方法不會對正常駕駛產生影響，因此具有更好的實際應用前景。

目前，利用無侵入測量指標進行駕駛人疲勞等級判別已有很多研究。Zhang等[5]將疲勞狀態分為3個等級，使用車輛運行參數和眼動指標PERCLOS，并考慮時間積累效應，建立了logit模型進行疲勞狀態識別，準確度為62.84%；Shahverdy等[15]根據加速度、油門大小、速度和發動機轉速來分析駕駛人是否處于疲勞狀態；Arefnezhad等[16]進行了模擬駕駛試驗，根據車道中心偏移值標準差、橫向加速度、橫擺角速度、方向盤轉角和方向盤轉動速率共5個車輛運行特征參數和操作參數建立了三級疲勞等級判別模型，準確度能夠達到96%；胥川等[17]基于模擬駕駛試驗的數據，計算出了23個無侵入測量指標，經比較發現，閉眼時間比例、平均瞳孔直徑、車道偏移標準差、方向盤反轉次數是用于疲勞等級判別最重要的指標；Chai等[18]從模擬駕駛試驗的數據中設計了11個與方向盤有關的指標，并使用其中和疲勞等級有顯著關系的4個指標分別建立了MOL模型、SVM和BP神經網絡模型進行對比分析，根據結果認為考慮到個人差異的MOL模型效果最好。

用于對疲勞等級進行判別的模型多種多樣，目前常見的模型有k近鄰算法[19]、Logit模型[5,17,18,20]、支持向量機[21-23]、神經網絡[15,16,24,25]等。由于駕駛人的疲勞狀態不能被直接觀察到，并且單一無侵入測量指標和疲勞程度的相關性不高[26]，給無侵入疲勞檢測帶來一定困難。而本研究所使用的隱馬爾可夫模型(hidden Markov model，HMM)由于其雙重隨機性的特征，能夠在可觀測狀態和隱含狀態之間建立聯系，同時該模型兼顧到了駕駛疲勞是隨時間變化的動態隨機過程。此外，相比于人工神經網絡等研究方法，HMM由于具有良好的監控性能以及診斷效果，學習過程需要的數據樣本量更小，因此將其作為疲勞等級判別模型值得嘗試[27]。

Fu等[13]使用實車進行試驗，根據獲取的EEG、EMG等侵入測量指標的數據建立了動態HMM，并證明了該模型用于疲勞等級判別行之有效；Liu等[14]將疲勞狀態劃分為了3個等級，使用EEG等生理指標建立了KPCA-HMM復合模型，最終模型的識別準確度為84%，同樣他們也認為HMM是用于判別疲勞等級的有效模型。目前使用HMM進行疲勞等級判別的研究中，大多都使用侵入測量指標進行輸入[12-14,28]，而使用無侵入測量指標建立隱馬爾可夫模型進行疲勞等級判別的研究較少。

本研究通過高仿真度駕駛模擬器進行了模擬駕駛試驗，采集了駕駛行為數據、眼動信號和主觀疲勞數據，根據這些數據提取出了4個無侵入測量指標，結合能夠反映駕駛累計時間的駕駛圈數，將疲勞狀態分為3個等級，建立了疲勞分級隱馬爾可夫模型對疲勞等級進行判別，使用交叉驗證的方式得到了模型的判別準確度，并建立了支持向量機用以對比。

1 試驗方法

1.1 試驗設備

試驗采用如圖1所示的同濟大學高仿真度駕駛模擬器。該模擬器可實現八自由度駕駛仿真，模擬艙內含有一臺專用的梅甘娜3系轎車，并安裝了一些必要的傳感器和音響系統，試驗時與駕駛實車的操作基本相同。駕駛過程中的視覺信息主要通過柱面沉浸式投影系統和3塊模擬后視鏡的LED屏幕提供。這套系統的有效性已通過測試，模擬器的仿真度可以滿足本研究需要。

圖1 高仿真度駕駛模擬試驗平臺Fig.1 High-fidelity driving simulation experiment platform

同時在試驗過程中使用四通道SmartEye眼動儀對眼動信號進行采集，該眼動儀能實現二自由度目光追蹤和六自由度頭部跟蹤。同時配備了4個攝影裝置，用于拍攝駕駛人的面部視頻，跟蹤頭部方向。

1.2 駕駛人

駕駛人共12名，年齡最小為22歲，最大為52歲，平均年齡為33.6±7.5歲(平均值±標準差)。所有的受測人員均持有駕照，無精神疾病、睡眠相關疾病，不需要長期服用藥物。受測之前24 h內未飲用酒精飲料、咖啡或功能型飲料。

由于本試驗主題有關疲勞駕駛，因此需要部分駕駛人在參加試驗之前進行預先疲勞生成，分為兩種情況。第1種情況要求駕駛人在前一夜整夜不睡覺后，于第2天早上8點進行試驗；第2種情況要求駕駛人在前一夜正常睡眠8 h后，在午飯后下午1點進行試驗。

1.3 試驗場景

模擬駕駛器中的試驗道路如圖2所示，是一條長為20 km，車道寬為3.75 m，雙向六車道的環形郊區高等級高速公路。該道路由6條長2 km的直線路段(路段編號：1，3，5，9，11，13)，8條半徑較大的S型曲線(路段編號：2，4，6，8，10，12，14，16)，2條半徑為700 m的圓曲線(路段編號：7，15)路段構成。為排除試驗道路線形對指標的影響，只對6條直線路段所收集的數據進行處理分析。

圖2 試驗道路的線形Fig.2 Alignment of experiment road

駕駛道路兩旁設置有一些使人更有真實感的建筑群村落、綠色植物。道路上設置不占試驗車輛所行駛車道的交通環境車輛，不設置任何隧道，不安排任何不良天氣和環境干擾(如道路橫風、雨雪天氣)，試驗均在白天進行。

1.4 試驗步驟

測試前，所有駕駛人需填寫駕駛人基本信息調查表和疲勞狀態調查表。然后進行5 min模擬駕駛試駕，以提前適應模擬駕駛器的操作。

在試驗過程中要求駕駛人將車速保持在120 km/h 左右，全程使用自動擋，并且要求在駕駛車輛過程中遵守交通規則，不進行干擾駕駛的活動，如嚼口香糖、使用手機、聽音樂廣播、和他人聊天等。行駛到每一圈固定位置時，試驗工作人員詢問并記錄駕駛人的主觀疲勞等級(Karolinska sleepiness scale,KSS)。行駛滿6圈后終止試驗，一次試驗歷時約1 h。

2 隱馬爾可夫模型

2.1 HMM基本假設和結構

隱馬爾可夫模型(hidden Markov model，HMM)是能夠描述含有隱含狀態的馬爾可夫過程的統計模型。隱馬爾可夫模型與普通馬爾可夫過程的區別是狀態隱含無法被直接觀察到，需要通過可觀測狀態確定隱含狀態的變化過程。

駕駛過程中，駕駛人的疲勞狀態是隱含狀態，無法被直接觀測，而在狀態變化過程中駕駛人的各項無侵入測量指標都是可以被觀察到的，通過對這些指標的監測和觀察，可以推斷出駕駛人疲勞狀態的變化，符合上述隱馬爾可夫模型的特點，因此本研究使用該模型實現對疲勞等級的判別。

隱馬爾可夫模型有兩個重要假設：

第一，齊次馬爾可夫假設。即馬爾可夫過程的無后效性，是指駕駛過程中，t+1時刻的疲勞狀態概率分布只與t時刻的疲勞狀態有關，與t時刻之前的疲勞狀態概率分布無關，用公式表達為：

P(qt+1|qt,qt-1,…,q1)=P(qt+1|qt)，

(1)

式中，qt為t時刻下的疲勞狀態。

第二，觀察獨立假設。即t時刻的可觀測狀態只與t時刻的疲勞狀態有關，與之前的疲勞狀態和觀察值都無關，用公式可以表達為：

P(ot|qt,qt-1,…,q1,ot-1,…,o1)=P(ot|qt)，

(2)

式中，ot為t時刻的可觀測狀態。

隱馬爾可夫模型表示為λ=[N,M,A,B,π]，其中各參數意義如下:

N是指疲勞狀態的數量，設N個疲勞狀態分別為S1,S2,…,SN，那么qt∈(S1,S2,…,SN)。本研究中駕駛疲勞被劃分為3種狀態，分別是清醒或輕微疲勞，中度疲勞和嚴重疲勞，所以N的值為3。

M是指可觀測狀態的數量，設M個可觀測狀態分別為V1,V2,…,VM，并記t時刻觀察到的狀態為ot，那么ot∈(V1,V2,…,VM)。

A為狀態轉移矩陣，A={aij|i,j=1,2,…,N}，其中：

aij=P(qt+k=Sj|qt=Si)。

(3)

B為觀測概率矩陣，是隨機變量或隨機矢量在各狀態的觀察概率空間中的分布，可以表示為B=(bjk)N×M，其中：

bjk=P(ot=Vk|qt=Sj)，

(4)

式中，bjk表示在t時刻對應的疲勞狀態為Sj時，可觀測狀態為Vk的概率。

除狀態轉移矩陣和觀測概率矩陣外，還需要確定初始概率分布π。

π為初始概率分布，用于描述在t=1時，即初始時刻各個疲勞狀態的出現概率，即π=(π1,π2,…,πN)T，其中：

πi=P(q1=Si),i=1,2,…,N，

(5)

2.2 HMM建模流程與算法

HMM建模流程如下：首先進行試驗采集數據，篩選并處理數據后提取指標用以建模。建模時統計疲勞狀態和可觀測狀態來獲取模型各項參數值，最后使用交叉驗證方式得到模型精度。

本研究中交叉驗證具體做法如下：由于訓練HMM需要根據試驗數據統計得到狀態轉移矩陣，要求每個駕駛人數據完整，所以按照駕駛人將數據隨機分為4組，每組有3位駕駛人的數據。分組完成后，將第1組數據作為測試集計算精確度，其余組的數據作為訓練集進行建模；完成1次建模和測試后，將第2組作為測試集，其余各組數據作為訓練集進行建模。以此類推，直至完成4次建模和計算，最后取4次判別準確度的平均值來作為模型的整體精確度。

該建模過程需要涉及到以下兩個問題和相應算法。

(1)訓練問題：已知一個給定的可觀測狀態序列O=(o1,…,ot,…,oT)，不斷地調整模型的參數λ=[N,M,A,B,π]，使該序列的概率P(O|λ)最大，即不斷優化參數使模型能夠準確地描述該可觀測狀態的生成方式。

訓練問題分兩種，疲勞狀態和可觀測狀態值都給出并進行HMM建模的學習是監督學習；只給出可觀測狀態序列，未給出疲勞狀態序列的學習是非監督學習。本研究中的問題屬于監督學習，使用統計的方法計算各個參數的初始值,具體公式如下：

(6)

(7)

(8)

(2)解碼問題：已知一組可觀測狀態值的序列O，通過疲勞狀態檢測模型尋找一個最匹配的疲勞狀態序列Q。

解碼問題通常使用Viterbi算法進行解決，定義變量：

δt(i)=maxP(o1,…,ot,q1,…,qt-1,qt=Si|λ)，

(9)

式中，δt(i)為t時刻由一組疲勞狀態序列q1,…,qt-1,qt且qt=Si推導得到的可觀測狀態序列。

那么可以推導得到：

δt+1(j)=maxP(o1,…,ot+1,q1,…,qt,

qt+1=Sj|λ)。

(10)

得到遞推公式：

(11)

記ψt+1(j)=arg max(δt(i)aij)，表示在t+1時刻疲勞狀態為Sj的所有單個狀態轉移路徑中概率最大的轉移路徑中t時刻的疲勞狀態[29]。利用ψt+1(j)即可進行回溯找到生成既定可觀測狀態序列的概率最大的疲勞狀態序列。

3 數據準備

3.1 數據采集

試驗過程中采集了以下4大類原始數據：

(1)眼動數據

通過眼動儀所采集的各種信號[30]，如眨眼頻率、眨眼時間、閉眼時間、瞳孔直徑、眼瞼開度等。

(2)操作數據

駕駛人對于車輛的控制數據，如駕駛檔位、方向盤角度、剎車踏板力、油門開度等。

(3)車輛運行特征數據

車輛的運行參數數據，如車輛橫縱加速度、行駛速度、橫向速度、車道偏移值等。

(4)主觀疲勞等級

主觀疲勞程度量表，即KSS量表,分為9個等級，常用于快速測量疲勞程度，見表1。KSS疲勞等級已經證明和眼動圖(EOG)的變化有顯著的相關性并且能夠有效地反映疲勞對駕駛任務的影響[31]。在試驗過程中，駕駛人在每圈的固定位置匯報KSS等級。

表1 主觀疲勞程度量表Tab.1 Karolinska sleepiness scale

本研究將駕駛人的疲勞程度分為3個等級[32]：1≤KSS≤6時，駕駛人疲勞狀態為清醒或輕微疲勞，記為疲勞等級Ⅰ；KSS=7時，駕駛人疲勞狀態為中度疲勞，記為疲勞等級Ⅱ；8≤KSS≤9時，駕駛人疲勞狀態為嚴重疲勞，記為疲勞等級Ⅲ。

KSS是駕駛人主觀報告的數據，和實際的疲勞程度可能存在偏差。因此，為提高疲勞程度的準確度，在試驗過程中還錄制了駕駛人的面部視頻。在試驗結束后，由經過專門訓練的研究人員觀看視頻，通過對駕駛人的眼瞼開度、眼球活動、注意力、反應等對所有駕駛人的KSS進行評定和修正。

3.2 特征參數

本研究需要從試驗原始數據中計算眼動和駕駛行為指標并輸入進隱馬爾可夫模型。眼動指標是對眼動儀采集的數據進行處理后，根據眼動參數計算得出的，主要包括閉眼時間比例(PERCLOS)、平均眨眼時間(Blink_duration)、平均瞳孔直徑(Pupil)、平均眨眼頻率(Blink_Frequency)等。駕駛行為是指駕駛人操作的數據和車輛運行的特征數據。本研究結合以往的相關研究，從試驗原始數據中提取了5個指標，具體的指標和描述見表2。

表2 試驗數據中提取出的指標Tab.2 Indicators extracted from experimental data

表2中的駕駛圈數代表駕駛人在試驗中處在第幾圈，從過往研究可知，疲勞程度會隨著駕駛時長加深[5]，故使用該指標。

3.3 數據預處理

為了消除操作不當和儀器誤差帶來的影響，需要對數據中的異常值進行識別和替換。采用箱線圖法進行異常值識別，原理如下：

計算出75%分位數和25%分位數的差值，即四分位差數，記為IQR：

IQR=Q2-Q1，

(12)

式中，Q1為25%分位數；Q2為75%分位數。

以Q2+1.5IQR為上限、Q1-1.5IQR為下限識別異常值，超出上下限的異常值使用該圈下的均值進行替換。在替換完成后重新進行異常值識別和替換，重復進行直至不存在異常值為止。

結果顯示，LP_stdev替換了15個異常值，PERCLOS替換了28個異常值，Pupil替換了1個異常值，SWM_Re沒有異常值。通過以上分析，最后確認了Round，LP_stdev，PERCLOS，Pupil以及SWM_Re共5個參數作為疲勞等級判別的指標。

4 疲勞分級隱馬爾可夫模型

4.1 HMM轉移模型的確定

本研究根據KSS將疲勞程度分為了3個等級：清醒或輕微疲勞，中度疲勞以及嚴重疲勞。為了和疲勞等級相對應，所有的指標參數也應該通過聚類分為3個等級，隨后進行組合形成綜合觀察狀態。如果每個指標都分為3個等級，一共有3的5次方，即243個可觀測狀態，那么隱馬爾可夫的觀測矩陣就會有243列，而本研究使用的數據一共420條，也就是說觀測概率矩陣將會變得非常稀疏，模型的可靠性會受到影響；并且直接使用所有指標無可避免的會受到數據中雜質的影響。因此，本研究在構建隱馬爾可夫模型前，先對確定下來的指標使用主成分分析(principal component analysis,PCA)進行降維，降維過后選擇前兩個主成分進行模糊C均值聚類，每個主成分聚為3類，得到9類綜合可觀測狀態，最終完成HMM的建立。

記重要度最高的2個主成分為C1和C2，2個主成分的組成分別為：

C1=-0.456×Round-0.382×LP_stdev-0.607×

PERCLOS+0.521×Pupil-0.072×SWM_Re

C2=0.063×Round-0.257×LP_stdev+0.323×

PERCLOS+0.368×Pupil+0.831×SWM_Re。

對這2個主成分進行模糊C均值聚類。為了和疲勞等級對應，C1和C2在進行聚類時的類別數選擇為3，聚類中心見表3。

表3 C1和C2聚類中心Tab.3 Clustering centers of C1 and C2

由于每一個主成分都有3種狀態，因此融合C1、C2這2個主成分后，共有32=9種可觀測狀態，記為1至9。

在隱馬爾可夫模型結構方面，3種疲勞狀態之間可以相互轉換，此外，同一種狀態也能維持不變。根據以上假設可以得到如圖3所示的隱馬爾可夫模型結構。

圖3 疲勞分級隱馬爾可夫模型結構Fig.3 Drowsiness classification HMM structure

4.2 隱馬爾可夫模型建立

本研究使用了交叉驗證的方式來得到模型精度，將12個駕駛人隨機平均分成了4組，一共建立4次模型。下面以其中一組作為測試集，其余組作為訓練集建模時的模型參數為例進行說明。

進行隱馬爾可夫模型的構建時，需要計算出關鍵性的參數：狀態轉移矩陣A(由疲勞狀態序列得出)、初始狀態概率分布π(由疲勞狀態序列得出)、觀測概率矩陣B(由疲勞狀態序列和可觀測狀態序列得出)。

狀態轉移概率矩陣A的具體計算方法為統計訓練集中駕駛人疲勞等級變化的情況。訓練集中共統計到了303次疲勞狀態轉移的情況，得到的狀態轉移矩陣如下式所示：

(13)

可以看出，9名駕駛人從清醒或輕微疲勞發生狀態轉移的總次數為137，在下一次統計狀態時，保持該狀態不變的次數有130次，所以a11=130/137；而從清醒或輕微疲勞狀態轉變為中度疲勞狀態的次數有7次，所以a12=7/137；沒有出現從清醒狀態直接轉換為嚴重疲勞狀態的情況，所以a13=0。從這3項數據體現出駕駛人在處于清醒或輕微疲勞狀態時，大概率會保持這個狀態進入下一個路段的駕駛，較低概率進入中度疲勞狀態，不會跳過中度疲勞狀態直接進入嚴重疲勞狀態。從第2行的數據看出，駕駛人從中度疲勞狀態發生狀態轉移的總數量為128，他們在進入下一圈重新變成清醒狀態的次數為1，即a21=1/128；保持該狀態進入下一路段的次數為122，所以a22=122/128；從中度疲勞狀態進入嚴重疲勞狀態的次數為5，a23=5/128。從第2行的數據體現出，試驗者在處于中度疲勞狀態時，幾乎不會在接下來的路段中轉移為清醒或輕微疲勞狀態，維持不變的概率最大，轉變為嚴重疲勞狀態的概率也較小。駕駛人處于嚴重疲勞狀態的數量有50次，沒有出現轉換為清醒或輕微疲勞狀態的情況，所以a31=0；轉換為中度疲勞狀態的次數有1次，所以a32=1/50；保持該狀態不變的次數為50次，所以a33=49/50。從第3行的數據看出如果駕駛人已經處于嚴重疲勞狀態，那么他們不會在短時間內重新回到清醒或輕微疲勞狀態，回到中度疲勞狀態的概率也較低，保持該狀態進入下一圈測試的概率很大。

根據狀態統計，可以計算得出初始狀態概率分布π：

(14)

一共觀測到324個疲勞狀態，其中清醒或輕微疲勞狀態占到了138次，以此類推，得到其余兩個狀態的初始概率分布。

觀測概率矩陣B同樣使用統計的方法來計算，統計疲勞狀態和可觀測狀態的情況，具體步驟如下：

每一種疲勞狀態都對應9種可觀測狀態，因此原始觀測概率矩陣B為:

(15)

根據式(8)計算出B中各元素的值。同樣以b11為例，在疲勞等級為Ⅰ(清醒或輕微疲勞)的前提下，可觀測狀態為1的概率。根據統計，疲勞等級為Ⅰ的總數為138，在疲勞等級為Ⅰ的前提下，可觀測狀態為1的數目為3，因此b11=3/138，矩陣B中其他元素可以按照同樣的方法求出。

觀測概率矩陣B為:

(16)

使用R中的“HMM”包進行建模，使用“e1071”包進行聚類，各項指標的預處理也在R中完成。

4.3 模型準確性分析

將測試集中的數據代入訓練后的模型，并與實際得到的疲勞等級進行對比和分析。HMM交叉驗證的精度見表4。

表4 HMM判別結果Tab.4 Identification result by HMM

從表4中可以看出，預測精度最高的模型為第一組模型，總體預測精度為81.25%。該組模型在進行識別時，誤差主要來源于疲勞等級Ⅱ，即駕駛人處于中度疲勞狀態時的情況，此時模型會有將狀態識別為清醒或輕度疲勞以及嚴重疲勞的傾向。

從所有結果來看，4組交叉驗證的平均精度為77.26%，沒有出現當疲勞等級為Ⅲ但預測結果為Ⅰ的情況，即駕駛人的實際疲勞等級為嚴重疲勞時不會判別為清醒或輕度疲勞。從表4中可以看出一組中的各個疲勞等級的數量并不完全均衡，一定程度上影響了判別精度。

如果去除駕駛圈數這一指標，只使用駕駛行為指標和眼動指標，那么平均正確率只有55.61%，這表明能夠反映累計駕駛時間的駕駛圈數是用以判別駕駛疲勞等級的有效指標。值得注意的是，即使去除了駕駛圈數這一指標后，HMM在進行疲勞等級判別時，也并沒有出現將嚴重疲勞誤判為清醒或輕微疲勞的情況。

4.4 模型對比

采用SVM，即支持向量機與本研究使用的HMM進行對比。使用同樣的駕駛人數據和同樣的分組方式進行交叉驗證。使用R軟件中的“e1071”包進行建模，每次建模都會選擇最優的超參數C和γ。模型準確度如表5所示。

表5 SVM判別結果Tab.5 Identification result by SVM

從表5中可以看出，SVM的精度明顯低于HMM的精度，并且出現了駕駛人實際疲勞等級為Ⅲ時預測疲勞等級為Ⅰ的情況，4組交叉驗證的平均精度為65.02%，同時，如果去除駕駛圈數這一指標，平均正確率會下降到50.46%，再次表明駕駛圈數是用以判別疲勞等級的有效指標。

5 結論

本研究將隱馬爾可夫模型應用于駕駛疲勞等級的判別。從模擬駕駛數據中采集了駕駛操作數據、車輛運行數據和眼動數據，并通過主觀疲勞程度量表獲取了主觀疲勞等級數據。從數據中提取了LP_stdev、SWM_Re、PERCLOS和Pupil共4個無侵入測量指標，結合駕駛圈數建立了疲勞分級隱馬爾可夫模型，此外，還建立了支持向量機用以對比，得到了以下結論：

(1)無論是HMM還是SVM，引入駕駛圈數都能夠提高模型的精度，這表明累計駕駛時間是用以判別疲勞等級的有效指標。

(2)本研究中的疲勞分級隱馬爾可夫模型使用4個無侵入指標和能夠反映累計駕駛時間的駕駛圈數指標進行疲勞等級判別，不會對正常駕駛造成干擾，相對于使用侵入指標，實用性更強。

(3)當使用無侵入測量指標判別疲勞等級時，疲勞分級隱馬爾可夫模型相對于SVM準確度更高，4組交叉驗證平均準確度達到了77.26%。

(4)相對于SVM，疲勞分級隱馬爾可夫模型判別結果更加穩定，不會出現將嚴重疲勞狀態誤判為清醒或輕微疲勞狀態的情況。

(5)當用以判別駕駛人疲勞等級的指標增加，綜合可觀測狀態的數量也會隨之增多，觀測概率矩陣也會變得稀疏，本研究中的疲勞分級隱馬爾可夫模型使用了PCA降維有效地解決了這個問題，提升了模型的普適性。

本研究通過駕駛模擬器進行試驗，還需要在實車試驗中驗證結論；駕駛人在限定范圍內進行了挑選，后續研究可以把研究范圍擴展到其他重點駕駛人群體并增加樣本量。除此之外，在試驗中需要駕駛人在固定位置接受問詢并報告KSS等級，此行為可能會對精神狀態有一定干擾，未來可以建立通過面部視頻識別駕駛人疲勞等級的可靠標準和體系，直接通過駕駛人面部識別獲取其疲勞程度，不再采用問詢方式。