徐春婕

XU Chun-jie

（中國(guó)鐵道科學(xué)研究院?電子計(jì)算技術(shù)研究所，北京?100081)

(Institute of Computing Technology， China Academy of Railway Sciences， Beijing 100081， China)

0 引言

行車(chē)安全是鐵路運(yùn)輸安全生產(chǎn)的重要保障。由于列車(chē)運(yùn)行速度快，鐵路交通運(yùn)輸安全事故危害性大，而機(jī)車(chē)司機(jī)操作過(guò)程的智能化和所處環(huán)境的影響，使得司機(jī)易于處于注意力下降、打瞌睡等狀態(tài)，導(dǎo)致司機(jī)的違章作業(yè)或操縱失誤。因此，對(duì)列車(chē)司機(jī)狀態(tài)進(jìn)行在線(xiàn)監(jiān)測(cè)和管理，己經(jīng)成為保障列車(chē)安全運(yùn)營(yíng)亟待解決的問(wèn)題。

目前，國(guó)內(nèi)外對(duì)司機(jī)疲勞駕駛監(jiān)測(cè)技術(shù)的研究主要集中在汽車(chē)司機(jī)的疲勞駕駛方面，分析的方法主要有基于生理參數(shù)的方法[1-2]和基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法[3-8]?；谏韰?shù)的方法主要分析腦電信號(hào)、脈搏、手動(dòng)信息、肌電信號(hào)和皮電信號(hào)等[9]；基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法主要分析眼睛閉合程度 (PERCLOS)、眨眼頻率等眼部特征和頭部位置變化等，基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法由于其非接觸式的工作方式得到廣泛的應(yīng)用，但由于列車(chē)運(yùn)行過(guò)程中受復(fù)雜光線(xiàn)的影響，準(zhǔn)確率比較低。

少數(shù)鐵路局集團(tuán)公司、站段根據(jù)本單位的工作實(shí)際，開(kāi)發(fā)了基于計(jì)算機(jī)視覺(jué)分析的司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng)，但仍存在諸多的問(wèn)題，監(jiān)測(cè)手段單一，僅以閉眼時(shí)長(zhǎng)作為判斷疲勞程度的標(biāo)準(zhǔn)，準(zhǔn)確率和可靠性有待提高；報(bào)警僅限于在司機(jī)駕駛室內(nèi)進(jìn)行報(bào)警，難以滿(mǎn)足地面機(jī)務(wù)段實(shí)時(shí)監(jiān)控司機(jī)狀態(tài)的需求；系統(tǒng)功能單一，對(duì)于監(jiān)控視頻數(shù)據(jù)采用人工監(jiān)控的方式，成為一種事后取證的工具，很難進(jìn)行統(tǒng)計(jì)和分析，難以滿(mǎn)足統(tǒng)一管理和考核的需求。為此，采用多信息融合的分析方法，提出一套完整的基于多傳感信息融合的鐵路機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng)。通過(guò)采集司機(jī)的駕駛圖像、司機(jī)的腦電信息及手動(dòng)信息，對(duì)數(shù)據(jù)進(jìn)行綜合分析，進(jìn)行在線(xiàn)監(jiān)測(cè)與報(bào)警，并將報(bào)警信息實(shí)時(shí)傳送至地面監(jiān)控中心，并對(duì)視頻進(jìn)行管理。該系統(tǒng)可以有效提高監(jiān)測(cè)的準(zhǔn)確率和可靠性，實(shí)現(xiàn)報(bào)警數(shù)據(jù)的實(shí)時(shí)車(chē)地傳輸，全面滿(mǎn)足實(shí)時(shí)監(jiān)控的需求。

1 基于多信息融合的鐵路機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

鐵路機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng) (DFDS) 是指利用信息技術(shù)、集成技術(shù)、圖像處理等技術(shù)，對(duì)司機(jī)的面部表情、行為狀態(tài)實(shí)時(shí)采集的視頻和可穿戴設(shè)備采集的生理信號(hào)等信息進(jìn)行分析和統(tǒng)計(jì)，具有在線(xiàn)監(jiān)控、視頻管理、統(tǒng)計(jì)分析、設(shè)備管理、參數(shù)控制等基本功能，形成列車(chē)機(jī)務(wù)段、機(jī)車(chē)司機(jī)兩級(jí)報(bào)警和分析體系，全面滿(mǎn)足機(jī)務(wù)段對(duì)司機(jī)狀態(tài)監(jiān)控和管理需求的統(tǒng)一智能監(jiān)控系統(tǒng)。

1.1 系統(tǒng)功能設(shè)計(jì)

系統(tǒng)從功能角度可以劃分為在線(xiàn)監(jiān)控子系統(tǒng)、視頻管理子系統(tǒng)、統(tǒng)計(jì)分析子系統(tǒng)及設(shè)備監(jiān)控子系統(tǒng)。

（1）在線(xiàn)監(jiān)控子系統(tǒng)。在線(xiàn)監(jiān)控子系統(tǒng)通過(guò)圖像采集傳感器采集機(jī)車(chē)司機(jī)的面部視頻信息、安裝在司機(jī)工作帽中的傳感器采集腦電波信息、通過(guò)智能手環(huán)采集司機(jī)的手部運(yùn)動(dòng)信息，并對(duì)相應(yīng)的信息進(jìn)行分析，計(jì)算司機(jī)的疲勞度，然后進(jìn)行信息的融合，準(zhǔn)確快速地檢測(cè)疲勞狀態(tài)監(jiān)及異常行為，并將報(bào)警信息實(shí)時(shí)傳送監(jiān)控中心系統(tǒng)，進(jìn)行人工干預(yù)和處理。

（2）視頻管理子系統(tǒng)。視頻管理子系統(tǒng)主要完成視頻圖像的查詢(xún)、預(yù)覽和回放功能，用戶(hù)可以根據(jù)不同的時(shí)間段、機(jī)車(chē)編號(hào)、司機(jī)編號(hào)等字段進(jìn)行視頻圖像的檢索，結(jié)合報(bào)警信息可以實(shí)現(xiàn)視頻圖像的快速定位，在視頻回放過(guò)程中，實(shí)現(xiàn)視頻圖像的抓圖存儲(chǔ)功能，作為事后分析的依據(jù)。

（3）統(tǒng)計(jì)分析子系統(tǒng)。統(tǒng)計(jì)分析子系統(tǒng)是為機(jī)務(wù)段工作人員和管理人員提供所需要的數(shù)據(jù)報(bào)表，可以有效提高業(yè)務(wù)人員統(tǒng)計(jì)管理工作效率的報(bào)表管理系統(tǒng)。系統(tǒng)提供工作時(shí)長(zhǎng)統(tǒng)計(jì)、報(bào)警次數(shù)統(tǒng)計(jì)、績(jī)效考核等基本報(bào)表功能。

（4）設(shè)備管理子系統(tǒng)。設(shè)備管理子系統(tǒng)實(shí)現(xiàn)系統(tǒng)設(shè)備的狀態(tài)監(jiān)控和故障管理、設(shè)備的參數(shù)配置及全生命周期的管理功能。車(chē)載設(shè)備包括攝像頭、可穿戴設(shè)備、智能分析設(shè)備，地面監(jiān)控中心包括服務(wù)器等設(shè)備。

1.2 系統(tǒng)架構(gòu)設(shè)計(jì)

根據(jù)機(jī)車(chē)司機(jī)提醒、機(jī)務(wù)段對(duì)司機(jī)狀態(tài)進(jìn)行集中監(jiān)控的要求，結(jié)合中國(guó)高速鐵路標(biāo)準(zhǔn)動(dòng)車(chē)組設(shè)計(jì)方案，DFDS 采用機(jī)務(wù)段－機(jī)車(chē)兩級(jí)架構(gòu)。整個(gè)系統(tǒng)組成分為地面監(jiān)控中心、車(chē)載監(jiān)控系統(tǒng)、車(chē)地通訊系統(tǒng)3個(gè)部分。地面監(jiān)控中心設(shè)置數(shù)據(jù)庫(kù)服務(wù)器、應(yīng)用服務(wù)器和接口服務(wù)器設(shè)備，通過(guò)統(tǒng)一的接口接收機(jī)車(chē)運(yùn)行信息、機(jī)車(chē)司機(jī)排班信息、機(jī)車(chē)調(diào)度信息及司機(jī)報(bào)警信息，對(duì)數(shù)據(jù)進(jìn)行管理和維護(hù)，完成機(jī)車(chē)司機(jī)排班等信息的維護(hù)，歷史視頻數(shù)據(jù)回放，機(jī)務(wù)段所屬機(jī)車(chē)司機(jī)的疲勞狀態(tài)實(shí)時(shí)跟蹤并進(jìn)行及時(shí)處理功能，從而實(shí)現(xiàn)對(duì)機(jī)車(chē)司機(jī)人員疲勞狀態(tài)全面集中管控；車(chē)載監(jiān)控系統(tǒng)通過(guò)攝像機(jī)組采集機(jī)車(chē)司機(jī)的面部視頻信息，通過(guò)腦電波帽子采集司機(jī)的腦電波信息，通過(guò)智能手環(huán)采集司機(jī)的手部運(yùn)動(dòng)信息，由智能分析主機(jī)對(duì)三者信息進(jìn)行綜合分析處理，快速準(zhǔn)確地檢測(cè)疲勞狀態(tài)監(jiān)及異常行為，并將報(bào)警信息實(shí)時(shí)傳送地面監(jiān)控中心系統(tǒng)，進(jìn)行人工干預(yù)和處理；車(chē)地通訊系統(tǒng)通過(guò) 4G/3G 無(wú)線(xiàn)通信單元與地面監(jiān)控中心實(shí)時(shí)交互，完成報(bào)警數(shù)據(jù)和報(bào)警信息的實(shí)時(shí)傳輸功能。

系統(tǒng)軟件架構(gòu)通過(guò)調(diào)用不同的服務(wù)和數(shù)據(jù)資源構(gòu)建系統(tǒng)的業(yè)務(wù)流程，設(shè)計(jì)的基于多信息融合的 DFDS 架構(gòu)如圖1所示。整個(gè)架構(gòu)按層次劃分為表現(xiàn)層、業(yè)務(wù)層、數(shù)據(jù)層、傳輸層和數(shù)據(jù)采集層5層。

（1）表現(xiàn)層。表現(xiàn)層提供用戶(hù)所需要的各種功能，包括在線(xiàn)監(jiān)測(cè)、視頻管理、統(tǒng)計(jì)分析和設(shè)備管理等業(yè)務(wù)的各應(yīng)用子系統(tǒng)。

（2）業(yè)務(wù)層。業(yè)務(wù)層是系統(tǒng)所有業(yè)務(wù)服務(wù)的集合,包括文件上傳、接口管理、抓圖、視頻存儲(chǔ)、視頻壓縮、疲勞度狀態(tài)檢測(cè)、報(bào)警等功能模塊。根據(jù)實(shí)際需要可以設(shè)置報(bào)警參數(shù)，如針對(duì)視頻信息采集設(shè)置的各級(jí)別報(bào)警時(shí)長(zhǎng)、報(bào)警視頻存儲(chǔ)長(zhǎng)度、報(bào)警圖片的抓取等；實(shí)現(xiàn)視頻的壓縮和存儲(chǔ)，并結(jié)合可穿戴設(shè)備采集的生理信號(hào)進(jìn)行融合，實(shí)現(xiàn)疲勞狀態(tài)的綜合監(jiān)測(cè)并進(jìn)行報(bào)警；通過(guò)接口管理模塊實(shí)現(xiàn)報(bào)警信號(hào)和圖像或視頻信息的上傳，并將機(jī)車(chē)運(yùn)行信息、機(jī)車(chē)司機(jī)排班信息和機(jī)車(chē)調(diào)度信息接入系統(tǒng)，為表現(xiàn)層提供業(yè)務(wù)支持。

圖1 基于多信息融合的 DFDS 架構(gòu)Fig.1 DFDS based on multi-sensor information fusion

（3）數(shù)據(jù)層。數(shù)據(jù)層是系統(tǒng)的數(shù)據(jù)中心，包括司機(jī)排班信息、機(jī)車(chē)運(yùn)行信息、機(jī)車(chē)調(diào)度信息、腦電信息、手環(huán)信息、圖片及視頻數(shù)據(jù)文件等。

（4）傳輸層。傳輸層包括藍(lán)牙通訊、有線(xiàn)通訊和 4G /3G 網(wǎng)絡(luò)傳輸，藍(lán)牙通訊實(shí)現(xiàn)可穿戴設(shè)備和分析主機(jī)之間的數(shù)據(jù)傳輸，有線(xiàn)完成攝像頭與分析主機(jī)間視頻圖像的傳輸，4G /3G 網(wǎng)絡(luò)完成車(chē)地?cái)?shù)據(jù)的實(shí)時(shí)數(shù)據(jù)交換。

（5）數(shù)據(jù)采集層。數(shù)據(jù)采集層包括的硬件設(shè)備為紅外攝像頭、帶三軸傳感器的智能手環(huán)和帶有腦電傳感器的工作帽，從而完成視頻圖像和生理信息等的采集功能。

2 鐵路機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng)關(guān)鍵技術(shù)

2.1 基于視覺(jué)分析的疲勞狀態(tài)監(jiān)測(cè)技術(shù)

基于視覺(jué)分析的司機(jī)疲勞狀態(tài)監(jiān)測(cè)由于其非接觸式工作方式，在疲勞駕駛檢測(cè)中得到了廣泛的運(yùn)用，機(jī)車(chē)運(yùn)行時(shí)受白天、黑夜、隧道等不同條件光線(xiàn)的影響，系統(tǒng)采用近紅外攝像頭來(lái)獲取駕駛員的臉部圖像，以保證不同光照環(huán)境下都能獲得較好的面部圖像?；谝曈X(jué)分析的司機(jī)疲勞駕駛監(jiān)測(cè)算法流程圖如圖2所示。系統(tǒng)首先采用基于擴(kuò)展 Haarlike 特征的 AdaBoost 算法，對(duì)人臉進(jìn)行檢測(cè)；其次，按照“三庭五眼”原則進(jìn)行眼睛區(qū)域的粗略定位 (選取人臉區(qū)域垂直方向約 1/5—1/2)，并對(duì)選定的人臉區(qū)域作3×3的中值濾波技術(shù)除噪，作垂直積分投影，選取投影的最大值，確定兩眼中間的水平位置，劃分左右眼，選取較大區(qū)域眼睛定位區(qū)域，對(duì)區(qū)域作水平積分和垂直積分投影[10]，將水平積分投影次大值記作眼睛的水平位置，將垂直積分投影的最大值記作眼睛的垂直位置。由于采集到的圖像中人眼的瞳孔半徑約為 6～9 個(gè)像素，因而本系統(tǒng)選取眼睛直徑 (記作 T) 為30個(gè)像素，以上下左右各擴(kuò)展 T/2 個(gè)值的作為選取瞳孔眼睛的矩形窗口；再次判斷眼睛的睜閉狀態(tài)，即將定位眼睛窗口二值化，閾值由經(jīng)驗(yàn)取為 80，此時(shí)黑眼球被二值化為黑色像素，統(tǒng)計(jì)各列黑色像素的個(gè)數(shù)并取最大值，判斷閾值是否小于6(采用 PERCLOS[11]算法的 P80原則)，如果各列黑色像素的閾值小于6則為閉眼狀態(tài)，反之為睜眼狀態(tài)；最后計(jì)算司機(jī)疲勞度。

2.2 基于腦電的疲勞狀態(tài)監(jiān)測(cè)技術(shù)

腦電是大腦皮層神經(jīng)細(xì)胞集群電活動(dòng)而產(chǎn)生的電生理信號(hào)，依頻率不同而分為 δ，θ，α，β 波。

圖2 基于視覺(jué)分析的司機(jī)疲勞駕駛監(jiān)測(cè)算法流程圖Fig.2 Flow chart of driver fatigue monitoring algorithm based on visual analysis

鑒于高速列車(chē)運(yùn)行時(shí)的實(shí)際情況，以 10～13 Hz 的 α 波和 18～22 Hz 的 β 波2個(gè)頻帶進(jìn)行分析，在實(shí)際駕駛環(huán)境中采集到的腦電信號(hào)含有較強(qiáng)的干擾，因而首先需要對(duì)采集到的腦電信號(hào)使用小波包分解方法[12]進(jìn)行去噪處理，小波包分解公式如下。

式中：f (t) 表示源信號(hào)；fi,j(tj) 表示小波包分解在第i 層分解節(jié)點(diǎn) (i，j) 上的重構(gòu)信號(hào)，i 為第 i 層分解，j = 0，1，…，2i-1。

由于駕駛員處于疲勞狀態(tài)時(shí)，α 波及高頻腦電會(huì)減少，而腦電的 β 波會(huì)增多；當(dāng)從疲勞轉(zhuǎn)為瞌睡或睡眠狀態(tài)時(shí),占主導(dǎo)的腦電頻率會(huì)逐步降低為 θ 波。鑒于高速列車(chē)運(yùn)行時(shí)的實(shí)際情況，以10～13 Hz 的 α 波的平均功率譜密度 Gα和 18～22 Hz的 β 波的平均功率譜密度 Gβ[9]比值作為腦電疲勞指標(biāo) Fa。

2.3 基于手環(huán)的疲勞狀態(tài)監(jiān)測(cè)技術(shù)

智能手環(huán)作為可穿戴設(shè)備的一種，通過(guò)手環(huán)中嵌入的三軸傳感器收集人的手動(dòng)信息，可以分析機(jī)車(chē)司機(jī)的疲勞及睡眠狀態(tài)，故本系統(tǒng)通過(guò)采集三軸加速度分量信息，檢測(cè)手部運(yùn)動(dòng)的活躍狀態(tài)，從而反映出司機(jī)的疲勞狀態(tài)程度。其主要包括以下 4個(gè)步驟：①計(jì)算三軸加速度，測(cè)量范圍為 -2～2g；②對(duì)三軸加速度求方差，以表征運(yùn)動(dòng)系數(shù)波動(dòng)的大小，為了讓方差恒定，即讓波動(dòng)相對(duì)穩(wěn)定，以便于統(tǒng)計(jì)推斷，因而在計(jì)算時(shí)對(duì)方差值取對(duì)數(shù)；③進(jìn)行閾值去噪計(jì)算手動(dòng)系數(shù)；④設(shè)置門(mén)限閾值，判斷手動(dòng)次數(shù)，統(tǒng)計(jì)一段時(shí)間內(nèi)手動(dòng)次數(shù)值，判斷疲勞程度。

2.4 基于多信息融合的疲勞狀態(tài)監(jiān)測(cè)技術(shù)

鐵路機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng)采用多信息融合，利用各類(lèi)傳感器采集的數(shù)據(jù)信息分別識(shí)別出駕駛員的疲勞程度，然后通過(guò)加權(quán)平均進(jìn)行相關(guān)的分析和處理。系統(tǒng)疲勞等級(jí)判別值 F 計(jì)算的融合矩陣滿(mǎn)足下列公式。

式中：P1為基于視覺(jué)的疲勞狀態(tài)監(jiān)測(cè)等級(jí)；P2為基于腦電的疲勞狀態(tài)監(jiān)測(cè)等級(jí)劃分；P3為基于手環(huán)的疲勞狀態(tài)監(jiān)測(cè)等級(jí)劃分；wi為 Pi項(xiàng)指標(biāo)的權(quán)值。

Pi參照 6A 系統(tǒng) (機(jī)車(chē)車(chē)載安全防護(hù)系統(tǒng)) 的標(biāo)準(zhǔn)，根據(jù)被檢測(cè)人員眼瞼持續(xù)閉合時(shí)間 t，劃分為一級(jí)疲勞、二級(jí)疲勞和三級(jí)疲勞，可以表示為

P2根據(jù)腦電疲勞指標(biāo) F，可以表示為

P3根據(jù)手動(dòng)系數(shù)值 H，可以表示為

2.5 基于多信息融合的疲勞狀態(tài)監(jiān)測(cè)算法試驗(yàn)分析

基于視覺(jué)的疲勞狀態(tài)監(jiān)測(cè)的試驗(yàn)環(huán)境為英特爾i3 處理器、3 G 內(nèi)存，VS2010 編程環(huán)境，程序采用VC++ 語(yǔ)言編寫(xiě)，其中人臉檢測(cè)算法的處理時(shí)間為0.003s/幀，人眼特征檢測(cè)算法處理時(shí)間為 0.08s/幀，在當(dāng)前環(huán)境下滿(mǎn)足視覺(jué)圖像處理12幀/s 的實(shí)時(shí)需求。

基于腦電信號(hào)與手環(huán)疲勞狀態(tài)監(jiān)測(cè)方法試驗(yàn)過(guò)程中，手動(dòng)系數(shù)為監(jiān)測(cè)反饋信息段90s 內(nèi)超過(guò)門(mén)限閾值的數(shù)量，為了減少誤差，統(tǒng)計(jì)連續(xù)2次及以上手動(dòng)系數(shù)小于30時(shí)為三級(jí)疲勞，30～60 之間為二級(jí)疲勞，60～100 之間為一級(jí)疲勞。

為了分析多信息融合檢測(cè)方法的性能，分別對(duì)白天、午休、夜間和雨天、陰天、晴天拍攝的6組視頻各24300幀圖像，約4h 的典型數(shù)據(jù)的檢測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)，設(shè)定權(quán)值矩陣取值 [1/31/31/3]T，為了與基于視覺(jué)的疲勞狀態(tài)監(jiān)測(cè)保持一致，試驗(yàn)過(guò)程每 10s 作為一個(gè)監(jiān)測(cè)時(shí)間點(diǎn)。疲勞狀態(tài)監(jiān)測(cè)等級(jí)劃分取值范圍 [2/3，4/3) 為一級(jí)報(bào)警，[4/3，2) 為二級(jí)報(bào)警，[2，3] 為三級(jí)報(bào)警，并統(tǒng)計(jì)監(jiān)測(cè)準(zhǔn)確率、漏報(bào)率和誤報(bào)率作為評(píng)價(jià)檢測(cè)效果的指標(biāo)進(jìn)行分析，單因素檢測(cè)與融合算法檢測(cè)結(jié)果對(duì)比如表1所示。

表1 單因素檢測(cè)與融合算法檢測(cè)結(jié)果對(duì)比 %Tab.1 Comparison of the single factor test and the fusion algorithm

數(shù)據(jù)表明，在司機(jī)駕駛過(guò)程中，基于視覺(jué)的監(jiān)測(cè)方法受復(fù)雜天氣及光線(xiàn)的影響較大，導(dǎo)致準(zhǔn)確率比較低，漏報(bào)和誤報(bào)率高；基于腦電的監(jiān)測(cè)方法，由于司機(jī)的頭部運(yùn)動(dòng)易導(dǎo)致出腦電接觸度不夠，從而引起漏報(bào)率比較高；手部運(yùn)動(dòng)受到外界的影響因素少，但有一定時(shí)間滯后性，因而可以作為重要的輔助手段；通過(guò)多信息融合后的系統(tǒng)效果最好，準(zhǔn)確率有一定提高，漏報(bào)率和誤報(bào)率均有明顯減少。

3 結(jié)束語(yǔ)

車(chē)地一體化的機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)系統(tǒng)設(shè)計(jì)，是將車(chē)載端監(jiān)測(cè)的智能報(bào)警信息通過(guò)車(chē)地?zé)o線(xiàn)通訊傳送到地面監(jiān)控中心，并進(jìn)行管理、統(tǒng)計(jì)和分析，滿(mǎn)足了當(dāng)前鐵路局和機(jī)務(wù)段集中管控的需求。車(chē)載監(jiān)控系統(tǒng)采用基于多信息融合的鐵路機(jī)車(chē)司機(jī)疲勞駕駛監(jiān)測(cè)方法，首次將手環(huán)信息、腦電信息作為疲勞監(jiān)測(cè)的手段，分別設(shè)計(jì)了不同信息對(duì)疲勞等級(jí)的判別，通過(guò)多信息融合算法提高系統(tǒng)的準(zhǔn)確率，解決了當(dāng)前系統(tǒng)中功能單一、監(jiān)測(cè)準(zhǔn)確率低等問(wèn)題。試驗(yàn)依托大西高鐵原平西—太原試驗(yàn)段進(jìn)行了現(xiàn)場(chǎng)試驗(yàn)，并通過(guò)模擬試驗(yàn)和現(xiàn)場(chǎng)試驗(yàn)，證明了方法的可行性，取得了良好的效果。如何進(jìn)一步確定矩陣的權(quán)值，從而提高監(jiān)測(cè)的準(zhǔn)確率，將是下一步研究工作的重點(diǎn)。

[1] HSU C M，LIAN F L，HUANG C M，et al. Heart Rate Variability Signal Processing for Safety Driving Using Hilbert‐Huang Transform[C]// IEEE.2014International Symposium on Computer，Consumer and Control.New York：IEEE，2014：434-437.

[2] WANG Y T，HUANG K C，WEI C S，et al. Developing an EEG based On-line Closed-loop Lapse Detection and Mitigation System[J]. Frontiers in Neuroscience，2014，8(8)：321-325.

[3] 姚 瑤，楊艷芳，齊美彬，等. 基于視覺(jué)的疲勞駕駛檢測(cè)算法[J]. 合肥工業(yè)大學(xué)學(xué)報(bào) (自然科學(xué)版)，2015，38(12)：1623-1627.YAO Yao，YANG Yan-fang，QI Mei-bin，et al. An Algorithm of Fatigue Driving Detection based on Computer Vision[J]. Journal of Hefei University of Technology(Natural Science)，2015，38 (12)：1623-1627.

[4] HEMADRI V B，KULKARNI U P. Detection of Drowsiness Using Fusion of Yawning and Eyelid Movements[C]//Springer. Advances in Computing，Communication，and Control. Berlin：Springer-Verlag Berlin Heidelberg，2013：583-594.

[5] CHANG T H，CHEN Y R. Driver Fatigue Surveillance via Eye Detection[C]//IEEE. International Conference on Intelligent Transportation Systems. New York：IEEE，2014：336-371.

[6] 張麗雯，楊艷芳，齊美彬，等. 基于面部特征的疲勞駕駛檢測(cè)[J]. 合肥工業(yè)大學(xué)學(xué)報(bào) (自然科學(xué)版)，2013，36(4)：448-451.ZHANG Li-wen，YANG Yan-fang，QI Mei-bin，et al.Detection of Fatigue Driving based on Facial Features[J].Journal of Hefei University of Technology(Natural Science)，2013，36(4)：448-451.

[7] LUO X，HU R，F(xiàn)AN T. The Driver Fatigue Monitoring System based on Face Recognition Technology[C] //IEEE. Fourth International Conference on Intelligent Control and Information Processing. New York：IEEE，2013：384-388.

[8] 張正普. 我國(guó)鐵路客運(yùn)實(shí)名制驗(yàn)票識(shí)別技術(shù)的探討[J]. 鐵道運(yùn)輸與經(jīng)濟(jì)，2016，38(5)：64-68.ZHANG Zheng-pu. Discussion on Real-name Ticket Checking and Identification Technologies of Railway Passenger Transportation in China[J]. Railway Transport and Economy，2016，38(5)：64-68.

[9] 彭軍強(qiáng)，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(bào)，2007，27(7)：585-589.PENG Jun-qiang，WU Ping-dong，YIN Gang. Exploring the Characters of Electroencephalpgram for Fatigued Driver[J].Transaction of Beijing Institute of Technology，2007，27(7)：585-589.

[10] 夏 偉，張立材. 改進(jìn)的積分投影眼睛定位算法[J]. 現(xiàn)代電子技術(shù)，2011，34(8)：105-107.XIA Wei，ZHANG Li-cai. Improved Eye Location Algorithm of Integral Projection[J]. Modern Electronics Technique，2011，34(8)：105-107.

[11] 夏 芹，宋義偉，朱學(xué)峰. 基于 PERCLOS 的駕駛疲勞監(jiān)控方法進(jìn)展[J]. 自動(dòng)化技術(shù)與應(yīng)用，2008，27 (6)：43-46.XIA Qin，SONG Yi-wei，ZHUXue-feng. The Research Development on Driving Fatigue based on PERCLOS[J].Techniques of Automation &Applications，2008，27 (6)：43-46.

[12] 王福旺，王 宏. 長(zhǎng)途客車(chē)駕駛員疲勞狀態(tài)腦電特征分析[J]. 儀器儀表學(xué)報(bào)，2013，34(5)：1146-1152.WANG Fu-wang，WANG Hong. EEG Characteristic Analysis of Coach Bus Drivers in Fatigue State[J]. Chinese Journal of Scientific Instrument，2013，34(5)：1146-1152.