張 明 恒，劉 朝 陽，郭 政 先，萬 星

(1.大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國家重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116024；2.大連理工大學(xué) 汽車工程學(xué)院，遼寧 大連 116024 )

0 引 言

駕駛疲勞是交通事故致因的重要組成部分，當(dāng)前針對駕駛?cè)藸顟B(tài)檢測的車載系統(tǒng)研發(fā)已經(jīng)成為人們關(guān)注的焦點(diǎn)問題[1]．從駕駛疲勞檢測的過程來看，其本質(zhì)在于利用構(gòu)建的特征-狀態(tài)模型對駕駛?cè)似跔顟B(tài)進(jìn)行實(shí)時(shí)評估．其中，疲勞特征的選擇應(yīng)能滿足車載系統(tǒng)需求，檢測模型應(yīng)體現(xiàn)駕駛疲勞的動態(tài)特性．

目前，應(yīng)用于駕駛疲勞檢測的特征指標(biāo)主要包括車輛運(yùn)行特征、駕駛?cè)吮碛^特征和生理特征[2]．其中，基于車輛運(yùn)行特征的方法可以充分利用車輛運(yùn)動信息，具有較好的實(shí)時(shí)性，但易受駕駛習(xí)慣等因素影響[3]；基于駕駛?cè)吮碛^特征(如PERCLOS)的方法，其特征獲取大多采用非侵入式的視覺傳感器，具有靈活的平臺適應(yīng)性和成本優(yōu)勢，已逐漸成為艙內(nèi)感知技術(shù)(ICS)領(lǐng)域的主流研發(fā)方向[4]；基于駕駛?cè)松硖卣?如腦電(EEG)信號)的方法，由于其可以直接反映疲勞變化，在疲勞發(fā)生初期即具備較好檢測效果，常常被稱為疲勞檢測的金標(biāo)準(zhǔn)，但是由于其需要測試儀器與人接觸測量，容易對駕駛?cè)嗽斐筛蓴_，因此常常被用于其他檢測方法的對標(biāo)性測試[5]．

在疲勞狀態(tài)檢測模型研究方面，主要包括支持向量機(jī)(SVM)、神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)和隱馬爾可夫模型(HMM)等．Hu[6]基于EEG數(shù)據(jù)搭建了SVM駕駛疲勞辨識模型，在對數(shù)據(jù)進(jìn)行特征提取后有效提高了辨識準(zhǔn)確率，但該模型僅在小數(shù)據(jù)量時(shí)準(zhǔn)確率較高．為深入分析疲勞特征與疲勞狀態(tài)間的映射關(guān)系，胡淑燕等[7]選用樸素貝葉斯網(wǎng)絡(luò)建立了疲勞辨識模型，但疲勞的動態(tài)時(shí)序特性并未得到充分反映．針對疲勞的強(qiáng)時(shí)序特性，F(xiàn)u等[8]基于HMM提出了一種疲勞檢測方法，表現(xiàn)出了較好的檢測效果．

綜上，基于機(jī)器視覺等的駕駛?cè)吮碛^特征疲勞檢測方法由于其自身優(yōu)勢逐漸成為應(yīng)用研究的主流，而在建立相關(guān)特征與疲勞狀態(tài)映射的過程中，準(zhǔn)確的疲勞狀態(tài)界定對其模型構(gòu)建準(zhǔn)確性具有重要影響，同時(shí)也是目前相關(guān)車載系統(tǒng)研發(fā)所面臨的共性問題．因此，本文基于疲勞生成的強(qiáng)時(shí)序特性和輸入數(shù)據(jù)的連續(xù)性，利用EEG數(shù)據(jù)構(gòu)建一種高斯混合隱馬爾可夫模型(GM-HMM)進(jìn)行駕駛疲勞狀態(tài)評估，為相關(guān)車載系統(tǒng)研發(fā)提供必要的駕駛疲勞狀態(tài)比對參考．

1 駕駛疲勞檢測機(jī)理

1.1 疲勞特性及檢測模型

文獻(xiàn)[9]表明，駕駛?cè)似跔顟B(tài)的產(chǎn)生是一種隨時(shí)間變化逐漸形成的過程．在駕駛過程初期，疲勞程度的增加與駕駛時(shí)間近似成線性關(guān)系；隨著駕駛時(shí)間增長，疲勞程度將呈現(xiàn)不穩(wěn)定的波動狀態(tài)，如圖1所示，其中橫坐標(biāo)t為駕駛?cè)说某掷m(xù)駕駛時(shí)間，縱坐標(biāo)F(t)為駕駛?cè)说钠诔潭龋纱丝梢?，?qiáng)時(shí)序性是駕駛疲勞形成的本質(zhì)屬性，用于駕駛疲勞辨識的基本模型應(yīng)能反映這一基本特征，這也是提高相關(guān)識別系統(tǒng)準(zhǔn)確性的關(guān)鍵．

圖1 駕駛疲勞-時(shí)間變化特性Fig.1 Driving fatigue temporal sequence characteristic

基于本文研究目的，生理特征參數(shù)EEG信號被用于HMM構(gòu)建過程的基礎(chǔ)數(shù)據(jù)來源，從而形成對疲勞狀態(tài)水平的準(zhǔn)確評估．同時(shí)，考慮離散型HMM雖然在實(shí)時(shí)性方面具有一定優(yōu)勢，但相對于連續(xù)型模型在準(zhǔn)確度方面還有一定差距，因此本文采用高斯混合(GM)模型對HMM中的疲勞狀態(tài)分布進(jìn)行合理估計(jì)，以獲得準(zhǔn)確的疲勞狀態(tài)辨識結(jié)果．本文的整體模型研究框架如圖2所示．

圖2 基于GM-HMM的駕駛疲勞辨識框架Fig.2 Driving fatigue detection framework based on GM-HMM

1.2 數(shù)據(jù)處理平臺概述

本文基于ErgoLAB人機(jī)環(huán)境同步平臺進(jìn)行相關(guān)實(shí)驗(yàn)數(shù)據(jù)的采集和同步．?dāng)?shù)據(jù)采集平臺由艙內(nèi)感知設(shè)備、數(shù)據(jù)同步系統(tǒng)、狀態(tài)標(biāo)記過程組成．其中，艙內(nèi)感知設(shè)備由BBT-E08-AAB007腦電儀和Logitech Webcam C930e攝像頭組成．腦電儀被用于采集駕駛?cè)四X電數(shù)據(jù)，攝像頭被用于采集駕駛?cè)藢?shí)時(shí)圖像；ErgoLAB數(shù)據(jù)同步平臺可以在模擬駕駛時(shí)同步協(xié)調(diào)及匯聚腦電儀和攝像頭采集的數(shù)據(jù)；狀態(tài)標(biāo)記過程是通過駕駛?cè)藸顟B(tài)自述和專家狀態(tài)評估[10]獲得當(dāng)前時(shí)刻所對應(yīng)的疲勞狀態(tài)標(biāo)簽．實(shí)驗(yàn)數(shù)據(jù)采集平臺的構(gòu)成如圖3所示．

圖3 ErgoLAB實(shí)驗(yàn)數(shù)據(jù)采集平臺Fig.3 Experimental data acquisition platform based on ErgoLAB

在得到上述初始EEG數(shù)據(jù)庫后，需要對其進(jìn)行預(yù)處理(如濾波、去偽跡、降采樣等)以獲得準(zhǔn)確的模型輸入特征．預(yù)處理主要包括兩個(gè)部分：基于小波包變換的特征提取操作和基于灰色關(guān)聯(lián)分析的指標(biāo)優(yōu)選操作．基于小波包變換的特征提取操作是通過節(jié)律波重構(gòu)來獲取腦電儀每個(gè)電極通道的能量比值[11]；基于灰色關(guān)聯(lián)分析的指標(biāo)優(yōu)選是將能量比值和疲勞狀態(tài)進(jìn)行關(guān)聯(lián)性分析來找出與疲勞狀態(tài)相關(guān)性最大的能量比值[12]．?dāng)?shù)據(jù)預(yù)處理的整體流程如圖4所示．

圖4 EEG數(shù)據(jù)預(yù)處理流程圖Fig.4 The flow chart of EEG data pre-processing

2 基于GM-HMM的疲勞檢測

GM-HMM的構(gòu)建，總體上可分為兩部分：GM擬合參數(shù)的確定和HMM的參數(shù)訓(xùn)練[13]．其中，由于EEG的數(shù)據(jù)符合正態(tài)分布，從而選擇高斯擬合函數(shù)為概率密度函數(shù)，對觀測數(shù)據(jù)進(jìn)行擬合訓(xùn)練來確定GM的參數(shù)；根據(jù)駕駛疲勞生成的時(shí)序特性，選用各態(tài)遍歷型HMM作為檢測模型構(gòu)建的基本結(jié)構(gòu)，利用Baum-Welch和Viterbi 算法訓(xùn)練HMM完成最終參數(shù)的確定，其中模型λ的主要參數(shù)為(π，A，B)，π表示初始狀態(tài)概率向量，A表示狀態(tài)轉(zhuǎn)移概率矩陣，B表示觀測概率矩陣．

2.1 觀測序列的GM擬合

腦電儀采集的EEG數(shù)據(jù)為離散數(shù)據(jù)，這會導(dǎo)致大量關(guān)鍵信息的丟失，要同時(shí)獲得具有時(shí)序性和連續(xù)性的分析模型，方法之一是對觀測EEG數(shù)據(jù)進(jìn)行GM擬合．實(shí)際應(yīng)用過程中，根據(jù)中心極限定理，大量觀測EEG數(shù)據(jù)服從幾個(gè)正態(tài)分布的疊加，圖5展示了部分EEG數(shù)據(jù)的分布情況，其中橫坐標(biāo)n為數(shù)據(jù)片段數(shù)量，縱坐標(biāo)G為EEG數(shù)據(jù)和高斯擬合數(shù)據(jù)的數(shù)值．

圖5 EEG數(shù)據(jù)GM擬合曲線Fig.5 GM-fitting curves of EEG data

故本文利用高斯概率密度函數(shù)對觀測序列擬合來確定HMM的參數(shù)：觀測概率矩陣B=(bj(ot))N×R，其中N代表所有可能的狀態(tài)數(shù)目，R代表所有可能的觀測數(shù)目．觀測序列的高斯概率密度擬合函數(shù)為

(1)

(2)

HMM的模型參數(shù)B決定了模型的收斂速度，且對后續(xù)模型的訓(xùn)練效果影響較大．本文采用K-means結(jié)合Viterbi算法對參數(shù)進(jìn)行初始化，當(dāng)模型收斂到更新值基本無變化時(shí)，說明達(dá)到了GM的擬合效果，此時(shí)將參數(shù)輸出．觀測序列的GM擬合具體流程如圖6所示．

圖6 GM擬合觀測數(shù)據(jù)流程圖Fig.6 The flow chart of GM fitting observation data

2.2 疲勞檢測模型構(gòu)建

基于本文研究目的，設(shè)S=(s1s2…sN)是駕駛?cè)怂锌赡艿碾[狀態(tài)集合，以時(shí)間刻度表示時(shí)，對應(yīng)于長度為T的狀態(tài)序列Q=(q1q2…

qT)；V=(v1v2…vR)是所有可能的觀測狀態(tài)集合，以時(shí)間刻度表示時(shí)，對應(yīng)于長度為T的觀測序列O=(o1o2…oT)．鑒于駕駛疲勞的時(shí)變性，其符合各態(tài)遍歷型的HMM基本結(jié)構(gòu)類型，本研究所用的HMM結(jié)構(gòu)類型如圖7所示．

圖7 各態(tài)遍歷型HMM結(jié)構(gòu)Fig.7 The structure of ergodic HMM

基于HMM模型算法，其前向變量α可定義為

αt(i)=P(o1，o2，…，ot，qt=si|λ)；i=1，2，…，N

(3)

后向變量β定義為

βt(j)=P(ot+1，ot+2，…，oT|qt=sj，λ)；j=1，2，…，N

(4)

其中αt(i)表示在HMM模型λ下，到時(shí)刻t為止產(chǎn)生的EEG數(shù)據(jù)觀測序列為o1，o2，…，ot，且t時(shí)刻清醒(或疲勞)狀態(tài)為si的概率．而βt(j)表示在HMM模型λ和t時(shí)刻疲勞或(清醒)狀態(tài)為sj情況下，t時(shí)刻后產(chǎn)生EEG數(shù)據(jù)觀測序列為ot+1，ot+2，…，oT的概率，T為總的時(shí)間序列．

由式(3)和(4)，在t時(shí)刻HMM模型λ中的清醒(或疲勞)狀態(tài)si轉(zhuǎn)移到t+1時(shí)刻的疲勞(或清醒)狀態(tài)sj的概率公式為

ξt(i，j)=P(qt=si，qt+1=sj|O，λ)=

(5)

在t時(shí)刻為清醒(或疲勞)狀態(tài)si的概率公式為

(6)

當(dāng)初始參數(shù)確定好之后，利用Baum-Welch和Viterbi算法來估計(jì)HMM的最終參數(shù)．根據(jù)式(5)和(6)由Baum-Welch算法推導(dǎo)的HMM的參數(shù)π=(πi)N、A=(aij)N×N、B=(bj(k))N×R表示如下：

πi=P(q1=si)

(7)

(8)

(9)

式中：πi為t=1時(shí)駕駛?cè)颂幱跔顟B(tài)si的概率，i=1，2，…N，j=1，2，…，N，k=1，2，…，R；π表示初始狀態(tài)概率向量；aij表示狀態(tài)轉(zhuǎn)移概率；bj(k)表示在t時(shí)刻駕駛?cè)颂幱跔顟B(tài)sj的條件下，生成第k個(gè)觀測序列vk的概率．由于在訓(xùn)練過程中參數(shù)B會改變，需要對其內(nèi)部參數(shù)進(jìn)行重新估計(jì)．而在更新迭代參數(shù)π、A時(shí)會同時(shí)更新B，即同時(shí)更新GM模型中的cjm、ujm、Ujm3個(gè)參數(shù)．為方便表達(dá)，引入公式：

(10)

其中γt(j，m)表示在t時(shí)刻疲勞檢測狀態(tài)為sj且EEG數(shù)據(jù)觀測序列是由第m個(gè)高斯混合函數(shù)擬合的概率，因此由式(10)可得其他參數(shù)更新的重估公式為

(11)

(12)

(13)

訓(xùn)練完成后，得到cjm、ujm、Ujm對應(yīng)的最優(yōu)參數(shù)c、u、U，最終所構(gòu)建的GM-HMM駕駛疲勞檢測模型可被表述為

λ=(π，A，c，u，U)

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)設(shè)備及流程

所需觀測序列數(shù)據(jù)由實(shí)驗(yàn)獲得，以東風(fēng)菱智汽車駕駛艙為主體進(jìn)行實(shí)驗(yàn)環(huán)境搭建，實(shí)驗(yàn)時(shí)駕駛?cè)伺宕髂X電儀，按高速公路的行車場景視頻進(jìn)行對應(yīng)的模擬駕駛操作[14]；同時(shí)駕駛?cè)说男袨楹蜖顟B(tài)被攝像頭采集成視頻數(shù)據(jù)，由ErgoLAB數(shù)據(jù)同步平臺保證EEG信號與視頻數(shù)據(jù)同步采集．所用實(shí)驗(yàn)設(shè)備如圖8所示．

圖8 實(shí)驗(yàn)環(huán)境和設(shè)備Fig.8 Experimental environment and equipment

為保證實(shí)驗(yàn)過程采集數(shù)據(jù)的有效性，實(shí)驗(yàn)前以問卷形式對駕駛?cè)诉M(jìn)行了作息時(shí)間規(guī)律的調(diào)查，并結(jié)合調(diào)查結(jié)果選擇駕駛?cè)巳菀壮霈F(xiàn)疲勞狀態(tài)的時(shí)段進(jìn)行了相關(guān)實(shí)驗(yàn)．駕駛?cè)说倪x取充分考慮了年齡、駕齡等因素，共招募10名具有一定駕駛經(jīng)驗(yàn)的駕駛?cè)?，同時(shí)為進(jìn)一步避免相關(guān)外部因素對駕駛?cè)说挠绊?，所有駕駛?cè)吮灰笤趯?shí)驗(yàn)前一天不得飲食含提神作用的食品、不能服用藥物以及做劇烈運(yùn)動等．實(shí)驗(yàn)時(shí)間選取在易發(fā)生駕駛疲勞的13：00～15：00，實(shí)驗(yàn)場景選取為環(huán)境變化較為單調(diào)的道路，并通過駕駛?cè)说男袨樘卣骱椭饔^報(bào)告來驗(yàn)證駕駛?cè)嗽趯?shí)驗(yàn)時(shí)進(jìn)入深度疲勞駕駛狀態(tài)．實(shí)驗(yàn)電極位置選取為Fpz、F3、F4、Fz、C3、C4、P3和P4，采樣頻率為256 Hz；在腦電信號采集的同時(shí)，由工作人員每隔5 min詢問并記錄駕駛?cè)说漠?dāng)前狀態(tài)，作為疲勞狀態(tài)主觀評分．

實(shí)驗(yàn)結(jié)束后，對照視頻采集數(shù)據(jù)將由干擾因素(如接聽電話、喝水等)影響的異常狀態(tài)EEG數(shù)據(jù)段剔除，通過專家經(jīng)驗(yàn)認(rèn)定疲勞觀測指標(biāo)與實(shí)際狀態(tài)的對應(yīng)標(biāo)記．為確保評價(jià)準(zhǔn)確性，將視頻對照的專家評分與駕駛?cè)俗允龅闹饔^評分進(jìn)行綜合分析來確定駕駛?cè)说淖罱K真實(shí)狀態(tài)，最后將每位駕駛?cè)说恼鎸?shí)狀態(tài)與其EEG信號數(shù)據(jù)段對應(yīng)標(biāo)記來構(gòu)建初始數(shù)據(jù)庫．圖9是剔除異常數(shù)據(jù)并進(jìn)行狀態(tài)標(biāo)記后的駕駛?cè)藸顟B(tài)時(shí)序圖，其中橫坐標(biāo)為駕駛?cè)说鸟{駛時(shí)間，縱坐標(biāo)為參試駕駛?cè)说木幪枺?/p>

圖9 駕駛?cè)藸顟B(tài)時(shí)序圖Fig.9 The temporal sequence diagram of drivers′states

由于實(shí)驗(yàn)過程中的EEG數(shù)據(jù)摻雜有噪聲偽跡，如心電、肌電、眼動(EOG)等生理性偽跡，必須對原始EEG數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理[15]．本文所采取的預(yù)處理方法如表1所示．

表1 預(yù)處理方法Tab.1 The pre-processing methods

3.2 特征指標(biāo)優(yōu)選

EEG原始信號的維度較高，疲勞特征表現(xiàn)不明顯，因此需要從預(yù)處理后的EEG數(shù)據(jù)中提取出最能表征駕駛疲勞的特征指標(biāo)，其中能量比值指標(biāo)可有效表征出駕駛?cè)说钠跔顟B(tài)[11]．本文首先利用小波包變換進(jìn)行節(jié)律波的頻率分解來提取能量特征，由于Daubechies小波的靈敏度高、正則性好，且其中的db4小波與EEG信號的波形最為相似，故選取db4小波作為分解小波基．EEG信號頻率范圍為0～30 Hz，常用4種波形頻帶為δ(0～4 Hz)、θ(4～8 Hz)、α(8～12 Hz)、β(12～30 Hz)，故對EEG信號進(jìn)行第一層節(jié)點(diǎn)選取為0～64 Hz的5層小波包分解．分解后的4種節(jié)律波如圖10所示，其中橫坐標(biāo)n′表示經(jīng)降采樣后數(shù)據(jù)點(diǎn)的序列，縱坐標(biāo)A為對應(yīng)數(shù)據(jù)點(diǎn)處經(jīng)小波包分解后的幅值．

(a)α信號波形

小波包分解系數(shù)可以反映EEG數(shù)據(jù)中時(shí)域和頻域的信號能量分布，因此可以利用小波包分解系數(shù)平方的疊加來表示信號的能量，節(jié)點(diǎn)能量計(jì)算公式為

(14)

其中pi(t)表示在t時(shí)刻第5層分解上的第i個(gè)節(jié)點(diǎn)的小波包分解系數(shù)，i=0，1，…，15．因此各節(jié)律波的總能量計(jì)算公式為

(15)

其中r表示α、β、δ、θ4種節(jié)律波，k的范圍由節(jié)律波r的節(jié)點(diǎn)數(shù)決定．由式(15)，將4種節(jié)律波的能量值進(jìn)行快波與慢波的比值[16]計(jì)算，得到8種能量比值特征指標(biāo)，其公式為

(16)

EEG信號的8種特征指標(biāo)與駕駛?cè)说钠跔顟B(tài)存在潛在對應(yīng)規(guī)律，可以利用灰色關(guān)聯(lián)分析(grey relation analysis，GRA)探尋與疲勞狀態(tài)關(guān)聯(lián)最大的指標(biāo)[17]．以駕駛?cè)说膶?shí)際狀態(tài)為參考數(shù)列，以8種EEG指標(biāo)為比較數(shù)列進(jìn)行關(guān)聯(lián)度比較，結(jié)果如圖11所示，其中橫坐標(biāo)為8種EEG特征指標(biāo)，縱坐標(biāo)RGRA為8種EEG指標(biāo)分別與實(shí)際狀態(tài)參考數(shù)列的關(guān)聯(lián)度值．

圖11 關(guān)聯(lián)度數(shù)值圖Fig.11 Numerical graph of relation degree

從圖中可以看出F5指標(biāo)的相關(guān)性最大，F(xiàn)8次之，符合隨駕駛疲勞程度加深數(shù)值呈上升趨勢；F3與參考序列最不相關(guān)，符合隨疲勞程度加深數(shù)值呈下降趨勢．因此，用于本文研究的駕駛疲勞優(yōu)選特征向量F組成為

F=(F3F5F8)

3.3 實(shí)驗(yàn)結(jié)果及分析

將前8名參試駕駛?cè)藴y試得到的特征數(shù)據(jù)指標(biāo)按照駕駛?cè)饲逍选⑵趦蓚€(gè)狀態(tài)進(jìn)行分類，作為訓(xùn)練集數(shù)據(jù)按照第2章方法構(gòu)建了駕駛?cè)饲逍涯Ｐ秃婉{駛?cè)似谀Ｐ停疄轵?yàn)證本文所建立模型的性能，將最后一名駕駛?cè)说奶卣鲾?shù)據(jù)作為測試數(shù)據(jù)，利用前向后向算法最大概率地對模型匹配后，將數(shù)據(jù)輸入到對應(yīng)GM-HMM中進(jìn)行狀態(tài)檢測，識別流程如圖12所示．

圖12 駕駛?cè)藸顟B(tài)識別流程圖Fig.12 Driver state detection flow chart

圖12中λa和λf分別對應(yīng)清醒、疲勞檢測模型．將駕駛?cè)说牟糠謱?shí)驗(yàn)數(shù)據(jù)作為測試序列輸入到搭建的GM-HMM中，得到了實(shí)際狀態(tài)和模型識別結(jié)果的對照，如圖13所示，其中橫坐標(biāo)為駕駛?cè)说鸟{駛時(shí)間，縱坐標(biāo)為駕駛?cè)说钠跔顟B(tài)S(S=0代表駕駛?cè)颂幱谇逍褷顟B(tài)，S=1代表駕駛?cè)颂幱谄跔顟B(tài))．

圖13 GM-HMM預(yù)測結(jié)果Fig.13 Prediction results of GM-HMM

從圖13中可以看出，本文所構(gòu)建的GM-HMM在駕駛初期表現(xiàn)出了很好的檢測判斷效果；在駕駛中期可能由于駕駛?cè)朔中牡仍?但不是疲勞)存在部分錯(cuò)誤判斷；在產(chǎn)生駕駛疲勞后表現(xiàn)出了優(yōu)良的檢測效果．因此，在考慮疲勞狀態(tài)時(shí)序性和觀測序列連續(xù)性因素后，本文所建立的GM-HMM可進(jìn)行有效的駕駛疲勞狀態(tài)辨識．

為進(jìn)一步對比時(shí)序性和HMM內(nèi)部參數(shù)連續(xù)性對疲勞狀態(tài)辨識準(zhǔn)確率的影響，設(shè)置離散隱馬爾可夫模型(DHMM)和邏輯回歸(Logical Regression)模型作為對比．模型的識別效果通常用準(zhǔn)確率(accuracy，Acc)、靈敏度(sensitivity，Sen)和特異性(specificity，Spe)3個(gè)評價(jià)指標(biāo)進(jìn)行表示[18]．公式如下：

(17)

(18)

(19)

其中Tp為正例被判為正例(true positive)，F(xiàn)n為正例被判為負(fù)例(false negative)，Tn為負(fù)例被判為負(fù)例(true negative)，F(xiàn)p為負(fù)例被判為正例(false positive)．正例為清醒樣本，負(fù)例為疲勞樣本．利用上述公式對GM-HMM、DHMM和Logical Regression模型的駕駛疲勞識別結(jié)果進(jìn)行分析，對比結(jié)果如表2所示．

可見，GM-HMM模型的3個(gè)評價(jià)指標(biāo)均高于另外兩種模型．建立3個(gè)模型的接受者操作特征(receiver operating characteristic，ROC)曲線如圖14所示．其中橫坐標(biāo)Fpr為ROC曲線中的假陽性率(false positive rate，F(xiàn)pr)，縱坐標(biāo)Tpr為真陽性率(true positive rate，Tpr)，ROC曲線下的面積(AUC)大小代表模型識別準(zhǔn)確率．ROC曲線越靠近左上，即曲線下的面積越大，表示其性能越好．結(jié)合表2，從圖14中可以看出本文所提出的GM-HMM相比DHMM和Logical Regression模型具有更好的檢測效果．

表2 模型的準(zhǔn)確率、靈敏度和特異性Tab.2 Accuracy,sensitivity and specificity of models

圖14 不同模型的ROC曲線Fig.14 ROC curves of different models

4 結(jié) 語

針對車載駕駛疲勞檢測系統(tǒng)研究中的駕駛?cè)似诒孀R準(zhǔn)確率低的問題，本文首先選取了能有效反映駕駛疲勞變化的EEG信號作為觀測序列數(shù)據(jù)；其次，結(jié)合駕駛疲勞的動態(tài)生成特性，采用高斯混合模型擬合觀測序列，提出了一種基于GM-HMM的駕駛疲勞檢測方法；最后，為了進(jìn)一步分析所建模型的優(yōu)勢，分別設(shè)置了基于DHMM和基于Logical Regression模型的駕駛疲勞檢測方法作為對比．對比測試結(jié)果表明，本文所提出的基于GM-HMM的駕駛疲勞檢測方法在準(zhǔn)確率、靈敏度和特異性方面具有較大優(yōu)勢，此研究成果可為相關(guān)車載駕駛疲勞檢測系統(tǒng)研發(fā)提供參考．

鑒于實(shí)驗(yàn)場地、人員招募以及模型中駕駛疲勞分級等的限制問題，未來將針對更多復(fù)雜路況、更多參試者和多級疲勞狀態(tài)類型來優(yōu)化所建模型，進(jìn)一步提升模型的檢測準(zhǔn)確率．