一種基于駕駛員生理信號的非接觸式駕駛疲勞檢測技術?

王　琳，張　陳，尹曉偉，付榮榮，王　宏

前言

目前，駕駛疲勞檢測方法主要有3種:(1)基于駕駛員行為特征的檢測；(2)基于車輛行為特征的檢測；(3)基于駕駛員生理信號特征的檢測。近年來，通過檢測駕駛員生理信號(如心電、腦電、肌電和呼吸等)判別駕駛疲勞，被認為是最為客觀準確的方法，并取得了大量有益研究成果[1-12]。但是，絕大多數(shù)研究都是針對某一種生理指標進行分析處理。由于生理信號具有隨機性和不同駕駛員的個體差異，使研究結論也存在一定差異。關于多種生理信號檢測駕駛疲勞的研究中，由于各種特征參數(shù)間存在冗余信息，會對檢測結果造成影響。而且，通常的信號采集方法是通過電極采集，難免會對駕駛員的正常駕駛產(chǎn)生干擾。

據(jù)此，本文中采用非接觸便攜式傳感器檢測駕駛員在模擬駕駛過程中股二頭肌的生理信號，對其特征參數(shù)進行分析與研究，從而提出一種非接觸式的駕駛疲勞檢測方法，主要有如下特點:(1)使用自主研發(fā)的非接觸便攜式傳感器，不影響駕駛員正常駕駛；(2)傳感器接收到的人體生理信號是由肌電信號(EMG)與心電信號(ECG)組成的混合信號，采用快速獨立成分分析(Fast ICA)對其進行分解，采用經(jīng)驗模態(tài)分解(EMD)對其進行去噪，實現(xiàn)了肌電信號和心電信號的分離和去噪，從而有效地提取生理信號的特征參數(shù)，并分析其在駕駛過程中的變化趨勢；(3)文獻[1]和文獻[2]中認為肌電信號和心電信號是反映駕駛疲勞的有效生理信號，文獻[3]中認為樣本熵和復雜度是表征駕駛疲勞的有效特征參數(shù)，本文中通過比較多種生理信號的多種特征參數(shù)發(fā)現(xiàn)，肌電信號復雜度、心電信號復雜度、心電信號樣本熵對駕駛疲勞的反映效果最好，因此選用這3種特征參數(shù)來分析駕駛疲勞狀態(tài)，多種特征參數(shù)的有效結合使對駕駛疲勞的判斷更加準確；(4)采用主成分分析(principal components analysis，PCA)與多元線性回歸理論相結合的方法進行建模，首先通過PCA對特征參數(shù)進行降維，保留有用信息，消除冗余信息，從而避免了偽回歸，提高了模型的合理性和準確性，且加快了模型的運算速度，再以此為自變量構建判別駕駛疲勞的數(shù)學模型，并對其進行了驗證。

1　實驗方法

1.1　非接觸式傳感器

所提出的檢測方法的數(shù)據(jù)采集元件為便攜式非接觸傳感器，其工作原理如圖1所示。圖中電極主體是一種導電布，它是在普通的織物纖維表面鍍上一層導電性較好的金屬層，具有很高的傳導性能。導電布尺寸設計符合人體工程學和股二頭肌的肌肉走向，在駕駛員保持正常駕駛坐姿的情況下，保證了駕駛員股二頭肌生理信號的順利采集(不受駕駛員坐姿及身材的影響)。

圖1　非接觸傳感器結構示意圖

本實驗使用兩片大小約為12cm×22cm的導電布作為采集電極，放置于座椅上，分別對準駕駛員的左右大腿，以采集股二頭肌的生理信號。該電極可以采集到駕駛員隔著正常厚度(一般小于2mm)衣物的生理信號。當駕駛員穿著普通衣物坐在汽車座椅上時，傳導電極置于衣物外面并緊貼衣物，此時每一個電極與人體之間便形成如圖1所示的結構。生理信號經(jīng)人體傳導至皮膚體表，表現(xiàn)為強弱變化的電勢，可看作交流電源。而駕駛員的皮膚和電極布則被視為構成平行板電容的一對極板，駕駛員所穿的衣物為絕緣體，導電性較差，相當于位于電容極板之間的絕緣介質(zhì)。人體-衣物-導電布便形成了一個平行板電容器結構，這種結構滿足了電容耦合定律。因此，這兩片平行的電極布可作為采集生理信號的電極，生理電信號傳導至導電布，再經(jīng)導線送入信號采集系統(tǒng)，從而實現(xiàn)了生理信號的非接觸式采集。

1.2　模擬駕駛艙設計

本實驗所采用的模擬駕駛艙示意圖如圖2所示。由于采用非接觸的采集方式，不會給被試者帶來不適感，且測量條件也易滿足，將電極安置在駕駛員座椅的坐墊內(nèi)即可，然后傳感器的信號采集再與計算機系統(tǒng)相連接。這種非接觸式電極在進行長時間的生理信號采集中具有極大的優(yōu)勢。眾所周知，公路景觀單一、道路環(huán)境刺激少，長直線行車時，駕駛員易疲勞。為使駕駛員疲勞感更加明顯，本實驗選取景觀單一的高速公路場景，采用自動變速、無巡航控制的小轎車來開展實驗。

圖2　模擬艙基本構架示意圖

1.3　被試者的選擇

美國交通管理局(the national highway traffic safety administration，NHTSA)的調(diào)查報告表明，16-35歲的年輕人(尤其是男性)是因疲勞引起的交通事故的高發(fā)群體[13]。因此，本實驗選取8名年齡為22-35歲的健康男性為被試者。所有被試者駕齡2年以上，身體健康，無任何與睡眠有關的疾病。要求被試者在實驗前24h內(nèi)禁止飲用含酒精和咖啡因類飲品。

實驗過程中，便攜式非接觸傳感器置于駕駛員的坐墊內(nèi)，可在不干擾駕駛員正常駕駛的情況下實現(xiàn)非接觸式測量。采樣頻率為1 000Hz，陷波頻率為50Hz。每名被試者在駕駛模擬艙內(nèi)連續(xù)駕駛2h。同時，實驗助理幫助被試者駕駛時在指定時間段內(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到駕駛疲勞狀態(tài)。

2　分析方法

2.1　特征提取

主要提取EMG復雜度、ECG復雜度、ECG樣本熵作為表征疲勞狀態(tài)的特征參數(shù)。

2.1.1復雜度

Lempel-Ziv復雜度算法是由Lempel和Ziv提出的一種用于度量隨著序列長度的增加而新模式也增加的算法，是對某個時間序列隨其長度的增長出現(xiàn)新模式的速率的反映[14]。復雜度適用于確定性和隨機性信號，對于同時包含確定和隨機成分的生理信號極為合適。因此，Lempel-Ziv復雜度能夠反映出生理信號隨人體狀態(tài)而變化的情況。本文中通過計算駕駛員駕駛過程中各指定時刻肌電信號和心電信號的復雜度，以此作為表征駕駛員疲勞的特征參數(shù)。

Lempel-Ziv復雜度具體算法為[15]:設c(n)為序列 S(s1，s2，…，sn)的復雜度，Lempel和 Ziv已證明，當n→∞時，c(n)趨近于定值n/(logln)，l為粗粒化段數(shù)(傳統(tǒng)二值化時，l＝2)，則歸一化計算式為

2.1.2樣本熵

樣本熵(sample entropy，SampEn)是由Richman和Moornan提出的一種新的時間序列復雜性度量算法[16]，比近似熵更具有相對一致性。樣本熵有較好的抗噪抗干擾能力，只需較短的數(shù)據(jù)就能達到有效分析的目的，運算時間短，對確定性信號和隨機信號都適用，是非線性動力學時間序列研究的有力工具。本文中通過計算駕駛員駕駛過程中各個指定時刻所有被試者心電信號的樣本熵，以此作為表征駕駛員疲勞的特征參數(shù)，可用SampEn(m，r，N)來表示，其中m為維數(shù)，r為相似容限，N為長度。研究[17]指出，當m＝2，r＝(0.1～0.2)SD 時，樣本熵的結果較為合理，SD為原始數(shù)據(jù)的標準差。樣本熵算法如下。

(1)設N點原始時間序列為x(1)，x(2)，…，x(N)，按順序組成一組m維矢量:

(2)定義Xm(i)和Xm(j)間的距離“d[Xm(i)，Xm(j)]”為對應元素差值最大的一個，即

(3)給定閾值 r，對每一個 i≤N-m值，統(tǒng)計d[Xm(i)，Xm(j)]＜r的數(shù)目(模板匹配數(shù))，然后計算此數(shù)目與距離總數(shù)的比值，用Bmi(r)表示，即

(4)求Bmi(r)對于所有i的平均值，即

(5)將矢量維度m改為m＋1，重復步驟(1)～(4)，得 Bm＋1i(r)，則此序列樣本熵為

當N為有限值時，樣本熵可表示為

2.2　駕駛疲勞檢測模型算法

采用主成分分析PCA與多元線性回歸理論相結合的方法建立駕駛疲勞檢測模型。

2.2.1主成分分析

根據(jù)前文可計算提取出3種表征疲勞駕駛的特征參數(shù)(EMG復雜度、ECG復雜度、ECG樣本熵)，由此組成多元回歸方程的自變量矩陣。但傳統(tǒng)的多元線性回歸模型容易忽視各自變量間的相關問題，而保證各自變量間不存在高度相關是避免產(chǎn)生偽回歸模型的關鍵所在。為此，對提取的3種特征參數(shù)首先進行主成分分析，得到2個不相關的自變量C1和C2。從而對模型的自變量進行優(yōu)化和降維，保留了原有3種特征參數(shù)的有用信息，消除冗余信息，保證了所建立數(shù)學模型的正確性和合理性。而且，降維后模型的運算速度可顯著提高，對于在駕駛過程中及時準確地檢測出疲勞狀態(tài)具有重要意義。

主成分分析的原理為:將多變量轉(zhuǎn)化為少數(shù)幾個綜合變量，使這些綜合變量盡可能多地保留原來變量的信息量，以達到數(shù)據(jù)降維的目的。其計算步驟如下[18]。

(1)為消除不同特征變量量綱的影響，首先對原始數(shù)據(jù)進行去均值處理，然后求去均值處理后數(shù)據(jù)的協(xié)方差矩陣C，可按下式計算向量x和y的協(xié)方差:

(2)對協(xié)方差矩陣C進行特征根分解，得到特征根及特征向量:

式中:U為特征向量構成的矩陣；Λ為由特征根λ1，λ2，…，λn構成的對角陣。

(3)依據(jù)每個主成分的累計貢獻率來確定主成分的個數(shù)。貢獻率可表示為，于是前 k個主成分的累積貢獻率為

(4)將原始數(shù)據(jù)投影到由步驟(2)得到的U矩陣的特征向量構成的新坐標系中，由這些新的投影構成的向量就是主成分的分向量。

2.2.2多元線性回歸

多元線性回歸是以多個自變量的給定值為條件的回歸分析，是研究因變量與多個自變量間的線性關系的統(tǒng)計方法[19]，其原理如下。

假定因變量Φ有n組樣本，用它組成n行矩陣，記為[φ1，φ2，…，φn]。 影響因變量的參數(shù) C 有 p個，用它組成n×p維的自變量矩陣C，則Φ與C的多元線性回歸模型為

式中:β0，β1，…，βp為偏回歸系數(shù)；μi為模型的隨機誤差。

3　實驗結果與分析

3.1　數(shù)據(jù)預處理

本實驗從駕駛員股二頭肌采集的信號為肌電信號和心電信號疊加在一起的混合信號，且該信號還受到各種噪聲的干擾，主要的噪聲來源于身體移動和呼吸等引起的基線噪聲。因此，在提取特征參數(shù)之前必須通過數(shù)據(jù)預處理，將肌電信號和心電信號有效地分離，并去除噪聲。

(1)快速獨立成分分析Fast ICA具有快速收斂特性，且穩(wěn)定性好，能在較好保護有用信號的同時，實現(xiàn)信號的盲分離[20]。因此，本文中采用Fast ICA實現(xiàn)肌電信號與心電信號的粗分離。

(2)針對分離后的肌電信號和心電信號存在的基線噪聲和少量混疊的問題，采用經(jīng)驗模態(tài)分解EMD算法對其進行去噪。將粗分離后的肌電、心電信號分解為一系列本征模態(tài)分量IMF，將每個IMF投影到頻域中得到各個IMF的頻譜。然后依據(jù)肌電信號、心電信號頻譜進行肌電、心電信號重構，既保留了肌電、心電信號的有用信息，又將噪聲和少量的疊混消除，從而實現(xiàn)了肌電信號和心電信號的完全分離和去噪。

現(xiàn)以長度為5s的原始測量信號為例(圖3)，說明肌電信號和心電信號的盲分離過程。首先，采用Fast ICA對原始信號進行粗分離，經(jīng)粗分離后的肌電信號和心電信號如圖4所示?？梢?，分離后的肌電、心電信號中仍存在噪聲和少量混疊。然后，采用EMD算法進一步對圖4中的肌電、心電信號進行去噪。去噪后的肌電信號和心電信號如圖5所示?？梢姡嫉幕旌闲盘柦?jīng)Fast ICA分離和EMD去噪后，實現(xiàn)了肌電信號和心電信號的有效分離與去噪。

圖3　原始的肌電心電混合信號

圖4　分離后的肌電信號和心電信號

圖5　降噪后的肌電信號和心電信號

3.2　駕駛過程中特征參數(shù)的變化規(guī)律

鑒于肌電、心電信號產(chǎn)生的復雜機理及其所具有的非平穩(wěn)和非線性等混沌特征，采用非線性動力學方法提取信號中所蘊含的生理信息，以提供更多、更有效的能夠評價駕駛疲勞的量化分析指標。從每位被試者2h駕駛過程中分離出的肌電信號和心電信號中，每10min選取30s的靜息狀態(tài)(即無明顯的瞬間波動)進行特征提取，求得一組信號的特征參數(shù)值(包括EMG復雜度、ECG復雜度和ECG樣本熵3個數(shù)值)。若出現(xiàn)因駕駛操作而引起的瞬間波動(原始信號記錄圖中可觀察到)，則將特征提取的時刻適當前移或后移，避開這些人為影響因素，從而保證獲得的信號為短時間內(nèi)相對穩(wěn)定的生理信號，測量結果具有客觀實時性。將8名被試者的特征參數(shù)取平均值后，即可得到這3種特征參數(shù)隨駕駛時間的變化趨勢，如圖6～圖8所示。

圖6　肌電信號復雜度隨駕駛時間的變化

圖7　心電信號復雜度隨駕駛時間的變化

由圖可見，被試者肌電信號復雜度、心電信號復雜度和樣本熵這3種特征參數(shù)均隨駕駛時間的延長和駕駛員疲勞感的增加呈下降趨勢，約在90min后下降趨勢變緩，表明駕駛員進入比較疲勞的狀態(tài)。

圖8　心電信號樣本熵隨駕駛時間的變化

圖9　駕駛狀態(tài)三維分布圖

4　駕駛疲勞檢測模型

4.1　疲勞狀態(tài)的三維分布

主觀調(diào)查表SOFI-25的結果表明，被試者普遍感覺在駕駛實驗的前30min比較清醒，連續(xù)駕駛90min后存在比較疲勞的感覺。因此可根據(jù)圖6～圖8的實驗數(shù)據(jù)、主觀問卷調(diào)查和文獻調(diào)研[1，21-22]三者相結合的方式，定義駕駛實驗的0～30min為“正常狀態(tài)”，90～120min為“疲勞狀態(tài)”。

為確定各參數(shù)對駕駛疲勞的反應效果，分析了以3種特征參數(shù)為坐標時，“正常狀態(tài)”和“疲勞狀態(tài)”的三維分布狀況。從每名被試者每種狀態(tài)(正?；蚱?中各選取4min數(shù)據(jù)，正常狀態(tài)選取10～14min，疲勞狀態(tài)選取106～110min。每30s對肌電和心電信號計算一次特征參數(shù)值(每次計算獲得3個特征參數(shù)值:肌電信號復雜度、心電信號復雜度和心電信號樣本熵)，則共有384個特征參數(shù)值(2種狀態(tài)×4min×3個特征參數(shù)×8名被試者/30s＝384)。在以3個特征參數(shù)值為坐標的三維坐標系中共有128個點，其中正常狀態(tài)和疲勞狀態(tài)各64個點(圖9)。為消除個體差異和特征參數(shù)絕對值差異較大的問題，對每名被試者的每種特征參數(shù)進行了歸一化處理。

由圖9可見:正常狀態(tài)時，3種特征參數(shù)的值都較大，狀態(tài)點主要分布于三維圖的右上角；疲勞狀態(tài)時，3種特征參數(shù)的值都較小，狀態(tài)點主要分布于三維圖的左下角。因此，將肌電信號復雜度、心電信號復雜度、心電信號樣本熵3種特征參數(shù)聯(lián)立起來提出一種綜合的狀態(tài)參數(shù)，更能明顯區(qū)分正常與疲勞兩種狀態(tài)。

4.2　駕駛疲勞檢測模型的建立

由以上分析可知，3種特征參數(shù)聯(lián)立起來更能明顯區(qū)分正常與疲勞兩種狀態(tài)，說明三者之間既可以進行信息補充，也存在信息冗余。其中，冗余信息主要是由于被試者個體差異和各種特征參數(shù)變化幅度不同所致。因此，為保留有用信息、消除冗余信息，采用主成分分析對3種特征參數(shù)進行分析和優(yōu)化，各主成分所對應的貢獻率如圖10所示。由圖可見，前兩個主成分的累積貢獻率為92.38%，超過85%。因此，選取貢獻率大的前兩個主成分即可有效表征駕駛員的疲勞狀態(tài)，可作為建立多元回歸數(shù)學模型的自變量。

圖10　主成分的貢獻率

主成分的系數(shù)矩陣為

式中:Ci表示第i個主成分；Xi表示特征參數(shù)(X1表示肌電信號復雜度，X2表示心電信號復雜度，X3表示心電信號樣本熵)；主成分的系數(shù)表示所對應的特征參數(shù)在該主成分中所占的權重。本文中選取前兩個主成分作為疲勞駕駛的綜合判別特征參數(shù)。因此，通過主成分分析可有效降低變量的維度，剔除原特征參數(shù)的冗余信息，把原特征參數(shù)轉(zhuǎn)化為主成分C1和C2，其中每個主成分都是原始變量的線性組合。

根據(jù)以上分析，本文以C1和C2為自變量構成128×2的自變量矩陣，再構成與之相對應的因變量矩陣，提出一種綜合的狀態(tài)參數(shù)Φ，構建的基于多元回歸理論的駕駛疲勞數(shù)學模型為

式中:Φ＞0，表示正常狀態(tài)；Φ＜0，表示疲勞狀態(tài)。

4.3　駕駛疲勞檢測模型的驗證

為考察本文中建立的駕駛疲勞數(shù)學模型的準確性，通過狀態(tài)判斷結果和十折交叉驗證兩種方法來驗證其正確性。

首先，比較不采用PCA降維的傳統(tǒng)回歸模型(特征參數(shù)自變量)判別準確率和采用PCA降維的優(yōu)化模型(主成分自變量)判別準確率，結果如表1所示。由表可見，以特征參數(shù)為自變量的傳統(tǒng)回歸模型的狀態(tài)判定結果準確率只有77.34%，以主成分為自變量的PCA降維模型的狀態(tài)判定結果準確率可達92.19%，準確率顯著提高。

表1　傳統(tǒng)回歸模型與PCA降維模型的比較

為進一步評價該模型的準確性，將128組數(shù)據(jù)集分成10份，輪流將其中9份作為訓練集，1份作為測試集，進行十折交叉驗證。結果如表2所示，可見測試集的平均準確率為90.82%，計算結果準確率比較高。

表2　交叉驗證駕駛疲勞模型

5　討論

5.1　關于特征參數(shù)變化趨勢的討論

由圖6可見，所有被試者的肌電信號復雜度均隨駕駛時間的延長呈下降趨勢，約在90min后下降趨勢變緩，駕駛員進入比較疲勞狀態(tài)。肌電信號的變化表明，隨著駕駛時間的延長，肌肉逐漸處于緊張僵直狀態(tài)，神經(jīng)系統(tǒng)在控制肌肉對抗疲勞的過程中，漸進性地協(xié)調(diào)眾多運動單位同步收縮[23]。由圖7和圖8可見，所有被試者的心電信號復雜度和樣本熵也隨駕駛時間的延長呈下降趨勢。心電信號的復雜度和樣本熵反映了心臟交感神經(jīng)和迷走神經(jīng)相互調(diào)節(jié)的有序程度，其隨駕駛時間延長呈下降的趨勢，說明此刻人體的心臟可調(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[24]。

可見，雖然整個駕駛過程中遇到的情況不同，各個表征駕駛疲勞的特征參數(shù)會有所波動，但規(guī)律性的整體下降趨勢保持得較好，即肌電信號復雜度、心電信號復雜度和樣本熵這3種特征參數(shù)在各時刻的標準差相對較小，表明復雜度和樣本熵這兩種算法對判別駕駛疲勞具有較強的表征能力和較高的穩(wěn)定性。

5.2　關于駕駛疲勞檢測模型的討論

本模型能否成功應用，其有效性和合理性是兩個關鍵點。

(1)有效性 通過主成分分析，對提取的3種特征參數(shù)進行降維，獲得了兩個主成分C1和C2。既保留了原有特征參數(shù)的有用信息，又消除了冗余信息，可作為建立多元回歸數(shù)學模型的自變量。C1和C2這兩個主成分是否對于正常狀態(tài)和疲勞狀態(tài)具有明顯的辨識度，是本模型有效性的關鍵點之一。對此，分別對C1和C2進行了配對t檢驗[25]。結果表明，C1和 C2的 t檢驗顯著性 P值分別為0.001和0.002，都小于0.05，表明C1和C2可揭示出駕駛過程中生理信號的內(nèi)在規(guī)律，對正常與疲勞兩種狀態(tài)具有良好的辨識度，可保證該模型的有效性。

(2)合理性 若C1和C2存在相關性，則多元線性回歸容易產(chǎn)生偽回歸現(xiàn)象。由于C1和C2是由主成分分析優(yōu)化求得的兩個主成分，兩者本應不存在相關性。為進一步驗證其不相關性，保證駕駛疲勞模型的合理性，采用皮爾遜相關系數(shù)算法對C1和C2進行相關性分析，即

式中:n＝128[26]。由式(5)的計算結果可知，被試者不同時刻C1與C2之間的相關系數(shù)r＝0?？梢姡珻1與C2不存在相關性，可保證該模型的合理性。

5.3　該方法的可應用性

本文中所提出的基于駕駛員生理信號的非接觸式駕駛疲勞檢測技術較易應用于實際駕駛過程中:(1)非接觸便攜式傳感器可置于駕駛員坐墊內(nèi)，不會對駕駛員的正常駕駛造成干擾；(2)數(shù)據(jù)采集系統(tǒng)與模型計算系統(tǒng)可在坐墊內(nèi)進行連接；(3)當模型計算出疲勞狀態(tài)時，安裝在車內(nèi)的報警器會自動報警，從而起到有效檢測和預防疲勞駕駛的目的。而且，由于本文中采用了樣本熵和PCA算法，可以顯著提高模型的運算速度，對于實時檢測駕駛疲勞狀態(tài)至關重要。

6　結論

使用非接觸便攜式傳感器，在不影響駕駛員正常駕駛的前提下，采集了駕駛員股二頭肌的生理信號，實現(xiàn)了非接觸式測量。并采用主成分分析與多元線性回歸理論相結合的方法，建立了可判定駕駛疲勞的數(shù)學模型，從而提出了一種基于復合生理信號的非接觸便攜式的駕駛疲勞檢測技術。本文主要得到如下結論。

(1)傳感器采集到的原始混合信號經(jīng)快速獨立成分分析的分離和經(jīng)驗模態(tài)分解的去噪后，實現(xiàn)了肌電信號和心電信號的有效分離和去噪。在此基礎上，提取了肌電信號復雜度、心電信號復雜度和心電信號樣本熵這3種特征參數(shù)。

(2)隨駕駛時間的延長，肌電信號復雜度、心電信號復雜度和心電信號樣本熵這3種特征參數(shù)均呈現(xiàn)出下降的趨勢，約在90min后下降趨勢變緩，表明駕駛員進入比較疲勞狀態(tài)。將3種特征參數(shù)聯(lián)立起來更能明顯區(qū)分正常和疲勞兩種狀態(tài)。正常狀態(tài)時，3種特征參數(shù)的值都較大；疲勞狀態(tài)時，3種特征參數(shù)的值都較小。

(3)采用主成分分析的方法將特征參數(shù)進行降維，獲得了兩個能夠有效表征疲勞狀態(tài)的主成分，以此為自變量構建了基于多元回歸理論的駕駛疲勞數(shù)學模型。通過狀態(tài)判斷和十折交叉驗證兩種方法的驗證結果可知，該模型能較準確地計算出駕駛員在駕駛過程中疲勞與否的狀態(tài)，準確率可達90%以上，從而為駕駛員的駕駛疲勞檢測和預防因疲勞而引起的交通事故提供了一種實時、非接觸且簡便有效的新技術。

[1] LAL SK L，CRAIGA.A critical review of the psychophysiology of driver fatigue[J].Biological Psychology，2001，55:173-194.

[2] PATEL M，LAL S K L，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.

[3] RICHMAN JS，MOORMAN JR.Physiological time-series analysis using approximate entropy and sample entropy[J].Ajp Heart&Circulatory Physiology，2000，278(6):2039-2049.

[4] SAGBERG F.Road accidents caused by drivers falling asleep[J].Accident and Prevent，1999，31(6):639-649.

[5] PACK A I， PACK A M， RODGMAN E， et al.Characteristics of crashes attributed to the driver having fallen asleep[J].Accident and Prevent，1995，27(6):769-775.

[6] PHILIPA H G，NATHNIEL S M，JAMES I，et al.Investigation driver fatigue in truck crashes:trial of a systematic methodology[J].Transportation Research， Part F:Psychology and Behavior，2006，9(1):65-76.

[7] MURATA A，TAKADAWA Y.Evaluation of mental fatigue using feature parameter extracted from event-related potential[J].International Journal of Industrial Ergonomics，2005，35(4):761-770.

[8] LIN Y，LENG H，MOURANT R R.EEG electrode locations and their signal sensitivities in driver drowsiness measurement[J].Biomedical Fuzzy&Human Sciences，2009，14(2):97-103.

[9] 孫偉，張小瑞，唐慧強，等.基于自適應遺傳粒子群優(yōu)化模糊神經(jīng)網(wǎng)絡的疲勞駕駛預測模型[J].汽車工程，2013，35(3):219-223.

[10] 屈肖蕾，成波，林慶峰，等.基于駕駛員轉(zhuǎn)向操作特性的疲勞駕駛檢測[J].汽車工程，2013，35(9):803-807.

[11] 張寧寧，王宏，付榮榮.基于小波熵的駕駛疲勞腦電信號特征提取[J].汽車工程，2013，35(12):1139-1142.

[12] 羅旭，王宏，王福旺.基于腦電信號分類的高速公路上駕駛疲勞識別[J].汽車工程，2015，37(2):230-234.

[13] MCCARTT A T，RIBNER SA，PACK A I，et al.The scope and nature of the drowsy driving problem in New York State[J].Accident Analysis and Prevention，1996，28(4):511-517.

[14] LEMPEL A，ZIV J.On the complexity of finite sequence[J].IEEE Transactions on Information Theory，1976，22(1):75-81.

[15] 陳東偉，陳俊杰.情感識別中腦電信號Lempel-Ziv復雜度的研究[J].太原理工大學學報，2014，45(6):758-763.

[16] RICHMAN JS，MOORMAN JR.Physiological time-series analysis using approximate entropy and sample entropy[J].American Journal of Physiology Heart&Circulatory Physiology，2000，278(6):2039-2049.

[17] FOIJO，HOLCIK J.Applying nonlinear dynamics to ECG signal processing[J].IEEE Engineering in Medicine and Biology，1998，3(4):96-110.

[18] 付榮榮，王宏，王琳，等.基于無線體域網(wǎng)中多生理信號駕駛疲勞檢測[J].東北大學學報(自然科學版)，2014，35(6):850-853.

[19] 付榮榮.基于機器學習的機動車駕駛人疲勞狀態(tài)識別方法研究[D].沈陽:東北大學，2015.

[20] 劉瓏，李勝.基于快速獨立分量分析的腦電波信號降噪[J].計算機測量與控制，2014，22(11):3708-3711.

[21] 付榮榮，王宏，張揚，等.基于可穿戴傳感器的駕駛疲勞肌心電信號分析[J].汽車工程，2013，35(12):1143-1148.

[22] 陳曉靜，戚春華，朱守林，等.草原公路行車駕駛員腰部疲勞的試驗研究[J].中國安全科學學報，2014，24(6):33-37.

[23] 劉加海，王健，羅曉芳.局部肌肉疲勞的表面肌電信號復雜度和熵變化[J].生物物理學報，2004，20(3):198-202.

[24] 吳群.基于心電信號的疲勞駕駛檢測方法研究[D].杭州:浙江大學，2008.

[25] 趙曉華，房瑞雪，榮建，等.基于生理信號的駕駛疲勞綜合評價方法試驗研究[J].北京工業(yè)大學學報，2011，37(10):1511-1516.

[26] 紀俐，王宏，張弛，等.駕駛員腦電特征與手臂操縱駕駛行為研究[J].儀器儀表學報，2015，36(9):2050-2056.