祝亞兵，曾友雯，馮珍，時一凡，李奇

（長春理工大學 計算機科學技術學院，長春 130022）

基于腦電信號特征的駕駛疲勞檢測方法研究

祝亞兵，曾友雯，馮珍，時一凡，李奇

（長春理工大學 計算機科學技術學院，長春 130022）

目前，疲勞駕駛已成為一種嚴重的社會問題，然而對于疲勞駕駛的檢測與預防仍缺乏有效的技術手段。采用疲勞駕駛模擬實驗、結(jié)合對象辨別實驗和對被試面部表情變化分析，探索了腦電信號特征與駕駛疲勞狀態(tài)間的相關性。提取腦電信號的δ波、θ波、α波、β波四種腦電節(jié)律的能量值作為疲勞駕駛的特征值，采用δ波能量值與θ波能量值之和與β波能量值的比值作為疲勞指數(shù)。結(jié)果顯示，疲勞指數(shù)與被試疲勞程度呈正相關，驗證了利用腦電信號檢測疲勞程度的合理性與客觀性，為疲勞檢測提供了新的思路。

腦電圖；駕駛疲勞；反應時間；小波包分解

近年來，隨著汽車保有量的增加，道路交通事故發(fā)生率居高不下，已成為一個嚴重的社會問題。據(jù)世界衛(wèi)生組織預測，到2030年由道路交通事故所造成的人員傷亡將會是人類死傷的主要原因之一［1］。Klauer等人的研究發(fā)現(xiàn)，由疲勞駕駛引發(fā)交通事故，其概率是正常駕駛的4～6倍［2，3］。因此，預防和及時發(fā)現(xiàn)駕駛疲勞是世界各國研究者亟待解決的重大科學課題。目前，國內(nèi)外學者已經(jīng)掌握了多種檢測駕駛疲勞的方法。（1）基于皮爾遜疲勞表的主觀檢測方法:該方法由駕駛員本人通過主觀感覺填寫疲勞量表來判斷疲勞程度；（2）圖像處理檢測方法:該方法對駕駛員面部表情、頭部位移等特征進行測定，采用視覺技術對眼睛閉合程度、嘴角下垂情況進行精確地計算和分析［4］，由此判斷駕駛員是否疲勞；（3）對駕駛操作行為及車輛狀態(tài)檢測的方法:該方法能夠依賴駕駛車輛的速度、側(cè)加速度、側(cè)位移等參數(shù)的變化［5，6］對疲勞駕駛進行判斷；（4）基于駕駛員生理參數(shù)測定的客觀檢測方法:主要包括腦電檢測、肌電檢測、心電檢測等，該方法能夠避免量表判斷、車輛參數(shù)檢測、面部表情及頭部位移檢測的主觀性影響，更具客觀性和真實性。相對于心電檢測、肌電檢測的方法，腦電檢測受駕駛員動作影響較小，準確性和實時性特點明顯。因此，腦電被譽為疲勞檢測的“金標準”。

設計并實施了疲勞駕駛模擬實驗，通過記錄和分析被試在駕駛過程中的腦電信號特征變化，判斷被試的疲勞狀態(tài)，從而建立腦電信號與駕駛疲勞之間的對應關系。另外，為了客觀評判被試在疲勞駕駛模擬實驗中是否發(fā)生了駕駛疲勞，在實驗過程中記錄了被試的面部表情，并且在實驗前后增加了對象辨別實驗，通過分析被試的反應時間變化，客觀的評判被試是否發(fā)生了駕駛疲勞。

1 實驗設計

1.1 被試

6名來自長春理工大學的本科學生（3男，3女）作為實驗的被試，年齡在20～22歲之間（平均年齡20.7歲）。被試均為自愿參加實驗，配合度良好，右利手［7］，身體健康。

1.2 實驗過程

疲勞駕駛模擬實驗前，被試要完成一次對象辨別實驗（辨別實驗一），獲得被試實驗前的反應時間數(shù)據(jù)。模擬疲勞駕駛實驗過程中，被試觀看行車視頻，實驗人員實時記錄被試的腦電信號和攝錄被試的面部表情。疲勞駕駛模擬實驗結(jié)束后，被試再完成一次對象辨別實驗（辨別實驗二），獲取被試實驗后的反應時間數(shù)據(jù)。實驗流程如圖1所示。

圖1 實驗流程圖

1.2.1 對象辨別實驗

利用presentation 0.71軟件設計對象辨別實驗。采用高斯光柵格作為實驗刺激（3.3cm×3.3cm，視角1.1°），實驗刺激分為兩類:橫高斯光柵格和豎高斯光柵格。實驗刺激通過一臺27英寸，分辨率為1920×1080的LED顯示器呈現(xiàn)，如圖2所示。實驗過程中，被試坐在顯示器正前方150cm處。兩種實驗刺激隨機地呈現(xiàn)在屏幕中央注視點“＋”下3.2cm處，呈現(xiàn)時間為50ms，刺激呈現(xiàn)的時間間隔為800ms～1200ms間的一個隨機值。被試的任務是盯著注視點，判斷出現(xiàn)的刺激類型。當被試看到橫光柵格時按鼠標左鍵，看到豎光柵格時按鼠標右鍵。要求被試在保證準確率的前提下盡可能快地做出判斷。當刺激出現(xiàn)4000ms后被試沒有做出反應，視為無效刺激。被試總共完成120個實驗刺激的判斷（其中60個橫光柵格、60個豎光柵格），記錄實驗過程中被試的反應時間。在實驗開始前要求被試完成20個實驗刺激的預實驗以熟悉實驗刺激和實驗過程。

圖2 反應時間測試實驗示意圖

1.2.2 疲勞駕駛模擬實驗

疲勞駕駛模擬實驗在長春理工大學腦信息學研究室的專業(yè)隔音屏蔽腦電實驗室內(nèi)完成，采用澳大利亞Neuroscan公司生產(chǎn)的64導SynAmps2腦電放大器記錄被試的腦電信號，電極配置采用國際標準導聯(lián)10-20系統(tǒng)（10-20 electrode system）。實驗平臺如圖3所示。

圖3 實驗平臺示意圖

被試坐在顯示器正前方150cm處，一臺攝像機放置在被試的右前方110cm處攝錄被試在實驗過程中的面部表情。采用一段60分鐘的行車視頻作為實驗材料。行車視頻通過筆記本電腦分屏顯示。實驗前，告知被試實驗流程以及實驗注意事項；實驗過程中要求被試觀看行車錄像，想象自己在駕駛著汽車，記錄被試的腦電信號。

2 數(shù)據(jù)處理

2.1 對象辨別實驗

分析6名被試在疲勞駕駛模擬實驗前后完成的對象辨別實驗的反應時間。6名被試的平均反應時間結(jié)果如圖4所示。

圖4 反應時間實驗前后對比

對象辨別實驗一的平均反應時為420±56.7ms，對象辨別實驗二的平均反應時為456±61.6ms。采用spss19.0軟件對對象辨別實驗一和辨別實驗二的反應時間進行配對T-test分析。結(jié)果顯示，對象辨別實驗一的平均反應時間顯著快于對象辨別實驗二的平均反應時間（t（5）=-2.766，p=0.04）。

2.2 疲勞駕駛模擬實驗

采用Neuroscan公司提供的專用腦電分析處理軟件Neuroscan4.3和MATLAB 2012數(shù)學軟件對腦電數(shù)據(jù)進行離線分析［8］。

為避免高頻信號以及眼動對腦電信號的影響，對采集的原始腦電數(shù)據(jù)進行濾波及去眼電預處理，保留0～30Hz頻率范圍的腦電數(shù)據(jù)［9］，以獲取優(yōu)質(zhì)數(shù)據(jù)源。

預處理后，將60分鐘的腦電數(shù)據(jù)按時間等分成6段（每段10分鐘），記為時間段1（時間段1為實驗剛開始）、時間段2、時間段3、時間段4、時間段5、時間段6。取每個時間段的前5秒作為分析處理數(shù)據(jù)。

以往研究的實驗表明，δ波、θ波、α波、β波四種腦電節(jié)律能量隨著疲勞的狀態(tài)變化明顯［10］。本實驗將對這四種腦電節(jié)律能量進行分析。

由于腦電信號具有微弱性、多頻性、非線性及非平穩(wěn)性的特點。單從時域或頻域分析，不能得到明顯的疲勞腦電特征和良好的分類效果。本研究采用小波包分解的方法，分析了腦電信號隨時間變化的疲勞狀態(tài)的特征［11］。

信號 f(t)的連續(xù)小波變換［12］為:

式中Wx(a,b)是小波變換系數(shù)，a是伸縮因子，b為平移因子，Ψ(t)是小波函數(shù)，t是時間。

實際應用中，將Mallat多分辨率算法［13］的概念引入小波變換，采用小波包分解［14］的方法分析處理信號。小波包將信號按任意的時頻分辨率分解到不同的頻段，并將信號的時頻成分相應的投影到所有代表不同頻段的正交小波包空間上。

運用MATLAB軟件，實現(xiàn)兩層小波包分解算法，將上述已分段好的腦電數(shù)據(jù)分解為δ波、θ波、α波、β波四種腦電節(jié)律，作為下一步分析的數(shù)據(jù)源。

3 疲勞檢測模型建立

大量的數(shù)據(jù)表明，人在疲勞過程中，腦電節(jié)律的能量會出現(xiàn)不同趨勢的變化。因此，研究不同腦電節(jié)律的能量，對檢測被試是否處于疲勞狀態(tài)具有重要意義?；谀X電節(jié)律的信號能量可按如下方法求得:

（1）對α波腦電節(jié)律 fα(t)進行傅里葉變換，得到 fα(t)。

（2）將Fα（t）平方，得到腦電特征的能量Eα。

（3）按照上述方式，求出β波、δ波、θ波能量，分別為Eβ、Eδ、Eθ。

通過對各電極通道腦電數(shù)據(jù)及腦電地形圖的分析，發(fā)現(xiàn)在大腦頂區(qū)的腦電能量變化較為明顯。因此，本實驗選取Cz電極的腦電數(shù)據(jù)作為分析數(shù)據(jù)，得到Cz腦電信號四種節(jié)律的能量（表1）。四種腦電節(jié)律能量變化曲線如圖5所示。

圖5 不同時刻四種節(jié)律能量與被試面部表情對比圖

表1 不同時間段各波段的能量

由表1、圖5分析可知，隨著時間變化β波能量逐漸降低，δ波、θ波和α波的能量逐漸增加。時間段1至時間段3這段時間δ波、θ波、α波的能量增長較慢，時間段3至時間段5能量增長速率變快。時間段5至時間段6這段時間θ波、α波能量保持在一定狀態(tài)，而δ波能量繼續(xù)增加。從實驗過程中被試的面部表情視頻數(shù)據(jù)可以看出，被試隨著試驗時間的增加，精神狀態(tài)從清醒變?yōu)樯袂榇魷?，到最后甚至出現(xiàn)瞌睡的狀況（圖5）。也就是說，當α波、β波占主導優(yōu)勢時，被試的意識是清醒的；而當δ波、θ波占主導時，人的意識模糊甚至出現(xiàn)睡眠。

由圖5可知，被試在實驗過程中疲勞程度發(fā)生變化，但不同腦電節(jié)律呈現(xiàn)不同的趨勢。由于疲勞是多種因素共同作用的結(jié)果，單個節(jié)律能量的變化趨勢不能客觀衡量疲勞程度變化。因此，我們綜合分析多個節(jié)律的能量變化設計了如下駕駛疲勞指數(shù)模型［15］:

由圖6所示，隨時間變化，被試的疲勞指數(shù)增加。

圖6 疲勞指數(shù)曲線圖

4 結(jié)論

通過疲勞駕駛模擬實驗，我們發(fā)現(xiàn)隨著疲勞程度的變化，β波能量逐漸降低，δ波、θ波和α波的能量逐漸增加?；谀X電不同節(jié)律的能量變化情況構(gòu)造了疲勞駕駛檢測模型。該模型能夠?qū)︸{駛過程中駕駛員的疲勞程度進行客觀、準確、及時的反映，這對檢測駕駛疲勞，預防交通事故發(fā)生，保護人們的生命財產(chǎn)安全有重要的意義。未來隨著腦電與疲勞關系方面研究的不斷深入，腦電檢測駕駛疲勞會更加普遍。另外，在其他很多方面，像礦工、建筑工人等疲勞工作極易產(chǎn)生危險的產(chǎn)業(yè)行業(yè)也將具有重要意義。

［1］ Toroyan T.Global status report on road safety［J］. Injury prevention:journal of the International Society forChild and AdolescentInjury Prevention，2009，15:286.

［2］ Maclean W，Davies D，Thiele K.The hazards and prevention of dring while sleepy［J］.Sleep Medicine Reviews，2003，7:507-521.

［3］ Jin L，Niu Q，Jiang Y，et al.Driver sleepiness detection system based on eye movements variables［J］. Advances in Mechanical Engineering，2013:1-7.

［4］ 馬添翼，成波.基于面部表情特征的駕駛員疲勞狀態(tài)識別［J］.汽車安全與節(jié)能學報，2010，1（3）:200-204.

［5］ 李力.駕駛行為智能分析的研究與發(fā)展［J］.自動化學報，2007，33（10）:1014-1022.

［6］ HarblukJL，NoyYI，TrbovichPL，etal.An on-road assessment of cognitive distraction:impacts on drivers'visual behavior and braking performance［J］.Accident analysis&prevention.2007，39:372-379.

［7］ 李健，郭冰，唐瑞陽.基于熟悉人臉范式的P300腦機接口字符輸入系統(tǒng)的設計與實現(xiàn)［J］.長春理工大學學報:自然科學版，2015，38（4）:1-2

［8］ 張莉，何傳紅，何為.典型相關分析去除腦電信號中眼電偽跡的研究［J］.計算機工程與應用，2009，45（31）: 218-220.

［9］ 王小甜.不同情緒狀態(tài)下腦電信號特征的研究［D］.長春:長春理工大學，2014.

［10］ 李明愛，張誠，楊金福.一種基于腦電信號的疲勞駕駛狀態(tài)判斷方法［J］.北京生物醫(yī)學工程，2011，30（1）: 57-61.

［11］ 沈民奮，孫麗莎，沈鳳麟.基于小波變換的動態(tài)腦電節(jié)律提?。跩］.數(shù)據(jù)采集與處理，1999，14（2）:183-186.

［12］ 孫靜，黃丹飛，喬洪勇.腦梗塞時心電信號和腦電信號的相關性分析［J］.長春理工大學學報:自然科學版，2014，37（1）:1-2.

［13］ Mallat S.Multi-resolution frequency channel decopmposition of images and wavel et models［J］. IEEE Trans on ASSP.1989，37（12）:2091-2110.

［14］ 許鳳娟.腦電信號采集與分析系統(tǒng)的設計［D］.長春:長春理工大學，2011.

［15］ 房瑞雪，趙曉華，榮建，等.基于腦電信號的駕駛疲勞研究［J］.公路交通科技，2009，12（26）:125-127.

The Detection Method for Driving Fatigue Based on EEG Signals

ZHU Yabing，ZENG Youwen，F(xiàn)ENG Zhen，SHI Yifan and LI Qi
（School of Computer Science and Technology，Changchun University of Science and Technology，Changchun 130022）

Fatigue driving has become a serious social problem in recent years.However，there is still a lack of effective technical measure for detecting and preventing the fatigue driving.The correlation between EEG signal characteristics and driving fatigue state was investigated by using a fatigue driving simulation experiment as well as an object discrimination experiment.The facial expression of subjects in the fatigue driving simulation experiment was recorded for analysis.The EEG energy of four rhythms ofβ，θ，α，and β waves were extracted.The ratio ofδ + θand β EEG energy was used as the model of driving fatigue index.The results showed a strong positive correlation between driving fatigue index and fatigue state，which verified the rationality and objectivity for fatigue detection by using EEG signals，and shed light on a new method for driving fatigue detection.

electroencephalograph（EEG）；driving fatigue；wavelet packet decomposition

TP391

A

1672-9870（2016）05-0119-04

2016-04-20

國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（2015S025）；吉林省科技發(fā)展計劃大學生創(chuàng)業(yè)資金項目（20160521016HJ）資助

祝亞兵（1994-），男，本科，E-mail:zhu_yabingah@163.com

李奇（1977-），男，博士，教授，E-mail:liqi@cust.edu.cn