基于多模感知數(shù)據(jù)的駕駛員房顫?rùn)z測(cè)方法及系統(tǒng)研究*

覃忠浩，周少銳，陳 健，黃欣龍，彭顯為，何文秀，王 偉

(1.中山大學(xué)智能工程學(xué)院，廣東 深圳 518107；2.深圳北理莫斯科大學(xué)工程系，廣東深圳 518172；3.浙江大學(xué)國(guó)際教育學(xué)院，浙江 杭州 310058；4.香港科技大學(xué)工學(xué)院土木及環(huán)境工程系，香港 999077；5.浙江工業(yè)大學(xué)之江學(xué)院，浙江杭州 310014)

隨著5G 通信、大數(shù)據(jù)分析等技術(shù)的發(fā)展，萬(wàn)物互聯(lián)正在成為現(xiàn)實(shí)。而通過(guò)車車交互、車路通信、車與行人交互等所構(gòu)建的人車路協(xié)同系統(tǒng)是物聯(lián)網(wǎng)在交通領(lǐng)域的一個(gè)典型應(yīng)用。但是在目前的協(xié)同系統(tǒng)中，對(duì)駕駛員的關(guān)注明顯偏少。而作為交通中的主要因素，駕駛員的行為對(duì)所有交通參與者都可能造成極大的影響。同時(shí)，駕駛員突發(fā)心血管疾病已經(jīng)成為了交通安全的重要威脅。心血管疾病是世界范圍內(nèi)死亡的主要原因之一[1]，其中心房顫動(dòng)是最常見(jiàn)的心律失常。房顫(AF)的患病率正在增加，估計(jì)占人口的1%，65 歲以上人群的5%[2]。

雖然房顫本身并不代表一種致命的疾病，但由于房顫相關(guān)并發(fā)癥，它與高發(fā)病率和死亡率相關(guān)[3]。在交通過(guò)程中，駕駛員若在行駛時(shí)突發(fā)房顫，不僅危及自身生命安全，而且還將對(duì)車上的乘客造成傷害，近年來(lái)由于突發(fā)心血管疾病引發(fā)的交通事故屢見(jiàn)不鮮。

近些年來(lái)對(duì)于汽車駕駛員的狀態(tài)監(jiān)測(cè)研究大致可以分為兩類，一種是基于攝像機(jī)和圖像處理及圖像識(shí)別技術(shù)，另一種是基于生理傳感器和信號(hào)處理及模式識(shí)別技術(shù)，當(dāng)然兩者也可以結(jié)合使用。大多數(shù)早期研究都使用商業(yè)設(shè)備或系統(tǒng)來(lái)監(jiān)測(cè)心電圖，而缺點(diǎn)是這些設(shè)備或系統(tǒng)很少永久安裝在汽車上。在汽車結(jié)構(gòu)中使用ECG 電極可以追溯到2007 年。此后，心電檢測(cè)電極經(jīng)常出現(xiàn)在汽車方向盤、汽車座椅等結(jié)構(gòu)中[4]。Gao 等[5]使用攝像頭獲取面部信息，并將數(shù)據(jù)輸入監(jiān)督學(xué)習(xí)進(jìn)行情緒檢測(cè)。在生物信號(hào)方面，Choi 等[6]采用原理動(dòng)態(tài)模型預(yù)測(cè)了兩種自主神經(jīng)分支(交感神經(jīng)和副交感神經(jīng))對(duì)情緒應(yīng)激的激活水平。文獻(xiàn)[7]討論了一種用于監(jiān)控駕駛員面部特征的視覺(jué)系統(tǒng)。首先，在輸入的視頻序列中定位駕駛員的面部。隨后的圖像被跟蹤。在人臉跟蹤過(guò)程中，連續(xù)檢測(cè)眼睛、嘴巴和頭部的面部特征；特征檢測(cè)和跟蹤并行進(jìn)行，提高了精度。張廣元等[8]提出了一種基于Hu 不變矩支持向量機(jī)(SVM)的實(shí)時(shí)眼部檢測(cè)方法。文獻(xiàn)[9]提出了一種用于駕駛員警覺(jué)性實(shí)時(shí)監(jiān)控的計(jì)算機(jī)視覺(jué)系統(tǒng)原型，其關(guān)鍵部件包括遠(yuǎn)程視頻CCD 攝像機(jī)、專門用于實(shí)時(shí)圖像采集的硬件系統(tǒng)、照明燈控制等。文獻(xiàn)[10]提出了一種新的駕駛員疲勞檢測(cè)方法，該紅外圖像采集系統(tǒng)采用AdaBoost 和核相關(guān)濾波相結(jié)合的方法采集駕駛員的面部圖像，隨后對(duì)面部進(jìn)行檢測(cè)和跟蹤。

對(duì)于心率采集方向盤系統(tǒng)近些年來(lái)的研究，Abu-Faraj 等[11]設(shè)計(jì)了一種心臟病檢測(cè)方向盤，包括單導(dǎo)聯(lián)心電檢測(cè)器、溫度傳感器、皮膚阻抗傳感器，并利用Arduino 大型2560 單片機(jī)承載基于Crisp Logic 的算法分析各種傳感器的數(shù)據(jù)流，且該系統(tǒng)能夠連接至蜂窩網(wǎng)絡(luò)，通過(guò)儲(chǔ)藥倉(cāng)提供心臟病藥物供給以及呼救等功能。Babusiak 等[12]利用3D 打印設(shè)計(jì)了一個(gè)集成有心率、血氧檢測(cè)功能和慣性單元的方向盤，并在實(shí)際駕駛環(huán)境下對(duì)其采集到的數(shù)據(jù)進(jìn)行了商業(yè)設(shè)備對(duì)比驗(yàn)證，確認(rèn)了數(shù)據(jù)的正確性和準(zhǔn)確性。Cassani 等[13]在駕駛模擬器的方向盤上放置了8 個(gè)電極。Babusiak 等[14]開(kāi)發(fā)了一種帶有兩個(gè)集成ECG 電極的新型方向盤設(shè)計(jì)，該設(shè)計(jì)需要更換方向盤。文獻(xiàn)[15]提出了一種新的無(wú)線系統(tǒng)來(lái)執(zhí)行快速短期ECG 采集和心率監(jiān)測(cè)，旨在非技術(shù)用戶易于使用。該系統(tǒng)使用放置在塑料方向盤上的干電極，因此只需將手放在方向盤上，就可以在監(jiān)控模式下獲取Lead I 心電圖信號(hào)。

在近些年有關(guān)單導(dǎo)聯(lián)房顫?rùn)z測(cè)算法研究現(xiàn)狀，文獻(xiàn)[16]提出了一種結(jié)合數(shù)據(jù)增強(qiáng)方法的雙通道卷積神經(jīng)網(wǎng)絡(luò)從單導(dǎo)聯(lián)短心電記錄中檢測(cè)心房顫動(dòng)。在文獻(xiàn)[17]的研究中，作者探討了兩種潛在的訓(xùn)練策略來(lái)解決AF 檢測(cè)中的過(guò)擬合問(wèn)題。Weimann 等[18]利用遷移學(xué)習(xí)解決了訓(xùn)練CNN 進(jìn)行心電分類時(shí)需要大量標(biāo)記樣本的問(wèn)題。此外，近年來(lái)也提出了將卷積神經(jīng)網(wǎng)絡(luò)(CNN)與循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)相結(jié)合的深度學(xué)習(xí)模型[19-20]。Andersen等[21]以RR 區(qū)間為輸入，開(kāi)發(fā)了CNN 和LSTM(長(zhǎng)短期記憶)相結(jié)合的深度學(xué)習(xí)分類模型。

綜合上述的研究，未有完整的研究包含了ECG檢測(cè)方向盤以及特異性指標(biāo)的檢測(cè)算法全流程的系統(tǒng)實(shí)現(xiàn)。所以本文希望建立一個(gè)用于房顫?rùn)z測(cè)的方向盤，并基于實(shí)際駕駛數(shù)據(jù)以及深度互學(xué)習(xí)結(jié)合濾波群算法的神經(jīng)網(wǎng)絡(luò)模型，完成一個(gè)數(shù)據(jù)流產(chǎn)生、傳輸、存儲(chǔ)、運(yùn)用的系統(tǒng)。從而實(shí)現(xiàn)在交通環(huán)境下，對(duì)駕駛員的全程生理信號(hào)進(jìn)行監(jiān)控，并利用相關(guān)監(jiān)測(cè)數(shù)據(jù)進(jìn)行緊急情況檢測(cè)、疾病管理和健康狀況反饋。同時(shí)對(duì)駕駛員的心率進(jìn)行實(shí)時(shí)監(jiān)測(cè)，對(duì)房顫進(jìn)行識(shí)別預(yù)警，因此有效降低因司機(jī)突發(fā)心血管疾病造成交通事故的風(fēng)險(xiǎn)。

論文第一部分介紹了本系統(tǒng)的設(shè)計(jì)原理與工作流程，第二部分闡述了系統(tǒng)中使用的神經(jīng)網(wǎng)絡(luò)算法，第三部分給出了實(shí)驗(yàn)結(jié)果與分析，最后第四部分進(jìn)行了總結(jié)并指出為了未來(lái)深入研究的方向。

1 系統(tǒng)設(shè)計(jì)

本節(jié)對(duì)房顫智能檢測(cè)方向盤系統(tǒng)的設(shè)計(jì)原理和工作流程，以及相關(guān)硬件進(jìn)行介紹。

1.1 設(shè)計(jì)思路

本文設(shè)計(jì)了一種基于深度互學(xué)習(xí)結(jié)合濾波群算法的智能方向盤及其配套云系統(tǒng)。該裝置屬于智能輔助駕駛設(shè)備，方案的完整設(shè)計(jì)流程如圖1 所示:該裝置通過(guò)安裝在方向盤上的傳感器，能夠在駕駛環(huán)境下實(shí)時(shí)收集駕駛員的心率數(shù)據(jù)，通過(guò)通信模塊將數(shù)據(jù)上傳至云平臺(tái)，時(shí)頻圖以及龐加萊圖的生成均在云平臺(tái)上完成，之后再利用房顫識(shí)別算法進(jìn)行實(shí)時(shí)的分類，從而進(jìn)行房顫異常檢測(cè)，一旦檢測(cè)到房顫則可以進(jìn)行報(bào)警，提供醫(yī)療介入或輔助制動(dòng)。

圖1 系統(tǒng)整體設(shè)計(jì)流程

1.2 裝置組成

本文設(shè)計(jì)的智能房顫?rùn)z測(cè)方向盤，包括:

①方向盤主體:家用轎車通用方向盤，安裝傳感器模塊、主控模塊等；

②心電傳感器:Pulsesensor 傳感器，用以心率數(shù)據(jù)采集；采集原理:光電容器法，即利用人體組織在血管搏動(dòng)時(shí)造成透光率不同來(lái)進(jìn)行脈搏測(cè)量。工作原理如圖2 所示；

圖2 Pulsesensor 傳感器工作原理

③處理器:ESP32 模塊，作為主控模塊，連接傳感器模塊與數(shù)據(jù)傳輸模塊；

④通信模塊:1ML302 4G 模塊，傳輸心率數(shù)據(jù)至云平臺(tái)；2WIFI 無(wú)線連接；

⑤云平臺(tái):阿里云服務(wù)器；

⑥數(shù)據(jù)庫(kù):MySQL 數(shù)據(jù)庫(kù)；

⑦房顫?rùn)z測(cè)程序:基于深度互學(xué)習(xí)和判別濾波群算法的Resnet 神經(jīng)網(wǎng)絡(luò)；

⑧報(bào)警模塊:目前為警告消息彈窗，可選擇性擴(kuò)充120 呼救、應(yīng)急聯(lián)系人呼叫。

部分裝置如圖3 所示。

圖3 部分硬件裝置

1.3 硬件集成與工作流程

以下將說(shuō)明該方向盤及云平臺(tái)系統(tǒng)的詳細(xì)結(jié)構(gòu)和工作流程:

本項(xiàng)目的房顫?rùn)z測(cè)方向盤系統(tǒng)，包括1-方向盤主體、2-心電傳感器、3-處理器、4-通信模塊、5-個(gè)人服務(wù)器、6-云端數(shù)據(jù)庫(kù)、7-房顫?rùn)z測(cè)軟件、8-報(bào)警模塊。

駕駛員在車輛行駛過(guò)程中，通過(guò)握緊1-方向盤主體，使得手掌與2-心電傳感器緊密結(jié)合。此時(shí)2-心電傳感器通過(guò)手掌進(jìn)行心率數(shù)據(jù)的采集，通過(guò)數(shù)據(jù)線傳輸至3-處理器。處理器進(jìn)行初步數(shù)據(jù)處理獲得格式化心電圖數(shù)據(jù)流，利用短距離藍(lán)牙傳輸發(fā)送至4-通信模塊。4-通信模塊具有極強(qiáng)的網(wǎng)絡(luò)通信能力，能夠?qū)⑿碾妶D數(shù)據(jù)流傳輸至5-個(gè)人服務(wù)器中。5-個(gè)人服務(wù)器中包括6-云端數(shù)據(jù)庫(kù)、7-房顫?rùn)z測(cè)程序，6-云端數(shù)據(jù)庫(kù)提供心電圖的存儲(chǔ)與下載，7-房顫?rùn)z測(cè)程序可以通過(guò)智能房顫?rùn)z測(cè)算法對(duì)駕駛員心電圖數(shù)據(jù)進(jìn)行處理，檢測(cè)是否發(fā)生房顫。當(dāng)7-房顫?rùn)z測(cè)程序檢測(cè)到房顫發(fā)生，反饋報(bào)警信息至車輛上的8-報(bào)警模塊發(fā)出警報(bào)，警示駕駛員及乘客，使其采取相應(yīng)措施、安全停車，同時(shí)可以協(xié)助撥打120，將車輛實(shí)時(shí)位置通過(guò)車聯(lián)網(wǎng)發(fā)布，為駕駛員提供醫(yī)療幫助。數(shù)據(jù)傳輸流程如圖4 所示。

圖4 數(shù)據(jù)傳輸流程圖

該框架各組成部分在實(shí)物方向盤上的位置如圖5所示。

圖5 各硬件裝置在方向盤上的位置

為了確保心率傳感器采集數(shù)據(jù)的準(zhǔn)確性，將傳感器采集到的數(shù)據(jù)與心率帶采集到的數(shù)據(jù)進(jìn)行相似程度的分析，結(jié)果如圖6 所示。

圖6 傳感器和心率帶采集到的心電圖

通過(guò)式(1)計(jì)算數(shù)據(jù)相似度，計(jì)算結(jié)果約等于90%，可以得出，心率傳感器采集到的數(shù)據(jù)是十分準(zhǔn)確的。

式中:xi表示心率帶采集到的對(duì)比數(shù)據(jù)點(diǎn)，yi表示為傳感器采集到的實(shí)驗(yàn)數(shù)據(jù)點(diǎn)。

本方向盤系統(tǒng)可以實(shí)現(xiàn)離線模式和在線模式，LTE 模塊是否使用依據(jù)車輛所處的網(wǎng)絡(luò)環(huán)境進(jìn)行判斷。在線的模式下，獲取的數(shù)據(jù)從系統(tǒng)中的LTE 模塊通過(guò)蜂窩網(wǎng)絡(luò)傳輸?shù)皆贫朔?wù)器，之后的所有操作均在云端服務(wù)器完成；而離線的模式下，得到的數(shù)據(jù)通過(guò)數(shù)據(jù)線傳輸?shù)杰囕dPC 端，在PC 端中進(jìn)行數(shù)據(jù)預(yù)處理、房顫?rùn)z測(cè)算法的運(yùn)行等等工作，整體流程如圖7 所示。

圖7 工作原理流程

2 算法介紹

本節(jié)主要闡述系統(tǒng)中使用到的基于深度互學(xué)習(xí)和判別濾波群算法的Resnet 神經(jīng)網(wǎng)絡(luò)以及之前的數(shù)據(jù)除噪和預(yù)處理等過(guò)程。

2.1 創(chuàng)新算法

本文使用的房顫?rùn)z測(cè)算法共有兩個(gè)階段，即數(shù)據(jù)預(yù)處理階段和數(shù)據(jù)分類階段。

2.1.1 數(shù)據(jù)預(yù)處理

通過(guò)本文的方向盤系統(tǒng)獲取到駕駛員的心電信號(hào)數(shù)據(jù)后，第一步要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理:

①在得到駕駛員心電圖信號(hào)的相關(guān)數(shù)據(jù)后，先是通過(guò)心電信號(hào)的基線Baseline 和增益Gain 對(duì)數(shù)據(jù)進(jìn)行歸一化，目的是將信號(hào)的振幅控制在[-1，1]區(qū)間內(nèi)，歸一化公式如(2)所示:

式中:Baseline 和Gain 分別為心電信號(hào)的基線和增益，InputSignal為輸入信號(hào)的數(shù)據(jù)，OutSignal為輸出信號(hào)數(shù)據(jù)。

歸一化前后的對(duì)比圖見(jiàn)圖8，可以看到歸一化后信號(hào)的振幅全部集中在[-1，1]。

圖8 歸一化前后的心電圖

②使用截止頻率為35 Hz 的6 階巴特沃斯低通濾波器對(duì)信號(hào)進(jìn)行濾波，除去心電信號(hào)中夾雜的高頻噪聲，使得心電信號(hào)數(shù)據(jù)更加平滑。巴特沃斯低通濾波器的公式如式(3)所示:

式中:n為濾波器的階數(shù)，ωc為截止頻率，ωp為通頻帶邊緣頻率。

③對(duì)信號(hào)數(shù)據(jù)質(zhì)量進(jìn)行評(píng)估。由于心電信號(hào)的周期性較強(qiáng)，各心動(dòng)周期之間相應(yīng)波形的差異較小，所以可以將QRS 波群近似認(rèn)為單獨(dú)的固定模板。對(duì)于固定模板的信號(hào)，按幅值歸一化的幅頻分量值可以表示該模板在這一頻率范圍內(nèi)的能量集中情況。心電信號(hào)中各模板在特定頻率上的能量分布是不同的，幅頻分量又不含信號(hào)的相位信息，所以可通過(guò)信號(hào)幅頻值與特定幅頻值比較的方法來(lái)檢測(cè)QRS 模板。通過(guò)把心電信號(hào)周期與QRS 波群進(jìn)行比對(duì)得到模板，之后通過(guò)計(jì)算得出模板與每個(gè)信號(hào)周期間的相關(guān)聯(lián)系數(shù)，計(jì)算出其平均值作為信號(hào)質(zhì)量指數(shù)(SQI)[22]。如果SQI 小于設(shè)定閾值0.6，則使用1 階的巴特沃斯低通濾波器繼續(xù)對(duì)信號(hào)進(jìn)行除噪，一直循環(huán)至所有信號(hào)的SQI 都大于閾值0.6 結(jié)束。

④對(duì)于降噪后的信號(hào)，采用MATLAB 自帶的WFDB 工具箱中的GQRS 算法進(jìn)行R 峰檢測(cè):在經(jīng)過(guò)先前的基線漂移消除以及低通濾波的操作后，就到了高通濾波步驟，即將低通濾波后的ECG 信號(hào)通過(guò)一個(gè)高通濾波器，以消除低頻干擾信號(hào)。然后是導(dǎo)數(shù)濾波步驟，即對(duì)高通濾波后的ECG 信號(hào)進(jìn)行差分濾波，接著是方框?yàn)V波步驟，即對(duì)導(dǎo)數(shù)濾波后的ECG 信號(hào)進(jìn)行方框?yàn)V波，以增強(qiáng)QRS 波群的幅值，最后是峰值檢測(cè)步驟，即通過(guò)動(dòng)態(tài)閾值來(lái)檢測(cè)QRS波群的峰值，即R 峰值。該算法輸出ECG 信號(hào)序列中所有代表R 峰的數(shù)據(jù)點(diǎn)的序號(hào)。其中方框?yàn)V波與差分濾波的公式如式(4)、式(5)所示:

式(4)中，當(dāng)normalize ＝true 時(shí)，α＝1/width×height；當(dāng)normalize ＝false 時(shí)，α＝1。

式(5)為差分濾波矩陣，即使用兩元素之間的差值進(jìn)行中心點(diǎn)賦值，符號(hào)代表相減，得到差值。

⑤完成上述數(shù)據(jù)處理過(guò)程后，采用短時(shí)傅里葉變換方法對(duì)信號(hào)進(jìn)行時(shí)頻轉(zhuǎn)換，輸出信號(hào)的時(shí)間-頻率關(guān)系圖。短時(shí)傅里葉變換是時(shí)頻分析的經(jīng)典方法，也是處理心臟異常動(dòng)態(tài)的有效方法，它是通過(guò)在傅里葉變換的基礎(chǔ)之上添加信號(hào)窗口，把時(shí)間尺度的信息和傅里葉變換結(jié)合在一起。公式如(6)所示:

式中:w(τ-t)為分析窗函數(shù)，x(τ)為輸入信號(hào)。STFT(t，w)是時(shí)間t和頻率w的二維函數(shù)，它將信號(hào)的時(shí)域和頻域聯(lián)系起來(lái)，我們可以據(jù)此對(duì)信號(hào)進(jìn)行時(shí)頻分析。

⑥另一方面，根據(jù)④中所獲得的R 峰位置求解出相鄰R 峰的間隔RR，以RR(i)為x軸，RR(i+1)為y軸(i＝1，2，…，n-1，n為RR 間隔的個(gè)數(shù))繪制散點(diǎn)圖，所獲得的圖像就是ECG 信號(hào)的龐加萊圖。龐加萊圖是一種分析顯示周期性或準(zhǔn)周期性行為的動(dòng)態(tài)系統(tǒng)分析技術(shù)，其依賴于對(duì)正在研究的系統(tǒng)活動(dòng)的事件進(jìn)行同步、離散時(shí)間觀察。dn1 和dn2 分別表示從第n點(diǎn)(RR(n)，RR(n+1))到長(zhǎng)軸和短軸的距離。如式(7)所示:

一維ECG 信號(hào)經(jīng)過(guò)上述5，6 步驟后所得到的時(shí)頻圖以及龐加萊圖見(jiàn)圖9。

圖9 時(shí)頻圖和龐加萊圖

2.1.2 數(shù)據(jù)分類

預(yù)處理結(jié)束之后，是數(shù)據(jù)分類階段:

將預(yù)處理輸出的時(shí)頻圖和龐加萊圖作為輸入，采用基于深度互學(xué)習(xí)結(jié)合濾波群算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)分類，判斷該信號(hào)屬于NSR(正常竇律)、AF(房顫)、O(其他心電信號(hào))和I(噪聲)中的哪一類。具體的網(wǎng)絡(luò)和特點(diǎn)細(xì)節(jié)如圖10 所示。

圖10 基于深度互學(xué)習(xí)和判別濾波群算法的神經(jīng)網(wǎng)絡(luò)示意圖

①網(wǎng)絡(luò)有兩個(gè)通道，通道1 以時(shí)頻圖作為網(wǎng)絡(luò)的輸入，通道2 以龐加萊圖作為輸入。

②每一個(gè)通道的基礎(chǔ)框架是經(jīng)典CNN 網(wǎng)絡(luò)Resnet18。

③每一個(gè)通道使用非對(duì)稱多流結(jié)構(gòu)，一共有三個(gè)分支:以logit1 為輸出的分支1 保留了神經(jīng)網(wǎng)絡(luò)的整個(gè)結(jié)構(gòu)。這樣做的目的是關(guān)注全局信息；以logit2 為輸出的分支2 將發(fā)揮其作為網(wǎng)絡(luò)判別補(bǔ)丁流的作用，通過(guò)檢查鑒別補(bǔ)丁檢測(cè)器的響應(yīng)來(lái)進(jìn)行預(yù)測(cè)；以logit3 作為輸出的分支3 作為分支2 的一部分，接在GMP 層后面，通過(guò)引入跨通道池化層，直接對(duì)1×1 濾波器施加監(jiān)督。目的是為了使框架能夠?qū)W習(xí)特定類別的判別patch 檢測(cè)器。

④為了共享權(quán)重和減少參數(shù)數(shù)量，網(wǎng)絡(luò)使用位置信息，并將所有FC 層替換為1×1 conv。

⑤為了兩個(gè)通道之間的信息能夠相互利用，引入了深度互學(xué)習(xí)策略，使用Kullback Leibler(KL)散度來(lái)量化兩個(gè)網(wǎng)絡(luò)預(yù)測(cè)值之間的匹配。通過(guò)將KL模仿?lián)p失和監(jiān)督損失LC 相加，使得每個(gè)網(wǎng)絡(luò)不僅從訓(xùn)練實(shí)例的真實(shí)標(biāo)簽中學(xué)習(xí)正確的知識(shí)，還可以參考其同行的概率估計(jì)。

3 裝置實(shí)驗(yàn)

為了檢驗(yàn)該裝置的實(shí)用性，我們進(jìn)行了模擬駕駛環(huán)境下的實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)環(huán)境與搭建

Euro Truck Simulator 2(歐洲卡車2)、基于本文介紹裝置所搭建的智能方向盤總成、心率檢測(cè)儀(用來(lái)驗(yàn)證方向盤采集的心電圖(ECG)數(shù)據(jù)準(zhǔn)確率)，實(shí)驗(yàn)人員為一名駕齡2 年駕駛員。其中《歐洲卡車2》是一款交通工具場(chǎng)景仿真游戲，由SCS Software 公司開(kāi)發(fā)，配合游戲方向盤具有仿真度極高的駕駛操作體驗(yàn)。

首先將本研究提出的方向盤系統(tǒng)連接至預(yù)先下載好《Euro Truck Simulator 2》的筆記本電腦，然后由駕齡2 年的駕駛員進(jìn)行駕駛操作，便成功搭建起了模擬駕駛場(chǎng)景，如圖11 所示。

圖11 模擬駕駛圖(測(cè)試環(huán)境下)

3.2 實(shí)驗(yàn)結(jié)果與分析

我們?cè)谕画h(huán)境下，采集了8 組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，得到方向盤性能指標(biāo)如表1 所示。其中，ECG準(zhǔn)確率為同時(shí)使用心率帶測(cè)量得到的對(duì)比數(shù)據(jù)和實(shí)驗(yàn)結(jié)果計(jì)算得到的數(shù)據(jù)相似度；算法預(yù)測(cè)準(zhǔn)確率為程序?qū)υ胍簟⒄Ｐ穆?、房顫、其他心率四種分類的識(shí)別準(zhǔn)確度。

表1 實(shí)驗(yàn)結(jié)果

在8 次的實(shí)驗(yàn)中，網(wǎng)絡(luò)延遲最高為75 ms，最低為65 ms，平均延遲為70.375 ms，由上述結(jié)果可以看出，本裝置在正常網(wǎng)絡(luò)環(huán)境下有著良好的響應(yīng)時(shí)間；對(duì)于ECG 準(zhǔn)確率方面，8 次實(shí)驗(yàn)中的最高ECG 準(zhǔn)確率為90%，最低為86%，平均值為87.875%，說(shuō)明本實(shí)驗(yàn)裝置獲取的數(shù)據(jù)與心率帶測(cè)量得到的對(duì)比數(shù)據(jù)誤差很小，精確度很高；運(yùn)算時(shí)間在進(jìn)行的8 次實(shí)驗(yàn)之中，最長(zhǎng)為0.51 s，最短為0.45 s，平均運(yùn)算時(shí)間為0.497 5 s，體現(xiàn)了本實(shí)驗(yàn)裝置的高運(yùn)算效率和計(jì)算能力；最后在算法分類識(shí)別準(zhǔn)確率方面，8 次實(shí)驗(yàn)中最高為95.0%，最低為91.6%，平均值為92.85%，說(shuō)明識(shí)別效果很優(yōu)秀。8 組實(shí)驗(yàn)數(shù)據(jù)的網(wǎng)絡(luò)延遲、ECG 準(zhǔn)確率、運(yùn)算時(shí)間和預(yù)測(cè)準(zhǔn)確率的方差和標(biāo)準(zhǔn)差都很小，說(shuō)明8 組實(shí)驗(yàn)間的實(shí)驗(yàn)結(jié)果離散程度很小，體現(xiàn)出本實(shí)驗(yàn)裝置有著優(yōu)秀的實(shí)驗(yàn)穩(wěn)定性。

4 總結(jié)與展望

4.1 總結(jié)

本文設(shè)計(jì)了一個(gè)可以進(jìn)行實(shí)時(shí)心電數(shù)據(jù)采集，并智能檢測(cè)房顫的方向盤系統(tǒng)，該系統(tǒng)彌補(bǔ)了可穿戴設(shè)備、專業(yè)醫(yī)療設(shè)備在駕駛場(chǎng)景上的不足，這一系統(tǒng)的工作流程可以作為其他駕駛輔助的參照以及基礎(chǔ)。同時(shí)，該裝備具有良好的工控屬性、兼容性以及可移植性，成本低廉，效果明顯。方向盤設(shè)備均使用工控機(jī)，在惡劣信號(hào)條件、復(fù)雜環(huán)境條件下均能良好運(yùn)行，保證了該系統(tǒng)的工作穩(wěn)定性和魯棒性。

4.2 應(yīng)用前景與展望

該裝置未來(lái)可結(jié)合機(jī)器視覺(jué)方式進(jìn)行交叉驗(yàn)證，提升房顫?rùn)z測(cè)準(zhǔn)確率與實(shí)時(shí)性。同時(shí)，在該智能方向盤及云平臺(tái)系統(tǒng)的基礎(chǔ)上，可以添加多種不同的傳感器和檢測(cè)算法，可以實(shí)現(xiàn)多功能的全方位駕駛員狀態(tài)感知，疲勞檢測(cè)、情緒識(shí)別都可以基于該平臺(tái)實(shí)現(xiàn)，具有極強(qiáng)的模塊化能力和拓展性。

該裝置可以融合正在迅速發(fā)展的車聯(lián)網(wǎng)系統(tǒng)，做到以通訊模塊警示周圍車輛并求助；同時(shí)利用車聯(lián)網(wǎng)向周圍車輛及交通信號(hào)設(shè)施發(fā)出求助信息，或者聯(lián)系醫(yī)院、駕駛員家屬和交警中心，共享該車輛當(dāng)前位置信息，對(duì)駕駛員進(jìn)行緊急救助。

該裝置可以優(yōu)先部署在校車、公交車等重要交通工具上，避免因駕駛員突發(fā)心血管疾病所導(dǎo)致的重大交通事故，保護(hù)司機(jī)、乘客以及其他交通參與者的生命安全。

隨著對(duì)交通安全的重視，駕駛員安全也必將成為關(guān)注點(diǎn)，該裝置未來(lái)將在駕駛員安全方面具有良好的市場(chǎng)前景。