基于便攜式腦電數(shù)據(jù)的實(shí)時(shí)疲勞駕駛檢測(cè)系統(tǒng)

于旭蕾 李相澤

摘 要：針對(duì)腦電的疲勞駕駛檢測(cè)技術(shù)實(shí)用化需要解決的無(wú)線化、小巧化及實(shí)時(shí)性等難題，本文在分析被試處于注意力集中、放松、疲倦和睡眠狀態(tài)下左前額腦電Attention和Meditation數(shù)據(jù)關(guān)系的基礎(chǔ)上，提出了基于Attention和Meditation相關(guān)系數(shù)進(jìn)行疲勞駕駛檢測(cè)的方法，設(shè)計(jì)了相應(yīng)的基于KNN的疲勞駕駛檢測(cè)算法，并在安卓智能手持設(shè)備上設(shè)計(jì)實(shí)現(xiàn)了系統(tǒng)。實(shí)驗(yàn)證明系統(tǒng)疲勞駕駛檢測(cè)的Sensitivity、Specificity分別達(dá)到68.31%和90.43%，系統(tǒng)同時(shí)具有無(wú)線、小巧和實(shí)時(shí)的特點(diǎn)。

關(guān)鍵詞：可穿戴；疲勞駕駛檢測(cè)；前額葉腦電；KNN

中圖分類(lèi)號(hào)：TP274 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2018）04-0037-03

Abstract：According to the wireless，compact and real-time problems on the practical application of driving fatigue detection based on EEG，the relation between attentive and meditative EEG from the left prefrontal lobe of the driver who is in concentration，relax，tiresome and sleep states. Meanwhile，a new method for driving fatigue detection based on the correlation coefficient of driver’s Attentive and Meditative EEG is proposed，and the KNN is introduced to develop a new algorithm for driving fatigue detection. The experiments show that the Sensitivity and Specificity of the system are 68.31% and 90.43% respectively，and the system has the characteristics of wireless，compact and real-time.

Keywords：wearable；driving fatigue detection；prefrontal lobe EEG；KNN

0 引 言

隨著我國(guó)汽車(chē)擁有量的急劇攀升，汽車(chē)交通的安全問(wèn)題日益引起人們的關(guān)注。如何避免和減少交通事故成為學(xué)界積極研究的課題。疲勞駕駛是產(chǎn)生交通事故的主要因素之一，駕駛員在疲勞狀態(tài)下會(huì)出現(xiàn)注意力分散、思維活動(dòng)降低的現(xiàn)象，進(jìn)而造成其反應(yīng)遲鈍、車(chē)輛控制力下降，增加發(fā)生交通事故的可能性。實(shí)驗(yàn)發(fā)現(xiàn)，78%的碰撞都與駕駛員注意力不集中有關(guān)[1]。然而，交通事故并不是在駕駛員剛剛產(chǎn)生駕駛疲勞時(shí)就立刻發(fā)生的，若能實(shí)時(shí)檢測(cè)駕駛員在駕駛過(guò)程中的精神狀態(tài)，在其剛剛出現(xiàn)疲勞跡象時(shí)就發(fā)出警報(bào)，就能有效提高安全系數(shù)。據(jù)統(tǒng)計(jì)，在交通事故發(fā)生時(shí)，如果駕駛員的反應(yīng)能快半秒，60%交通事故都可以避免[2]。因此，疲勞駕駛檢測(cè)研究具有十分重要的實(shí)用意義。

目前有關(guān)疲勞駕駛檢測(cè)的方法主要有基于生理參數(shù)的測(cè)量方法[3]、基于駕駛員頭部動(dòng)作的方法[4]、基于駕駛行為的方法[5]和基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法[6]。由于不同人對(duì)疲勞的具體反應(yīng)不同，使業(yè)界缺少針對(duì)疲勞的客觀指標(biāo)。同時(shí)，已有大部分疲勞檢測(cè)系統(tǒng)采用接觸性傳感器，但在實(shí)際行車(chē)過(guò)程中往往會(huì)造成駕駛員不適或影響駕駛員操作。通過(guò)直接監(jiān)測(cè)駕駛員腦電[7，8]，并綜合計(jì)算科學(xué)技術(shù)實(shí)時(shí)分析檢測(cè)駕駛員的大腦疲勞度是一種全新且很有發(fā)展前途的疲勞駕駛預(yù)警技術(shù)。例如，文獻(xiàn)[9]通過(guò)測(cè)量腦電信號(hào)中功率譜值的變化來(lái)分析駕駛員的疲勞程度。但基于腦電的疲勞駕駛檢測(cè)實(shí)用化需要解決腦電采集系統(tǒng)的小巧化、無(wú)線化以及腦電信號(hào)實(shí)時(shí)提取與分析等難題。

1 技術(shù)基礎(chǔ)

1.1 腦模型及前額葉功能

人類(lèi)大腦中的中央溝、外側(cè)溝和頂枕裂三條主要溝裂將大腦分為五個(gè)葉：中央溝以前、外側(cè)裂以上的額葉；外側(cè)裂以下的顳葉；頂枕裂后方的枕葉；外側(cè)裂上方、中央溝與頂枕裂之間的頂葉；深藏在外側(cè)裂里的腦島。研究發(fā)現(xiàn)前額葉皮層是最高級(jí)別的聯(lián)合皮層，雖然它不直接參與感覺(jué)或運(yùn)動(dòng)功能，但是接受來(lái)自感覺(jué)、運(yùn)動(dòng)和其他腦區(qū)的信息，并對(duì)這些信息進(jìn)行整合加工處理，再把信息傳回相關(guān)腦區(qū)，進(jìn)而調(diào)控它們的活動(dòng)。前額葉皮層在腦的注意力調(diào)控、學(xué)習(xí)和記憶、行為抑制、行為的計(jì)劃和策略、思維和推理等方面起著關(guān)鍵作用。由于前額葉與注意力、行為計(jì)劃和策略等緊密相關(guān)，若能通過(guò)檢測(cè)前額葉的腦電信號(hào)來(lái)分析駕駛員在駕駛過(guò)程中是否存在注意力分散、思維活動(dòng)降低等現(xiàn)象，就能進(jìn)而判定駕駛員是否處于疲勞駕駛狀態(tài)。

Mindset腦電耳機(jī)集成了ThinkGear腦電感知芯片，能以512Hz的頻率采樣用戶左前額fp1電極的腦電信號(hào)，并以1Hz的頻率生成Attention（專(zhuān)注度）和Meditation（冥想度）數(shù)據(jù)。其中，Attention取值范圍0～100，取值越高表明用戶的注意力越集中；Meditation取值范圍0～100，取值越高說(shuō)明用戶的大腦活動(dòng)越少。Mindset腦電耳機(jī)為課題組研究基于左前額腦電的疲勞駕駛檢測(cè)技術(shù)提供了硬件支持。

1.2 左前額腦電Attention和Meditation關(guān)系分析

課題組設(shè)計(jì)了注意力集中（被試閱讀書(shū)籍或做數(shù)學(xué)題，大腦處于注意力集中的狀態(tài)）、放松（被試散步或冥想，大腦處于放松狀態(tài)）、疲倦（被試午飯后犯困，想睡而沒(méi)睡著的疲倦狀態(tài)）和睡眠（被試進(jìn)入睡眠后的狀態(tài)）4種狀態(tài)場(chǎng)景，選擇4名學(xué)生志愿者（年齡從22到25歲不等，兩男兩女）攜帶Mindset腦電耳機(jī)開(kāi)展實(shí)驗(yàn)，并采集這4種場(chǎng)景中被試的Attention和Meditation信號(hào)。其中，每位被試針對(duì)每種場(chǎng)景采集3組20分鐘的實(shí)驗(yàn)數(shù)據(jù)?？紤]被試從帶上Mindset到進(jìn)入指定狀態(tài)需要一定時(shí)間，課題組針對(duì)每組數(shù)據(jù)只提取其中間10分鐘的Attention和Meditation數(shù)據(jù)。經(jīng)研究分析發(fā)現(xiàn)Attention和Meditation之間存在一種對(duì)稱的關(guān)系，對(duì)此課題組采用相關(guān)系數(shù)分析這四種場(chǎng)景中Attention和Meditation之間的關(guān)系。設(shè)Xi和Yi分別表示i時(shí)刻前額葉腦電的Attention和Meditation數(shù)據(jù)值，X和Y分別為前額葉腦電Attention和Meditation的均值，則第i時(shí)刻Attention和Meditation的相關(guān)系數(shù)r可按公式（1）求出。

被試處于4種不同狀態(tài)下，其Attention和Meditation信號(hào)的相關(guān)系數(shù)曲線層次分明，若選取合適的分類(lèi)方法是可以將4種狀態(tài)區(qū)別開(kāi)的。

由于換擋、轉(zhuǎn)彎等駕駛動(dòng)作持續(xù)時(shí)間較短，所以數(shù)據(jù)的采樣時(shí)長(zhǎng)為10秒。經(jīng)試驗(yàn)發(fā)現(xiàn)，平穩(wěn)駕駛、換擋和轉(zhuǎn)彎3種常見(jiàn)駕駛狀態(tài)與疲勞駕駛狀態(tài)的Attention和Meditation的對(duì)稱關(guān)系差別明顯，也證明了采用左前額腦電Attention和Meditation相關(guān)系數(shù)進(jìn)行疲勞駕駛檢測(cè)的技術(shù)可行。

2 基于前額葉腦電相關(guān)系數(shù)和KNN的疲勞檢測(cè)技術(shù)

由于最近鄰方法（k-nearest neighbor，簡(jiǎn)稱KNN）算法無(wú)須事先知道屬性值分布，不要求得出顯式的規(guī)則，并具有較高的分類(lèi)準(zhǔn)確率。因此，本文采用KNN算法來(lái)分類(lèi)前額葉腦電Attention和Meditation信號(hào)相關(guān)系數(shù)，進(jìn)而預(yù)測(cè)疲勞駕駛。

2.1 KNN分類(lèi)算法原理

KNN作為一種簡(jiǎn)潔有效的非參數(shù)分類(lèi)方法，其分類(lèi)算法步驟如下。

（1）對(duì)訓(xùn)練樣本分類(lèi)生成訓(xùn)練集；

（2）針對(duì)每一個(gè)測(cè)試數(shù)據(jù)X，從訓(xùn)練集中依據(jù)公式（2）找到X的K個(gè)最近鄰居；其中，D表示曼哈頓距離，Ti表示訓(xùn)練樣本值，xi表示測(cè)試樣本值，n表示訓(xùn)練樣本和測(cè)試樣本的維數(shù)：

（3）根據(jù)X的K個(gè)最近鄰居的分類(lèi)屬性取值，并通過(guò)投票被測(cè)試點(diǎn)X分到權(quán)重最大的類(lèi)別中。

2.2 基于KNN疲勞駕駛檢測(cè)算法

駕駛活動(dòng)是一種連續(xù)的活動(dòng)流，為了計(jì)算左前額腦電Attention和Meditation相關(guān)系數(shù)，并實(shí)時(shí)監(jiān)測(cè)疲勞駕駛，需要選擇合適的采樣寬度，即設(shè)置合適的緩存腦電Attention和Meditation數(shù)據(jù)的滑動(dòng)窗口。由于換擋、轉(zhuǎn)彎等駕駛活動(dòng)的持續(xù)時(shí)間較短，并綜合考慮計(jì)算Attention和Meditation相關(guān)系數(shù)有效性和算法實(shí)時(shí)性的要求，本文以60秒作為一組樣本的采樣寬度。基于KNN的疲勞駕駛檢測(cè)算法包括訓(xùn)練樣本空間構(gòu)造和檢測(cè)算法實(shí)現(xiàn)兩部分。其中，訓(xùn)練樣本空間構(gòu)造算法如下：

（1）以1Hz的頻率采集被試正常駕駛狀態(tài)下的Attention和Meditation數(shù)據(jù)，計(jì)算二者的相關(guān)系數(shù)，并將其標(biāo)記為清醒狀態(tài)；累計(jì)采集60秒清醒狀態(tài)下的Attention和Meditation數(shù)據(jù)后開(kāi)始計(jì)算它們的相關(guān)系數(shù)；累計(jì)計(jì)算60秒清醒駕駛狀態(tài)下的相關(guān)系數(shù)后，作為一組訓(xùn)練樣本；（2）以1Hz的頻率采集被試疲勞駕駛狀態(tài)下Attention和Meditation數(shù)據(jù)，計(jì)算二者的相關(guān)系數(shù)，并將其標(biāo)記為疲倦狀態(tài)；累計(jì)采集60秒疲勞狀態(tài)下的Attention和Meditation數(shù)據(jù)后開(kāi)始計(jì)算它們的相關(guān)系數(shù)；累計(jì)計(jì)算60秒疲勞駕駛狀態(tài)下的相關(guān)系數(shù)后，作為一組訓(xùn)練樣本；（3）重復(fù)步驟（1）和（2），直到生成足夠組數(shù)的訓(xùn)練樣本。

相應(yīng)KNN疲勞檢測(cè)算法如下：

（1）創(chuàng)建長(zhǎng)度為60的滑動(dòng)窗口WA[60]、WM[60]，用于緩存60秒的腦電Attention和Meditation值；（2）以1Hz的頻率采集被試的Attention和Mediation數(shù)據(jù)，并分別依次放入滑動(dòng)窗口WA和WM中；（3）判斷窗口WA和WM中是否填滿，若沒(méi)有，執(zhí)行步驟（2），否則執(zhí)行步驟（4）；（4）按照公式（1）計(jì)算當(dāng)前Attention和Meditation的相關(guān)系數(shù)，并創(chuàng)建長(zhǎng)度為60的滑動(dòng)窗口WC[60]，用于緩存60秒的Attention和Meditation的相關(guān)系數(shù)值；（5）判斷窗口WC[60]是否填滿，若沒(méi)有，執(zhí)行步驟（4），否則執(zhí)行步驟（6）；（6）執(zhí)行KNN算法，識(shí)別當(dāng)前Attention和Meditation的相關(guān)系數(shù)屬于“正常駕駛”類(lèi)型或“疲勞駕駛”類(lèi)型；若屬于“正常駕駛”類(lèi)型，則執(zhí)行步驟（2）；否則，為“疲勞駕駛”，響鈴報(bào)警，并通過(guò)短信或呼叫等方式向監(jiān)督人員報(bào)警。

3 系統(tǒng)實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析

因?yàn)镸indset耳機(jī)同時(shí)集成了藍(lán)牙模塊，因此可通過(guò)藍(lán)牙以1Hz的頻率發(fā)送采集到的Attention和Meditation數(shù)據(jù)。由于日益普及的移動(dòng)手持智能設(shè)備（如手機(jī)、pad等）大都集成了藍(lán)牙通訊模塊，并具有較強(qiáng)的計(jì)算能力。因此課題組利用安卓手持智能設(shè)備集成的藍(lán)牙模塊接收來(lái)自Mindset耳機(jī)的Attention和Meditation數(shù)據(jù)，并設(shè)計(jì)開(kāi)發(fā)了基于KNN的疲勞駕駛檢測(cè)軟件，實(shí)現(xiàn)了具有無(wú)線、小型化和實(shí)時(shí)特點(diǎn)的基于腦電的疲勞駕駛檢測(cè)系統(tǒng)。

3.1 系統(tǒng)架構(gòu)

如圖1所示為基于MindSet和安卓手持智能設(shè)備的疲勞駕駛檢測(cè)系統(tǒng)架構(gòu)。其中，Mindset耳機(jī)將采集到的被試Attention和Meditation信號(hào)通過(guò)藍(lán)牙傳送到安卓手持智能設(shè)備上；手持智能設(shè)備計(jì)算接收Attention和Meditation腦電信號(hào)的相關(guān)系數(shù)，并采用KNN算法實(shí)時(shí)判斷被試的駕駛狀態(tài)。如果駕駛員處于疲勞狀態(tài)，手持智能設(shè)備自動(dòng)通過(guò)振鈴向被試報(bào)警，提醒其注意休息。此外，系統(tǒng)也可通過(guò)呼叫或發(fā)送短信的方式向監(jiān)控人員或交通中心報(bào)警。

3.2 實(shí)驗(yàn)結(jié)果分析

課題組選取了年齡在18至43歲間的18名被試于中午12點(diǎn)（午飯后）在模擬駕駛艙中進(jìn)行駕駛實(shí)驗(yàn)。被試均具有1年以上駕齡，其中男被試12名，女被試6名。每次試驗(yàn)持續(xù)半小時(shí)左右。試驗(yàn)中，副駕駛室的觀測(cè)人員實(shí)時(shí)記錄被試人員狀態(tài)（正常駕駛、疲勞），填寫(xiě)駕駛狀態(tài)表，試驗(yàn)結(jié)束被試人員對(duì)駕駛狀態(tài)表進(jìn)行確認(rèn)。試驗(yàn)累計(jì)獲得正常駕駛數(shù)據(jù)345組，疲勞駕駛數(shù)據(jù)142組，如表1所示，正常駕駛345組數(shù)據(jù)中，正確識(shí)別312組，另有33組被系統(tǒng)錯(cuò)誤識(shí)別為疲勞駕駛；疲勞駕駛142組數(shù)據(jù)中，正確識(shí)別97組，另有33組被系統(tǒng)錯(cuò)誤識(shí)別為正常駕駛。

為評(píng)估疲勞駕駛檢測(cè)的識(shí)別效果，課題組采用了以下兩個(gè)評(píng)估指標(biāo)[10]：

其中，TP（True Positives）為正確識(shí)別出正樣本的數(shù)量，即將疲勞駕駛正確識(shí)別出的樣本數(shù)量；FN（False Negatives）為未識(shí)別出正樣本的數(shù)量，即將疲勞駕駛識(shí)別為正常駕駛的樣本數(shù)量；TN（True Negatives）為正確識(shí)別出負(fù)樣本數(shù)量，即將正常駕駛識(shí)別為正常駕駛的樣本數(shù)量；FP（False Positives）為未識(shí)別出負(fù)樣本的數(shù)量，即將正常駕駛識(shí)別為疲勞駕駛的樣本數(shù)量。依據(jù)公式（3）和公式（4），計(jì)算疲勞駕駛檢測(cè)系統(tǒng)的敏感性和特異性指標(biāo)如下：

男性被試的Sensitivity、Specificity分別為70.73%和87.61%；女性被試的Sensitivity、Specificity分別為65%和95.28%。男性被試的Sensitivity較高；而女性被試的Specificity較高。

實(shí)驗(yàn)中手持智能設(shè)備完成1分鐘的滑動(dòng)窗口數(shù)據(jù)采樣后，從接收到Attention和Meditation數(shù)據(jù)到給出KNN分類(lèi)結(jié)果的響應(yīng)延時(shí)小于0.1ms，系統(tǒng)具有良好的實(shí)時(shí)性。同時(shí)，課題組在操作系統(tǒng)為安卓2.2的Moto 525手機(jī)上也成功測(cè)試運(yùn)行了軟件，表明系統(tǒng)面向安卓智能設(shè)備具有良好的通用性。

4 結(jié) 論

本文針對(duì)基于腦電的疲勞駕駛檢測(cè)需要解決的使系統(tǒng)小巧、實(shí)時(shí)等技術(shù)難題，提出了基于駕駛員左前額腦電的Attention和Meditation相關(guān)系數(shù)進(jìn)行疲勞駕駛檢測(cè)的方法，設(shè)計(jì)了基于Attention和Meditation相關(guān)系數(shù)和KNN算法的疲勞駕駛檢測(cè)算法，在Android智能手持設(shè)備上設(shè)計(jì)實(shí)現(xiàn)了系統(tǒng)，并通過(guò)試驗(yàn)證明系統(tǒng)具有小巧、實(shí)時(shí)和實(shí)用性高的特征。本文所得結(jié)論敘述如下：

（1）采用左前額腦電Attention和Meditation相關(guān)系數(shù)進(jìn)行的疲勞駕駛檢測(cè)技術(shù)可行；（2）本文開(kāi)發(fā)的前額葉腦電相關(guān)系數(shù)和KNN的疲勞檢測(cè)系統(tǒng)的Sensitivity、Specificity分別達(dá)到68.31%和90.43%，同時(shí)具有無(wú)線、小巧和實(shí)時(shí)的特點(diǎn)；（3）本文開(kāi)發(fā)的前額葉腦電相關(guān)系數(shù)和KNN的疲勞檢測(cè)系統(tǒng)具有良好的實(shí)時(shí)性，從接收Attention和Meditation數(shù)據(jù)到給出KNN分類(lèi)結(jié)果的響應(yīng)延時(shí)小于0.1ms。同時(shí)，本系統(tǒng)面向安卓智能設(shè)備具有良好的可移植性。

參考文獻(xiàn)：

[1] 毛喆，初秀民，嚴(yán)新平，等.汽車(chē)駕駛員駕駛疲勞監(jiān)測(cè)技術(shù)研究進(jìn)展 [J].中國(guó)安全科學(xué)學(xué)報(bào)，2005，15（3）：108-112.

[2] 吳雅萱，李文書(shū)，施國(guó)生，等.疲勞駕駛檢測(cè)技術(shù)研究綜述 [J].工業(yè)控制計(jì)算機(jī)，2011，24（8）：44-46+49.

[3] 葉檸，孫宇舸.基于EEG小波包子帶能量比的疲勞駕駛檢測(cè)方法 [J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，33（8）：1088-1092.

[4] Qiang Ji，Xiaojie Yang. Real-time eye，gaze，and face pose tracking for monitoring driver vigilance [J]. Real-Time Imaging，2002（8）：357-377.

[5] 焦昆，李增勇，等.駕駛精神疲勞的心率變異性和血壓變異性綜合效應(yīng)分析 [J].生物醫(yī)學(xué)工程學(xué)雜志，2005（2）：343-346.

[6] 石堅(jiān)，吳遠(yuǎn)鵬，卓斌，等.汽車(chē)駕駛員主動(dòng)安全性因素的辨識(shí)與分析 [J].上海交通大學(xué)學(xué)報(bào)，2000（4）：441-444.

[7] 呂俊，謝勝利，章晉龍.腦-機(jī)接口中基于ERS/ERD的自適應(yīng)空間濾波算法 [J]. 電子與信息學(xué)報(bào)，2009，31（2）：314-318.

[8] Huang Kuan-Chih，Jung Tzyy-Ping，Chuang Chun-Hsiang，et al. Preventing lapse in performance using a drowsiness monitoring and management system. [J]. Conference proceedings：Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference，2012：3336-9.

[9] 程如中，趙勇，戴勇，等.基于Adaboost方法的車(chē)載嵌入式疲勞駕駛預(yù)警系統(tǒng) [J].北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，48（5）：719-726.

[10] Maarit Kangas，Irene Vikman，Jimmie Wiklander，et al. Sensitivity and specificity of fall detection in people aged 40 years and over [J]. Gait & Posture，2009，29（4）：571-574.

作者簡(jiǎn)介：于旭蕾（1983.11-），女，漢族，遼寧大連人，教師，講師，碩士。研究方向：物聯(lián)網(wǎng)；李相澤（1981.05-），男，漢族，吉林白城人，講師，博士研究生。研究方向：機(jī)器學(xué)習(xí)。