基于物聯網的道路客運車輛駕駛員疲勞駕駛監測系統研究

吳譚　張俊華　練云翔　袁會強

摘 要：為減少因疲勞駕駛引發的交通事故，降低交通參與者生命財產受損風險，本文設計了一種基于物聯網的道路客運車輛駕駛員疲勞駕駛監測系統。該系統具有三個部分，分別是可穿戴設備采集終端、智能手機軟件和監控中心監測終端，其中監測系統有效連接駕駛員和監控中心，當終端節點采集的數據超過閾值，監控人員將及時干預駕駛員，有效實現風險預警。實際測試結果表明，該系統疲勞判定的準確率達94%以上，可用性高穩定性強，具有較好的應用前景。

關鍵詞：交通安全 疲勞駕駛 疲勞監測 物聯網

1 引言

21世紀以來，我國機動車數量的快速增加，截止2021年機動車保有量達4億輛，道路交通安全事故屢屢發生，給人民群眾造成不可挽回的生命財產損失。其中疲勞駕駛、酒后駕駛、意外疾病等因素作為引發重特大交通安全事故的主要原因，是智能交通系統開發的重點方向之一。據《中國統計年鑒》數據，2021年中國交通事故受傷人數250723人，交通事故死亡人數為61703人。通過近十年數據分析可知，40%的重特大交通事故及83%的交通死亡人數均是由于疲勞駕駛導致的[1-2]。道路客運車輛對比于其他機動車輛，具有載員人數多、覆蓋面廣、流動性大、情況復雜的顯著特點，駕駛員的駕駛不僅是體力勞動，也是腦力勞動，再加上長時間持續工作更容易產生疲勞，隨之發生的交通事故也更嚴重。

為減少因疲勞駕駛引發的交通事故，降低交通參與者生命財產受損風險，目前有較多學者開展了疲勞監測系統的研究[3-5]，但這些研究大多偏向機理研究或參考指標單一，難以滿足企業的實際應用需求。因此本文設計了一種經濟可行的駕駛員疲勞駕駛監測系統，考察了監測系統的準確性和吻合度，有助于提高運輸企業對駕駛員疲勞程度的實時監管水平。

2 疲勞駕駛監測技術現狀

目前對疲勞駕駛的檢測方法主要有三種，分別是檢測駕駛員行為特征、駕駛員生理特征和車輛行為特征[6]。駕駛員行為特征主要指標有眼瞼閉合度、面部表情、頭部及嘴部狀態等。Wang R B等人[7]根據嘴巴狀態來判定疲勞情況，先通過模型和分類器來確定嘴巴的位置，再利用濾波器實時跟蹤嘴巴并提取關鍵點，然后由神經網絡依據嘴巴的關鍵點判定是否疲勞。駕駛員生理特征主要指標有EEG（腦電信號）、ECG（心電信號）、EOG（眼電信號）、EMG（肌電信號）等人體生物電信號以及血壓、血液中化學物質（如唾液淀粉酶的含量）、溫度等[8-9]。Fei Wang等人[10]先將被測者自己填寫的及觀察者評估的疲勞情況進行對比分析，再從中選擇匹配度較高的某個時間區域的腦電信號來建立模型，通過模型分析得到的疲勞判定結果和主觀疲勞感知情況進行綜合考慮，可以有效提高疲勞判定的準確率。車輛行為特征主要指標有車輛轉向、車速變化、車道偏離等，通過監控車輛硬件系統及行駛期間數據的變化狀況評測駕駛員的疲勞程度。Ellison Research Labs實驗室研制的DAS2000型路面警告系統通過判斷車輛運行軌跡偏離道路中線或者路肩白線向駕駛員發出警告[11]。

我國相關部門規定駕駛員連續駕駛機動車超過4小時未停車休息可認為是疲勞駕駛[12]，其判定方法單一，具有片面性，未綜合考慮駕駛員駕駛前身體健康情況及個體差異性。引起駕駛員疲勞的因素不僅有駕駛時間，還包括工作環境、生活作息規律、身心狀態等其它因素。因此，探究駕駛員特別是道路客運車輛駕駛員的疲勞生成機理、找出駕駛員疲勞與生理特征相對應的參數，從而判斷駕駛員的疲勞程度是目前理論研究的發展趨勢。

3 疲勞駕駛監測系統簡介

3.1 系統原理

基于物聯網的道路客運車輛駕駛員疲勞駕駛監測系統以可穿戴設備采集終端為基礎，以智能手機軟件為載體，基于物聯網技術，向道路客運企業監控中心提供參考信息。本文所開發的疲勞駕駛監測系統能夠連接駕駛員和監控中心，企業監控人員可以根據接收到的體征參數科學判定駕駛員是否疲勞，從而及時干預與示警，對道路客運車輛安全駕駛起到了積極的指導作用。

3.2 系統組成

如圖1所示，本系統具有三個部分，分別為可穿戴設備采集終端、智能手機軟件和監控中心監測終端，可以采集、分析和監控被測者的血壓、血氧、心電體征等參數，通過聯網的手機將收集的數據傳送到服務器，再由服務器傳送到企業監控中心監測終端。監控人員根據相關參數預設值判斷駕駛員疲勞狀況，當出現疲勞狀態不宜繼續駕駛時及時反饋駕駛員，終止駕駛，避免因駕駛疲勞引發的意外事故的發生。

硬件資源主要有無線傳感器節點、無線傳感器網絡架構及應用、疲勞駕駛監測系統硬件的整體框架等。硬件系統主要由三部分組成，分別是可穿戴設備采集終端、智能手機終端和網關。駕駛員的體征參數通過可穿戴設備采集終端實時收集，把收集的數據上傳并存儲到智能手機終端，再發送到監控中心服務器，監測系統根據駕駛員的體征參數自動判定駕駛員是否疲勞，企業監控人員依據判定結果給駕駛員下達相應指令。網關負責不同通訊實體間的數據傳輸。

3.3 系統工作流程

道路客運車輛駕駛員疲勞駕駛監測系統工作流程見圖2，駕駛員佩戴多個可穿戴設備終端采集節點，這些無線傳感器節點自組成網絡。由圖2可知：每個駕駛員佩戴3個終端節點A、B、C，節點間自組成局域網，可穿戴設備采集終端實時采集駕駛員的體征參數，并通過無線傳感器網絡傳輸至基站 AP，基站AP負責接收和整理體征參數，將處理后的體征參數通過Internet上傳到服務器，則監控中心的工作人員能實時監控駕駛員的體征參數，當系統判定駕駛員的生理指標超過閾值時，監控人員則立即干預駕駛員，避免交通事故的發生。

4 實際應用結果與分析

系統在江西新世紀汽運集團有限公司的道路客運車輛駕駛員上進行試用。以被測者的個人信息為基礎，綜合考慮個體的差異性，調研了被測者的年齡、性別、健康狀況、駕齡、作息規律、心理狀態等相關因素。

實驗結果主要來自兩部分：一是系統判定。準備階段先調試好系統的各個設備，確保設備能正常運行再試用，系統會對正在工作的駕駛員進行監測并自動記錄各項數據，以及各個模塊的判定結果。對于系統的判定，許多研究人員將監測疲勞情況劃分為三個等級：清醒、輕微疲勞、疲勞。但是，本系統將監測結果分為兩個等級：一是清醒狀態，二是疲勞狀態。這是由于無論輕微疲勞或疲勞均會對道路客運車輛的運行產生不安全因素，因此本系統將輕微疲勞和疲勞劃分在同一等級，以便起到對道路客運車輛駕駛員疲勞駕駛的同等警示效果。二是實際測評。由于被測者處于工作時間的正常駕駛狀態，測試工作人員坐在副駕駛位協助駕駛人員對自身疲勞程度的記錄以及與系統監測人員的實時對接，并將駕駛人員對自身疲勞程度的記錄作為實際疲勞程度基準值。由于實際測評屬于個人自主評價，按照日常習慣劃分為清醒、輕微疲勞、疲勞三個狀態。實際測評和系統判定數據經一一對應，共得到樣本數據2869個。

表1為實際評測與系統判定結果對應表。由表1可知：實際測評的判定結果為清醒的樣本數有2143個，與此對應的系統判定結果中清醒的樣本數有1826個，疲勞的樣本數有317個，判定準確率達到85.20%。實際測評的判定結果為輕微疲勞的樣本數有588個，與此對應的系統判定結果中清醒的樣本數有35個，疲勞的樣本數有553個，判定準確率達到94.05%。實際測評的判定結果為疲勞的樣本數有138個，與此對應的系統判定結果中清醒的樣本數有0個，疲勞的樣本數有138個，判定準確率達到100%。

表2為系統判定與實際測評的吻合度。由表2可知：系統判定的結果為清醒的樣本數有1861個，與此對應的實際測評結果中清醒的樣本數有1826個，輕微疲勞的樣本數有35個，疲勞的樣本數有0個。將輕微疲勞誤判為清醒的樣本數有35個，降低了清醒判定的準確率。系統判定的結果為疲勞的樣本數有1008個，與此對應的實際測評結果中清醒的樣本數有317個，輕微疲勞的樣本數有553個，疲勞的樣本數有138個。將清醒誤判為疲勞的樣本數有317個，說明系統的閾值設置較低，對疲勞的判定結果雖有誤判，但肯定不會有遺漏，從而提高疲勞判定的準確率。

5 結語

本文提出了一種以物聯網技術為基礎，實時掌握道路客運車輛駕駛員疲勞駕駛狀態的監測系統。當可穿戴設備終端采集節點的數據超過閾值，監測系統會將數據通過網絡傳輸到監控中心，監控人員將及時干預駕駛員，有效避免因疲勞駕駛造成的不良后果，最大限度地保障交通參與者的生命財產安全。

本文不僅介紹了系統的組成及工作原理，而且簡要敘述了該系統的工作流程。

實際測試結果表明，系統判定將監測結果劃分為兩個等級：清醒和疲勞，將實際測評和系統判定的數據經過一一比對可知，清醒判定的準確率略有下降，疲勞判定的準確率達到94%以上，可用性高穩定性強，具有較好的應用前景。

基金項目：2020 年江西省教育廳科學技術研究項目，項目名稱：基于物聯網的道路客運車輛駕駛員疲勞駕駛監測系統研究，項目編號：GJJ208404。

參考文獻：

[1]咼騰，馮桑，黃超.基于生物電信號的駕駛疲勞檢測方法[J].汽車電器， 2014（8）： 65-68.

[2]張弛.高危車輛駕駛員疲勞駕駛監測及預警系統研究[D]. 沈陽：遼寧工業大學，2018.

[3]Jung S J， Shin H S， Chung W Y. Driver fatigue and drowsiness monitoring system with embedded electrocardiogram sensor on steering wheel[J]. Intelligent Transport Systems， 2014， 8（1）： 43-50.

[4]Wang R B，? Guo L，? Tong? B? L，et? al.? Monitoring Mouth? Movement for Driver? Fatigue or Distraction with One Camera [C]. The 7th International IEEE Conference on Intelligent Transportation Systems. Oat. 2004， 2004：314-319.

[5]張華.駕駛員疲勞監測技術研究[D].天津：河北工業大學，2014.

[6]宋戰兵. 淺談駕駛疲勞檢測方法研究現狀[J].? 科技風， 2017（9）： 282-282.

[7]Wang R B， Guo L， Tong B L，et al. Monitoring Mouth Movement for Driver Fatigue? or Distraction with One Camera [C]. The 7th International IEEE Conference on Intelligent Transportation Systems. Oat. 2004， 2004：314-319.

[8]陳倩. 基于生理信息采集的駕駛疲勞研究[D]. 重慶：重慶大學， 2016.

[9]Stork M， Skala J， Weissar P，Holota R. Various approaches to driver fatigue detection：? a? review. International Conference on Applied Electronics， Pilsen， Czech Republic， 2015： 239-244.

[10]Wang F， Wang S， Wang X， et al. Design of driving fatigue detection system based on hybrid measures using wavelet-packets transform[C]. IEEE International Conference on Robotics & Automation， 2014： 4037-4042.

[11]This tragedy was preventable！： The DAS 2000 Road Alert System High Tech Solution to Driver Fatigue！，http：//www.dmv.ca.gov.

[12]中華人民共和國道路交通安全法實施條例[Z] . 2004.