基于貝葉斯網(wǎng)絡(luò)的疲勞駕駛檢測(cè)預(yù)警系統(tǒng)設(shè)計(jì)

薛興樂 岳嘉瑜 趙新陽(yáng) 白宇

摘? ?要：疲勞駕駛是造成交通事故的重要原因之一，現(xiàn)有的檢測(cè)疲勞駕駛的方法多基于單一指標(biāo)，缺乏信息融合?；谛熊嚑顟B(tài)，建立了貝葉斯網(wǎng)絡(luò)疲勞駕駛檢測(cè)模型，將連續(xù)駕駛時(shí)長(zhǎng)、駕駛時(shí)段和駕駛艙溫度作為模型的原因?qū)幼兞?，將行車速度?biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、油門踏板高度標(biāo)準(zhǔn)差作為結(jié)果層變量，并根據(jù)模型設(shè)計(jì)出了疲勞駕駛檢測(cè)預(yù)警系統(tǒng)。

關(guān)鍵詞：行車安全? 疲勞駕駛? 貝葉斯網(wǎng)絡(luò)? 信息融合? 行車狀態(tài)? 預(yù)警系統(tǒng)

Abstract： Fatigue driving is one of the important causes of traffic accidents. Existing methods for detecting fatigue driving are mostly based on a single indicator and lack information fusion. A Bayesian network fatigue driving detection model was established based on driving conditions. Continuous driving duration， driving time， and cockpit temperature were used as the cause-level variables of the model， and the standard deviation of driving speed， standard deviation of steering wheel angle， and standard deviation of accelerator pedal height were used as the result-level variables of the model， and a fatigue driving detection and early warning system is designed based on the model.

Key Words： Driving safety; Fatigue driving; Bayesian network; Information fusion; Driving state; Early warning system

隨著道路網(wǎng)的高速建設(shè)和汽車行業(yè)的迅猛發(fā)展，道路安全事故的數(shù)量也極大地增加。據(jù)統(tǒng)計(jì)在所有交通事故中，由疲勞誘發(fā)的事故比例占40%～70%[1]。

車輛行車狀態(tài)可以反映出司機(jī)駕駛時(shí)對(duì)車輛的操縱能力，能夠較為直觀地反映出駕駛者的疲勞程度，用于檢測(cè)行車狀態(tài)的裝置成本較低、操作簡(jiǎn)便、實(shí)時(shí)性好且不影響正常駕駛。目前基于行車狀態(tài)檢測(cè)疲勞駕駛的方法多根據(jù)單一指標(biāo)，如張希波等研究駕駛員的方向盤操作特征，運(yùn)用Fisher線性判別算法形成了對(duì)疲勞駕駛的識(shí)別率達(dá)82%的疲勞狀態(tài)檢測(cè)模型[2];裴玉龍等研究了連續(xù)駕駛時(shí)間和駕駛疲勞程度之間的相關(guān)性，得出了駕駛員一次連續(xù)駕車時(shí)長(zhǎng)應(yīng)小于等于3.5h的結(jié)論[1]。岳李圣颯等研究了方向盤轉(zhuǎn)向小波能量熵的分布與疲勞程度檢測(cè)，發(fā)現(xiàn)二者存在顯著相關(guān)關(guān)系[3]。采用單一指標(biāo)的檢測(cè)方法受個(gè)體差異性、實(shí)驗(yàn)儀器侵入性和環(huán)境復(fù)雜性等因素的影響，具有一定的局限性。本文基于行車狀態(tài)，建立了多信息融合的貝葉斯網(wǎng)絡(luò)疲勞駕駛檢測(cè)模型，并設(shè)計(jì)了基于貝葉斯網(wǎng)絡(luò)的疲勞駕駛檢測(cè)預(yù)警系統(tǒng)。

1? 基于貝葉斯網(wǎng)絡(luò)的疲勞駕駛檢測(cè)模型

1.1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的基本概述

貝葉斯網(wǎng)絡(luò)為一種數(shù)學(xué)概率模型，隨機(jī)變量在網(wǎng)絡(luò)中用節(jié)點(diǎn)表示，連接節(jié)點(diǎn)的圖線表示節(jié)點(diǎn)間的關(guān)聯(lián)，進(jìn)而運(yùn)用有向無環(huán)圖的形式表征父、子節(jié)點(diǎn)之間的獨(dú)立與依賴關(guān)系[4]。作為一種不定性因果關(guān)系的檢測(cè)模型，貝葉斯模型在駕駛疲勞檢測(cè)上的應(yīng)用可理解為：在已知疲勞的因果變量情況的前提下，運(yùn)用貝葉斯網(wǎng)絡(luò)演繹不同疲勞程度出現(xiàn)的條件概率。

1.2 應(yīng)用于疲勞駕駛模型的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)原因?qū)庸?jié)點(diǎn)選取

疲勞駕駛模型的原因?qū)庸?jié)點(diǎn)選取連續(xù)駕駛時(shí)長(zhǎng)、駕駛時(shí)段和駕駛艙溫度。

連續(xù)駕駛時(shí)間的長(zhǎng)短與駕駛員疲勞的產(chǎn)生、疲勞的程度密切相關(guān)。相關(guān)學(xué)者通過研究發(fā)現(xiàn)隨連續(xù)駕駛時(shí)間增加，人體疲勞程度呈上升趨勢(shì)，當(dāng)駕駛時(shí)間超過3.5h后，駕駛員容易操作失誤[5]，因此將駕駛時(shí)長(zhǎng)小于3.5h設(shè)定為短，大于等于3.5h設(shè)定為長(zhǎng)。

疲勞發(fā)生時(shí)的駕駛時(shí)段與人體的生理節(jié)律相關(guān)。人類的自然疲勞峰值一般出現(xiàn)在午后及凌晨，此時(shí)駕駛?cè)说钠诔潭葧?huì)出現(xiàn)較大突變[6]。若駕駛時(shí)段與人體晝夜節(jié)律較低迷的時(shí)段重合，則駕駛員疲勞的概率會(huì)極大地提高。有研究發(fā)現(xiàn)在13：00～16：00、02：00～06：00這兩個(gè)時(shí)段內(nèi)容易發(fā)生交通事故，并據(jù)此將駕駛時(shí)段分為困倦高峰和正常時(shí)段[7]。

駕駛艙溫度影響駕駛員疲勞程度，有研究表明人體最舒適的溫度區(qū)間為20℃～25℃，環(huán)境溫度高于28℃時(shí)人體通常感受不佳，當(dāng)駕駛室溫度過高時(shí)容易導(dǎo)致人體疲勞。并據(jù)此將駕駛艙溫度的狀態(tài)分為正常和異常[7]。

1.2.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)結(jié)果層節(jié)點(diǎn)選取

結(jié)果層變量選取行車速度標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、油門踏板高度標(biāo)準(zhǔn)差。

駕駛員疲勞時(shí)車速會(huì)在一定范圍內(nèi)波動(dòng)，且疲勞駕駛程度越深，行車速度標(biāo)準(zhǔn)差越小[8]。行車速度與很多指標(biāo)都有相關(guān)性，有研究發(fā)現(xiàn)駕駛績(jī)效指標(biāo)中，速度標(biāo)準(zhǔn)差與其他各類指標(biāo)的相關(guān)性最高，并將行車速度標(biāo)準(zhǔn)差小于等于6km/h時(shí)設(shè)定為正常狀態(tài)，大于6km/h設(shè)定為異常狀態(tài)[9]。

駕駛員會(huì)根據(jù)不同的行駛情況做出修正方向盤的動(dòng)作，相關(guān)研究表明當(dāng)駕駛員處于清醒狀態(tài)時(shí)對(duì)方向盤的修正幅度相對(duì)較小，處于疲勞狀態(tài)時(shí)對(duì)方向盤的修正幅度相對(duì)較大，甚至在嚴(yán)重疲勞時(shí)會(huì)出現(xiàn)瞬時(shí)大幅度修正方向盤轉(zhuǎn)角的現(xiàn)象，即駕駛員疲勞時(shí)對(duì)車輛駕駛操控的準(zhǔn)確性下降，故方向盤轉(zhuǎn)角可用來表征駕駛員的疲勞程度[10]。

油門踏板高度標(biāo)準(zhǔn)差也可用于表征駕駛員疲勞程度，有研究表明當(dāng)駕駛員清醒時(shí)油門踏板高度變化特征為幅度小、頻度高;而當(dāng)駕駛員疲勞時(shí)油門踏板高度變化特征表現(xiàn)為幅度大、頻度低，即駕駛員對(duì)油門踏板的控制能力隨疲勞程度的增加而降低[11]。

1.2.3 構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

將貝葉斯網(wǎng)絡(luò)的原因?qū)佑忙疟硎荆渲笑舏j表示第i個(gè)原因?qū)幼兞康牡趈種情況。將疲勞駕駛的程度作為中間層，用中間層變量μl表示，其中l(wèi)取值為1、2，分別表示兩種駕駛疲勞程度：清醒，疲勞。將貝葉斯網(wǎng)絡(luò)的結(jié)果層用ω表示，其中ωmn表示第m個(gè)結(jié)果層變量的第n種情況[9]。

確立了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的原因?qū)?，中間層及結(jié)果層，如圖1所示。

1.3 疲勞駕駛檢測(cè)模型的貝葉斯網(wǎng)絡(luò)概率公式

首先原因?qū)幼兞亢椭虚g層變量之間的條件概率為：

上式中，εk為原因?qū)幼兞?，k的取值為1、2、3，分別對(duì)應(yīng)行車速度標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、油門踏板高度標(biāo)準(zhǔn)差，μ表示疲勞程度，P（μ|εk）表示已知原因?qū)訝顟B(tài)的情況下，疲勞發(fā)生的概率，（εk|μ）表示疲勞發(fā)生時(shí)，原因?qū)拥母鱾€(gè)變量導(dǎo)致疲勞發(fā)生的條件概率。

其次中間層變量與結(jié)果層變量之間的條件概率為：

上式中，ωm表示結(jié)果層變量，P（μ|ωm）為結(jié)果層變量狀態(tài)確定時(shí)，疲勞發(fā)生的概率;P（ωm|μ）表示疲勞發(fā)生時(shí)，結(jié)果層的各個(gè)變量也發(fā)生的條件概率。

2? 系統(tǒng)設(shè)計(jì)

2.1 硬件設(shè)計(jì)

根據(jù)上述基于貝葉斯網(wǎng)絡(luò)的疲勞駕駛檢測(cè)模型，設(shè)計(jì)了疲勞駕駛檢測(cè)預(yù)警系統(tǒng)，系統(tǒng)結(jié)構(gòu)組成圖與各組成部分的作用如圖2所示。

系統(tǒng)通過方向盤轉(zhuǎn)角傳感器、霍爾傳感器與溫度傳感器收集貝葉斯網(wǎng)絡(luò)各節(jié)點(diǎn)信息，通過控制模塊即STM32單片機(jī)計(jì)算出駕駛員實(shí)時(shí)疲勞程度概率，并針對(duì)疲勞程度較嚴(yán)重的情況采用聲音提醒、燈光提醒與GSM通訊提醒等方式預(yù)警。

2.2 軟件設(shè)計(jì)

系統(tǒng)工作流程為系統(tǒng)啟動(dòng)后，收集原因?qū)雍徒Y(jié)果層節(jié)點(diǎn)實(shí)時(shí)數(shù)據(jù)，確定原因?qū)优c結(jié)果層節(jié)點(diǎn)實(shí)時(shí)狀態(tài)，并通過貝葉斯檢測(cè)模型計(jì)算出駕駛疲勞程度實(shí)時(shí)概率，并通過顯示屏顯示概率值，若概率值大于0.6且持續(xù)時(shí)間超過3s則開啟聲音預(yù)警與燈光預(yù)警，若概率值大于0.6且持續(xù)時(shí)間超過8s則啟動(dòng)GSM通信預(yù)警，通知預(yù)設(shè)的緊急聯(lián)系人幫助駕駛員。系統(tǒng)具體工作流程如圖3所示。

3? 結(jié)語(yǔ)

本文研究了與行車狀態(tài)有關(guān)的疲勞駕駛檢測(cè)問題，通過分析駕駛時(shí)段、連續(xù)駕駛時(shí)長(zhǎng)、駕駛環(huán)境的溫度對(duì)人體疲勞的影響和駕駛員疲勞時(shí)行車速度標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、油門踏板高度標(biāo)準(zhǔn)差的變化，構(gòu)建了結(jié)合多誘因、多指標(biāo)的貝葉斯網(wǎng)絡(luò)，并設(shè)計(jì)了相應(yīng)的疲勞駕駛檢測(cè)預(yù)警系統(tǒng)。貝葉斯網(wǎng)絡(luò)中各節(jié)點(diǎn)間條件概率的確定、系統(tǒng)判斷結(jié)果的準(zhǔn)確率等問題，仍需進(jìn)行大量的實(shí)驗(yàn)統(tǒng)計(jì)與數(shù)據(jù)處理，這是進(jìn)一步研究的方向。

參考文獻(xiàn)

[1] 裴玉龍，馬艷麗.疲勞對(duì)駕駛員感知判斷及操作特性的影響[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2009，39（5）：1151-1156.

[2] 張希波，成波，馮睿嘉.基于方向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)方法[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，50（7）：1072-1076，1081.

[3] 岳李圣颯，吳志周，孫陽(yáng).小波能量熵在疲勞駕駛檢測(cè)中的應(yīng)用[J].交通信息與安全，2014，32（5）：108-113.

[4] 呂健健. 基于貝葉斯網(wǎng)絡(luò)的駕駛員疲勞評(píng)估方法研究[D].大連理工大學(xué)，2013.

[5] 馬艷麗，裴玉龍.連續(xù)駕駛時(shí)間對(duì)駕駛特性測(cè)評(píng)指標(biāo)的影響[J].中國(guó)公路學(xué)報(bào)，2009，22（1）：84-88.

[6] 張琦. 機(jī)動(dòng)車駕駛?cè)似诔潭葧r(shí)變特性及規(guī)律研究[D].武漢理工大學(xué)，2018.

[7] 單夢(mèng)璐. 基于貝葉斯網(wǎng)絡(luò)的疲勞駕駛狀態(tài)研究與實(shí)現(xiàn)[D].大連海事大學(xué)，2016.

[8] 毛喆，嚴(yán)新平，吳超仲，等.疲勞駕駛時(shí)的車速變化特征[J].北京工業(yè)大學(xué)學(xué)報(bào)，2011，37（8）：1175-1183.

[9] 王連震，裴玉龍.基于貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識(shí)別模型[J].城市交通，2014，12（3）：66-74.

[10]牛清寧.基于信息融合的疲勞駕駛檢測(cè)方法研究[D].吉林大學(xué)，2014.

[11]張暉.基于駕駛行為的疲勞狀態(tài)識(shí)別研究[D].武漢理工大學(xué)，2009.