吳 昊 張建海

1(杭州電子科技大學(xué)卓越學(xué)院 浙江 杭州 310018) 2(杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院 浙江 杭州 310018)

0 引 言

疲勞駕駛、睡眠不足是引發(fā)交通事故的重要誘因之一。在汽車擁有量日漸增多的今天,對(duì)駕駛員疲勞狀態(tài)下進(jìn)行檢測(cè)并及時(shí)警告對(duì)交通安全具有重大的意義與價(jià)值[1]。目前,疲勞駕駛監(jiān)測(cè)方法主要分為三類:一是直接根據(jù)車輛行駛行為信息進(jìn)行判斷,具有較強(qiáng)的實(shí)用性[2],但準(zhǔn)確度不高,并且有較長(zhǎng)的滯后性;二是基于視頻分析的駕駛員面部狀態(tài)變化,如睜閉眼狀態(tài)、打哈欠以及頭部姿態(tài)等[3],這類方法準(zhǔn)確度高,可操作性強(qiáng),但易于受駕駛員姿態(tài)、光線等因素影響;三是基于駕駛員生理信號(hào)的疲勞監(jiān)測(cè),如通過(guò)腦電、心電、眼電等[4],這類方法理論上具有較高的檢測(cè)精度,但由于往往需要佩戴復(fù)雜的儀器設(shè)備,信號(hào)容易受到干擾且個(gè)體之間差異性較大,相關(guān)技術(shù)面臨很大挑戰(zhàn)。近年來(lái),也有研究嘗試通過(guò)面部眼肌電信號(hào)識(shí)別面部狀態(tài)從而對(duì)疲勞狀態(tài)進(jìn)行檢測(cè),比如利用前額肌電對(duì)眨眼頻率、打哈欠等狀態(tài)可以實(shí)現(xiàn)很高的識(shí)別率[5]。肌電信號(hào)與腦電相比要明顯得多且個(gè)體差異不高,設(shè)備佩戴也方便,因此這種方法引起了廣泛關(guān)注。人在疲勞時(shí)眨眼動(dòng)作會(huì)變得緩慢,閉眼狀態(tài)持續(xù)時(shí)間明顯增加,因此眼睛狀態(tài)可以作為疲勞檢測(cè)的有效指標(biāo)。雖然基于前額肌電可以對(duì)快速眨眼頻率準(zhǔn)確檢測(cè),但由于慢眨眼所引起的肌電信號(hào)變化很小,目前利用前額肌電仍然無(wú)法有效識(shí)別。已有研究發(fā)現(xiàn),在睜眼和閉眼狀態(tài)下人的腦電信號(hào)存在很大不同,特別是α(8～14 Hz)波段變化尤為明顯[6],因此有學(xué)者利用腦電信號(hào)來(lái)對(duì)閉眼和睜眼狀態(tài)進(jìn)行識(shí)別。Narejo等[7]基于14通道的腦電數(shù)據(jù)使用深度學(xué)習(xí)算法實(shí)現(xiàn)了98.9%準(zhǔn)確度的眼部狀態(tài)分類。Sahu等[8]基于16通道的腦電數(shù)據(jù)使用增量特征重排序算法實(shí)現(xiàn)了最高95.01%準(zhǔn)確度的眼部狀態(tài)分類。Li等[9]基于14通道的腦電數(shù)據(jù)發(fā)現(xiàn)α波段功率與眼睛閉合程度呈正線性關(guān)系,但這些工作由于通道數(shù)要求較多,設(shè)備佩戴復(fù)雜導(dǎo)致實(shí)用性不高。李凌等[10]通過(guò)研究發(fā)現(xiàn),腦電α波段信號(hào)雖然在枕葉區(qū)最為活躍,但睜眼和閉眼狀態(tài)下α波在枕葉和額葉的變化都非常顯著。本文嘗試?yán)们邦~單通道腦電信號(hào),主要基于α波變化特征來(lái)對(duì)睜眼和閉眼狀態(tài)進(jìn)行檢測(cè)識(shí)別。本文方法的優(yōu)勢(shì)是:一方面,前額沒(méi)有頭發(fā)覆蓋,信號(hào)檢測(cè)更為準(zhǔn)確,設(shè)備佩戴也更為方便;另一方面,基于單通道數(shù)據(jù)也可以大幅度降低信號(hào)采集復(fù)雜度和分析處理計(jì)算的強(qiáng)度;本文方法實(shí)現(xiàn)的慢眨眼檢測(cè),與前面所述的基于前額肌電的面部狀態(tài)檢測(cè)方法結(jié)合可以實(shí)現(xiàn)更為精確的疲勞狀態(tài)檢測(cè),有較強(qiáng)的實(shí)用性和應(yīng)用價(jià)值。

1 數(shù)據(jù)采集與預(yù)處理

1.1 儀器設(shè)備與采集位置

實(shí)驗(yàn)采用g.MOBIlab無(wú)線腦電采集系統(tǒng),采樣頻率為256 Hz,通過(guò)藍(lán)牙傳送數(shù)據(jù),除接地與參考電極外最高可同時(shí)支持8通道的數(shù)據(jù)采集,本實(shí)驗(yàn)中只使用其中一個(gè)通道。本實(shí)驗(yàn)選擇右前額作為采集部位,皮膚與電極片直接接觸,避免了頭發(fā)的影響,采集數(shù)據(jù)更加準(zhǔn)確。如圖1所示,采集電極位于右前額,耳后電極為參考電極與接地電極。

圖1 電極位置示意

1.2 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

被試者為6名在校大學(xué)生,其中女性2人,年齡為21歲-22歲,身體健康,且都為右利手。為確保電極采集數(shù)據(jù)的準(zhǔn)確性,被試者均禁止化妝,且于實(shí)驗(yàn)前進(jìn)行面部清潔,同時(shí)在實(shí)驗(yàn)中除要求的慢眨眼動(dòng)作外盡量避免其他的面部活動(dòng)及肢體運(yùn)動(dòng)。

(1) 閉眼狀態(tài)數(shù)據(jù)采集:由于實(shí)際疲勞狀態(tài)下人眨眼動(dòng)作明顯放緩,睜眼狀態(tài)和閉眼狀態(tài)數(shù)據(jù)相似度較高,為觀察在連續(xù)時(shí)間段內(nèi)腦電信號(hào)從睜眼過(guò)渡到閉眼再返回睜眼的特征變化,實(shí)驗(yàn)采用人為模擬慢眨眼過(guò)程來(lái)采集閉眼狀態(tài)數(shù)據(jù)。為確保慢眨眼過(guò)程中閉眼階段腦電數(shù)據(jù)采集的準(zhǔn)確性,采用人為添加標(biāo)簽的方式,使后續(xù)數(shù)據(jù)截取時(shí)保證截取到的為閉眼狀態(tài)下的腦電數(shù)據(jù)。如圖2所示,被試者在打下標(biāo)簽1后進(jìn)行約3秒的緩慢閉眼動(dòng)作,之后保持約3秒的閉眼狀態(tài),在打下標(biāo)簽2后睜眼,每隔約15秒進(jìn)行一次慢眨眼模擬,重復(fù)采集30分鐘。最終截取標(biāo)簽2閉眼結(jié)束之前③區(qū)域的腦電數(shù)據(jù)為閉眼狀態(tài)的腦電數(shù)據(jù)。

圖2 慢眨眼過(guò)程波形與標(biāo)簽示例

(2) 睜眼狀態(tài)數(shù)據(jù)采集:被試者保持睜眼、自然、放松的狀態(tài)坐在椅子上采集數(shù)據(jù),盡量避免肢體運(yùn)動(dòng)和面部活動(dòng),減少自然眨眼的次數(shù),保持較長(zhǎng)的睜眼時(shí)間,持續(xù)采集30分鐘。

在手工去除噪聲干擾較大的數(shù)據(jù)后,實(shí)驗(yàn)共采集到閉眼狀態(tài)和睜眼狀態(tài)數(shù)據(jù)各600組,用以后續(xù)的處理分析。

1.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)采集完成后進(jìn)行50 Hz工頻濾波和5 Hz～100 Hz的帶通濾波[11]。對(duì)完成濾波的腦電信號(hào)截取合適的數(shù)據(jù)長(zhǎng)度以進(jìn)行后續(xù)的分析。較長(zhǎng)的數(shù)據(jù)段有利于提高腦電信號(hào)檢測(cè)的準(zhǔn)確率[12],但也要考慮到疲勞狀態(tài)檢測(cè)應(yīng)用中的實(shí)時(shí)性要求,本文中我們分別截取了1秒、1.3秒和2秒數(shù)據(jù)進(jìn)行分析。自然眨眼作為腦電信號(hào)中最常見(jiàn)的偽跡,睜閉眼過(guò)程在腦電信號(hào)中會(huì)產(chǎn)生較大的波動(dòng),對(duì)數(shù)據(jù)的影響在10%以上[13-14],對(duì)于閉眼狀態(tài)的檢測(cè)具有一定的干擾,因此截取的數(shù)據(jù)應(yīng)避開(kāi)眼肌的運(yùn)動(dòng),故從睜眼前的標(biāo)簽處往前截取數(shù)據(jù),即圖2所示③區(qū)域中的數(shù)據(jù)作為后續(xù)處理分析的腦電信號(hào)數(shù)據(jù)。對(duì)照組睜眼狀態(tài)腦電數(shù)據(jù)的截取同樣應(yīng)避免自然眨眼對(duì)波形的干擾,在采集的原始腦電數(shù)據(jù)中刪去眨眼偽跡,如圖3所示,保留平穩(wěn)的靜息睜眼狀態(tài)下的腦電數(shù)據(jù)。

(a) 靜息睜眼狀態(tài)的原始腦電波形

2 數(shù)據(jù)分析與結(jié)果

2.1 頻譜分析

由于腦電原始信號(hào)在時(shí)域幅值的變化極其微弱,因此腦電頻域分析非常重要。選取本文所測(cè)腦電數(shù)據(jù)中的一段慢眨眼過(guò)程進(jìn)行頻譜分析,比較睜眼狀態(tài)與閉眼狀態(tài)下腦電信號(hào)在頻域的分布情況,如圖4所示,發(fā)現(xiàn)閉眼狀態(tài)下α波段(8～14 Hz)能量有明顯增加,而其他波段能量反而有所下降,所以后續(xù)特征分析及提取以α波段的變化特征為主。

(a) 睜眼狀態(tài)

為驗(yàn)證α波變化規(guī)律,將該段慢眨眼數(shù)據(jù)通過(guò)帶通濾波操作,只保留α波段(8～14 Hz),觀察該波段腦電數(shù)據(jù)幅值在時(shí)域的變化。如圖5所示,在開(kāi)始閉眼前的靜息睜眼狀態(tài)和緩慢閉眼過(guò)程中(即標(biāo)簽1前后),α波的強(qiáng)度較小;待完全閉上眼,處于閉眼狀態(tài)時(shí)α波強(qiáng)度有明顯上升且在整個(gè)閉眼狀態(tài)時(shí)間內(nèi)均保持較高水平;在開(kāi)始睜眼后(即標(biāo)簽2后),α波能量逐漸下降并最終回到靜息睜眼狀態(tài)強(qiáng)度。由于睜閉眼狀態(tài)在α波段產(chǎn)生的明顯變化,因此α波信號(hào)強(qiáng)度可作為睜閉眼狀態(tài)判別的主要特征。

圖5 慢眨眼過(guò)程中α波段能量在時(shí)域的變化

實(shí)驗(yàn)所測(cè)連續(xù)多段慢眨眼過(guò)程在α波段的能量呈現(xiàn)出明顯且規(guī)律的變化。如圖6所示為所測(cè)腦電數(shù)據(jù)在連續(xù)時(shí)間段內(nèi)α波變化的情況,閉眼動(dòng)作剛開(kāi)始階段α波變化較小,在中間階段眼睛完全閉合后α波迅速上升,在閉眼狀態(tài)結(jié)束恢復(fù)為睜眼狀態(tài)后α波又快速下降到正常水平,符合α波從睜眼狀態(tài)過(guò)渡到閉眼狀態(tài)的特征。α波段的變化趨勢(shì)在連續(xù)多次慢眨眼過(guò)程中均有明確體現(xiàn)且辨識(shí)度較高,體現(xiàn)了α波特征具備的良好連續(xù)性與適應(yīng)性。

圖6 連續(xù)慢眨眼過(guò)程中α波變化趨勢(shì)

2.2 特征提取與分類算法結(jié)果

將實(shí)驗(yàn)采集到的600個(gè)閉眼與600個(gè)睜眼狀態(tài)數(shù)據(jù)分類組合成訓(xùn)練集和測(cè)試集,訓(xùn)練集由400個(gè)閉眼數(shù)據(jù)和400個(gè)睜眼數(shù)據(jù)組成,測(cè)試集由200個(gè)閉眼數(shù)據(jù)和200個(gè)睜眼數(shù)據(jù)組成。影響本次實(shí)驗(yàn)睜眼狀態(tài)與閉眼狀態(tài)檢測(cè)結(jié)果的因素主要有三:數(shù)據(jù)段截取長(zhǎng)度,分類算法的選擇和提取的特征?？紤]到截取數(shù)據(jù)段較長(zhǎng)時(shí)腦電信號(hào)特征較為明顯,同時(shí)本次模擬實(shí)驗(yàn)以及實(shí)際疲勞狀態(tài)下慢眨眼過(guò)程中閉眼狀態(tài)持續(xù)時(shí)間有限,采用256數(shù)據(jù)點(diǎn)(1秒)、350數(shù)據(jù)點(diǎn)(約1.3秒)和512數(shù)據(jù)點(diǎn)(2秒)這三種截取長(zhǎng)度分別對(duì)數(shù)據(jù)進(jìn)行測(cè)試。由于睜眼與閉眼為二元對(duì)立狀態(tài),因此分類算法選擇支持向量機(jī)SVM和決策樹(shù)Tree這兩種對(duì)于線性問(wèn)題具有較好分類效果的算法進(jìn)行分類。由于兩種狀態(tài)下腦電信號(hào)的時(shí)域變化不顯著,頻域能量分層明顯,故特征提取以頻域?yàn)橹骷骖檿r(shí)域;并且由于睜眼與閉眼狀態(tài)不同造成的腦電信號(hào)α波段的變化明顯,故特征提取以α波段為主兼顧其他波段。β波段(14～30 Hz)作為與人體興奮與警覺(jué)度相關(guān)的腦電波段,常與α波段一起進(jìn)行腦電信號(hào)的對(duì)比分析[15]。同時(shí)我們對(duì)各種情況進(jìn)行了分析對(duì)比。

1) 基于α波段特征。α波能量在閉眼狀態(tài)有明顯提升,因此該波段能量峰值、峰值頻率等均為有效特征;同時(shí)由于α波變化在閉眼過(guò)程中具有連續(xù)性,因此時(shí)域特征也具有一定價(jià)值。具體提取的特征為:α波段能量和、峰值能量、峰值頻率、峰值能量與頻率乘積、中值頻率、平均頻率、時(shí)域絕對(duì)值總和、峰值、谷值、峰谷差值、整體能量和、平均能量和、方差,共13個(gè)?；谠撎卣髟诓煌厝￠L(zhǎng)度與分類算法下的實(shí)驗(yàn)準(zhǔn)確率結(jié)果如表1所示。兩種分類算法SVM與Tree均取得了較高的準(zhǔn)確率,其中SVM算法效果更好。并且隨著截取長(zhǎng)度的增加,在相同條件下準(zhǔn)確率略有上升,與預(yù)期相符,腦電信號(hào)作為較微弱的生物電信號(hào),在較長(zhǎng)時(shí)間間隔內(nèi)的變化更加明顯與突出。

表1 α波段特征準(zhǔn)確率

2) 基于β波段特征。β波段作為腦電信號(hào)分析的重要波段,由睜眼狀態(tài)轉(zhuǎn)化為閉眼狀態(tài)時(shí)能量略微有所下降,如圖7所示。為與α波段特征分類效果對(duì)比,采用與α波段相同特征,具體為:β波段能量和、峰值能量、峰值頻率、峰值能量與頻率乘積、中值頻率、平均頻率、時(shí)域絕對(duì)值總和、峰值、谷值、峰谷差值、整體能量和、平均能量和、方差,共13個(gè)。該特征在不同截取長(zhǎng)度與分類算法下的實(shí)驗(yàn)準(zhǔn)確率結(jié)果如表2所示。對(duì)比α波段與β波段相同類別特征下的準(zhǔn)確率結(jié)果,發(fā)現(xiàn)α波段效果明顯優(yōu)于β波段,與頻譜圖中α波上升顯著而β波段變化不明顯對(duì)應(yīng),體現(xiàn)了α波段變化特征在判別睜閉眼狀態(tài)時(shí)的準(zhǔn)確性與實(shí)用性。

表2 β波段特征準(zhǔn)確率

(a) 睜眼狀態(tài) (b) 閉眼狀態(tài)圖7 睜眼與閉眼狀態(tài)下腦電β波段頻譜對(duì)比

3) 加入α波段與β波段比值特征。從圖4和圖7中可以看出與α波段相反,β波段在閉眼后會(huì)有所下降,因此考慮將β波段與α波段的能量比值作為特征。使用準(zhǔn)確率較高的512點(diǎn)截取長(zhǎng)度與SVM算法,測(cè)試加入α、β波段能量和比值與峰值比值后各波段特征的準(zhǔn)確度以及相比于原來(lái)單一波段特征的提升程度,所得結(jié)果如表3所示。由于在睜眼狀態(tài)轉(zhuǎn)變?yōu)殚]眼狀態(tài)后,α波明顯上升,β波略微下降,兩波段相關(guān)特征的比值放大了原本單一波段的特征效果,與原本準(zhǔn)確度較低的β波段特征相結(jié)合后分類效果得到了明顯優(yōu)化,同時(shí)比值自身作為特征也可達(dá)到較高的準(zhǔn)確率。在檢測(cè)睜閉眼狀態(tài)這一問(wèn)題上,使用不同波段的比值特征能夠在使用較少特征數(shù)的情況下達(dá)成較好的分類結(jié)果。本實(shí)驗(yàn)采用SVM分類算法和512點(diǎn)截取長(zhǎng)度,在使用α波段特征以及兩波段比值特征的情況下,達(dá)到了87.9%的準(zhǔn)確率,實(shí)現(xiàn)了較好的睜閉眼狀態(tài)分類效果。

表3 α波段與β波段特征結(jié)合(%)

3 結(jié) 語(yǔ)

本文提出了一種基于前額單通道腦電信號(hào)檢測(cè)睜閉眼狀態(tài)的方法。通過(guò)腦電信號(hào)的頻域分析發(fā)現(xiàn)前額腦電波在睜閉眼不同狀態(tài)下會(huì)有所變化,α波會(huì)顯著升高,其他多個(gè)波段有所下降。通過(guò)提取α波段時(shí)頻域特征,并加入α波段與β波段比值特征,采用SVM分類器,睜閉眼狀態(tài)檢測(cè)準(zhǔn)確率達(dá)到了87.9%。相較于以前的研究,本文所提方法只需要1個(gè)腦電通道,且位于前額位置,沒(méi)有頭發(fā)覆蓋,易于操作,極大提高了方便性和實(shí)用性;同時(shí)該方法具有較高的檢測(cè)準(zhǔn)確率,能夠根據(jù)腦電信號(hào)快速準(zhǔn)確地判別睜閉眼狀態(tài)。本文與已成熟的基于前額肌電的面部狀態(tài)識(shí)別(眨眼頻率、打哈欠等)相結(jié)合,可以顯著提高疲勞狀態(tài)檢測(cè)的有效性和可靠性。