基于生理狀態(tài)的疲勞駕駛檢測技術(shù)綜述

岳嘉瑜 薛興樂 劉秀

摘? ?要：交通事故數(shù)量隨城市發(fā)展逐年增加，疲勞駕駛是造成事故的主要誘因之一。因此，研究如何檢測疲勞駕駛對道路行車安全具有重要意義。本文綜述與生理狀態(tài)有關(guān)的疲勞駕駛檢測技術(shù)，并根據(jù)檢測儀器是否與人體直接接觸，將檢測方式分為接觸類檢測和非接觸類檢測，經(jīng)過比較、分析得到兩種方式的特點，為研究者選擇檢測方法提供參考。

關(guān)鍵詞：疲勞檢測? 生理狀態(tài)? 接觸類檢測? 非接觸類檢測

我國每年發(fā)生大量的交通事故，疲勞駕駛是造成交通事故率增長的重要誘因。統(tǒng)計所得數(shù)據(jù)顯示，有40%～70%的交通事故是由駕駛員疲勞駕駛引起的[1-2]。因此，檢測疲勞駕駛能夠為各方道路使用者提供一定的安全保障。

目前檢測疲勞駕駛的方式可以分為基于生理信號檢測、基于生理動作檢測、基于駕駛員操作動作檢測和基于主觀評價檢測。

以上四種檢測方法中，基于生理信號的檢測所得檢驗結(jié)果最準確，且實驗結(jié)果可用作對照數(shù)據(jù)，但檢測成本較高;基于生理動作的檢測，信號提取較簡單，但精確度隨環(huán)境的改變和算法的復(fù)雜程度變化;基于駕駛員操作動作的檢測和基于主觀評價的檢測，結(jié)果受多種因素影響，準確度較低。

以檢測精度較高的基于生理信號的檢測和基于生理動作的檢測為研究目標(biāo)，根據(jù)檢測儀器是否直接與人體接觸，將包含在這兩種檢測類別中的各具體方法進行對比、分析，期望為研究者在進行有關(guān)生理狀態(tài)與疲勞駕駛檢測的研究時，提供一些方法選擇層面的參考。

1? 基于生理信號的疲勞駕駛研究

1.1 生理信號研究指標(biāo)

腦電、心電、肌電、血壓[3]、呼吸頻率等是目前廣泛被研究的生理信號，其中比較成熟的是腦電信號、心電信號和肌電信號的研究。實驗時選用的檢測指標(biāo)通常分別為腦電波、心率及其他心電信號圖、肌電信號[4]、血壓值等。

1.2 具體生理信號的疲勞駕駛檢測

人腦的生理活動可由腦電信號直觀反映。彭軍強[5]等，由研究發(fā)現(xiàn)駕駛動作對腦電信號有一定的影響，并得到疲勞時的腦電特性可較好地由α波和β波的平均功率譜密度比R值表征，駕駛員清醒狀態(tài)時的R值明顯低于疲勞時的R值。王玉化[6]等，測試了駕駛員在真實的草原二級公路駕駛環(huán)境下的腦電特征，實驗結(jié)果表明駕駛員在草原公路駕車時，可用與駕駛時間相關(guān)性很高的β波和（α+θ）/β作為腦電檢測指標(biāo)。顏松[7-8]等，采集了實際駕駛環(huán)境中，駕駛員在清醒狀態(tài)下做出如起步、換擋、轉(zhuǎn)向等駕駛操作時，不同頻帶腦電波平均功率譜密度比值，得到用α和δ的平均功率密度比值及用α和θ的平均功率密度比值評價駕駛員是否疲勞比較合理，且仍需做進一步的研究。

基于生理信號判別駕駛疲勞的方法還有檢測心電信號。楊渝書[9-10]等，進行了實驗者模擬駕駛實驗研究，證明駕駛員疲勞狀態(tài)時HRV頻域測量指標(biāo)中的RR間期標(biāo)準差、低頻值LF以及低高頻比值LF/HF顯著上升，同時高頻值HF明顯下降，得到可用以上四種指標(biāo)定量描述疲勞程度的結(jié)論。徐禮勝[11]等，設(shè)計了一種疲勞駕駛檢測算法，用于實現(xiàn)依托短時心電信號判斷疲勞，將神經(jīng)網(wǎng)絡(luò)與R-R間期序列的時域/頻域特征結(jié)合，并用隨機森林分類器將這些特征分類，此算法檢測心電信號用時更少且平均準確率超過90%。

表面肌電可用于評估運動技術(shù)動作的肌肉疲勞程度等指標(biāo)[12]，也有學(xué)者將肌電信號的研究應(yīng)用到疲勞駕駛檢測中[13]。鄭培[14]等指出肌電信號與疲勞有一定的相關(guān)性，并通過研究發(fā)現(xiàn)，駕駛員處于疲勞時，肌電圖頻率下降而肌電圖的幅值增大。楊崢[15]等通過實驗研究發(fā)現(xiàn)，肌肉的疲勞狀態(tài)可由表面肌電信號很好地反映，并證明肌電信號和駕駛員疲勞有較好的相關(guān)性。

對以上內(nèi)容做整理和歸納，如表 1所示。

通過以上歸納發(fā)現(xiàn)，目前常用的生理信號檢測指標(biāo)中，對腦電和肌電信號的檢測都屬于接觸類檢測，信號采集多用接觸式生理傳感器，此類傳感器對人體皮膚有一定的侵入性，檢測過程中對駕駛?cè)嗽斐闪艘欢ǔ潭鹊母蓴_，對個人依賴程度較大，實時性一般，但是具有檢測準確率較好的特點。心電信號的檢測可由接觸式傳感器完成，也可通過非接觸類的檢測、識別算法完成，前者具有接觸類檢測的問題，后者不會對駕駛員安全駕駛造成干擾，且有良好的實時性，但主要受到環(huán)境的干擾。

2? 基于生理動作的疲勞駕駛研究

2.1 生理動作研究指標(biāo)

人體疲勞時，在身體內(nèi)部表現(xiàn)為生理信號的改變，在外部的生理動作表現(xiàn)為面部和肢體動作等生理運動特征的改變。目前研究較成熟的生理運動特征有眼部運動、頭部運動、嘴部運動[16]等。

2.2 具體生理動作的疲勞駕駛檢測

駕駛員眼部運動與其疲勞狀態(tài)有很高的相關(guān)性，檢測對象主要有眨眼閉合率、眨眼頻率、瞳孔直徑大小、視線方向[10]等。陳昕[17]等基于OpenCV中的Haar分類器和PERCLOS算法提出了“雙眼檢測、單眼判別”的疲勞駕駛判別法，并借助仿真實驗研究了駕駛員的疲勞狀態(tài)，得出基于視頻的疲勞駕駛檢測方法檢測效率較高的結(jié)論。毛須偉[18]等通過改進人臉檢測算法，提高了人臉檢測速度，并將眨眼頻率和PERCLOS-P80原理結(jié)合，降低了誤判率。許少凡[19]等提出一種嵌入式系統(tǒng)，系統(tǒng)通過瞳孔圖像的幾何特征定位人眼，基于直方圖均衡預(yù)處理后收集到的圖像，可降低光線對檢測結(jié)果造成的影響，實現(xiàn)準確檢測疲勞駕駛程度。

疲勞時，頭部運動常表現(xiàn)為頻繁點頭、抬頭姿勢難以維持和頭部長期不動，點頭的頻率和頭部傾斜角度與疲勞程度有很高的相關(guān)性。李勇達[20]等用攝像頭收集人臉信息，并用Camshift算法求出頭部旋轉(zhuǎn)角度及角速度，以達到疲勞檢測的目的。田文杰[21]等，在車上安裝紅外線發(fā)射器和接收器，通過接收頭接收到的信息檢測頭部相對位置，根據(jù)頭部偏離正常位置是否超過設(shè)定時間判斷駕駛?cè)说钠跔顟B(tài)。

頻繁打哈欠也是疲勞的重要信號。施樹明[22]等，用機器視覺研究駕駛員嘴部狀態(tài)，并借助Fisher線性分類器確定駕駛員嘴的形狀和位置，結(jié)合BP神經(jīng)網(wǎng)絡(luò)研究了打哈欠、說話和正常這三種嘴部狀態(tài)，實驗表明當(dāng)駕駛員頭部擺動幅度較小時，此方法可有效跟蹤嘴部區(qū)域。

對以上內(nèi)容做整理和歸納，如表2所示。

頭部、眼部、嘴部運動等常用的生理運動檢測指標(biāo)，目前均采用非接觸類檢測，不對駕駛員的正常駕駛造成影響，具有良好的實時性，和較準確的檢測結(jié)果，但是容易受到諸多環(huán)境因素，如光線強弱、是否有遮擋、背景復(fù)雜程度大小的干擾，檢測、識別算法較復(fù)雜，須符合一定的條件，如頭部動作較緩慢，才可正常識別，故此類檢測方式容易受到條件的限制，如何提高檢測的精度是要解決的問題。

3? 檢測方法接觸性對比

將生理信號和生理動作按照檢測儀器的接觸性分類，并從是否干擾駕駛員駕駛、檢測精度、檢測實時性等方面進行對比，對比結(jié)果如表 3所示。

4? 結(jié)語

本文基于生理狀態(tài)，從生理信號和生理動作兩方面綜述疲勞駕駛相關(guān)研究，根據(jù)檢測儀器的接觸性將檢測方法分為接觸類檢測和非接觸類檢測。發(fā)現(xiàn)生理信號中的腦電、肌電信號檢測均為接觸類檢測，心電信號可為接觸類檢測也可為非接觸類檢測;生理動作中的眼部、頭部、嘴部動作特征均為非接觸類檢測。接觸類檢測會干擾駕駛員正常駕駛，但檢測精度較高，成本較高;非接觸類檢測不會干擾駕駛員正常駕駛，檢測精度較低，成本較低。為相關(guān)學(xué)者進行生理狀態(tài)與疲勞檢測的研究時，提供方案選擇的參考。

目前的研究正從接觸類的檢測向非接觸類檢測發(fā)展，但非接觸類檢測方法受眾多因素影響，檢測準確率較低，檢測識別算法復(fù)雜，因此，將接觸類和非接觸類檢測結(jié)合的信息融合檢測，將是未來的發(fā)展趨勢。

參考文獻

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

[2] 申琳.基于視頻圖像的駕駛員疲勞檢測[D].天津大學(xué)，2012.

[3] 杜娟.生理信號變異性分析及其在高血壓發(fā)展中的應(yīng)用研究[D].浙江大學(xué)，2006.

[4] 張雨.基于視覺信息融合的駕駛員疲勞檢測技術(shù)研究[D].上海師范大學(xué)，2014.

[5] 彭軍強，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，2007（7）：585-589.

[6] 王玉化，朱守林，戚春華，等.基于腦電信號的草原公路駕駛疲勞研究[J].科學(xué)技術(shù)與工程，2014，14（27）：286-290.

[7] 顏松，魏建勤，吳永紅.汽車駕駛員瞌睡狀態(tài)腦電波特征提取的研究[J].中國生物醫(yī)學(xué)工程學(xué)報，2005（1）：110-113.

[8] 吳群. 基于心電信號的駕駛疲勞檢測方法研究[D].浙江大學(xué)，2008.

[9] 楊渝書，姚振強，李增勇，等.心電圖時頻域指標(biāo)在駕駛疲勞評價中的有效性研究[J].機械設(shè)計與制造，2002（5）：94-95.

[10]武留信，紀桂英，胡大一.不明原因暈厥的診斷方法學(xué)研究進展[J].中華心律失常學(xué)雜志，1997（1）：73-75.

[11]徐禮勝，張聞勖，龐宇軒，等.基于短時心電信號的疲勞駕駛檢測算法[J].東北大學(xué)學(xué)報：自然科學(xué)版，2019，40（7）：937-941.

[12]劉凡，曹蕾.表面肌電應(yīng)用的新進展[J].體育世界：學(xué)術(shù)版，2019（7）：149-151.

[13]班帥.人體上肢表面肌電信號采集與處理的研究[D].東北大學(xué)，2012.

[14]鄭培，宋正河，周一鳴.機動車駕駛員駕駛疲勞測評方法的研究狀況及發(fā)展趨勢[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2001（6）：101-105.

[15]楊錚，王立玲，馬東.基于自回歸模型表面肌電信號檢測肌肉疲勞研究[J].中國生物醫(yī)學(xué)工程學(xué)報，2018，37（6）：673-679.

[16]黃斌.基于人臉特征的駕駛員疲勞檢測算法與實現(xiàn)[D].南京航空航天大學(xué)，2017.

[17]陳昕，朱國華，張馳，等.基于眼睛閉合狀態(tài)的駕駛疲勞檢測方法[J].遼寧工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2018，38（3）：182-186，191.

[18]毛須偉，景文博，王曉曼，等.一種基于眼部狀態(tài)的疲勞駕駛檢測方法[J].長春理工大學(xué)學(xué)報：自然科學(xué)版，2016，39（2）：125-130，136.

[19]許少凡，李凱鈿，狄紅衛(wèi)，等.基于瞳孔幾何特征的駕駛疲勞檢測嵌入式系統(tǒng)的設(shè)計[J].光學(xué)技術(shù)，2009，35（1）：148-151.

[20]李勇達，張超，孟令君.基于頭部姿態(tài)特征的列車司機疲勞駕駛檢測系統(tǒng)研究[J].交通信息與安全，2014，32（5）：114-119.

[21]田文杰，劉繼承.基于頭部位置特征的疲勞駕駛檢測儀[J].儀表技術(shù)與傳感器，2008（5）：24-26.

[22]施樹明，金立生，王榮本，等.基于機器視覺的駕駛員嘴部狀態(tài)檢測方法[J].吉林大學(xué)學(xué)報：工學(xué)版，2004（2）：232-236.