基于皮電和肌電的駕駛疲勞判別閾值研究

蘭成輝 李江天 李敏 宋戰(zhàn)兵

摘 要：為獲得客觀而準(zhǔn)確的駕駛疲勞判別閾值，基于穿戴設(shè)備采集了4小時模擬駕駛過程中的皮電、肌電和腦電信號，通過反應(yīng)時間和腦電信號區(qū)分清醒與疲勞狀態(tài)，計算不同狀態(tài)下皮電肌電信號樣本熵值，最后繪制ROC曲線確定清醒和疲勞之間的判別閾值。研究表明：皮電信號樣本熵在疲勞狀態(tài)下低于清醒狀態(tài)，而肌電信號樣本熵在疲勞狀態(tài)下高于清醒狀態(tài)，但變化規(guī)律不一致，可能與不同疲勞程度有關(guān);皮電信號樣本熵閾值為0.0197，準(zhǔn)確率為0.91;肌電信號閾值為0.70185，準(zhǔn)確率為0.85。

關(guān)鍵詞：駕駛疲勞;皮電;肌電;閾值;樣本熵

目前，駕駛疲勞檢測研究主要分以下三類：基于駕駛員行為特征的研究[1]、基于車輛行為特征的研究[2]以及基于駕駛員生理參數(shù)的研究[3]。鑒于前兩類研究容易受光照和路況等環(huán)境因素影響，例如視野正面光照強(qiáng)烈時，駕駛員會瞇眼、注視方向會偏移，車輛行為特征在擁擠的城市路段行駛和通暢的郊區(qū)路段行駛本身就存在差別，都會對疲勞駕駛產(chǎn)生干擾，而駕駛員生理信號能很好的避開上述環(huán)境因素造成的影響，因此本研究選擇從生理參數(shù)方面探索駕駛疲勞發(fā)展規(guī)律，以及檢測駕駛疲勞的方法。

1 實(shí)驗(yàn)設(shè)計與設(shè)備

本研究招募了12名被試進(jìn)行了4小時高速單調(diào)路況下模擬駕駛實(shí)驗(yàn)，應(yīng)用Bio-Radio無線生理檢測儀實(shí)時動態(tài)追蹤和采集生理信號皮電肌電的變化規(guī)律及疲勞發(fā)生的過程，并利用NE無線腦電儀采集實(shí)時腦電信號，通過實(shí)驗(yàn)過程中對被試者應(yīng)對刺激信號的反應(yīng)時間以及被試者腦電信號的分析，對長時間駕駛過程中的疲勞段與清醒段進(jìn)行劃分，然后利用能夠表征時間序列復(fù)雜程度的樣本熵算法提取清醒和疲勞之間的判別指標(biāo)，最后通過制作ROC曲線確定清醒和疲勞之間的判別閾值，實(shí)現(xiàn)駕駛疲勞的實(shí)時檢測。

2 生理信號預(yù)處理與分析

2.1 疲勞狀態(tài)的觀測與描述

本文結(jié)合腦電和反應(yīng)時間觀測疲勞。利用腦電預(yù)測駕駛疲勞的相關(guān)研究已頗為成熟，一般認(rèn)為從正常狀態(tài)進(jìn)入疲勞狀態(tài)時慢波增加快波減少。在疲勞前期，反應(yīng)時間不會發(fā)生大變化，但當(dāng)疲勞發(fā)展到一定階段時，反應(yīng)時間迅速延長，發(fā)生跳躍，帶來駕駛能力的急劇降低和危險?；谏鲜銮闆r，本文選取腦電δ節(jié)律功率增加β節(jié)律功率減小、反應(yīng)時間超過反應(yīng)時間均值的時候作為疲勞狀態(tài)，如圖1所示。

2.2 皮電肌電數(shù)據(jù)獲取

對采集的表面肌電信號進(jìn)行Butterworth高通濾波，人體皮電信號采用Bandpass濾波，帶寬設(shè)置為0.02Hz～0.3Hz。濾波處理后，分別以1s作為單位樣本數(shù)據(jù)長度選取連續(xù)1min的疲勞和清醒狀態(tài)數(shù)據(jù)進(jìn)行分析。以實(shí)驗(yàn)開始之后第15min作為清醒狀態(tài)數(shù)據(jù)，反應(yīng)時間RT突增時間點(diǎn)作為疲勞狀態(tài)數(shù)據(jù)。

3 數(shù)據(jù)處理

3.1 樣本熵

樣本熵（SampEn）是一種被廣泛用于非線性動力學(xué)時間序列研究的算法。樣本熵值的大小代表時間序列的復(fù)雜性，樣本熵值越大，時間序列越復(fù)雜，同時具有較好的抗干擾和抗噪能力，其計算準(zhǔn)確性和對數(shù)據(jù)序列的解釋能力不受數(shù)據(jù)序列長短的影響，適用于確定性信號和隨機(jī)性信號分析。該算法由Richman和Moornan基于近似熵改進(jìn)而來。其計算時需確定數(shù)據(jù)長度N，嵌入維數(shù)m以及相似容限r(nóng)。

3.2 皮電信號樣本熵分析

以500個采樣點(diǎn)長度（1s）作為滑窗進(jìn)行分析，則每個樣本的數(shù)據(jù)長度N=500，分別選取1min的疲勞和清醒兩種狀態(tài)進(jìn)行分析，即兩種狀態(tài)分別為60個樣本。取m=2，取r=0.2倍標(biāo)準(zhǔn)偏差進(jìn)行計算，結(jié)果皮電樣本熵均值在清醒、疲勞狀態(tài)下的分別為0.0778和0.047，皮電樣本熵標(biāo)準(zhǔn)差為00916和0.063，兩種狀態(tài)下的皮電信號樣本熵存在顯著性差異（P=0.001<0.05），可以作為駕駛疲勞的判別指標(biāo)。此現(xiàn)象也可以從樣本熵值變化圖看出，如圖2所示。

3.3 肌電信號樣本熵分析

應(yīng)用相同的方法獲取肌電樣本熵，結(jié)果如圖3。肌電樣本熵的變化規(guī)律與皮電樣本熵相反，從圖中可以看出肌電樣本熵在清醒時較低、波動幅度較小，而疲勞狀態(tài)下樣本熵值較高、波動幅度較大。解釋原因?yàn)?，?dāng)駕駛員出現(xiàn)疲勞困倦后，其方向盤微調(diào)次數(shù)相比于清醒狀態(tài)下的正常駕駛變少了，同時急劇的方向盤動作增多（肌電采集部位為小臂）。

對清醒狀態(tài)和疲勞狀態(tài)下的肌電信號樣本熵進(jìn)行計算，清醒、疲勞狀態(tài)下的肌電樣本熵均值費(fèi)別為0.419和0.977，肌電樣本熵標(biāo)準(zhǔn)差為0.288和0.418，兩種狀態(tài)下的肌電信號樣本熵存在顯著性差異（P=0.001<0.05），可以作為駕駛疲勞的判別指標(biāo)。

4 駕駛疲勞判別閾值的確定

4.1 ROC曲線原理

ROC曲線（receiver operating characteristic curve）即接收者操作特性曲線，其曲線上的各點(diǎn)可以反映對同一信號的敏感性和特異性。ROC曲線圖的橫坐標(biāo)為（1-特異性），縱坐標(biāo)為敏感性，ROC曲線下的面積代表對同一信號的診斷準(zhǔn)確性大小，面積越大，準(zhǔn)確性越高，而越靠近坐標(biāo)圖左上方的點(diǎn)，敏感性和特異性越高。敏感度和特異度計算公式如下：

TPR指敏感度，解釋的是分類器所識別出的正實(shí)例占所有正實(shí)例的比例。TNR指特異度，指分類器所識別出的負(fù)實(shí)例占所有負(fù)實(shí)例的比例。TP為真正類，F(xiàn)P為假正類，TN為真負(fù)類，F(xiàn)N為假負(fù)類。本研究中，疲勞狀態(tài)為正類，清醒狀態(tài)為負(fù)類。敏感度即識別TNR出來的疲勞實(shí)例占所有疲勞實(shí)例的比例，特異度即識別出來的清醒實(shí)例占所有清醒實(shí)例的比例。

通過ROC曲線確定最佳判別閾值時，越靠近左上方的點(diǎn)表示判別效果越好，因?yàn)樽笊戏奖硎据^高的敏感度和特異度，對應(yīng)較低的漏判率和誤判率。在應(yīng)用中，通常選擇曲線上盡量靠近左上方Y(jié)ouden指數(shù)最大的切點(diǎn)作為判別閾值（Youden指數(shù)=靈敏度+特異度-1）。閾值的準(zhǔn)確性可以通過曲線下的面積（AUC）來衡量。

4.2 皮電信號判別閾值

利用SPSS作出皮電信號樣本熵的ROC曲線，如圖4（左）所示。根據(jù)閾值選取原則，計算所有點(diǎn)的Youden指數(shù)，得到Y(jié)ouden指數(shù)最大時的特征點(diǎn)（點(diǎn)C），選取此點(diǎn)作為最佳臨界點(diǎn)，對應(yīng)皮電信號樣本熵值為0.0197，敏感度為88.9%，表明11.1%的疲勞被漏報，特異度為80.8%，表明19.2%的清醒被誤報為疲勞。ROC曲線下面積為0.91，說明此方法準(zhǔn)確性較高。

4.3 肌電信號判別閾值

肌電信號判別方法同皮電，ROC曲線如圖4（右）。需注意的是，因?yàn)槠跔顟B(tài)肌電信號樣本熵均值明顯高于清醒狀態(tài)，所以應(yīng)該選擇較大的檢驗(yàn)結(jié)果表示更明確的檢驗(yàn)。由圖4（右）可看出曲線上存在一個極為明顯的拐點(diǎn)C，該點(diǎn)即為通過Youden指數(shù)確定的最優(yōu)臨界點(diǎn)，對應(yīng)肌電樣本熵值為0.70185，敏感度為81.3%，特異度為87.7%，ROC曲線下面積為0.85，說明此方法準(zhǔn)確性中等。

5 結(jié)論

（1）12個被試者中，清醒狀態(tài)與疲勞狀態(tài)下的皮電、肌電信號樣本熵值都存在顯著性差異，因此皮電、肌電可作為動態(tài)駕駛疲勞判別指標(biāo)。皮電信號樣本熵值在疲勞狀態(tài)下低于清醒狀態(tài)，且波動幅度更小。大部分駕駛員的肌電信號樣本熵值在疲勞狀態(tài)下則高于清醒狀態(tài)，且波動幅度更大。

（2）通過ROC曲線分析方法得到基于皮電以及肌電樣本熵值的駕駛疲勞判別閾值，即當(dāng)駕駛員皮電樣本熵值在00197以下時，認(rèn)為駕駛員處于疲勞狀態(tài)，準(zhǔn)確率為0.91;當(dāng)駕駛員肌電樣本熵值在0.70185以上時，認(rèn)為駕駛員處于疲勞狀態(tài)，準(zhǔn)確率為0.85。

參考文獻(xiàn)：

[1]鄭秀娟，栗戰(zhàn)恒，張昀.基于視覺特性的駕駛安全眼動研究進(jìn)展[J].技術(shù)與創(chuàng)新管理，2018，39（01）：50-59.

[2]徐進(jìn)，陳薇，周佳，羅驍，邵毅明.汽車轉(zhuǎn)向盤操作與駕駛負(fù)荷的相關(guān)性[J].吉林大學(xué)學(xué)報（工學(xué)版），2017，47（02）：438-445.

[3]P.A.Karthick，G.Venugopal，S.Ramakrishnan.Analysis of Muscle Fatigue Progression using Cyclostationary Property of Surface Electromyography Signals[J].Journal of Medical Systems，2016，40（1）.