雷凌俊 馮佳琳 趙洋 姚同鈺 胡崗

摘要：隨著經(jīng)濟社會的發(fā)展，國家在不斷迅速增加汽車的數(shù)量，汽車交通事故特別是疲勞駕駛，道路事故發(fā)生率仍然很高。因此，探究疲勞駕駛監(jiān)警系統(tǒng)能夠避免疲勞駕駛的出現(xiàn)，為長途駕駛安全提供強有力的保障。本文將三角波、阿爾法波和貝塔波作為腦電信號進行采集，并利用CNN算法對腦電數(shù)據(jù)進行識別。本文鉆研了“疲勞駕駛自主監(jiān)測預警系統(tǒng)”，該系統(tǒng)可以實時監(jiān)測試驗人員的疲勞狀態(tài)以及疲勞集中水平。為了進步系統(tǒng)的可塑性，軟件選擇適當?shù)哪X電圖搜集來減少電極的發(fā)生;為了提高疲勞度，設計了一種有效的疲勞度監(jiān)測算法;增加了一種特殊的頻段無線電波方案，使系統(tǒng)在提醒用戶時更安全、更可靠。最后，該系統(tǒng)能夠實時監(jiān)控用戶的疲勞狀態(tài)和注意力集中情況，并能及時、準確地對疲勞的用戶進行預警。

關鍵詞：疲勞駕駛;腦電信號;小波包分解

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）29-0204-04

公路運輸在我國交通運輸業(yè)中占有重要地位，我國幅員遼闊，長途運輸是一種必然現(xiàn)象。目前，無人駕駛汽車還不能普及，長途公路運輸基本上依靠人自己。隨著行車時間的積累，特別是夜間連續(xù)行駛，容易發(fā)生駕駛疲勞，交通事故發(fā)生的概率大大增加。實時疲勞監(jiān)測不僅能夠為駕駛員提供預警，降低疲勞駕駛風險，還能夠為運輸管理部門和運輸企業(yè)提供實時的駕駛員狀態(tài)信息。進一步降低交通事故發(fā)生率，挽救交通事故損失的生命，減少交通事故造成的經(jīng)濟損失。這也使得人類在未來可以直接利用腦電圖來控制物體。主要研究內(nèi)容如下：1）特定腦電圖波形的選擇;2）腦電圖信號的預處理;3）集中度和靜坐度的判別算法研究;總之，基于腦電圖信號的疲勞駕駛監(jiān)測報警系統(tǒng)關于減少交通事件有首要的貢獻。市場前景是前所未有的。要解決的關鍵問題是：需要更多的電極。然而，使設備更重、更復雜，為了保證良好的便攜性，我們必須縮減電極的數(shù)量。準確定位精神狀態(tài)識別是疲勞駕駛自主檢警的根底和要點。為了提高識別的準確性和實時性，有必要對算法進行改進，從而大大提高識別效率。便攜式設備的體驗非常重要，特別是對于長期使用的便攜式設備，細微的不適也會隨著時間的推移而放大，從而使用戶遠離。

1CNN算法原理

卷積神經(jīng)網(wǎng)絡（convolutional Neural Network，簡稱CNN）是一種前饋神經(jīng)系統(tǒng)，它能對周圍的單元做出反應，并對大尺度圖像進行處置。卷積神經(jīng)系統(tǒng)（多層感知器）是受人腦思維方式啟發(fā)的多層感知器。它們有不同的類別和品次，它們的工作方法以及功能也有差別。

CNN系統(tǒng)有五個層次結構：輸入層、卷積層、激活層、匯聚層、全銜接的FC層和傳統(tǒng)的神經(jīng)網(wǎng)絡/機器學習。與傳統(tǒng)的神經(jīng)網(wǎng)絡機器學習一樣，模型需要輸人預處理操作。常用的三種預處理方法有：去均值法、歸一化法、PCA/SVD降維法等，本文采用歸一化方法。

10名司機被選為健康的，沒有任何睡眠相關疾病。實驗要求受試者在實驗前48小時內(nèi)禁止吸煙、飲酒、吃任何刺激性食物并保持良好的精神狀態(tài)。實驗從晚上22：00持續(xù)到第二天凌晨02：00，連續(xù)駕駛四個小時（全程不休息）。實驗在駕駛模擬器上進行。選擇無障礙公路作為試驗環(huán)境，天氣晴朗。在實驗過程中，每1小時采集一次腦電圖信號，持續(xù)3分鐘。如圖。

從專注度和冥想度的角度來看，兩者都不需要低信號質量值，除非當檢測到POOR_SIGNAL低信號質量值時無法更新專注度和冥想度。低信號質量值對于噪聲敏感度更高的應用程序（如在某些醫(yī)療或研究應用程序中）或在檢測到少量噪聲數(shù)據(jù)時需要立即響應的應用程序非常有用。默認情況下，值的輸出是有效的。一般情況下每分鐘輸出60下左右。

專注度指數(shù)，無標識字節(jié)值，表示用戶現(xiàn)在的“注意力集中數(shù)”，是用戶的“注意力”水平或“注意力”水平很高;冥想指數(shù)，無符號字節(jié)值，表示用戶當前的“冥想指數(shù)”，即便用戶的精力是“安靜的”。靜態(tài)水平或冥想水平。索引在0到100之間。

實驗采用兩種方法。1）第一種方法是以常規(guī)的方法，即使用滑動窗。利用大概值來估算平均值來定下該點的值。這樣可以確保顯示相對穩(wěn)定。2）第二種方法是采取所謂的調解算法。我們的想法是確保每個增大縮小都在一個受控的范圍內(nèi)，每次只對前一個值進行一個修補，就不會有任何顯著的變化，如下圖所示。這即是為什么17%實際上是百分之一，千分之一。數(shù)量的級數(shù)變小，時間的變化越大。在不同的環(huán)境中，這些值應該是不同的。獲得到如下兩條函數(shù)。

本文的論斷是在置信a=0.025n=500是attention以及medi-ration對應的t值都是小于2.4的，結果表明，查看值t不屬于排斥域，因此接受H假設，認為兩種預處理之間沒有顯著差異。曲線的前半部分是一個一般的測試，而第二部分與這兩對線有點分離。實驗者模擬閉眼休息狀態(tài)并放松自己。從圖中，我們可以看到專注度是否可以從集中度和冥想的角度來分析。

因為在實驗環(huán)境中采集到的腦電圖信號含有很強的干擾，如：傳感器、接地或參考觸點與人體皮膚接觸不良（如：內(nèi)部夾毛、耳機不適合頭部大小、或耳機未放置在頭部的正確位置）;佩戴者移動過大。（即頭部或身體震動過大，或與耳機碰撞）。過度的環(huán)境靜電噪聲（某些環(huán)境中的強靜電信號，或帶有傳感器的人的靜電積聚）;過度的非腦電圖生物噪聲f即肌電圖、心電圖、眼電等）。因而，第一步是將采集到的腦電信號去噪。本文利用小波包分解方法和MindWave-Setup.exe軟件對信息進行處理。小波包分解法是分解小波的一種形式。小波包分解方法具有任意多尺度的特點。它防止了小波分解時頻固定的缺點，更好地反映了腦電信號的實質以及特點。將腦電信號降噪后，能夠看到提出的腦電信號的僅帶。小波包合成公式是：

式中：Ei，j（tj）為f（t）小波包分解到節(jié)點（i，j）上的頻帶能量;xj，k（j=0，l，…，2i-1;k=1，…，m）為重構信號fi，j（tj）的離散點幅值，m為信號采樣點數(shù).之后將重采樣后的腦電信號分解到第4層，獲得腦電信號低頻子，如表1所示。

通過對小波包子帶s（4，2）重構，然后獲得8～12Hz節(jié)律腦電信號，與α波范疇大抵重合.以被試者A為例子，其腦電信號及其僅波如圖3所示。

利用小波包獲得腦電信號中的α信號，還不能清楚地看出其差別，再以受試者A的正常狀態(tài)與疲勞狀態(tài)的腦電信號為例。如圖4所示：圖2（a）為正常腦電信號，圖4（b）為受試者A在模擬駕駛進行約4h時感覺到疲腦的腦電信號。

腦電圖（EEG）是由大腦皮質神經(jīng)細胞群的電活動產(chǎn)生的一種電生理信號。實驗探究表明，常人的腦電圖主要由四個頻段分量合成，即α波、β波、θ波和δ波。α腦電波是人們放松和冥想時的腦電波。它以每分鐘大約600次釋放。當人們做夢時，腦電波就會表現(xiàn)出這種形式。處于這種模式的人應該處于放松的意識狀態(tài)。β腦電波是意識強的腦電波，以每秒12-25個周期運行。當人專注、警覺或思考、分析、說話和積極行動時，大腦就會發(fā)出這樣的電信號。0腦電波是人們沉溺于幻想或只是睡著的腦電波。它以每秒4到8個周期的頻率運行。這只是一個“半夢半醒”的朦朧時期，在這個時期，人腦正在處理白天接收到的信息，此時可能會發(fā)生許多靈感。三角洲腦電波是人們在睡眠和無夢時發(fā)出的腦電波。它以每秒0.3-4個周期的頻率運行。由于β波顯示人大腦皮層處于興奮狀態(tài)，有許多方法可以研究駕駛疲勞引起的腦電圖變化。一般認為，在由正常狀態(tài)向疲勞情況變化的歷程中，慢波逐漸增大，快波逐漸減小。因此，β波與慢波的能量的比值可體現(xiàn)疲勞程度的F。

用最早的alpha，beta羅列，得出其中混雜誤差。大致在60s左右。刪除大于20的數(shù)據(jù)，得到新的圖像。生成算法——檢測駕駛員的疲勞狀態(tài)。