張 明 恒， 翟 曉 娟， 朱 有 明， 趙 秀 棟

( 1.大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國(guó)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

疲勞駕駛是引發(fā)高速公路交通事故尤其是重大交通事故的主要原因[1]．據(jù)美國(guó)高速公路安全管理局(National Highway Traffic Safety Administration，NHTSA)統(tǒng)計(jì)，在美國(guó)每年由疲勞駕駛引發(fā)約10萬起交通事故，其中約1 500起導(dǎo)致直接死亡[2]．研究結(jié)果表明[3]，如果在危險(xiǎn)發(fā)生前0.5 s對(duì)駕駛?cè)诉M(jìn)行預(yù)警，則可減少60%左右的碰撞交通事故發(fā)生．因此，在完全智能化的無人駕駛技術(shù)距離實(shí)際應(yīng)用尚有差距的現(xiàn)階段，研發(fā)車載預(yù)警輔助駕駛系統(tǒng)是滿足市場(chǎng)需求、有效降低交通事故發(fā)生的可行途徑．

駕駛疲勞險(xiǎn)態(tài)辨識(shí)的本質(zhì)，即是基于相關(guān)特征信息識(shí)別即將出現(xiàn)的危險(xiǎn)狀態(tài)，以及時(shí)提醒駕駛?cè)嘶驅(qū)囕v實(shí)施主動(dòng)干預(yù)，其主要包括兩方面：與疲勞形成相關(guān)的關(guān)鍵特征指標(biāo)析取和依據(jù)相關(guān)指標(biāo)對(duì)疲勞險(xiǎn)態(tài)發(fā)生進(jìn)行動(dòng)態(tài)辨識(shí)．

特征指標(biāo)的檢測(cè)總體上可分為主觀和客觀兩類方法．主觀指標(biāo)檢測(cè)大多基于駕駛?cè)酥饔^感受的調(diào)查，統(tǒng)計(jì)分析疲勞險(xiǎn)態(tài)的誘因，評(píng)測(cè)標(biāo)準(zhǔn)有皮爾遜疲勞量表[4]、斯坦福嗜睡量表[5]等．客觀指標(biāo)檢測(cè)可分為兩種：接觸式和非接觸式．其中，接觸式方法以檢測(cè)駕駛?cè)四X電(electroencephalogram，EEG)、心電(electrocardiogram，ECG)等生理參數(shù)為主[6-9]．該類方法的優(yōu)點(diǎn)是客觀性強(qiáng)，能比較準(zhǔn)確地反映駕駛個(gè)體精神狀態(tài)的變化；但缺點(diǎn)也很明顯，均需測(cè)量裝置與駕駛?cè)松眢w有關(guān)部位接觸，這在很大程度上限制了其推廣應(yīng)用．基于上述研究局限性，研究人員試圖從駕駛?cè)送庠诒碛^指標(biāo)推斷駕駛安全性[10-13]．其中，卡內(nèi)基梅隆研究所發(fā)現(xiàn)PERCLOS(percent eye closure)特征中的P80特征與駕駛疲勞程度的相關(guān)性最好[13]，這被NHTSA認(rèn)可為駕駛疲勞監(jiān)測(cè)的有效方法之一．

在疲勞險(xiǎn)態(tài)辨識(shí)機(jī)理研究方面，所采用的模型主要包括貝葉斯網(wǎng)絡(luò)[14-15]、神經(jīng)網(wǎng)絡(luò)[16-19]和隱馬爾可夫模型(HMM)[20-21]等．綜合來看，多特征信息融合已經(jīng)成為該領(lǐng)域當(dāng)前的研究熱點(diǎn)和趨勢(shì)，由于駕駛疲勞的產(chǎn)生是漸進(jìn)的動(dòng)態(tài)生成過程，利用HMM可以更好地反映該種特性變化．然而，受限于HMM參數(shù)優(yōu)化過程的隨機(jī)性及訓(xùn)練過程易陷入局部最優(yōu)的問題，基于群集智能方法對(duì)相關(guān)參數(shù)進(jìn)行優(yōu)選是該領(lǐng)域較新的研究熱點(diǎn)．

基于此，本文利用粒子群優(yōu)化(PSO)算法對(duì)所構(gòu)建的HMM駕駛疲勞辨識(shí)模型中的相關(guān)參數(shù)進(jìn)行優(yōu)選，以解決參數(shù)訓(xùn)練過程出現(xiàn)的相關(guān)問題，并結(jié)合模擬實(shí)驗(yàn)數(shù)據(jù)集對(duì)所提出的改進(jìn)方法進(jìn)行有效性對(duì)比驗(yàn)證．

1 問題描述

1.1 表征指標(biāo)分析

為實(shí)現(xiàn)對(duì)險(xiǎn)態(tài)的有效監(jiān)測(cè)，首先需尋求能反映駕駛狀態(tài)變化的關(guān)鍵特征．目前，PERCLOS特征已被證明為反映駕駛疲勞狀態(tài)的最有效特征之一，其定義為單位時(shí)間內(nèi)(一般取1 min或30 s)眼睛閉合一定比例(50%、70%或80%)的時(shí)間所占的比率[22]，包括P70、P80和EM共3個(gè)特征指標(biāo)，分別表示眼瞼蓋過瞳孔的面積超過70%、80%和50%所占的時(shí)間比例．其中，P80特征已被證實(shí)與疲勞程度的相關(guān)性最好，因此在一些基于視覺的疲勞檢測(cè)系統(tǒng)中一般采用P80作為疲勞識(shí)別的判據(jù)．其具體確定方法如圖1所示．

圖1 PERCLOS指標(biāo)(P80)示意圖Fig.1 Schematic diagram of PERCLOS (P80)

1.2 HMM分析

典型HMM問題可簡(jiǎn)記為λ=(π，A，B)，即HMM由兩部分組成：其一為馬爾可夫過程，由初始概率矢量π和隱含狀態(tài)轉(zhuǎn)移概率矩陣A描述，它直觀地反映了隱含狀態(tài)序列的變化情況；其二為觀察值隨機(jī)過程，由混淆矩陣B描述，其輸出為觀察值序列．對(duì)于離散HMM問題，初始參數(shù)π、A對(duì)模型準(zhǔn)確度影響不大，可隨機(jī)分布或均勻分布，但需滿足以下條件：

(1)

式中：aij為隱含狀態(tài)從i轉(zhuǎn)移到j(luò)的概率，P(qi=θi)為t時(shí)刻對(duì)應(yīng)馬爾可夫鏈上的狀態(tài)q屬于有限狀態(tài)θ的概率．

對(duì)于混淆矩陣B，其初值的選取很大程度上會(huì)對(duì)最終模型準(zhǔn)確度產(chǎn)生影響，分析其主要原因在于HMM訓(xùn)練過程所基于的BW算法[23]易陷入局部最優(yōu)．因此，在具體實(shí)施時(shí)要求選取的初始B恰當(dāng)才能使結(jié)果接近全局最優(yōu)，這為HMM的實(shí)際應(yīng)用帶來了一定困難．目前，利用近年來發(fā)展起來的進(jìn)化算法(evolutionary algorithm，EA)結(jié)合HMM訓(xùn)練過程對(duì)相關(guān)參數(shù)進(jìn)行選優(yōu)逐漸成為該領(lǐng)域的研究熱點(diǎn)問題．考慮到EA中PSO算法實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)，本文提出一種改進(jìn)的BW-PSO算法分別對(duì)模型參數(shù)進(jìn)行訓(xùn)練．其基本工作流程如圖2所示．

圖2 基于BW-PSO算法改進(jìn)的HMM參數(shù)訓(xùn) 練流程Fig.2 Training diagram of improved HMM based on BW-PSO algorithm

BW-PSO算法的基本計(jì)算流程為

初始化：依據(jù)訓(xùn)練規(guī)模，隨機(jī)生成n個(gè)A0和B0；

初值選?。簩?duì)所有A0和B0分別基于傳統(tǒng)BW算法訓(xùn)練得到更新后的n個(gè)A1和B1；

適應(yīng)度函數(shù)：基于更新的所有A1、B1進(jìn)行最大可能狀態(tài)估計(jì)并得到對(duì)應(yīng)的狀態(tài)估值序列

Q＾

=(

q＾

1

q＾

2…

q＾

i)，i=1,…,n，則該狀態(tài)估值序列與狀態(tài)基準(zhǔn)序列Q=(q1q2…qi)的差值為X=

Q＾

-Q，選擇X的方差作為適應(yīng)度判定準(zhǔn)則，即

(2)

粒子位置和速度更新：通過比較每次更新后的適應(yīng)度δ大小來調(diào)整粒子的位置和速度：

(3)

式中：r為隨機(jī)數(shù)；微粒群體規(guī)模為N，其中每個(gè)微粒在D維空間中的坐標(biāo)位置向量表示為xi=(xi,1xi,2…xi,d…xi,D)，速度向量表示為vi=(vi,1vi,2…vi,d…vi,D)，微粒個(gè)體最優(yōu)位置(即該微粒經(jīng)歷過的最優(yōu)位置)記為pi=(pi,1pi,2…pi,d…pi,D)，群體最優(yōu)位置記為pg=(pg,1pg,2…pg,d…pg,D)．

終止條件：以充分保證算法收斂為原則，確定最大訓(xùn)練次數(shù)Tmax，當(dāng)訓(xùn)練次數(shù)達(dá)到上限時(shí)，狀態(tài)估計(jì)值對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移概率矩陣A和混淆矩陣B即為全局最優(yōu)值．

此外，由于馬爾可夫鏈狀結(jié)構(gòu)可以分為左右鏈型(left-right model)和各態(tài)遍歷型(ergodic model)，所建立的HMM需針對(duì)實(shí)際問題進(jìn)行相應(yīng)選擇．圖3為一典型的各態(tài)遍歷型結(jié)構(gòu)，在該類HMM中，某一時(shí)刻可以處于任何狀態(tài)，并且都能在有限次數(shù)的轉(zhuǎn)移后處于馬爾可夫鏈中的其他任何狀態(tài)．而左右鏈型規(guī)定了隨著時(shí)間的變化狀態(tài)向原狀態(tài)轉(zhuǎn)移，或者向規(guī)定大序號(hào)狀態(tài)轉(zhuǎn)移，該類HMM能夠更有效地應(yīng)用到各種隨時(shí)間變化的參數(shù)數(shù)據(jù)建模，如語音信號(hào)識(shí)別、駕駛疲勞險(xiǎn)態(tài)的生成等．

圖3 各態(tài)遍歷型HMM結(jié)構(gòu)Fig.3 Ergodic model of HMM

1.3 HMM驗(yàn)證

吻合度分析是驗(yàn)證模型準(zhǔn)確性的關(guān)鍵．在本研究中，利用優(yōu)化后的HMM推理得到最可能狀態(tài)序列

Q＾

，基于該序列結(jié)合狀態(tài)基準(zhǔn)序列Q來驗(yàn)證模型的準(zhǔn)確性．其中，狀態(tài)基準(zhǔn)序列是根據(jù)生理參數(shù)測(cè)試儀、基于視頻客觀評(píng)價(jià)以及主觀打分3種方式獲得．吻合度分析包括以下兩方面：

(1)計(jì)算狀態(tài)估值序列

Q＾

與狀態(tài)基準(zhǔn)序列Q的相似度百分比．對(duì)于序列長(zhǎng)度為N的情況，若兩序列中的狀態(tài)重合數(shù)為s，則相似度Si定義為

(4)

(2)計(jì)算狀態(tài)估值序列

Q＾

X=Q＾-Q，V=∑ni=1Xi/N，

與狀態(tài)基準(zhǔn)序列Q差值向量X的方差．定義則其方差

(5)

2 駕駛疲勞險(xiǎn)態(tài)HMM構(gòu)建

2.1 特征參數(shù)預(yù)處理及HMM轉(zhuǎn)移模型確定

基于已有研究結(jié)果[24]，本研究將HMM狀態(tài)數(shù)定為兩級(jí)：清醒和疲勞．與此相對(duì)應(yīng)，各觀測(cè)變量也分為兩類，即數(shù)據(jù)正?；虍惓＃谖墨I(xiàn)[25]研究結(jié)果，這里設(shè)定PERCLOS的閾值為0.15，則特征參數(shù)經(jīng)閾值處理后如表1所示．

表1 特征參數(shù)的二值化Tab.1 Characteristics parameters binary

由于HMM結(jié)構(gòu)可分為左右鏈型和各態(tài)遍歷型，考慮實(shí)際疲勞形成為一漸進(jìn)的動(dòng)態(tài)生成過程，該規(guī)律符合左右鏈型結(jié)構(gòu)的本質(zhì)特征．然而，由于本文僅定義了兩種狀態(tài)水平，從HMM各態(tài)遍歷型的結(jié)構(gòu)拓?fù)鋱D上可以看出，此時(shí)各態(tài)遍歷型退化為左右鏈型結(jié)構(gòu)，由此本文將該研究的基本HMM劃分為各態(tài)遍歷型結(jié)構(gòu)．基于以上分析，本文所建立的HMM結(jié)構(gòu)如圖4所示．

圖4 馬爾可夫鏈?zhǔn)疽鈭DFig.4 Schematic diagram of Markov chain

2.2 HMM構(gòu)建

在進(jìn)行HMM構(gòu)建時(shí)，鑒于初始模型參數(shù)的選取對(duì)于模型訓(xùn)練和最終準(zhǔn)確度影響較大，本文對(duì)關(guān)鍵性參數(shù)概率矩陣A和混淆矩陣B的初始取值作如下考慮：

(1)由于矩陣A的初值對(duì)模型訓(xùn)練結(jié)果影響不大，只需滿足式(1)的要求即可，這里考慮為均勻分布或隨機(jī)分布．

(2)為方便后續(xù)對(duì)所提出的BW-PSO算法進(jìn)行對(duì)比分析，這里依據(jù)有無先驗(yàn)條件對(duì)矩陣B的初值選取分兩種情況，即隨機(jī)分布和有先驗(yàn)條件分布．先驗(yàn)條件可描述為定義規(guī)定時(shí)段內(nèi)的PERCLOS觀察值序列長(zhǎng)度為N，對(duì)其閾值化處理后的狀態(tài)為M，狀態(tài)基準(zhǔn)序列為Q．利用數(shù)理統(tǒng)計(jì)方法統(tǒng)計(jì)出該時(shí)段內(nèi)基準(zhǔn)狀態(tài)為j的個(gè)數(shù)Qj，觀測(cè)值狀態(tài)為i的個(gè)數(shù)Mi，則矩陣B中的各元素取值為

(6)

(3)對(duì)于BW-PSO算法，矩陣A、B的初值選擇為隨機(jī)分布．

基于以上分析，所建立的3個(gè)基本HMM參數(shù)如表2所示．

表2 各模型初值選取匯總表Tab.2 Summary sheet of all models′ initial values

3 參數(shù)優(yōu)化

利用BW算法對(duì)HMM進(jìn)行訓(xùn)練時(shí)，在模型參數(shù)初始值選定基礎(chǔ)上利用式(7)進(jìn)行反復(fù)迭代，最終通過轉(zhuǎn)移概率估計(jì)值進(jìn)行評(píng)估，直到矩陣A和B達(dá)到最優(yōu)解．

a＾ij=∑T-1t=1εt(i，j)∑T-1t=1γt(i)

b＾j(k)=∑Tt=1，ot=kγt(j)∑Tt=1γt(j)

(7)

在利用PSO算法對(duì)HMM參數(shù)尋優(yōu)時(shí)，把BW-PSO算法結(jié)合后嵌入HMM，不需對(duì)初始參數(shù)A、B進(jìn)行特別選取，只需隨機(jī)選取，在不斷的優(yōu)化過程中即可達(dá)到全局最優(yōu)．具體PSO算法的內(nèi)部參數(shù)設(shè)定如表3所示．

表3 PSO算法參數(shù)Tab.3 Parameters of PSO algorithm

基于上述參數(shù)設(shè)定，整個(gè)訓(xùn)練過程各參數(shù)的收斂曲線如圖5所示，橫坐標(biāo)β為迭代次數(shù)，尋優(yōu)過程計(jì)算時(shí)間統(tǒng)計(jì)及最終參數(shù)優(yōu)化結(jié)果如表4、5所示．其中，在圖5中，考慮到矩陣A和B每行元素總和為1，故只選取第一列元素進(jìn)行比較，即只選取A矩陣中的元素a11和a21，B矩陣中的元素b11和b21．

對(duì)上述參數(shù)優(yōu)化過程及統(tǒng)計(jì)結(jié)果進(jìn)行分析，可得以下結(jié)論：

(1)矩陣A各參數(shù)的迭代收斂過程一致．初值選取對(duì)模型訓(xùn)練精度影響不大，但基于先驗(yàn)知識(shí)和PSO策略的初值選定方法可在一定程度上加快訓(xùn)練進(jìn)程．

(2)矩陣B各參數(shù)的迭代收斂過程差別較大．隨機(jī)選定初值時(shí)，模型易陷入局部最優(yōu)，導(dǎo)致最終訓(xùn)練結(jié)果出現(xiàn)較大誤差；基于先驗(yàn)知識(shí)和PSO策略的初值選定方法各參數(shù)的迭代變化過程一致，但PSO方法可以在一定程度上加快訓(xùn)練進(jìn)程．

(a) 矩陣A參數(shù)優(yōu)化過程對(duì)比曲線

(b) 矩陣B參數(shù)優(yōu)化過程對(duì)比曲線

圖5 矩陣A、B參數(shù)優(yōu)化過程Fig.5 Optimizing process of matrix A and B

表4 3個(gè)模型參數(shù)尋優(yōu)計(jì)算時(shí)間Tab.4 Parameter optimizing time of three models

(3)基于先驗(yàn)知識(shí)和PSO策略的初值選定方法可有效減少模型訓(xùn)練迭代次數(shù)，但由PSO引入所帶來的計(jì)算時(shí)間復(fù)雜度較其他方法要大得多．由此可見，對(duì)于小規(guī)模復(fù)雜問題，基于BW-PSO算法的模型訓(xùn)練方法尚可接受，但隨著問題復(fù)雜度的增大，需在其計(jì)算成本與計(jì)算精度間進(jìn)行折中．

(4)基于BW算法的模型訓(xùn)練結(jié)果準(zhǔn)確性嚴(yán)重依賴于矩陣B的初始估值，基于先驗(yàn)知識(shí)和PSO策略的方法具有較穩(wěn)定的模型訓(xùn)練結(jié)果準(zhǔn)確性；但由于先驗(yàn)條件的引入，其條件策略設(shè)定需針對(duì)不同問題進(jìn)行具體制定，不利于算法的自動(dòng)化實(shí)現(xiàn)；基于PSO策略的方法除具有較穩(wěn)定的結(jié)果輸出外，由于不需人為制定相應(yīng)條件規(guī)則，更有利于實(shí)現(xiàn)算法的智能化．

表5 優(yōu)化后的各模型參數(shù)Tab.5 Parameters of all the optimized models

4 實(shí)證分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

為比較上述所建立模型在疲勞險(xiǎn)態(tài)識(shí)別上的差異，進(jìn)行了數(shù)據(jù)測(cè)試．招募了20名年齡段在24～26歲且駕齡在2～3 a的駕駛?cè)?，?duì)每名實(shí)驗(yàn)者以1 min為單位用SMI-HED頭盔式眼動(dòng)儀在駕駛模擬器上獲取相應(yīng)的PERCLOS特征觀察值序列，原始數(shù)據(jù)序列時(shí)長(zhǎng)為3 h．為降低模型計(jì)算復(fù)雜性，從中抽取具有代表性的20組長(zhǎng)度為30的樣本進(jìn)行建模，其特征參數(shù)時(shí)序變化曲線如圖6所示．

圖6中，閾值線以上為駕駛?cè)似跔顟B(tài)采樣數(shù)據(jù)，以下為清醒狀態(tài)采樣數(shù)據(jù)．從曲線變化趨勢(shì)來看，在選定時(shí)段內(nèi)駕駛?cè)私?jīng)歷了“疲勞-清醒-疲勞-清醒-疲勞-清醒”的狀態(tài)轉(zhuǎn)變，可以用于驗(yàn)證所建模型的準(zhǔn)確性．

圖6 PERCLOS曲線圖Fig.6 Curve graph of PERCLOS

4.2 結(jié)果對(duì)比分析

4.2.1 模型穩(wěn)定性分析 對(duì)于模型1和模型3，隨機(jī)選取10組不同的初值進(jìn)行穩(wěn)定性驗(yàn)證；由于模型2是模型1的特例(模型1先驗(yàn)條件下的輸出)，從20組樣本數(shù)據(jù)中抽取10組進(jìn)行先驗(yàn)統(tǒng)計(jì)得到10組初值后，再統(tǒng)一和模型1以及模型3進(jìn)行穩(wěn)定性比較．模型的具體準(zhǔn)確度穩(wěn)定性分析對(duì)比結(jié)果如圖7所示，橫坐標(biāo)η為初值選取次數(shù)．

圖7 3個(gè)模型準(zhǔn)確度對(duì)比圖Fig.7 Contrast diagram of the change of three models′ accuracy

由此可見，模型1準(zhǔn)確度變化曲線起伏最大，穩(wěn)定性最差；模型2相比于模型1穩(wěn)定性較好，但相對(duì)模型3也存在一定差距．

4.2.2 模型準(zhǔn)確性分析 考慮到3個(gè)模型各自對(duì)初值選取的不同要求以及隨機(jī)初值的重要性，本文分別從1次初值選取和10次隨機(jī)初值選取兩方面驗(yàn)證3個(gè)模型的準(zhǔn)確性：

(1)在實(shí)驗(yàn)時(shí)段內(nèi)，3個(gè)模型得到的最可能狀態(tài)序列與狀態(tài)基準(zhǔn)序列的比較如表6所示，基準(zhǔn)狀態(tài)為

表6 各模型誤判次數(shù)統(tǒng)計(jì)Tab.6 Statistics of all the models′ mistakes

由表6可知，模型1輸出結(jié)果與基準(zhǔn)狀態(tài)有較大差別，準(zhǔn)確率與穩(wěn)定性最差；模型2輸出結(jié)果與基準(zhǔn)狀態(tài)差別較小，準(zhǔn)確率與穩(wěn)定性較好；模型3較模型1和2準(zhǔn)確率及穩(wěn)定性要好，與基準(zhǔn)狀態(tài)吻合度較高．

(2)隨機(jī)選取10個(gè)不同初值以驗(yàn)證3個(gè)模型的整體準(zhǔn)確度，其對(duì)比結(jié)果如圖7所示．可見：模型1的準(zhǔn)確度起伏在10.0%～76.7%，僅在第3次和第7次初值選取時(shí)，達(dá)到了較高的76.7%和73.3%；模型2的準(zhǔn)確度起伏在66.7%～76.7%，整體準(zhǔn)確度相比于模型1高；模型3的準(zhǔn)確度起伏在76.7%～83.3%，模型整體準(zhǔn)確度高于前兩個(gè)模型．

5 結(jié) 語

在HMM應(yīng)用過程中，混淆矩陣的初值選取對(duì)于模型最終準(zhǔn)確性有較大影響．本文在對(duì)駕駛疲勞險(xiǎn)態(tài)動(dòng)態(tài)生成特性分析基礎(chǔ)上，提出利用改進(jìn)的BW-PSO算法對(duì)所建立的HMM進(jìn)行訓(xùn)練，以克服實(shí)際應(yīng)用過程中面臨的困難．與傳統(tǒng)BW算法的結(jié)果對(duì)比分析表明，本文所提出的方法無須考慮HMM初值的選取即可達(dá)到全局最優(yōu)，省略了復(fù)雜的初始參數(shù)運(yùn)算估計(jì)，較BW算法具有更高的準(zhǔn)確性和穩(wěn)定性．基于已取得的研究成果，下一階段應(yīng)從多源信息融合角度對(duì)所建立的模型進(jìn)行拓展，以進(jìn)一步提高模型的適用范圍和魯棒性．

[1] 孟憲超. 疲勞駕駛致交通事故特點(diǎn)及有效預(yù)防分析[J]. 物流工程與管理, 2014,36(8):187-188.

MENG Xianchao. Driving fatigue caused by traffic accident characteristics and effective prevention analysis [J].LogisticsEngineeringandManagement, 2014,36(8):187-188. (in Chinese)

[2]李都厚,劉 群,袁 偉,等. 疲勞駕駛與交通事故關(guān)系[J]. 交通運(yùn)輸工程學(xué)報(bào), 2010,10(2):104-109.

LI Duhou, LIU Qun, YUAN Wei,etal. Relationship between fatigue driving and traffic accident [J].JournalofTrafficandTransportationEngineering, 2010,10(2):104-109. (in Chinese)

[3]WANG C D, THOMPSON J P. Apparatus and method for motion detection and tracking of objects in a region for collision avoidance utilizing a real-time adaptive probabilistic neural network: U. S. Patent 5613039 [P]. 1997-03-18.

[4]CARROLL R J. Ocular measures of driver alertness: FHWA Technical Report No. FHWA-MC-99-136 [R]. Washington D C: Federal Highway Administration, 1999.

[5]HODDES E, ZARCONE V, SMYTHE H,etal. Quantification of sleepiness:a new approach [J].Psychophysiology, 1973,10(4):431-436.

[6]DA SILVEIRA T L T, KOZAKEVICIUS A J, RODRIGUES C R. Automated drowsiness detection through wavelet packet analysis of a single EEG channel [J].ExpertSystemswithApplications, 2016,55:559-565.

[7]SAN P P, LING S H, CHAI R,etal. EEG-based driver fatigue detection using hybrid deep generic model [C] //ProceedingsoftheAnnualInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety,EMBS. Orlando: IEEE, 2016:800-803.

[8]BORGHINI G, ASTOLFI L, VECCHIATO G,etal. Measuring neurophysiological signals in aircraft pilots and car drivers for the assessment of mental workload, fatigue and drowsiness [J].NeuroscienceandBiobehavioralReviews, 2014,44:58-75.

[9]付榮榮,王 宏,張 揚(yáng),等. 基于可穿戴傳感器的駕駛疲勞肌心電信號(hào)分析[J]. 汽車工程, 2013,35(12):1143-1148.

FU Rongrong, WANG Hong, ZHANG Yang,etal. An analysis on EMG and ECG signals for driving fatigue detection based on wearable sensor [J].AutomotiveEngineering, 2013,35(12):1143-1148. (in Chinese)

[10]MITTAL A, KUMAR K, DHAMIJA S,etal. Head movement-based driver drowsiness detection:A review of state-of-art techniques [C] //Proceedingsof2ndIEEEInternationalConferenceonEngineeringandTechnology,ICETECH2016. Coimbatore: IEEE, 2016:903-908.

[11]ANIL P C, ARAVIND B, SARITHA S,etal. Development of a headband for acquisition and analysis of forehead EOG signal for driver fatigue detection based on eye-blink patterns [J].InternationalJournalofComputerApplications, 2014,96(23):42-46.

[12]SIGARI M H, POURSHAHABI M R, SORYANI M,etal. A review on driver face monitoring systems for fatigue and distraction detection [J].InternationalJournalofAdvancedScienceandTechnology, 2014,64(5):73-100.

[13]DINGES D F, GRACE R. PERCLOS: A valid psychophysiological measure of alertness as assessed by psychomotor vigilance [R]. Washington D C: Office of Motor Carriers, Federal Highway Administration, 1998.

[14]王連震,裴玉龍. 基于貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識(shí)別模型[J]. 城市交通, 2014,12(3):66-74.

WANG Lianzhen, PEI Yulong. Driving fatigue recognition model based on Bayesian network [J].UrbanTransportofChina, 2014,12(3):66-74. (in Chinese)

[15]GUO Wenqiang, ZHANG Baorong, XIA Lingjun,etal. Driver drowsiness detection model identification with Bayesian network structure learning method [C] //Proceedingsofthe28thChineseControlandDecisionConference,CCDC2016. Yinchuan: IEEE, 2016:131-136.

[16]TABAL K M R, CALUYO F S, IBARRA J B G. Microcontroller-implemented artificial neural network for electrooculography-based wearable drowsiness detection system [J].LectureNotesinElectricalEngineering, 2016,362:461-472.

[17]YAN Chao, JIANG Huiying, ZHANG Bailing,etal. Recognizing driver inattention by convolutional neural networks [C] //Proceedings—20158thInternationalCongressonImageandSignalProcessing,CISP2015. Shenyang: IEEE, 2015:680-685.

[18]SINGH A, KAUR J. Driver fatigue detection using machine vision approach [C] //Proceedingsofthe20133rdIEEEInternationalAdvanceComputingConference,IACC2013. Washington D C: IEEE Computer Society, 2013:645-650.

[19]KRISHNASREE V, BALAJI N, SUDHAKAR RAO P S. A real time improved driver fatigue monitoring system [J].WSEASTransactionsonSignalProcessing, 2014,10(1):146-155.

[20]FU Rongrong, WANG Hong, ZHAO Wenbo. Dynamic driver fatigue detection using hidden Markov model in real driving condition [J].ExpertSystemswithApplications, 2016,63:397-411.

[21]XIANG Yu. Eye fatigue state recognition of Gabor wavelet optimization HMM algorithm [J].InternationalJournalofHybridInformationTechnology, 2016,9(9):189-198.

[22]BAUM L E, PETRIE T, SOULES G,etal. A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chains [J].TheAnnalsofMathematicalStatistics, 1970,41(1):164-171.

[23]ELMEZAIN M, AL-HAMADI A, APPENRODT J,etal. A hidden Markov model-based continuous gesture recognition system for hand motion trajectory [J].Proceedings—InternationalConferenceonPatternRecognition, 2008:4761080.

[24]DESMOND P A, HANCOCK P A. Active and passive fatigue states [M] // PA H, PA D, eds.Stress,WorkloadandFatigue. Mahwah: Lawrence Erlbaum Associates, 2001:455-465.

[25]郭永彩,李文濤,高 潮. 基于PERCLOS的駕駛員疲勞檢測(cè)算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2009,18(8):54-57.

GUO Yongcai, LI Wentao, GAO Chao. Fatigue detection algorithm based on PERCLOS [J].ComputerSystems&Applications, 2009,18(8):54-57. (in Chinese)