基于腦電信號組合熵特征的駕駛疲勞檢測分析

蔡嬌英，李勝民，趙春臨

（1.第一機動總隊機動第六支隊，河北保定，071000；2.武警貴州總隊參謀部，貴州貴陽，550081；3.武警工程大學裝備管理與保障學院，陜西西安，710000）

0 引言

據公安部統計，2020 年全國機動車保有量達3.72 億輛，駕駛員達4.18 億，數據呈逐年增長的趨勢，道路交通安全正面臨著嚴峻的考驗[1]。導致交通事故的因素多種多樣，而疲勞駕駛是最不可忽視的。駕駛員長時間駕駛后極易駕駛疲勞，出現注意力下降、判斷力下降、應機能力下降等現象，這個時候就容易發生交通事故[2]。因此找到有效的可以實時監測疲勞駕駛的方法對車輛安全輔助系統研究具有現實意義。國內外對疲勞駕駛進行了多方面的研究，主要集中在駕駛疲勞產生、產生原因、檢測量化和對策防御這些方面[3]，而疲勞的檢測和量化是所有相關研究的重點。

檢測和量化駕駛疲勞的方法有很多，大體包括這三個方面，一是基于事實表現出來的特征，比如駕駛員疲勞時會出現打哈氣、閉眼、點頭等現象，即通過捕捉駕駛員面部表情的變化來檢測駕駛疲勞[4-5]。二是基于各種車輛傳感參數，如汽車方向盤轉向、車道偏離等指標[6-7]。三是基于生理信號腦電圖(Electroencephalogram,EEG)[8]、心電圖(Electrocardiograph,ECG)[9]、眼電圖(Electro-oculogram,EOG)[10]和肌電圖(Electromyography,EMG)[11]的生理特征也大量用于檢測駕駛疲勞。正常狀態下腦電信號屬于自發的電信號是無法人為控制和偽造，它能夠直接客觀的反應出大腦當前的神經活動狀態，與其他手段例如基于機器視覺的方法相比，基于腦電信號的方法可以提供駕駛員狀態的更直接有效的客觀表征[12]。張淞杰等[13]采用將經驗模態分解方法與能量譜算法相結合的特征提取方法分析模擬駕駛時采集的EEG 信號，并在粒子群算法優化的多層感知超限學習機分類器中實現對駕駛員疲勞狀態的檢測。Silveira 等人[14]提出了一種基于單個EEG 信道（Pz–Oz）的警覺性水平評估方法，利用歸一化的Haar 離散小波包變換，發現 (γ+β)/(δ+α)這個指標取得了最好的效果。Fu 等人[15]提出了基于HMM 的疲勞檢測模型，基于兩通道（O1 和O2）的EEG 信號和其他生理信號，獲得了最高的92.5%的準確率。目前駕駛疲勞腦電信號分析更趨向于采集疲勞相關的腦區的腦電信號，使用盡可能少的導聯數來檢測大腦疲勞程度，這大大降低了信號分析的復雜性，使駕駛疲勞檢測更注重于實際應用研究。另外由于腦電非線性非平穩性的特征，通過提取腦電非線性特征的檢測方法受到了相關研究者的積極探索和研究。所以本文提出基于EEG 信號AE 和SE 組合熵特征集的駕駛員疲勞的檢測方法，并綜合4 種分類器識別基于該方法的駕駛疲勞狀態，以期使用最少的導聯數，實現穩定可靠精準的駕駛疲勞檢測。

1 材料和方法

1.1 被試樣本

選取已取得駕駛證的6 名在校大學生志愿者參加模擬駕駛實驗（21-25 歲）。為保證實驗的有效性，所有的受試者沒有晚上加夜班和使用處方藥的習慣，睡眠規律，視力正常。同時在實驗前和實驗期間被要求戒煙戒酒戒茶。實驗前一周進行模擬駕駛培訓，培訓時間根據受試者學習情況而定，達到連續駕駛15 分鐘內不出人為導致的駕駛操作錯誤為止。

1.2 實驗條件

本文是基于持續注意力駕駛任務，選用上海育聯科教設備有限公司的WM-5 型主被動式汽車訓練駕駛模擬器作為駕駛操作平臺，如圖1 所示。該設備是真實駕駛汽車的模擬形式，操作和真實車輛操作一致，包含了車輛的所有駕駛能力；利用計算機軟件技術，可以構建不同的駕駛環境和條件，如晴天、大霧或雪天以及山區、高速公路或鄉村；同時也可通過計算機語音合成技術，生成車輛行進過程中的各種喇叭聲、機械動力聲、周圍環境聲。本次實驗所選擇的駕駛環境為交通密度較低的高速公路，行駛路線簡單，更容易進入疲勞狀態，腦電信號更穩定，有利于記錄。腦電采集與預處理軟件（Neuroscan4.3）、腦電分析軟件（matlab）、腦電電極位置按照國際10-20 電極擴展分布圖放置，如圖2 所示。

圖1 WM-5 型駕駛模擬器

圖2 國際10-20 電極擴展分布圖

1.3 實驗過程及數據采集

模擬駕駛實驗在安靜，燈光適中，舒適的實驗室中進行。準備工作就緒后，首先進行疲勞等級自我評定，評價標準參照李曾勇的疲勞等級評價表（七個等級）[16]；接著記錄駕駛任務前5 分鐘清醒狀態下的閉眼靜息態腦電數據；然后進行模擬駕駛任務，時間為150 分鐘；由于存在個體進入疲勞狀態時間上有差異，每名被試在模擬駕駛后仍需進行自我主觀評價，當主觀量表結果顯示受試者處于疲勞狀態時，實驗才有效；最后記錄疲勞狀態下閉眼靜息態5 分鐘腦電數據，至此完成一名被試的完整數據采集。

2 特征提取

2.1 腦電信號預處理

數據預處理的主要內容包括:數據篩選，去除基線漂移，濾波、去除眼電肌電偽跡，降采樣。經過數據預處理后，對每名被試每個電極的疲勞前后選取一分鐘的腦電數據通過滑動窗6 秒，滑動步長0.2 秒進行分段，最終產生1800 個樣本，其中疲勞前后正負樣本各900 個。

2.2 近似熵特征提取

近似熵(Approximate Entropy，AE)是用于量化時間序列波動的復雜性和規則性的定量分析方法[17]。使用一個非負數來表示時間序列復雜性，時間序列越復雜，AE 值越大[18]。近似熵的定義為：

本文AE 參數的取值為m=2,r=0.2SD。

2.3 樣本熵特征提取

樣本熵（Sample Entropy，SE）也是衡量時間序列復雜度和維數變化時時間序列產生新模式概率的大小的指標，。SE 對丟失數據不敏感，不依賴數據長度，具有抗噪和抗干擾能力強的特點。由于不包含對自身數據段的比較，SE 提高了計算精度，節約了計算時間。SE 值越低，時間序列的越復雜[19]。樣本熵定義為：

本文SE 參數取值為m=2，r=0.2SD.

3 駕駛疲勞檢測及結果分析

3.1 駕駛疲勞特征提取結果分析

對疲勞前后狀態下6 名被試的AE 和SE 熵值進行t 檢驗統計分析。為直觀展示不同狀態下的熵值變化情況，繪制了駕駛疲勞前后SE 和AE 腦電地形圖，如圖3 所示。從圖中可以看出駕駛疲勞狀態下2 種熵值均為藍色區域面積增加顏色加深，紅色區域面積減少顏色變淺，即駕駛疲勞狀態下腦電信號的復雜度降低，說明AE 和SE 這2 種非線性指標均能夠反映駕駛疲勞變化情況。駕駛疲勞前后AE 和SE 存在顯著差異(p<0.05)的導聯主要分布在前額區、右額區、右中央區和顳區。存在非常顯著差異（P<0.01）的腦電通道主要集中在FP1、FP2、F4、F8 和T7，如圖4 所示。

圖3 不同狀態下熵值和P 值的腦電地形圖（每列上為樣本熵，下為近似熵）。（a）清醒狀態；（b）疲勞狀態；（c）清醒狀態和疲勞狀態統計學對比的P 值分布（藍色區域內的導聯P<0.05）

圖4 存在顯著差異腦電通道t 檢驗P 值(**表示存在非常顯著差異)

3.2 駕駛疲勞檢測結果分析

數據需要進行歸一化處理，按9:1 將數據分為兩部分，其中9 份數據用于模型訓練，1 份數據用于模型測試，采用10折交叉驗證分類器的識別性能。為檢測該方法的穩定性和魯棒性，采用KNN、DT、Adaboost、SVM 這4 種經典分類器對存在顯著差異的腦電通道進行組合熵特征集和單一特征集的清醒狀態和疲勞狀態的識別，各通道各分類器識別準確率如圖5 所示。從圖中可以看出通過4 種分類器的各腦電通道基于組合熵特征集的分類準確率明顯比基于單一特征的高，其中FP1、FP2、F8 和T7 腦電通道分類準確率比其他通道的高，這對于選擇有較高精度的EEG 單通道提供方向。基于此，本文重點分析4 種分類器對這四個腦電通道的分類情況。對于分類器性能的好壞需要各類指標來評價，通常評價的指標有accuracy（準確率）、precision（精確率）、recall（召回率）、F1-分數、ROC 曲線、AUC 值等。ROC 曲線所覆蓋的區域面積即為AUC 值，是反映分類器性能的綜合指標，ROC 越靠近左上角，AUC 值越大，則模型分類效果越好，反之效果越差。本文采用這六項指標來進行比較，如表1 所示。FP1、FP2、F8和T3 腦電通道的ROC 曲線如圖6 所示.類器ROC 曲線都接近于左上角，表明其分類性能都不錯。FP1導聯腦電數據KNN 分類器AUC 值0.980，平均準確率92.8%；DT 分類器AUC 值為0.939，平均準確率91.9%；Adaboost 分類器AUC 值為0.970，平均準確率90.6%；SVM 分類器AUC值0.9737，平均準確率90.4%。FP2 導聯腦電數據KNN 分類器AUC 值0.958，平均準 確 率88.1%；DT 分類器AUC 值為0.911，平均準確率85.6%；Adaboost 分類器AUC 值為0.923，平均準確率84.1%，SVM 分類器AUC 值0.922，平均準確率82.8%；F8 導聯腦電數據KNN 分類器AUC 值0.980，平均準確率92.3%；DT 分類器AUC 值為0.939，平均準確率91.2%；Adaboost 分類器AUC 值為0.970，平均準確率88.9%，SVM 分類器AUC 值0.962，平均準確89.3%；T7 導聯腦電數據KNN分類器AUC 值0.968，平均準確率90.8%；DT 分類器AUC 值為0.928，平均準確率88.6%；Adaboost 分類器AUC 值為0.937，平均準確率84.9%，SVM 分類器AUC 值0.952，平均準確率87.9%.從各類性能指標來看KNN 分類器最佳，準確率和綜合指標AUC 均高于其他分類器，FP1 的KNN 平均識別率最高92.8%，其他分類器的平均識別率均在90%以上，達到了滿意的效果。由此說明通過EEG 單通道FP1 采用組合熵特征集的方式進行駕駛疲勞檢測具有一定的魯棒性和穩定性。

圖5 顯著差異腦電通道組合熵特征集與單一特征準確率對比圖

圖6 4 種分類器的ROC 曲線（FP1 FP2 F8 T7）

表1 4 種分類器性能指標對比表

4 討論

本文采用AE 和SE 來量化駕駛疲勞前后腦電信號的復雜度，并作為組合熵特征集通過4 種常用分類器進行疲勞識別，旨在以安全為關鍵的人機交互中人類駕駛員或操作員上實現 使用EEG 單通道的疲勞程度的識別檢測系統。熵從腦電信號復雜度的角度描述了大腦皮層中神經元的活躍程度，本研究結果表明駕駛疲勞狀態下AE 和SE 熵值均比清醒狀態下的熵值小，這說明疲勞抑制了大腦皮層神經元活動的活躍性，腦電復雜性降低,AE 和SE 均能很好的表征駕駛疲勞；清醒與疲勞狀態存在顯著差異的主要集中在額區、顳區和右半球的若干腦區，這可能與大腦各區功能化的差異有關。額區對精神狀態有密切的關系，顳區主要負責聽覺，中央區負責肢體的運動和感覺。而本研究的腦疲勞誘導任務正是為時150 分鐘的駕駛任務，需要較強的空間感知需要、肢體活動、精神集中、抽象思維、判斷識別，需要各腦區的聯合作業，涉及的腦區也比較廣，所以這些腦區比其他腦區受疲勞抑制程度更大；非常顯著差異的導聯主要集中在前額區、右額區和左顳區，說明這幾個導聯的區域對駕駛疲勞變化具有更加敏銳的反應；從分類結果看，與單一特征方法相比，組合熵特征集能夠更好的識別駕駛疲勞狀態；對比4 種經典分類器性能指標，KNN 分類器的性能最佳，特別是在FP1 通道中分類準確率達到令人滿意的效果，也說明利用一個通道FP1 檢測駕駛疲勞狀態也是可行的，這對于下一步基于BCI 技術腦電采集設備的不斷發展，研制使用單導聯的便攜式可穿戴式疲勞檢測裝置具有很強的理論依據。在本項研究中，由于受試者的樣本人群主要是大學中年輕健康的人群，以盡量減少個體差異的影響，但缺乏考慮各年齡段的差異，未來的研究應該包括廣泛的受試者，以檢測年齡和駕駛經驗等其他變量的可能影響。