基于無線體域網(wǎng)和復(fù)合生理信號(hào)近似熵的駕駛疲勞研究

王 琳 付榮榮 張 陳 尹曉偉 化成城 王 宏

1（沈陽工程學(xué)院機(jī)械學(xué)院，沈陽 110136）

2（東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，沈陽 110819）

3（燕山大學(xué)測(cè)控技術(shù)與儀器河北省重點(diǎn)實(shí)驗(yàn)室，河北秦皇島 066004）

基于無線體域網(wǎng)和復(fù)合生理信號(hào)近似熵的駕駛疲勞研究

王 琳1，2?付榮榮3張 陳1尹曉偉1化成城2王 宏2

1（沈陽工程學(xué)院機(jī)械學(xué)院，沈陽 110136）

2（東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，沈陽 110819）

3（燕山大學(xué)測(cè)控技術(shù)與儀器河北省重點(diǎn)實(shí)驗(yàn)室，河北秦皇島 066004）

為有效合理地評(píng)價(jià)駕駛員在駕駛過程中的疲勞程度，通過無線體域網(wǎng)（WBAN）采集12名被試者的3種生理信號(hào)（腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)），提取并分析這些生理信號(hào)的近似熵在駕駛過程中對(duì)疲勞程度的反映效果。試驗(yàn)結(jié)果表明，腦電、肌電、呼吸3種信號(hào)的近似熵均隨時(shí)間的增加而逐漸下降，約90min后下降程度變緩，表明進(jìn)入比較疲勞狀態(tài)。通過主成分分析可知，前兩個(gè)主成分的貢獻(xiàn)率分別為47.33%和40.26%，二者之和大于85%，其中腦電信號(hào)和肌電信號(hào)的近似熵所占權(quán)重較大。而且統(tǒng)計(jì)分析表明，腦電信號(hào)和肌電信號(hào)的近似熵顯著性P＜0.05，表明腦電信號(hào)和肌電信號(hào)在表征正常與疲勞兩種狀態(tài)時(shí)差異明顯。在此基礎(chǔ)上，分析信號(hào)組合對(duì)駕駛疲勞的反映效果，結(jié)果表明在腦電-肌電信號(hào)的近似熵組合時(shí)，正常和疲勞狀態(tài)的概率分布具有明顯的界限，可以有效反映駕駛過程中的疲勞狀態(tài)。通過研究，獲得最佳的反映疲勞駕駛的信號(hào)組合，可為更加準(zhǔn)確地檢測(cè)和避免疲勞駕駛提供理論依據(jù)。

無線體域網(wǎng)；復(fù)合生理信號(hào)；近似熵；疲勞駕駛

引言

疲勞駕駛易引起駕駛員的注意力下降，對(duì)外界的感知反映遲鈍，成為引起交通事故的主要原因之一。為避免該類交通事故的發(fā)生，國內(nèi)外的研究人員對(duì)疲勞駕駛的檢測(cè)和分析進(jìn)行了大量研究工作。通過文獻(xiàn)檢索可知，以往的研究主要集中在3個(gè)方面：一是選用不同的測(cè)量方法［1-4］，如離線式血液測(cè)量、有線式在線測(cè)量、無線式在線測(cè)量等；二是選用不同的生理信號(hào)［5-10］，如腦電信號(hào)（EEG）、肌電信號(hào)（EMG）、呼吸信號(hào)（RESP）、眼部信號(hào)等；三是選用不同的特征參數(shù)［11-14］，如中值頻率、積分肌電、近似熵、峰值因數(shù)等。Lal和Patel認(rèn)為腦電信號(hào)和肌電信號(hào)是反映駕駛疲勞的有效生理信號(hào)［8-9］，Richman認(rèn)為近似熵（approximate entropy，ApEn）是表征駕駛疲勞的有效特征參數(shù)［14］。這些研究都為評(píng)價(jià)和避免疲勞駕駛提供了非常有意義的方法。但是，對(duì)于多種生理信號(hào)測(cè)量效果的比較分析，以及相互的組合應(yīng)用，在已公開發(fā)表的論文中涉及較少，且沒有得到一致結(jié)論。基于此，筆者在前人研究的基礎(chǔ)上，選用“無線體域網(wǎng)（WBAN）在線檢測(cè)的方法”和“近似熵的特征參數(shù)”來分析和評(píng)價(jià)駕駛員在駕駛過程中的3種生理信號(hào)，即腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)。其目的有二：一是比較3種生理信號(hào)的近似熵在反映疲勞駕駛方面的使用效果；二是將3種生理信號(hào)進(jìn)行組合，獲得最佳反映疲勞駕駛的信號(hào)組合，從而為更加準(zhǔn)確地檢測(cè)和避免疲勞駕駛提供理論依據(jù)。

無線式在線檢測(cè)的核心裝備即無線體域網(wǎng)，作為無線通信網(wǎng)絡(luò)的一個(gè)子部分，其基本功能是利用無線鏈路來傳輸信息。無線體域網(wǎng)被廣泛應(yīng)用在生物工程環(huán)境中［15］，通常由數(shù)據(jù)收集和數(shù)據(jù)接收兩部分組成，二者通過藍(lán)牙技術(shù)實(shí)現(xiàn)信息的通信。為了更好地揭示信號(hào)中所包含的特征信息，本研究采用如下分析手段：首先，分析了腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)的近似熵在駕駛過程中的變化規(guī)律；其次，將提取的近似熵參數(shù)進(jìn)行歸一化處理，采用“主成分分析降維”和“特征參數(shù)統(tǒng)計(jì)分析”的方法，分析和比較腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)在反映疲勞駕駛方面的使用效果；最后，利用模糊C聚類算法，獲得能夠反映疲勞駕駛的最佳信號(hào)組合。

1 實(shí)驗(yàn)方法

根據(jù)美國高速交通安全管理局NHTSA的調(diào)查報(bào)告顯示，18～35歲的年輕男性是疲勞駕駛導(dǎo)致交通事故的高發(fā)人群。因此，本實(shí)驗(yàn)隨機(jī)選取12名年齡在18～35歲之間的健康成年駕駛員作為被試者，參加駕駛實(shí)驗(yàn)，均簽署知情同意書。被試者在實(shí)驗(yàn)前24 h內(nèi)不得食用對(duì)神經(jīng)能夠產(chǎn)生刺激或抑制的食品和藥品。所有被試者均自愿參與實(shí)驗(yàn)，并知曉實(shí)驗(yàn)流程，同意配合測(cè)量駕駛過程中的腦電、肌電和呼吸信號(hào)。實(shí)驗(yàn)過程中，被試者在模擬駕駛艙內(nèi)連續(xù)駕駛120min。為加速疲勞的形成，駕駛環(huán)境選擇單調(diào)乏味的高速公路場(chǎng)景。腦電、肌電和呼吸信號(hào)由戴在被試者身上的3個(gè)傳感器模塊同時(shí)采集，采樣頻率為200 Hz，并將采集到的信號(hào)通過藍(lán)牙通信發(fā)送到計(jì)算機(jī)中。安放傳感器模塊的位置如圖1所示［10］。其中，腦電信號(hào)主要采集人腦后枕部的O1、O2兩處的EEG；肌電信號(hào)主要采集頸部上斜方肌A1、A2處的EMG；呼吸信號(hào)的采集模塊由圍度可調(diào)的橡膠帶固定于被試者的小腹位置，測(cè)量腹式呼吸。為了減小電極與皮膚之間的接觸阻抗，在實(shí)驗(yàn)過程中首先用醫(yī)用砂紙對(duì)皮膚表面進(jìn)行打磨，然后用酒精對(duì)該處皮膚進(jìn)行去油脂處理，并使用導(dǎo)電膏進(jìn)一步減小阻抗。同時(shí)，在駕駛實(shí)驗(yàn)過程中，要求被試者在指定時(shí)間段內(nèi)填寫 SOFI-25（Swedish occupational fatigue inventory-25）主觀調(diào)查表，由此可根據(jù)駕駛員的主觀自身感覺輔助判別是否達(dá)到駕駛疲勞狀態(tài)。

圖1 模擬駕駛實(shí)驗(yàn)及信號(hào)采集。（a）模擬駕駛實(shí)驗(yàn)設(shè)計(jì)；（b）信號(hào)采集位置Fig.1 Simulated driving experiments and data acquisition.（a）Design on simulation experiments；（b）Positions of electrodes

2 算法原理

2.1 信號(hào)去噪

本研究測(cè)試了12名被試者連續(xù)駕駛120min的腦電、肌電、呼吸信號(hào)。為避免信號(hào)采集過程中各種噪聲（如駕駛?cè)松眢w移動(dòng)、皮膚流汗、50Hz工頻干擾、檢測(cè)儀器內(nèi)部電子噪聲干擾等）的影響，采用經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）算法對(duì)其進(jìn)行預(yù)處理［16］，即先將所測(cè)得的信號(hào)分解為一系列本征模態(tài)分量IMF，再將每個(gè)IMF投影到頻域中，得到各個(gè)IMF頻譜，然后對(duì)所測(cè)的信號(hào)頻譜進(jìn)行信號(hào)重構(gòu)，從而保留了原信號(hào)的有用信息，去除了噪聲干擾。該預(yù)處理方法對(duì)各種生理信號(hào)都能有效地進(jìn)行基線校正，去除基線漂移的影響。

在信號(hào)去噪的基礎(chǔ)上，對(duì)每位被試者每隔10min截取長度為30 s（6 000點(diǎn)的序列長度）的數(shù)據(jù)進(jìn)行近似熵的計(jì)算，求得一組特征參數(shù)值（包括腦電近似熵、肌電近似熵、呼吸近似熵3個(gè)數(shù)值）；再將所有被試者的特征參數(shù)取平均值，并計(jì)算個(gè)體間標(biāo)準(zhǔn)差，即可得到這3種特征參數(shù)隨駕駛時(shí)間的變化趨勢(shì)。

2.2 近似熵

為了對(duì)生理信號(hào)進(jìn)行非線性動(dòng)力學(xué)分析，達(dá)到更好地識(shí)別信號(hào)特征的目的，本研究采用近似熵作為度量序列復(fù)雜性的非線性動(dòng)力學(xué)參數(shù)。其大小可以反映出時(shí)間序列的復(fù)雜度，時(shí)間序列越復(fù)雜，其對(duì)應(yīng)的近似熵就越大。該算法［17］如下：

1）假定長度為N的數(shù)據(jù)可表示為X＝［x（1），x（2），…，x（N）］。根據(jù) Takens嵌入理論［18］，將X構(gòu)造成一組m維矢量：X（i）＝ ［x（i），x（i+1），…，x（i+m-1）］，其中i＝1，2，…，N-m+1。

2）兩個(gè)向量對(duì)應(yīng)元素之差的最大值為X（i）與X（j）的距離，即

3）計(jì)算每行與其他行的距離小于閾值r（給定值），即d［X（i），X（j）］＜r的個(gè)數(shù)，記為

式中，H（x）是Heaviside函數(shù)。

4）將Nim（r）與距離總數(shù)N-m做比，得到

5）求Cim（r）的對(duì)數(shù)和，再求其均值，即

6）將m維矢量增加為m+1維，重復(fù)以上過程，從而得到Ci（m+1）（r）和φm+1（r）。

7）得到此序列的近似熵為

可見，近似熵值是維數(shù)m、閾值r、信號(hào)長度N的函數(shù)。這里，m＝2，r＝信號(hào)標(biāo)準(zhǔn)差×n（n＝0.1～0.2）［19］。

2.3 歸一化處理

由于腦電、肌電、呼吸3種生理信號(hào)近似熵的絕對(duì)值差別較大，為方便統(tǒng)一比較，首先對(duì)近似熵特征參數(shù)進(jìn)行歸一化處理。本研究所用的歸一化方法是對(duì)原始數(shù)據(jù)（熵值）進(jìn)行線性變換，可有效保留自身熵值的特性，也就是把數(shù)據(jù)映射到0～1范圍內(nèi)，使不同來源的數(shù)據(jù)統(tǒng)一到一個(gè)參考系下進(jìn)行比較，統(tǒng)一了評(píng)價(jià)標(biāo)準(zhǔn)，便于對(duì)數(shù)據(jù)進(jìn)行綜合測(cè)評(píng)分析。歸一化的轉(zhuǎn)換式為

式中，x、y分別為歸一化前、后的熵值，max（x）、min（x）分別為樣本的最大值和最小值。

2.4 主成分分析

為了使用較少的信號(hào)個(gè)數(shù)盡可能多地反映變量的變化規(guī)律，本研究采用主成分分析對(duì)多變量數(shù)據(jù)進(jìn)行降維處理［10］。

2.5 統(tǒng)計(jì)分析

在本研究中，對(duì)腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)疲勞前后的歸一化近似熵值進(jìn)行統(tǒng)計(jì)分析，在符合正態(tài)分布的前提下，對(duì)數(shù)據(jù)樣本使用SPSS統(tǒng)計(jì)分析軟件進(jìn)行配對(duì)t檢測(cè)［20］。

2.6 模糊C聚類

模糊C聚類是根據(jù)數(shù)據(jù)的隸屬程度將其分為兩類或者多類的一種聚類方法，通過逐步迭代來縮小數(shù)據(jù)點(diǎn)到其聚類中心的距離，以此給出數(shù)據(jù)點(diǎn)的類別隸屬度，其優(yōu)化目標(biāo)函數(shù)［21］為

算法步驟如下：

步驟1，初始化U＝ ［uij］。

步驟2，利用Uk計(jì)算矢量中心點(diǎn)Ck＝［cj］（第k步），其中

步驟 3，更新Uk、Uk+1，有

步驟4，若‖Uk+1-Uk‖＜ε，則停止；否則回到步驟2。

3 特征近似熵結(jié)果

3.1 近似熵的變化趨勢(shì)

圖2所示為3種特征參數(shù)隨駕駛時(shí)間的變化趨勢(shì)。由圖可見，3種信號(hào)的近似熵均隨時(shí)間的增加而逐漸下降，即隨著駕駛時(shí)間的延長，被試者疲勞程度呈上升趨勢(shì)。約90min后，近似熵下降程度變緩，表明進(jìn)入比較疲勞的狀態(tài)。本研究根據(jù)圖2的實(shí)驗(yàn)數(shù)據(jù)、SOFI-25主觀問卷調(diào)查結(jié)果和文獻(xiàn)調(diào)研［8］三者相結(jié)合的方式，定義駕駛實(shí)驗(yàn)的 0～30min為“正常狀態(tài)”，90～120min為“疲勞狀態(tài)”。

3.2 特征近似熵分布

從12名被試者120min駕駛實(shí)驗(yàn)的正常狀態(tài)和疲勞狀態(tài)中，分別選取5min數(shù)據(jù)進(jìn)行分析（包括腦電信號(hào)、肌電信號(hào)和呼吸信號(hào)）。正常狀態(tài)選取10～15min，疲勞狀態(tài)選取105～110min。每30 s提取一個(gè)特征近似熵，則共有“2種狀態(tài) ×5min/30 s×12名被試者×3種信號(hào)＝720”個(gè)近似熵值。

圖2 所有被試者生理信號(hào)的近似熵均值Fig.2 Average ApEn of physiological signals of participants

歸一化后的近似熵值如圖3所示。可以看出，同一狀態(tài)的近似熵值仍比較分散，無法得到客觀的評(píng)價(jià)結(jié)果。造成這種情況的原因是：3種生理信號(hào)近似熵對(duì)疲勞程度的反映不同所致，有的對(duì)疲勞反映明顯，有的對(duì)疲勞反映不明顯。因此，在本文第3.3和3.4節(jié)中，采用了不同方法分析比較了3種生理信號(hào)近似熵對(duì)疲勞的反映效果。

圖3 3種生理信號(hào)的近似熵歸一化三維分布Fig.3 3-D distribution of normalized ApEn of multiphysiological signals

3.3 主成分分析結(jié)果

本節(jié)采用主成分分析的方法，對(duì)3種生理信號(hào)近似熵對(duì)疲勞的反映效果進(jìn)行比較，從而達(dá)到參數(shù)降維、簡化分析指標(biāo)的目的。通過對(duì)3列特征參數(shù)進(jìn)行主成分分析，計(jì)算求得3個(gè)主成分的貢獻(xiàn)率，如圖4所示?？梢?，前兩個(gè)主成分的貢獻(xiàn)率分別為47.33%和40.26%，累積貢獻(xiàn)率為87.59%，超過85%。因此，選取貢獻(xiàn)率大的前兩個(gè)主成分，即可有效表征駕駛員的疲勞狀態(tài)。

下面給出的是主成分的系數(shù)矩陣，有

式中：Pi表示第i個(gè)主成分，Xi表示生理信號(hào)的近似熵特征（X1、X2、X3分別表示腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)）；主成分的系數(shù)表示所對(duì)應(yīng)的特征參數(shù)所占權(quán)重，即X1、X2、X3對(duì)疲勞程度的反映效果。

可見，前兩個(gè)主成分（P1，P2）中，腦電信號(hào)和肌電信號(hào)的系數(shù)絕對(duì)值較大，而呼吸信號(hào)的系數(shù)絕對(duì)值較小。這說明，在選取兩種生理信號(hào)來表征駕駛員的疲勞狀態(tài)時(shí)，應(yīng)選取腦電信號(hào)和肌電信號(hào)，呼吸信號(hào)可相對(duì)忽略。

圖4 主成分的貢獻(xiàn)率Fig.4 Contributions of principle components

3.4 統(tǒng)計(jì)分析結(jié)果

為進(jìn)一步比較腦電、肌電、呼吸信號(hào)對(duì)疲勞駕駛的反映特性，利用SPSS統(tǒng)計(jì)分析軟件對(duì)3種生理信號(hào)的近似熵進(jìn)行配對(duì)t檢測(cè)。在t檢測(cè)之前，首先需要保證樣本的正態(tài)分布，通過數(shù)據(jù)預(yù)處理可知，疲勞前后3種生理信號(hào)的歸一化近似熵樣本基本符合正態(tài)分布。t檢測(cè)結(jié)果如表1所示，其中：每種信號(hào)的參數(shù)（近似熵個(gè)數(shù)）為2種狀態(tài)×5min/30 s×12名被試者＝240個(gè)，正常狀態(tài)和疲勞狀態(tài)分別為120個(gè)；“均值”和“標(biāo)準(zhǔn)差”分別為12名被試者在正?；蚱跔顟B(tài)時(shí)近似熵的平均值和標(biāo)準(zhǔn)差。由表1可看出，腦電信號(hào)和肌電信號(hào)的近似熵顯著性P值較?。≒＜0.05），表明腦電信號(hào)和肌電信號(hào)在表征正常與疲勞兩種狀態(tài)時(shí)差異明顯；而呼吸信號(hào)近似熵顯著性P值較大（P＞0.05），表明呼吸信號(hào)在表征正常與疲勞兩種狀態(tài)時(shí)差異不明顯。因此，進(jìn)一步說明，選取兩種生理信號(hào)來表征駕駛員的疲勞狀態(tài)時(shí)，應(yīng)選取腦電信號(hào)和肌電信號(hào)，呼吸信號(hào)可相對(duì)忽略。

表1 生理信號(hào)的配對(duì)t檢測(cè)結(jié)果Tab.1 Results of paired-t test for physiological signals

4 模糊C聚類分析結(jié)果

這里利用模糊C聚類算法對(duì)不同的特征參數(shù)近似熵組合（腦電-肌電，腦電-呼吸，肌電-呼吸）進(jìn)行分析，擬獲得能夠反映疲勞駕駛的最佳信號(hào)組合。由腦電-肌電（EEG-EMG）、腦電-呼吸（EEGRESP）、肌電-呼吸（EMG-RESP）近似熵特征參數(shù)得到聚類結(jié)果，分別如圖5～7所示。

圖5 腦電信號(hào)與肌電信號(hào)近似熵聚類結(jié)果Fig.5 Clustering results by ApEn of EEG and EMG

圖6 腦電信號(hào)與呼吸信號(hào)近似熵聚類結(jié)果Fig.6 Clustering results by ApEn of EEG and RESP

對(duì)圖5～7所示的聚類分析結(jié)果進(jìn)行相關(guān)說明。當(dāng)圖中給出的是兩種生理信號(hào)近似熵組合時(shí)，屬于正常狀態(tài)的概率。由圖5可見，當(dāng)腦電信號(hào)和肌電信號(hào)近似熵值都較大時(shí)，屬于正常狀態(tài)的概率也較大（紅色區(qū)域，80%以上）；當(dāng)腦電信號(hào)和肌電信號(hào)近似熵值都較小時(shí)，屬于正常狀態(tài)的概率也較?。ㄋ{(lán)色區(qū)域，20%以下），即屬于疲勞狀態(tài)的概率較大；當(dāng)腦電信號(hào)和肌電信號(hào)近似熵值為其他時(shí)，正常狀態(tài)的概率在20% ～80%之間，屬于半疲勞狀態(tài)。而且，腦電-肌電信號(hào)組合時(shí)，正常與疲勞狀態(tài)的概率分布具有明顯的界限（見圖5）。但是，腦電-呼吸信號(hào)組合時(shí)（見圖6），概率差異呈上下分布，在以腦電信號(hào)近似熵為縱坐標(biāo)上具有一定的界限，而以呼吸信號(hào)近似熵為橫坐標(biāo)上卻沒有明顯界限，因此這種組合不適合判斷駕駛員的疲勞狀態(tài)。同樣，肌電-呼吸信號(hào)組合時(shí)（見圖7），也不適合判斷駕駛員的疲勞狀態(tài)。

圖7 肌電信號(hào)與呼吸信號(hào)近似熵聚類結(jié)果Fig.7 ClusteringresultsbyApEnofEMG and RESP

5 討論

腦電、肌電、呼吸3種信號(hào)的近似熵均隨時(shí)間的增加而逐漸下降，約90min后近似熵下降的程度變緩，表明進(jìn)入比較疲勞狀態(tài)。近似熵反映了神經(jīng)系統(tǒng)相互調(diào)節(jié)的有序程度，其隨駕駛時(shí)間延長呈下降的趨勢(shì)，說明此刻人體的可調(diào)控、可變化的能力減弱，即隨著外界環(huán)境的變化調(diào)整自己狀態(tài)的能力下降［22］。

由歸一化后的近似熵值（見圖3）可見：對(duì)肌電信號(hào)而言，正常狀態(tài)的點(diǎn)偏靠熵值較大的右側(cè)，疲勞狀態(tài)的點(diǎn)偏靠熵值較小的左側(cè)，表明肌電信號(hào)近似熵對(duì)駕駛疲勞的判別度較好；同樣，對(duì)腦電信號(hào)而言，正常狀態(tài)的點(diǎn)偏靠熵值較大一側(cè)，疲勞狀態(tài)的點(diǎn)偏靠熵值較小一側(cè)，表明腦電信號(hào)近似熵對(duì)駕駛疲勞的判別度也較好；但對(duì)呼吸信號(hào)而言，正常與疲勞兩種狀態(tài)點(diǎn)分布比較分散，沒有偏靠較大值一側(cè)或較小值一側(cè)，表明呼吸信號(hào)近似熵對(duì)駕駛疲勞的判別度較弱。

主成分分析可知，選取前兩個(gè)貢獻(xiàn)率大的主成分即可有效表征駕駛員的疲勞狀態(tài)。而前兩個(gè)主成分中，呼吸信號(hào)的系數(shù)絕對(duì)值較小，表明其對(duì)駕駛疲勞的反映比腦電信號(hào)和肌電信號(hào)弱。同樣，由統(tǒng)計(jì)分析可知，呼吸信號(hào)近似熵顯著性P值較大，表明呼吸信號(hào)在表征正常與疲勞兩種狀態(tài)時(shí)差異不明顯。

對(duì)于采用腦電信號(hào)-肌電信號(hào)這種組合時(shí)（見圖5），正常和疲勞狀態(tài)的概率分布具有明顯的界限，即一個(gè)腦電信號(hào)近似熵值與一個(gè)肌電信號(hào)近似熵值能近似對(duì)應(yīng)一個(gè)狀態(tài)（正?；蚱冢@是此種組合的優(yōu)勢(shì)所在，可以有效反映駕駛過程中的疲勞狀態(tài)。但是，另外兩種特征組合（見圖6、7）并不能找到清晰的分界，在劃分上都存在兩種類別的混疊，不能有效反映駕駛過程中的疲勞狀態(tài)。

6 結(jié)論

為有效合理地評(píng)價(jià)駕駛員在駕駛過程中的疲勞程度，本研究選用“無線體域網(wǎng)（WBAN）在線檢測(cè)方法”和“特征指標(biāo)近似熵”，分析和評(píng)價(jià)了3種生理信號(hào)（腦電信號(hào)、肌電信號(hào)、呼吸信號(hào)）及其組合在駕駛過程中對(duì)駕駛員疲勞程度的反映效果，主要得到如下結(jié)論：

1）腦電、肌電、呼吸3種信號(hào)的近似熵均隨時(shí)間的增加而逐漸下降，約90min后近似熵下降程度變緩，表明進(jìn)入比較疲勞的狀態(tài)。

2）通過主成分分析和統(tǒng)計(jì)分析可知，腦電信號(hào)和肌電信號(hào)的特征近似熵對(duì)駕駛員疲勞狀態(tài)的反映效果比較好，而呼吸信號(hào)則相對(duì)較弱。

3）腦電信號(hào)-肌電信號(hào)的特征近似熵組合時(shí)，正常和疲勞狀態(tài)的概率分布具有明顯的界限，即一個(gè)腦電信號(hào)近似熵值與一個(gè)肌電信號(hào)近似熵值能近似對(duì)應(yīng)一個(gè)狀態(tài)（正常或疲勞），可以有效反映駕駛員在駕駛過程中的疲勞狀態(tài)。

綜上所述，本研究比較了3種生理信號(hào)特征近似熵在反映疲勞駕駛方面的使用效果，并獲得了最佳的能反映疲勞駕駛的信號(hào)組合，為更加準(zhǔn)確地檢測(cè)和避免疲勞駕駛提供了理論依據(jù)。

［1］ Kumar M，Weippert M，Arndt D，et al.Fuzzy filtering for physiological signal analysis ［J］.IEEE Transactions on Fuzzy Systems，2010，18（1）：208-216.

［2］ Ye Ning，Sun Yuge，Yang Dan. Noninvasive heartrate variability detection device for fatigue driving detection system［J］.Applied Mechanics and Materials，2013，246：194-198.

［3］ Choi A，Woo W.Daily physiological signal monitoring system for fostering social well-being in smart spaces ［J］.Cybernetics and Systems，2010，41（3）：262-279.

［4］ Kwofie S，Rahbar N.A fatigue driving stress approach to damage and life prediction under variable amplitude loading ［J］.International Journal of Damage Mechanics，2013，22（3）：393-404.

［5］ 李昕，李紅紅，李長吾.基于復(fù)雜度熵特征融合的高壓力人群情感狀態(tài)評(píng)估［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2013，32（3）：313-320.

［6］ 張啟忠，席旭剛，馬玉良，等.基于表面肌電信號(hào)的手腕動(dòng)作模式識(shí)別［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2013，32（3）：257-265.

［7］ 謝宏，周笑麗，夏斌，等.疲勞駕駛識(shí)別中的腦電信號(hào)特征選擇算法和支持向量機(jī)模型研究［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2014，33（4）：482-486.

［8］ Lal SKL，Craig A.A critical review of the psychophysiology of driver fatigue ［J］，Biological Psychology，2001，55：173-194.

［9］ Patel M，Lal SKL，Kavanagh D，et al.Applying neural network analysis on heart rate variability data to assess driver fatigue ［J］.Expert Systems with Applications，2011，38（6）：7235-7242.

［10］ 付榮榮，王宏，王琳，等.基于無線體域網(wǎng)中多生理信號(hào)駕駛疲勞檢測(cè)［J］.東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，35（6）：850-853.

［11］ Lin Zhui，Wang Lide，Zhou Jieqiong，et al.The research on fatigue driving detection algorithm ［J］.Journal of Software，2013，8（9）：2272-2279.

［12］ Zhao Shuanfeng，Xu Guanghua，Guo Wei.Parallel diagnosis model of fatigue driving based on vehicle running status ［J］.Journal of Networks，2013，8（11）：2585-2591.

［13］ Yang Qiufen，Li Canjun，Li Zhenjun.Application of FTGSVM algorithm in expression recognition of fatigue driving ［J］.Journal of Multimedia，2014，9（4）：527-533.

［14］ Richman JS，Moorman JR.Physiological time-series analysis using approximate entropy and sample entropy ［J］.AJP Heart＆Circulatory Physiology，2000，278（6）：2039-2049.

［15］ Dias NS，Carmo JP，Mendes PM，et al.Wireless instrumentation system based on dry electrodes for acquiring EEG signals ［J］.Medical Engineering＆ Physics，2012，34（7）：978-981.

［16］ Bonfort G，Evans R，Nelson B，et al.A randomized clinical trial of exercise and spinal manipulation for patients with chronic neck pain ［J］.Spine，2001，26（7）：798-799.

［17］ 徐安，劉軍，彭旗宇，等.動(dòng)態(tài)近似熵快速算法在心率變異研究中的應(yīng)用［J］.同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2005，33（4）：520-524.

［18］ Takens F.Detecting strange attractors in turbulence ［J］.Lecture Notes in Mathematics，1981，898：366-381.

［19］ Foij O，Holcik J.Applying nonlinear dynamics to ECG signal processing［J］.IEEE Engineering in Medicine and Biology，1998，3（4）：96-110.

［20］ Wang Hong，Zhang Chi，Shi Tianwei，et al.Real-time EEG-based detection of fatigue driving danger for accident prediction［J］.International Journal of Neural Systems，2015，25（2）：155-164.

［21］ James CB，Robert E，Willianm F.The fuzzy c-means clustering algorithm ［J］.Computers＆ Geosciences，1984（10）：191-203.

［22］ 吳群.基于心電信號(hào)的疲勞駕駛檢測(cè)方法研究［D］.杭州：浙江大學(xué)，2008：45.

Investigation on Driver Fatigue Based on WBAN and Approximate Entropy of Multi-Physiological Signals

Wang Lin1，2?Fu Rongrong3Zhang Chen1Yin Xiaowei1Hua Chengcheng2Wang Hong2

1（Department of Mechanical Engineering，Shenyang Institute of Engineering，Shenyang110136，China）

2（School of Mechanical Engineering and Automation，Northeastern University，Shenyang110819，China）

3（Measurement Technology and Instrumentation Key Lab of Hebei Province，Yanshan University，Qinhuangdao066004，Hebei，China）

Aimed to reasonably evaluate driver fatigue in driving process，three kinds of physiological signals，including electroencephalograph（EEG），electromyography（EMG）and respiration（RESP）signals of 12 subjects are recorded by wireless body area network（WBAN）.Then，the approximate entropy（ApEn）of the signals are investigated during the driving process.The experimental results show that，ApEn of EEG，EMG，and RESP decrease in driving process.After about 90min，the ApEn stays at a certain range of value，indicating the deeply driver fatigue.From principle components analysis，the contributions of the first two components are 47.33%and 40.26%（the total is more than 85%），and the weight of EEG and EMG is higher than RESP.From the statistical analysis，the values ofPof ApEn of EEG and EMG are lower than 0.05，indicating EEG and EMG have better discrimination on driver fatigue.In case of the combination of EEG-EMG，there is obvious discrimination for the probability distribution of normal and fatigued state.This combination can effectively evaluate the fatigue degree during driving.Therefore，an optimized combination of physiological signals may be obtained，which is reasonable and reliable to evaluate the physiological characteristics of driver fatigue.The research results of present work can give a guidance to evaluate and relieve the driver fatigue.

wireless body area network（WBAN）；multi-physiological signals；approximate entropy；driver fatigue

R318 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：0258-8021（2017）05-0543-07

10.3969 /j.issn.0258-8021.2017.05.005

2016-08-01，錄用日期：2017-05-21

國家自然科學(xué)基金（51605419），博士后啟動(dòng)基金（2016M600193），河北省科技計(jì)劃項(xiàng)目（152177180）

?通信作者（Corresponding author），E-mail：jiangx@smm.neu.edu.cn