基于腦電信號的疲勞駕駛狀態(tài)研究?

陳驥馳，王 宏，王翹秀，化成城，劉 沖

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

前言

近年來，隨著我國的汽車保有量急劇增加，交通事故也大幅增多，其中，疲勞駕駛是導(dǎo)致交通事故的主要因素[1－2]。近期有關(guān)汽車駕駛研究表明，疲勞駕駛狀態(tài)下發(fā)生事故或接近發(fā)生事故的概率是清醒駕駛狀態(tài)下的4～6倍[3－4]。當(dāng)駕駛員疲勞時(shí)，駕駛員對外界環(huán)境的注意力和反應(yīng)能力都會降低，從而可能引發(fā)嚴(yán)重事故[5]。因此，開發(fā)車載疲勞干預(yù)系統(tǒng)，對駕駛員和車輛運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控并擇機(jī)進(jìn)行干預(yù)被視為預(yù)防疲勞駕駛的核心技術(shù)，如何準(zhǔn)確快速檢測駕駛員駕駛疲勞狀態(tài)成為值得研究的重要課題。

檢測疲勞駕駛狀態(tài)一般可從主觀和客觀兩方面進(jìn)行研究。常用的主觀檢測方法有多維尺度分析法、成對比較法(pairwise comparison，PC)和排序法等[6]，但主觀檢測方法由于受駕駛員和研究者主觀判斷能力的影響，在檢測疲勞狀態(tài)時(shí)有一定的局限性，一般作為輔助方法使用。與傳統(tǒng)的主觀評價(jià)方法相比，利用生理電信號來評價(jià)駕駛員駕駛疲勞狀態(tài)能做到客觀準(zhǔn)確、采集方便和使用條件限制少，是一種較有前景的研究疲勞影響的方法。文獻(xiàn)[7]中基于駕駛期間的心率變異性并結(jié)合轉(zhuǎn)向盤握力來評估駕駛員的疲勞程度。然而，在眾多生理信號中，腦電(electroencephalogram，EEG)具有較高的時(shí)間分辨率和精度，更適合評價(jià)疲勞效應(yīng)[8－9]。文獻(xiàn)[10]中利用汽車模擬駕駛系統(tǒng)并記錄其腦電分析特征量，進(jìn)而分析平均功率譜密度比R和關(guān)聯(lián)維數(shù)D，以評價(jià)駕駛員疲勞程度。文獻(xiàn)[11]中利用汽車模擬駕駛系統(tǒng)提出一種基于獨(dú)立分量分析的腦電疲勞狀態(tài)判斷方法，進(jìn)而求得信號的功率譜密度，從而獲得各波段腦波的相對能量值，判斷駕駛員的疲勞程度。然而，現(xiàn)有的研究方法主要基于功率和能量熵等，這類方法與振幅相關(guān)，其性能易受到EEG振幅的影響，且駕駛員利用汽車模擬駕駛系統(tǒng)采集到的腦電信號與在真實(shí)車輛中采集到的相比，由于缺少了轉(zhuǎn)向盤力反饋以及在車速變化時(shí)駕駛員的感知，在一定程度上影響腦電信號的分析結(jié)果。

為克服這一問題，并提高疲勞檢測精度，本文中選取真實(shí)駕駛環(huán)境，利用便攜式腦電采集設(shè)備Emotiv，實(shí)時(shí)采集駕駛員的腦電信號，并對其進(jìn)行小波包分解與重構(gòu)，提取各個(gè)節(jié)律信號，然后分別計(jì)算各導(dǎo)聯(lián)間的相位遲滯指數(shù)來構(gòu)建連接矩陣，并提取腦網(wǎng)絡(luò)特征。通過對駕駛員主觀疲勞度與所提取特征的神經(jīng)網(wǎng)絡(luò)回歸分析，最終得到二者間的復(fù)雜關(guān)系。研究結(jié)果表明，該方法對駕駛員疲勞檢測系統(tǒng)的開發(fā)具有重要意義。

1 實(shí)驗(yàn)

1.1 實(shí)驗(yàn)方案

選取8名男性駕駛員(編號為A～H)，年齡在26～33周歲，身體健康，視力正常，無任何神經(jīng)病史。要求駕駛員在實(shí)驗(yàn)前將頭發(fā)清洗干凈，維持正常睡眠時(shí)間，在實(shí)驗(yàn)過程中不飲用任何類型的刺激飲料，如酒精、茶或咖啡等。文獻(xiàn)[12]中利用汽車模擬駕駛器研究駕駛員在50min腦電特征變化，并分別將前后各10min腦電信號標(biāo)記為清醒狀態(tài)和疲勞狀態(tài)。因此本實(shí)驗(yàn)設(shè)計(jì)如下:實(shí)驗(yàn)時(shí)間選為晴天中午，駕駛路線從東北大學(xué)南湖校區(qū)沿G1501高速至沈陽怪坡風(fēng)景區(qū)，駕駛時(shí)間約1h。對每位駕駛員腦電信號進(jìn)行兩次采集，采集時(shí)間分別是在開始駕駛的3min和結(jié)束時(shí)的3min，這兩個(gè)時(shí)間段分別對應(yīng)駕駛員的清醒狀態(tài)和疲勞狀態(tài)。實(shí)驗(yàn)流程如圖1所示。文獻(xiàn)[13]中使用Emotiv設(shè)備通過腦電信號檢測情緒，從腦電信號中提取特征，以便在二維情感模型中表征心理狀態(tài)，得到較好結(jié)果。考慮到該設(shè)備具有成本低、對被試者影響小等優(yōu)點(diǎn)，因此采用Emotiv腦電采集分析系統(tǒng)對駕駛員兩種狀態(tài)下的腦電信號進(jìn)行了記錄。 導(dǎo)聯(lián)分別為 AF3，F(xiàn)7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8 和 AF4，電極按照 10－20國際標(biāo)準(zhǔn)放置，其布置如圖2所示。采樣頻率為128Hz。

圖1 真實(shí)駕駛實(shí)驗(yàn)流程

1.2 數(shù)據(jù)處理

由于真實(shí)駕駛環(huán)境中采集到的腦電信號會含有一定的干擾，首先使用EEGLab工具包，對信號進(jìn)行去噪。包括偽跡去除和基線校正，并使用獨(dú)立分量分析(independent component analysis，ICA)方法去除眼電干擾。實(shí)現(xiàn)對采集的腦電信號的預(yù)處理[14]。

為提取腦電信號中δ，θ，α和β節(jié)律信號，本文中選取小波包分解與重構(gòu)方法，該方法可克服小波變換的頻率分辨率隨信號頻率的升高而降低的缺陷，并能對信號進(jìn)行更加精確地分析，從而更好地反映信號本質(zhì)特征[15]。以f(t)表示原始信號，經(jīng)小波包分解后，在第i分解層得到2i個(gè)子頻帶，故原始信號f(t)可表示為

圖2 采集腦電信號的腦部導(dǎo)聯(lián)示意圖

式中:j＝0，1，2，…，2i－1；fi，j(tj)為小波包在第 i層節(jié)點(diǎn)(i，j)上分解的重構(gòu)信號。本文中對頻帶進(jìn)行4層分解，提取信號中 δ(0－4Hz)，θ(4－8Hz)和 α(8－12Hz)節(jié)律，并重構(gòu)β(12－32Hz)節(jié)律。F7導(dǎo)聯(lián)的小波包分解與重構(gòu)的結(jié)果如圖3所示。

圖3 腦電信號的小波包分解與重構(gòu)

2 數(shù)據(jù)特征提取與分析

通過計(jì)算兩信號之間的同步似然值(synchronization likelihood，SL)可評判信號之間的非線性相關(guān)程度[16]。但在EEG信號采集過程中容易產(chǎn)生容積傳導(dǎo)問題，而SL法可能在兩組信號間產(chǎn)生虛假的高相關(guān)性[17]。相位遲滯指數(shù)(phase lag index，PLI)討論兩信號之間的相位同步性，對容積傳導(dǎo)現(xiàn)象不敏感，可避免產(chǎn)生虛假的高相關(guān)性，能對信號之間的非線性耦合程度提供一種可靠的評價(jià)指標(biāo)。因此，本文中采用PLI來構(gòu)建不同導(dǎo)聯(lián)信號之間的非線性相關(guān)性。

2.1 相位遲滯指數(shù)分析

相位分析通過檢查信號之間的瞬時(shí)相位的關(guān)系，避免了振幅對分析結(jié)果的影響，該方法已被證明是推斷神經(jīng)連接性的有效方法。對任意的EEG信號x(t)，其解析信號xA(t)可通過一復(fù)雜函數(shù)定義[17]為

式中:xH(t)為x(t)的希爾伯特變換(Hilbert transform)。定義瞬時(shí)相位φ(t)為

則任意兩個(gè)導(dǎo)聯(lián)的時(shí)域信號?m(t)和?n(t)的瞬時(shí)相位差 ?m，n(t)可表示為

將PLI定義為是對這個(gè)相位差分布的不對稱測量值，即

式中:N為采樣點(diǎn)數(shù)；PLImn的范圍為0～1，PLI＝0表明兩組信號之間沒有相位同步，PLI＝1表明相位嚴(yán)格同步于一個(gè)常數(shù)，并且延遲為0。

2.2 非線性腦網(wǎng)絡(luò)參數(shù)分析

圖(graph)提供了一種用抽象的點(diǎn)和線表示各種實(shí)際網(wǎng)絡(luò)的統(tǒng)一方法，圖論分析方法是以圖為研究對象的數(shù)學(xué)方法，因此也成為目前研究復(fù)雜網(wǎng)絡(luò)的一種共同的語言。這種抽象的一個(gè)主要好處在于有可能透過現(xiàn)象看本質(zhì)，通過對抽象的圖的研究而得到具體的實(shí)際網(wǎng)絡(luò)的拓?fù)湫再|(zhì)(topological property)[16，18]。本文中將腦電信號的通道定義為節(jié)點(diǎn)，通道間的相關(guān)值定義為邊連接值，圖對應(yīng)的鄰接矩陣則由該邊連接值表示。清醒和疲勞狀態(tài)下總平均鄰接矩陣如圖4所示。

該矩陣為14×14方陣，橫軸和豎軸分別對應(yīng)全腦區(qū)各個(gè)導(dǎo)聯(lián)，每個(gè)節(jié)點(diǎn)表示各個(gè)導(dǎo)聯(lián)信號之間的相位滯后指數(shù)值，該值介于0到1之間，若兩個(gè)導(dǎo)聯(lián)之間的相位同步性越強(qiáng)，其值越趨近于1。從圖4可以看出，相比清醒狀態(tài)，疲勞時(shí)PLI值有所減小，且這種減小趨勢在θ，α和β節(jié)律段比較明顯。

聚類系數(shù)和特征路徑長度是圖的兩個(gè)最基本的特征量[14]，文獻(xiàn)[19]中利用聚類系數(shù)和特征路徑長度這兩個(gè)參數(shù)來描述急性抑郁患者的睡眠腦網(wǎng)絡(luò)變化，并得到較好的分析結(jié)果。因此，本文中采用聚類系數(shù)和特征路徑長度來對比駕駛員清醒和疲勞時(shí)的腦網(wǎng)絡(luò)特性。網(wǎng)絡(luò)的聚類系數(shù)(clustering coefficient，C)定義為網(wǎng)絡(luò)所有節(jié)點(diǎn)的聚類系數(shù)的平均值，即

圖4 清醒和疲勞狀態(tài)下總平均鄰接矩陣

式中:N為網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)；Ci為網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)i的聚類系數(shù)。

式中:ki為節(jié)點(diǎn)i的度，即無向網(wǎng)絡(luò)中其他節(jié)點(diǎn)與該節(jié)點(diǎn)直接相連的邊的數(shù)目；Ei為節(jié)點(diǎn)i與ki個(gè)鄰居節(jié)點(diǎn)間實(shí)際存在的連接邊數(shù)；分母ki(ki－1)/2為該節(jié)點(diǎn)與鄰居節(jié)點(diǎn)可能存在的最大邊數(shù)。聚類系數(shù)用于測量復(fù)雜網(wǎng)絡(luò)的連接性，較高的聚類系數(shù)說明網(wǎng)絡(luò)在某些區(qū)域具有較為密集的連接。

網(wǎng)絡(luò)的特征路徑長度(characteristic path length，L)定義為整個(gè)網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)最短路徑長度的平均值，即

式中dij為連接節(jié)點(diǎn)i和節(jié)點(diǎn)j的最短路徑上的邊的數(shù)目。節(jié)點(diǎn)間的相互作用即為神經(jīng)元間的相互作用，反映神經(jīng)元遞質(zhì)的傳遞，是腦網(wǎng)絡(luò)認(rèn)知過程中信息傳遞和處理的基礎(chǔ)[20]。特征路徑長度越短，表明腦網(wǎng)絡(luò)中連接距離較遠(yuǎn)的兩個(gè)節(jié)點(diǎn)所需的邊數(shù)越少。

為更加直觀地觀察到不同狀態(tài)下腦網(wǎng)絡(luò)連通性的變化，須對鄰接矩陣選擇一個(gè)合適的閾值，濾掉矩陣中小于該閾值的元素。圖5為選取閾值0.32后得到的各個(gè)節(jié)律的腦網(wǎng)絡(luò)拓?fù)鋱D。從圖5可以看出，清醒狀態(tài)和疲勞狀態(tài)之間的功能連通性存在明顯不同，值得注意的是，在θ，α和β節(jié)律段，與清醒狀態(tài)相比，疲勞狀態(tài)下前額極至頂極和額極至枕極的功能連通性被削弱。由此可以推測，前額極至頂極EEG功能連通性將反映前額極至頂極區(qū)域的感覺信號，前額極至頂極功能連通性可以由前額極至頂極信號主動調(diào)節(jié)，隨著駕駛時(shí)間增加，駕駛員疲勞程度增加，這些信號強(qiáng)度有所降低，導(dǎo)致連通性變差。為定量比較清醒和疲勞狀態(tài)的特征，計(jì)算各個(gè)節(jié)律對應(yīng)的聚類系數(shù)和特征路徑長度，如圖6所示。從圖6(a)可以看出，在各個(gè)節(jié)律段，與清醒狀態(tài)相比，疲勞狀態(tài)下聚類系數(shù)均有所減小，特別是在α和β節(jié)律段，下降幅度較為明顯。從圖6(b)可以觀察到，在各個(gè)節(jié)律段，疲勞狀態(tài)下特征路徑長度比清醒狀態(tài)下有所增加。

3 腦電特征與疲勞的相關(guān)分析

3.1 主觀評價(jià)方法

通過成對比較法(PC)獲取駕駛員對自身疲勞程度的評價(jià)。PC法以駕駛員駕駛前后的疲勞程度的比較為基礎(chǔ)，采用1～9比例標(biāo)度法進(jìn)行評判，1表示A和B一樣疲勞；3表示A略微疲勞；5表示A比較疲勞；7表示A很疲勞；9表示A非常疲勞；而2，4，6和8則分別表示相鄰評判的中間狀態(tài)。

圖5 清醒和疲勞狀態(tài)下腦網(wǎng)絡(luò)拓?fù)鋱D

圖6 腦網(wǎng)絡(luò)聚類系數(shù)和特征路徑長度

3.2 腦網(wǎng)絡(luò)特征參數(shù)與主觀疲勞程度相關(guān)分析

采用一個(gè)含有多層的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)算法。將8名駕駛員的腦電數(shù)據(jù)每隔1min截取一段，將其中80%的樣本數(shù)據(jù)作為訓(xùn)練集，其余20%的樣本數(shù)據(jù)作為測試集。其中網(wǎng)絡(luò)的輸入為δ，θ，α和β節(jié)律下的聚類系數(shù)和特征路徑長度這8個(gè)腦網(wǎng)絡(luò)特征參數(shù)，輸出為主觀疲勞度。網(wǎng)絡(luò)的輸出如下式所示:

式中:IW1為輸入層的權(quán)重矩陣；LW2為隱含層的權(quán)重矩陣；x為腦網(wǎng)絡(luò)特征參數(shù)；b1，b2為偏移量；Output為訓(xùn)練的輸出，函數(shù)F采用Sigmoid激活函數(shù)。主觀評價(jià)得到的疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性如圖7所示，R為95.605%，表示疲勞度與神經(jīng)網(wǎng)絡(luò)輸出相關(guān)性較高。將其余20%的測試集樣本數(shù)據(jù)輸入該系統(tǒng)，得到主觀評價(jià)的疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性，如圖8所示，R為90.27%。不難看出，駕駛員的疲勞度可以由訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)輸出有效估計(jì)。

圖7 訓(xùn)練集主觀疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性

圖8 測試集主觀疲勞度與神經(jīng)網(wǎng)絡(luò)輸出的相關(guān)性

4 結(jié)論

基于腦電信號完成了在真實(shí)路況下的疲勞駕駛實(shí)驗(yàn)，通過小波包分析得到了δ，θ，α和β節(jié)律信號，計(jì)算了清醒與疲勞狀態(tài)下各導(dǎo)聯(lián)信號之間的相位遲滯指數(shù)，并基于此構(gòu)建了功能性腦網(wǎng)絡(luò)，采用人工神經(jīng)網(wǎng)絡(luò)算法得到各個(gè)節(jié)律下聚類系數(shù)和特征路徑長度與主觀疲勞度間的復(fù)雜關(guān)系。結(jié)果表明，與清醒狀態(tài)相比，疲勞狀態(tài)下前額極至頂極和額極至枕極的功能連通性被削弱，并通過神經(jīng)網(wǎng)絡(luò)成功實(shí)現(xiàn)了利用客觀腦網(wǎng)絡(luò)特征參數(shù)估計(jì)主觀疲勞度，相關(guān)性R為90.27%，回歸分析結(jié)果證明了基于功能連接的精神疲勞評估方法的可行性，為不同精神狀態(tài)下建立腦動態(tài)模型開辟了新的途徑。今后的研究可考慮結(jié)合腦電、眼電和肌電信號，通過多源信息融合進(jìn)一步提高駕駛員疲勞檢測系統(tǒng)精度。

[1] FU R R，WANG H，ZHAO WB.Dynamic driver fatigue detection using hidden Markov model in real driving condition[J].Expert Systems With Applications，2016，63:397－411.

[2] WASCHER E， GETZMANN S， KARTHAUS M.Driver state examination—treading new paths[J].Accident Analysis and Prevention，2016，91:157－165.

[3] 馬勇，付銳.駕駛?cè)艘曈X特性與行車安全研究進(jìn)展[J].中國公路學(xué)報(bào)，2015，28(6):82－94.

[4] 胥川，裴賽君，王雪松.基于無侵入測量指標(biāo)的個(gè)體差異化駕駛疲勞檢測[J].中國公路學(xué)報(bào)，2016，29(10):118－125.

[5] 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.

[6] 陳劍，楊雯，李偉毅.汽車聲品質(zhì)主觀評價(jià)試驗(yàn)方法探究[J].汽車工程，2009，31(4):389－392.

[7] ROGADOE，GARCíA JL，BAREA R，et al.Driver fatigue detection system[C].IEEE International Conference on Robotics＆Biomimetics，2009:1105－1110.

[8] KAR S，BHAGAT M，ROUTRAY A.EEG signal analysis for the assessment and quantification of driver's fatigue[J].Transportation Research Part F，2010，13:297－306.

[9] 王福旺，王宏.長途客車駕駛員疲勞狀態(tài)腦電特征分析[J].儀器儀表學(xué)報(bào)，2013，34(5):1146－1152.

[10] 彭軍強(qiáng)，吳平東，殷罡.疲勞駕駛的腦電特性探索[J].北京理工大學(xué)學(xué)報(bào)，2007，27(7):585－589.

[11] 李明愛，張誠，楊金福.一種基于腦電信號的疲勞駕駛狀態(tài)判斷方法[J].北京生物醫(yī)學(xué)工程，2011，30(1):57－61.

[12] MU Z D，HU JF，MIN JL.Driver fatigue detection system using electroencephalography signals based on combined entropy features[J].Applied Sciences，2017，7(2):150.

[13] RAMIREZ R，VAMVAKOUSIS Z.Detecting emotion from EEG signals using the Emotive Epoc device[J].Lecture Notes in Computer Science，2012，7670:175－184.

[14] DELORME A，MAKEIG S.EEGLAB:An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods，2004，134(1):9－21.

[15] 吳定超，王珂，馬喜來，等.基于小波包分解和特征能量提取技術(shù)的車內(nèi)傳導(dǎo)干擾源識別[J].汽車工程，2008，30(12):1103－1107.

[16] STAM C J，REIJNEVELD JC.Graph theoretical analysis of complex networks in the brain[J].Nonlinear Biomedical Physics，2007，1(3):1－19.

[17] STAM C J， NOLTE G， DAFFERTSHOFER A.Phase lag index:assessment of functional connectivity from multi channel EEG and MEG with diminished bias from common sources[J].Human Brain Mapping，2007，28(1):1178－1193.

[18] WANGSQ，SONGQY，WANGX W，et al.Rate and power adaptation for analog network coding[J].IEEE Transactions on Vehicular Technology，2011，60(5):2302－2313.

[19] LEISTEDT SJ， COUMANSN，DUMONT M.Altered sleep brain functional connectivity in acutely depressed patients[J].Human Brain Mapping，2009，30:2207－2219.

[20] BULLMORE E，SPORNSO.Complex brain networks:Graph theoretical analysis of structural and functional systems[J].Nature Reviews Neuroscience，2009，10(3):186－198.