衛(wèi)　兵,郭玉堂,張　磊,周蚌艷

(1.合肥師范學(xué)院魂芯DSP產(chǎn)業(yè)化研究院 安徽 合肥 230601; 2.合肥師范學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系 安徽 合肥 230601；3.安徽大學(xué)計(jì)算機(jī)教學(xué)部 安徽 合肥 230039)

?

基于生物電特征的駕駛員疲勞檢測(cè)系統(tǒng)的設(shè)計(jì)研究

衛(wèi)兵1,2,郭玉堂2*,張磊3,周蚌艷3

(1.合肥師范學(xué)院魂芯DSP產(chǎn)業(yè)化研究院 安徽 合肥 230601; 2.合肥師范學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系 安徽 合肥 230601；3.安徽大學(xué)計(jì)算機(jī)教學(xué)部 安徽 合肥 230039)

[摘要]針對(duì)駕駛員疲勞檢測(cè)研究中存在的難點(diǎn)，設(shè)計(jì)了一種基于人體生物電特征提取的疲勞檢測(cè)系統(tǒng)方案。系統(tǒng)中通過(guò)前額電極導(dǎo)聯(lián)采集駕駛員生理信號(hào)，利用無(wú)線(xiàn)節(jié)點(diǎn)將數(shù)據(jù)發(fā)送至手機(jī)端或車(chē)載端平臺(tái)，軟件中運(yùn)用信號(hào)處理算法提取混合信號(hào)中的目標(biāo)成份，并進(jìn)行分類(lèi)識(shí)別，建立特征模型，實(shí)現(xiàn)對(duì)生理疲勞的實(shí)時(shí)監(jiān)控和記錄。該方法克服傳統(tǒng)疲勞檢測(cè)方法的單一和局限性，具備較好的準(zhǔn)確率和魯棒性。

[關(guān)鍵詞]疲勞檢測(cè)；EEG；前額導(dǎo)聯(lián)；分類(lèi)識(shí)別

疲勞駕駛是指機(jī)動(dòng)車(chē)駕駛員在工作中出現(xiàn)疲勞狀況，大腦的警覺(jué)度會(huì)下降，對(duì)外界的瞬息變化的路況和交通信號(hào)無(wú)法及時(shí)應(yīng)對(duì)，極易引發(fā)嚴(yán)重交通事故。歐美各國(guó)交通數(shù)據(jù)統(tǒng)計(jì)中與司機(jī)疲勞因素有關(guān)的事故達(dá)20%～30%[1]。在我國(guó)，很多地區(qū)路況條件相對(duì)復(fù)雜，疲勞駕駛極易引發(fā)各種事故，交通安全形勢(shì)十分嚴(yán)峻[2]。近年來(lái)，為了遏制重特大交通事故頻發(fā)的現(xiàn)象，公安交管部門(mén)加大了對(duì)交通駕駛中酒駕、超載、超速等一系列違法違規(guī)行為的查處力度，在一定程度上緩解了目前交通安全問(wèn)題。但在這些執(zhí)法措施中，疲勞駕駛行為卻沒(méi)有很好的檢測(cè)手段，執(zhí)法標(biāo)準(zhǔn)也基本處于空白。不同于酒駕、超載等行為，人體疲勞狀態(tài)是時(shí)段性波動(dòng)的，執(zhí)法人員對(duì)于疲勞駕駛很難給出理想的量化指標(biāo)，需要依賴(lài)一個(gè)在線(xiàn)的檢測(cè)判定方法。不僅僅是汽車(chē)駕駛員，其他很多對(duì)于操作安全性要求很高的工作領(lǐng)域也需要工作人員長(zhǎng)時(shí)間保持清醒和警覺(jué)，例如，飛機(jī)駕駛、機(jī)場(chǎng)航班調(diào)度、航天測(cè)控、以及軍事系統(tǒng)值班等，人員疲勞都會(huì)產(chǎn)生重大隱患。因此，研究人體疲勞檢測(cè)技術(shù)對(duì)遏制疲勞工作、提高社會(huì)多領(lǐng)域交通生產(chǎn)安全具有重大意義[3]。

1疲勞檢測(cè)方案

疲勞狀態(tài)的研究主要是分析研究可以反映出人體生理疲勞程度的某些特征因素[4-5]。在疲勞檢測(cè)研究領(lǐng)域，受試者面部圖像特征、眨眼頻率、血壓、脈搏等多種相關(guān)生理參數(shù)都曾被分析研究用于受試者疲勞狀態(tài)判定，其中，利用生物電信號(hào)特征對(duì)人體的疲勞狀態(tài)進(jìn)行分析判斷已經(jīng)成為了一個(gè)重要的研究方向[6-8]。與人體疲勞相關(guān)的生物電主要為腦電(Electro-encephalogram , EEG)和眼電(Electro-oculogram, EOG)，當(dāng)人身體清醒或疲勞狀態(tài)發(fā)生變化時(shí)，EEG和EOG信號(hào)中的成分或特征會(huì)發(fā)生相應(yīng)的變化[9-11]。例如，當(dāng)人進(jìn)入疲倦瞌睡狀態(tài)時(shí)，EEG信號(hào)中α頻段能量突然下降，EOG信號(hào)波形中可檢測(cè)出眨眼時(shí)間趨長(zhǎng)，幅度變小，眼球瞳孔活動(dòng)降低，眼皮出現(xiàn)閉合趨勢(shì)等[12-14]。因此可以通過(guò)提取和分析人體在工作過(guò)程中的生物電信號(hào)來(lái)對(duì)疲勞狀態(tài)進(jìn)行定量分析，進(jìn)而反饋出所需要的信息。傳統(tǒng)的駕駛員疲勞檢測(cè)通常采用面部圖像設(shè)別法，但該類(lèi)方法受個(gè)體差異情況變化大, 同時(shí)，算法的魯棒性會(huì)受攝像角度、光線(xiàn)以及其他不可控因素影響。為了實(shí)現(xiàn)生物電特征檢測(cè)，可以利用現(xiàn)在快速發(fā)展的物聯(lián)網(wǎng)技術(shù)平臺(tái)(包含智能微處理器、無(wú)線(xiàn)數(shù)據(jù)傳輸、信息感知融合等技術(shù))，在人腦和計(jì)算機(jī)或其他外部設(shè)備之間建立直接的信息交互和控制通道。運(yùn)用物聯(lián)網(wǎng)技術(shù)對(duì)生物電信號(hào)進(jìn)行提取和分析，能夠克服實(shí)際駕駛環(huán)境中傳統(tǒng)生物電設(shè)備操作的諸多不便，進(jìn)而實(shí)現(xiàn)對(duì)人體疲勞程度的實(shí)時(shí)檢測(cè)，是一種高效可靠的研究方案。

本文在研究人體生物電信號(hào)特征提取方法的基礎(chǔ)上，設(shè)計(jì)了一種基于人體EEG和EOG信號(hào)特征融合的疲勞檢測(cè)方案，通過(guò)最新的物聯(lián)網(wǎng)領(lǐng)域技術(shù)實(shí)現(xiàn)系統(tǒng)的搭建。系統(tǒng)子節(jié)點(diǎn)使用干電極，并采用新型前額導(dǎo)聯(lián)布局方式采集駕駛員生理信號(hào)，子節(jié)點(diǎn)完成數(shù)據(jù)采樣后，使用藍(lán)牙/Zigbee將數(shù)據(jù)發(fā)送到手機(jī)端或車(chē)載平臺(tái)，利用高性能微處理器以及APP軟件相關(guān)算法完成信號(hào)的特征提取和分類(lèi)識(shí)別，對(duì)駕駛員的生理疲勞狀態(tài)作出預(yù)警，并通過(guò)手機(jī)端3G通信將監(jiān)測(cè)結(jié)果匯總至控制中心進(jìn)行實(shí)時(shí)監(jiān)控和記錄。該方法克服傳統(tǒng)疲勞檢測(cè)方法的單一和局限性，可以很好地融入未來(lái)城市智慧交通系統(tǒng)中，為應(yīng)用推廣奠定基礎(chǔ)。圖1所示為疲勞檢測(cè)系統(tǒng)的設(shè)計(jì)流程。

2設(shè)備子節(jié)點(diǎn)的設(shè)計(jì)

疲勞檢測(cè)系統(tǒng)平臺(tái)中，生物電信號(hào)由受試者頭戴設(shè)備進(jìn)行采集數(shù)據(jù)，采集設(shè)備主要涉及電源、傳感電極、放大電路等組件，同時(shí)包含微處理器、無(wú)線(xiàn)傳感芯片，整體作為無(wú)線(xiàn)傳感網(wǎng)節(jié)點(diǎn)加入系統(tǒng)。從佩戴實(shí)用性出發(fā)，子節(jié)點(diǎn)在設(shè)計(jì)過(guò)程中從體積、功耗、佩戴舒適性等方面進(jìn)行了相關(guān)優(yōu)化。

EEG信號(hào)的產(chǎn)生的生理機(jī)理是大腦皮層的神經(jīng)元同步電位活動(dòng)，疊加的電信號(hào)穿透顱骨、頭皮，在頭皮表面形成有規(guī)律的電信號(hào)，這些電信號(hào)的幅度非常微弱，在不同導(dǎo)聯(lián)位置有不同的特征，且通常會(huì)淹沒(méi)于復(fù)雜的頭皮背景噪音。采用傳統(tǒng)布局的方式的優(yōu)勢(shì)是電極置于信號(hào)源最強(qiáng)的導(dǎo)聯(lián)位置，在實(shí)驗(yàn)準(zhǔn)備充分的情況下，可以采集到相對(duì)理想的信號(hào)，再運(yùn)用盲源分離算法分離出各源信號(hào)。傳統(tǒng)導(dǎo)聯(lián)方式的缺點(diǎn)是電極在頭皮表面受毛發(fā)干擾，放置極為不易，這個(gè)問(wèn)題極大限制了系統(tǒng)向?qū)嶋H應(yīng)用的推廣。前額部位環(huán)境開(kāi)闊，無(wú)附屬物干擾，相對(duì)于頭皮表面生物電信號(hào)幅度變小的同時(shí)，干擾因素也減小，可以嘗試將電極部署在前額部位。實(shí)驗(yàn)中將電極導(dǎo)聯(lián)放置于前額，從采集EEG信號(hào)中成功提取出α節(jié)律成分。EOG信號(hào)是由眼球運(yùn)動(dòng)時(shí)眼部肌肉的動(dòng)作引發(fā)的電位活動(dòng)，EOG信號(hào)的幅度較大，通?？蛇_(dá)到毫伏級(jí)別，眼球附近干擾因素相對(duì)少，因此，試驗(yàn)中可以采集到理想的EOG信號(hào)。傳統(tǒng)EOG信號(hào)采集時(shí)，電極放置于眼球四周采集眼動(dòng)特征參數(shù)，在實(shí)際試驗(yàn)中存在干擾視線(xiàn)、眼部不適等問(wèn)題?；谕瑯拥牡览恚瑢OG電極導(dǎo)聯(lián)也置于前額部位。

節(jié)點(diǎn)設(shè)計(jì)中依次完成微處理器、無(wú)線(xiàn)傳感芯片、電源、傳感電極等組件的選型調(diào)試以及放大電路詳細(xì)設(shè)計(jì)布局工作，精簡(jiǎn)節(jié)點(diǎn)重量和體積。圖2為人體生物電采集平臺(tái)；圖3為無(wú)線(xiàn)傳感主節(jié)點(diǎn)平臺(tái)。

生物電數(shù)據(jù)采集成功后，使用無(wú)線(xiàn)傳感芯片與控制平臺(tái)進(jìn)行數(shù)據(jù)傳輸。無(wú)線(xiàn)傳輸可采用低功耗的藍(lán)牙芯片與車(chē)載/手機(jī)現(xiàn)有的藍(lán)牙平臺(tái)建立數(shù)據(jù)連接，或采用目前廣泛使用的Zigbee技術(shù)。系統(tǒng)實(shí)驗(yàn)中選用支持Zigbee協(xié)議的CC2530無(wú)線(xiàn)傳感芯片，CC2530芯片具有優(yōu)良的低功耗特性和適中的傳輸速率。通過(guò)Zigbee傳感網(wǎng)將生物電數(shù)據(jù)發(fā)送至控制端進(jìn)行后續(xù)信號(hào)分離和特征提取，并為駕駛員反饋大腦疲勞實(shí)時(shí)監(jiān)測(cè)信息。

3系統(tǒng)軟件設(shè)計(jì)

3.1信號(hào)的特征提取和分類(lèi)識(shí)別

針對(duì)前額采集的混合信號(hào)，需要設(shè)計(jì)盲源分離算法(BSS)對(duì)混合信號(hào)進(jìn)行解混，提取出所需要的目標(biāo)信號(hào)，如低頻段(0～40Hz)的EEG、水平EOG、垂直EOG等。獨(dú)立分量分析(ICA)是一種基于統(tǒng)計(jì)原理的信號(hào)分離算法，非常合適EEG等生物電信號(hào)的BSS處理。ICA可以把多通道混合信號(hào)分離成一組統(tǒng)計(jì)獨(dú)立的非高斯源信號(hào)的線(xiàn)性組合，再依靠觀測(cè)特征選擇各源信號(hào)。在多通道混合生物電信號(hào)分離中，選擇合適的ICA算法十分重要，采用不合適的方法可能會(huì)導(dǎo)致分離出的源成分中混入大量偽跡成分和噪音，同時(shí)會(huì)導(dǎo)致源信號(hào)無(wú)法識(shí)別。圖4所示為ICA算法對(duì)觀測(cè)信號(hào)進(jìn)行分離求得源信號(hào)的運(yùn)算模型。

系統(tǒng)中設(shè)計(jì)使用基于滑動(dòng)窗的ICA算法進(jìn)行信號(hào)源分離，該方法中運(yùn)算數(shù)據(jù)按照單個(gè)樣本依次更新，能夠?qū)崿F(xiàn)以自適應(yīng)的方式對(duì)信號(hào)混合模型進(jìn)行異步跟蹤，具有較好的運(yùn)算實(shí)時(shí)性。基于滑動(dòng)窗的ICA算法在數(shù)據(jù)移動(dòng)方向上每次滑動(dòng)一個(gè)樣本，即若滑動(dòng)窗長(zhǎng)為L(zhǎng)，每次迭代時(shí)，窗內(nèi)有L-1個(gè)數(shù)據(jù)和前一次窗內(nèi)數(shù)據(jù)相同。利用窗內(nèi)的的L個(gè)數(shù)據(jù)更新ICA的分離矩陣，在最大程度上克服了單樣本情況下ICA算法收斂性不足的問(wèn)題。圖5所示為滑動(dòng)窗的ICA算法運(yùn)算原理。

人體前額部采集到的信號(hào)通常為各種生物電源信號(hào)混合形成的觀測(cè)信號(hào)。為了從采集的前額混合信號(hào)有提取出有效的EEG、EOG獨(dú)立分量成分，系統(tǒng)對(duì)所采集信號(hào)進(jìn)行一些列降噪和去偽跡處理，再運(yùn)用ICA方法進(jìn)行盲源分離，結(jié)合EEG信號(hào)特征以及眨眼信號(hào)波形檢測(cè)算法從分離出的信號(hào)通道中甄別出EEG信號(hào)、EOG獨(dú)立分量成分。圖6為實(shí)驗(yàn)中采集到的生物電混合信號(hào)時(shí)頻域波形圖。實(shí)驗(yàn)中，針對(duì)采集到的生物電混合觀測(cè)信號(hào)，運(yùn)用基于滑動(dòng)窗的ICA算法進(jìn)行源信號(hào)分離，提取出EEG信號(hào)中8～12Hz頻段的α波成份，以及反應(yīng)受試者眼動(dòng)特征的EOG成份。圖7所示為實(shí)驗(yàn)數(shù)據(jù)中分離得出EOG源信號(hào)波形截選圖；圖8所示為實(shí)驗(yàn)數(shù)據(jù)中EEG α波成份波形截選圖。

針對(duì)分離出的特征分量，運(yùn)用SVM分類(lèi)算法將不同疲勞狀態(tài)下特征分量分類(lèi)開(kāi)來(lái)，提取出理想的體現(xiàn)不同疲勞程度的EEG、EOG獨(dú)立分量成分。SVM可以有效適用于線(xiàn)性和非線(xiàn)性可分類(lèi)問(wèn)題，在確保分類(lèi)精度的同時(shí)，進(jìn)行最優(yōu)化分類(lèi)。對(duì)于線(xiàn)性可分類(lèi)問(wèn)題，通過(guò)建立超平面使得兩類(lèi)問(wèn)題樣本中最近點(diǎn)的間距最大化；對(duì)于非線(xiàn)性問(wèn)題，SVM將問(wèn)題映射到高維度特征空間中，構(gòu)造出特征空間的最優(yōu)超平面，進(jìn)而實(shí)現(xiàn)線(xiàn)性可分類(lèi)。為了提高疲勞檢測(cè)效果和系統(tǒng)魯棒性，建立可靠疲勞檢測(cè)混合模型，實(shí)驗(yàn)中進(jìn)行大量的不同受試者疲勞樣本數(shù)據(jù)實(shí)驗(yàn)以尋找合適分離的混合信號(hào)樣本，生成多種特征融合的疲勞檢測(cè)模型，提高識(shí)別準(zhǔn)確度。

3.2控制端APP軟件設(shè)計(jì)

APP軟件主要運(yùn)行在控制端平臺(tái)。車(chē)載設(shè)備或手機(jī)設(shè)備中，利用現(xiàn)有藍(lán)牙設(shè)備接收采集端子節(jié)點(diǎn)發(fā)送的數(shù)據(jù)，基于Android或IOS開(kāi)發(fā)；也可以基于ARM開(kāi)發(fā)板重新研發(fā)控制平臺(tái)，嵌入Zigbee通信模塊來(lái)接收子節(jié)點(diǎn)數(shù)據(jù)。APP軟件中編寫(xiě)DLL庫(kù)函數(shù)模塊實(shí)現(xiàn)數(shù)據(jù)處理算法，涉及生物電原始觀測(cè)信號(hào)的去噪、濾波等預(yù)處理，以及信號(hào)盲源分離、特征提取與模式分類(lèi)識(shí)別，最終對(duì)駕駛員生理數(shù)據(jù)監(jiān)測(cè)結(jié)果進(jìn)行判別，給出提示或預(yù)警。同時(shí)，APP軟件需要利用手機(jī)3G通訊或車(chē)載WIFI與遠(yuǎn)程服務(wù)器端APP建立連接，傳輸疲勞監(jiān)測(cè)信息。

4方案分析評(píng)估

基于生物電特征的疲勞檢測(cè)系統(tǒng)方案通過(guò)一些列軟硬件開(kāi)發(fā)與算法設(shè)計(jì)實(shí)現(xiàn)系統(tǒng)的整體功能架構(gòu)，涉及傳感器節(jié)點(diǎn)硬件系統(tǒng)搭建，包括微處理器、無(wú)線(xiàn)傳感芯片的選型與調(diào)試，生物電放大電路的設(shè)計(jì)與調(diào)試，固件系統(tǒng)包括嵌入式芯片C控制程序開(kāi)發(fā)、藍(lán)牙/Zigbee無(wú)線(xiàn)通信協(xié)議植入等。完成基于Android平臺(tái)的手機(jī)/車(chē)載控制端的APP應(yīng)用程序開(kāi)發(fā)，包括軟件UI界面設(shè)計(jì)、數(shù)據(jù)通信接收、信號(hào)處理算法實(shí)現(xiàn)、系統(tǒng)識(shí)別結(jié)果的傳輸?shù)?。系統(tǒng)搭建完成后，開(kāi)展聯(lián)機(jī)實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)數(shù)據(jù)，結(jié)合實(shí)驗(yàn)中受試者反饋等參數(shù)優(yōu)化調(diào)整電極導(dǎo)聯(lián)布局、節(jié)點(diǎn)軟硬件系統(tǒng)參數(shù)、APP程序算法實(shí)現(xiàn)流程，提高疲勞檢測(cè)系統(tǒng)的準(zhǔn)確率和魯棒性，實(shí)現(xiàn)對(duì)受試者疲勞狀態(tài)的有效識(shí)別。系統(tǒng)中采用這種系統(tǒng)架構(gòu)盡可能地提高前端設(shè)備輕便性，未來(lái)進(jìn)一步改進(jìn)可以附在耳機(jī)眼鏡等設(shè)備中，減少駕駛員的設(shè)備穿戴不適。同時(shí)，前端設(shè)備的精簡(jiǎn)可以減小功耗。后端設(shè)備植入車(chē)載平臺(tái)中，發(fā)揮其中高性能CPU運(yùn)算優(yōu)勢(shì)，和界面提示等便利。

5結(jié)束語(yǔ)

本文在結(jié)合現(xiàn)有生物電采集實(shí)驗(yàn)與數(shù)據(jù)分析的基礎(chǔ)上，設(shè)計(jì)疲勞檢測(cè)系統(tǒng)的實(shí)驗(yàn)范式，基于此依次展開(kāi)頭戴式傳感器節(jié)點(diǎn)硬件設(shè)計(jì)，節(jié)點(diǎn)嵌入式程序設(shè)計(jì)，控制端APP應(yīng)用程序開(kāi)發(fā)，疲勞檢測(cè)系統(tǒng)聯(lián)機(jī)實(shí)驗(yàn)等工作。后續(xù)在前額混合信號(hào)進(jìn)行獨(dú)立成份分離、疲勞樣本選取等方面可進(jìn)一步完善改進(jìn)。依據(jù)實(shí)驗(yàn)數(shù)據(jù)結(jié)果，結(jié)合受試者實(shí)驗(yàn)反饋等多種參數(shù)，不斷調(diào)整優(yōu)化系統(tǒng)的識(shí)別率與魯棒性。

[參考文獻(xiàn)]

[1]ETSC. The Role of Driver Fatigue in Commercial Road Transport Crashes[R]. Brussels: European Transport Safety Council, 2001: 4.

[2]公安部交通管理局. 中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào) [R]. 無(wú)錫, 中國(guó): 公安部交通管理科學(xué)研究所, 2009.

[3]于洪生，高速鐵路司機(jī)作業(yè)前后疲勞狀況調(diào)查分析，疾病檢測(cè)與控制雜志，2010, vol.4, No.7.

[4]KENNETH P, WRIGHT J, JOSEPH H. Relationship between alertness, performance, and body temperature in humans[J]. American Journal of Physiology, 2002, 283(6): R1370-R1377.

[5]CAJOCHEN C, KHALSA S, WYATT J. EEG and ocular correlates of circadian melatonin phase and human performance decrements during sleep loss[J]. American Journal of Physiology, 1999, 277(3): R640-R649.

[6]D. F. Dinges, M. M. Mallis, G. J. W. Maislin. Final Report: Evaluation of Techniques for Ocular Measurement as an Index of Fatigue and as the Basis for Alertness Management, National Highway Traffic Safety Administration, Report No DOT HS 808762.

[7]K. Kozak, J. Pohl, W. Birk, J. Greenberg, B. Artz, M. Blommer, L.Cathey, and R. Curry, “Evaluation of lane departure warnings for drowsy drivers,” in Proc. Human Factors and Ergonomics Society 50th Annual Meeting, Oct. 16-20, 2006, pp. 2400-2404.

[8]R. S. Huang, T. P. Jung, A. Delorme, and S. Makeig, “Tonic and phasic electroencephalographic dynamics during continuous compensatory tracking,” Neuro Image, vol. 39, no. 4, pp. 1896-1909, Feb. 2008.

[9]R. S. Huang, T. P. Jung, and S. Make ig, “Tonic changes in EEG power spectra during simulated driving,” Lecture Notes in Computer Science, vol. 5638, LNAI, pp. 394-403, Dec. 2009.

[10]C. T. Lin, R. C. Wu, S. F. Liang, W. H. Chao, Y. J. Chen, and T.P. Jung, “EEG-based drowsiness estimation for safety driving using independent component analysis,” IEEE trans. Circuits Syst. I, Reg. Papers, vol. 52, no. 12, pp. 2726-2738, Dec. 12, 2005.

[11]C. T. Lin, Y. C. Chen, T. Y. Huang, T. T. Chiu, L. W. Ko, S. F. Liang, H. Y. Hsieh, S. H. Hsu, and J. R. Duann,“Development of wireless brain computer interface with embedded multitask scheduling and its application on real-time driver’s drowsiness detection and warning,” IEEE Trans. Biomed. Eng.,vol. 55, no. 5, pp. 1582-1591, May 2008.

[12]C. T. Lin, L. W. Ko, J. C. Chiou, J. R. Duann, R. S. Huang, S. F. Liang, T. W. Chiu, and T. P. Jung, “Noninvasive neural prostheses using mobile and wireless EEG,” Proc. IEEE, vol. 96, no. 7, pp. 1167-1183, Jul.2008.

[13]S. Otmani, T. Pebayle, J. Rogé, and A. Muzet, “Effect of driving duration and partial sleep deprivation on subsequent alertness and performance of car drivers,” Physiol. Behav., vol. 84, no. 5, pp. 715-724,Apr. 2005.

[14]N. Galley, R. Schleicher, and L. Galley, “Blink parameter as indicators of driver’s sleepiness-Possibilities and limitations,” Vis. Veh., vol. 10,pp. 189-196, 2004.

[收稿日期]2016-01-10

[基金項(xiàng)目]安徽省高校自然科學(xué)研究重點(diǎn)項(xiàng)目(編號(hào)：KJ2013A217)；魂芯DSP產(chǎn)業(yè)化研究院開(kāi)放課題(編號(hào)：2014dspkfb03)；合肥師范學(xué)院青年基金項(xiàng)目(編號(hào)：2015QN16)資助

[作者簡(jiǎn)介]衛(wèi)兵 (1984-)，男，安徽省六安人，講師，碩士，主要研究方向：嵌入式系統(tǒng)、模式識(shí)別與智能數(shù)據(jù)處理；郭玉堂 (1962-)，男，安徽省安慶人，教授，博士，主要研究方向：圖像處理與模式識(shí)別，計(jì)算機(jī)網(wǎng)絡(luò)。

[中圖分類(lèi)號(hào)]TP302.1；TP302.7

[文獻(xiàn)標(biāo)識(shí)碼]A

[文章編號(hào)]1674-2273(2016)03-0020-05