吳志敏，潘雨帆，洪治潮

（1.公路交通安全與應(yīng)急保障技術(shù)及裝備交通運輸行業(yè)研發(fā)中心，廣東 廣州 510420；2.廣東華路交通科技有限公司，廣東 廣州 510420；3.西南交通大學(xué)交通運輸與物流學(xué)院，四川 成都 610031）

0 引言

駕駛警覺度通常是指駕駛員在執(zhí)行駕駛?cè)蝿?wù)時長時間保持注意力或警惕性的水平[1]。在長時間的連續(xù)駕駛作業(yè)過程中，駕駛員需對車輛運行、車輛狀態(tài)、運行環(huán)境等多重信息進行實時監(jiān)控，易誘發(fā)駕駛員疲勞，導(dǎo)致駕駛警覺度下降，從而增加了事故發(fā)生率。因此對駕駛員的駕駛警覺度進行有效識別，是駕駛安全研究的關(guān)鍵問題之一。

目前國內(nèi)外學(xué)者針對駕駛員的駕駛警覺度進行了一系列研究。汪澎[2]以駕駛員低警覺度不安全駕駛行為為研究對象，提出了一種駕駛員駕駛行為實時監(jiān)測系統(tǒng)。李凡[3]則采用支持向量機、線性判別分析等分類方法，構(gòu)建了基于方向盤握力信號的警覺度監(jiān)測模型。董書琴等[4]采用不同程度的警覺度（睡眠與清醒）對應(yīng)的腦電信號（Electroencephalograph，簡稱EEG），通過對EEG進行特征提取建立了駕駛警覺度識別模型。Papadelis等[5]采用生理信號評估駕駛警覺度，研究結(jié)果表明駕駛員EEG、心電信號可對駕駛警覺度進行有效檢測。Mbouna等[6]采用眨眼次數(shù)、瞳孔活動與頭部姿勢3項指標，構(gòu)建了基于SVM的駕駛警覺度識別模型。

上述研究從不同角度豐富了駕駛警覺度相關(guān)研究，但缺乏對駕駛警覺度等級的合理劃分。以往的研究證明了不同時段的主觀疲勞測評、駕駛行為績效能夠反映駕駛精神狀態(tài)的差異性，同時EEG與駕駛精神狀態(tài)有著高度相關(guān)性[7-8]，因此本文擬采用主觀疲勞測評、駕駛行為績效對駕駛警覺度進行等級劃分，以EEG為特征指標，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)模型（Fuzzy Neural Network，簡稱FNN），提出一種駕駛警覺度識別方法，以期對駕駛員的駕駛警覺度進行有效識別，為設(shè)計、開發(fā)相關(guān)預(yù)防控制系統(tǒng)提供理論依據(jù)。

1 駕駛員的駕駛警覺度劃分

目前，國內(nèi)外研究通常采用駕駛作業(yè)前后兩個時段對駕駛警覺度等級進行劃分[9-10]。在駕駛作業(yè)開始不久，駕駛員具有較高的警覺度，故選取駕駛作業(yè)前時段作為駕駛員的高警覺度時段；隨著駕駛作業(yè)時長增加，駕駛員的疲勞程度逐漸增加，警覺度也隨之下降，故選取駕駛作業(yè)后時段作為駕駛員的低警覺度時段。

為了量化駕駛員的駕駛警覺度，本文結(jié)合主觀疲勞評估與駕駛監(jiān)控作業(yè)行為績效兩項指標來衡量駕駛員的駕駛警覺度。通過對比前后兩個時段的主觀疲勞評估（卡羅林斯卡嗜睡量表（Karolinska Sleepiness Scale，簡稱KSS）得分）、駕駛監(jiān)控作業(yè)行為績效（反應(yīng)時間、速度偏差等）差異性，以驗證駕駛警覺度劃分的合理性。

2 基于小波變換的腦電參數(shù)提取

EEG是一種時變非平穩(wěn)信號，而小波變換是一種時頻結(jié)合的分析方法，具有多分辨率的優(yōu)點[11]，適用于對非平穩(wěn)信號提取相關(guān)特征信息。因此本文采用小波變換對EEG進行分解，將分解得到的θ(4～8Hz),α(8～13Hz),β(13～30Hz)3種頻段分別提取小波系數(shù)能量值作為EEG特征參數(shù)，具體處理過程如下。

（1）對信號f(n)進行小波變換，其小波系數(shù)定義如下式所式：

式中：(n)為小波函數(shù)；k為信號帶寬；j為信號中心頻率。

（2）將Cj,k進行逆變換，得到逆信號h(n)如下式所示：

式中：hj(n)為逆信號h(n)在某一刻度的分量。

（3）為了對逆信號h(n)進行有限層分解，本文引入Mallat算法[12]，即：

式中：W為分層級數(shù)，本文取W=3；hW(n)為模糊分量；a為信號某一刻度；haj(n)為不同刻度下的細節(jié)分量。因此，可通過上述有限層分解得到θ,α,β3種不同頻段的EEG。

（4）小波系數(shù)能量值能夠反映EEG的時域與頻域特征，而各頻段的小波系數(shù)具有能量的量綱，因此分別提取θ,α,β的小波系數(shù)能量值，同時計算合成參數(shù)(α+β)/β,α/β,(θ+α)/(α+β),θ/β,(α+β)/θ的比值作為EEG特征參數(shù)。

按照步驟（1）～（4）對q個電極的EEG進行處理，則相應(yīng)得到8q項EEG特征參數(shù)，將其作為駕駛警覺度識別特征指標。

3 基于模糊神經(jīng)網(wǎng)絡(luò)的識別模型構(gòu)建

模糊神經(jīng)網(wǎng)絡(luò)是將模糊理論引入人工神經(jīng)網(wǎng)絡(luò)，較好地實現(xiàn)了兩者融合。人工神經(jīng)網(wǎng)絡(luò)有著強大的學(xué)習(xí)能力，并能夠?qū)δ繕耸挛镩_啟自動識別模式[13]。一般來說，人工神經(jīng)網(wǎng)絡(luò)對事物中存在的模糊信息無法有效處理，導(dǎo)致其適用范圍不夠廣泛[14-15]。通過引入模糊理論，彌補了神經(jīng)網(wǎng)絡(luò)處理模糊信息的缺陷，從而能夠同時對模糊與明確信息進行分類識別。腦電信號作為一種復(fù)雜的生理信號，其隱含著諸多復(fù)雜信息，也必然存在著大量的模糊信息。鑒于此，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)有著較強的學(xué)習(xí)能力與處理模糊信息的特點，本文采用該方法對不同駕駛警覺度等級進行有效識別，構(gòu)建模型過程如下。

建立含一個輸入層、一個模糊層、一個模糊推理層、一個補償運算層以及一個輸出層的FNN模型。其中輸入層節(jié)點個數(shù)由駕駛識別特征指標個數(shù)確定，并與節(jié)點一一對應(yīng)；模糊層節(jié)點個數(shù)由輸入變量及其模糊子集個數(shù)所確定；模糊推理層與補償運算層節(jié)點個數(shù)均由規(guī)則數(shù)m所確定；輸出層節(jié)點個數(shù)為1，規(guī)定高警覺度的輸出結(jié)果為1，低警覺度的輸出結(jié)果為0。該網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 FNN模型網(wǎng)絡(luò)結(jié)構(gòu)

對于某一組駕駛警覺度識別特征指標X=(x1,x2,…,x8q)，每個EEG特征參數(shù)xi視為模糊語言變量。選擇高斯型函數(shù)作為模糊層隸屬函數(shù)μip(xi)(i=1,2,…,8q;p=1,2,…,m)，所得到的隸屬度作為該層輸出，如下式所示：

式中：cip為xi的第p個節(jié)點對應(yīng)隸屬度的均值；σip為xi的第p個節(jié)點對應(yīng)隸屬度的方差。

在模糊推理層，第p個節(jié)點的輸出量?p如下式所示：

而在補償運算層中第p個節(jié)點的輸出量φp如下式所示：

式中：γ為補償度，且γ∈[0,1]。

輸出層輸出結(jié)果為：

式中：wip為第p個補償模糊節(jié)點到第i個輸出節(jié)點的權(quán)值；τ為給定閾值。

4 識別效果測評

表1 識別模型輸出結(jié)果

基于上述識別結(jié)果，可構(gòu)建FNN識別模型對高駕駛警覺度的識別正確率（TPR）、FNN識別模型對低駕駛警覺度的識別正確率（SPC）、FNN識別模型的整體識別正確率（ACC）3項指標，分別定義如下：

式（8）～式（10）中：TP為模型判斷為真高警覺度的樣本量；FN為模型判斷為偽高警覺度的樣本量；TN為模型判斷為真低警覺度的樣本量；TP為模型判斷為偽低警覺度的樣本量。

通過計算上述3項指標，以SPC為橫坐標、TPR為縱坐標構(gòu)成反映識別模型效果優(yōu)劣的接收者操作特征（Receiver Operating Characteristic，簡稱ROC）曲線。為了對識別模型識別效果進行評價，將ROC曲線的線下面積（Area Under the Curve，簡稱AUC）作為評價指標。當AUC≤0.5時，說明識別模型識別效果較差；當AUC〉0.5且越來越逼近1時，說明識別模型識別效果越來越好[16]。

5 實例分析

5.1 試驗設(shè)計

試驗有償招募了20名男性駕駛員（年齡在32～40歲之間，駕齡在4～9年之間）進行測試。被試者身體健康，無精神病史，無色盲或者色弱，且視力或矯正視力在1.0以上。

試驗采用型號為VDS—S—I的高仿真駕駛模擬器，其駕駛艙外部如圖2（a）所示。試驗路線選用一條雙向4車道公路，每車道寬度為3.75m，線路里程為100km，設(shè)計時速為60km/h。在試驗過程中，駕駛操作臺前方屏幕將會隨機呈現(xiàn)信號，當隨機信號出現(xiàn)時要求被試者盡可能快速按鍵做出反應(yīng)（若反應(yīng)時間超過1 000ms，則視此次反應(yīng)無效）。隨機信號刺激呈現(xiàn)120次，相鄰兩信號刺激時間間隔在25～35s之間。同時，要求被試者始終保持以不低于5km/h的設(shè)計時速運行駕駛模擬器，連續(xù)駕駛時長為3h。

在整個試驗過程中，記錄被試者對隨機信號的反應(yīng)時間、車輛當前運行速度。在試驗開始前與結(jié)束后要求被試者填寫KSS量表以評估其主觀疲勞度。同時，采用德國Brain Products公司研制的64導(dǎo)Neuroscan腦電儀實時對被試者EEG數(shù)據(jù)進行采集并記錄，如圖2（b）所示，普遍選用FC1電極作為參考。腦電采樣率、采集頻率帶寬分別設(shè)置為500Hz,1～50Hz，所有電極阻抗均低于2kΩ。

圖2 試驗場景

5.2 駕駛警覺度等級劃分合理性驗證

選取試驗開始后的16～46min作為高駕駛警覺度時段、150～180min作為低駕駛警覺度時段。對上述兩個時段的主觀疲勞測評（KSS量表得分）與駕駛監(jiān)控行為績效數(shù)據(jù)（速度偏差、反應(yīng)時間及反應(yīng)正確率）進行獨立樣本t檢驗。通過檢驗兩者的差異性來驗證警覺度等級劃分的合理性，檢驗結(jié)果如圖3所示。

從圖3可看出，前后時段KSS量表得分檢驗結(jié)果為顯著性水平低于0.01，其在第1時段（16～46min）顯著低于第2時段（150～180min），表明駕駛員經(jīng)過長時間駕駛操作導(dǎo)致駕駛疲勞，且疲勞程度顯著增加；前后時段速度偏差檢驗結(jié)果為顯著性水平低于0.05，其在第1時段顯著低于第2時段，表明駕駛員對車輛運行速度控制能力下降；前后時段反應(yīng)時間檢驗結(jié)果為顯著性水平低于0.01，其在第2時段顯著高于第1時段，表明駕駛員對信號認知能力有所下降；前后時段反應(yīng)正確率檢驗結(jié)果為顯著性水平低于0.01，其在第2時段顯著低于第1時段，表明駕駛員誤操作率明顯上升。

圖3 主觀疲勞與行為數(shù)據(jù)檢驗結(jié)果

綜上所述，驗證了以試驗第1時段作為高駕駛警覺度時段、第2時段作為低駕駛警覺度時段的劃分具有合理性。

5.3 駕駛警覺度識別結(jié)果

采用第2節(jié)處理方法分別對試驗中第1時段與第2時段的EEG數(shù)據(jù)進行特征參數(shù)提取，均得到512項EEG特征參數(shù)，作為駕駛警覺度等級識別特征指標。將所得到的警覺度等級識別特征指標樣本作如下處理：將樣本分為訓(xùn)練樣本與測試樣本，按照3∶1的比例從樣本中隨機抽取。為了驗證本文所提模型的優(yōu)勢，分別對FNN識別模型與參考文獻[17]中的BP神經(jīng)網(wǎng)絡(luò)識別模型進行訓(xùn)練與測試，共測試200次，其結(jié)果如表2所示。

表2 兩種不同模型的識別結(jié)果

由表2可看出，在警覺度識別結(jié)果中，F(xiàn)NN模型與BP模型兩者對低警覺度識別正確率高于高警覺度，說明兩模型對低駕駛警覺度易于識別；在整體識別正確率結(jié)果中，F(xiàn)NN模型的整識別體正確率高于BP模型；同時從模型識別效果來看，F(xiàn)NN模型在AUC值上明顯高于BP模型，且AUC值接近于1，表明FNN模型識別效果較優(yōu)。因此，本文所提模型具有可行性與有效性。

6 結(jié)論

本文針對駕駛員的駕駛警覺度識別問題，基于EEG構(gòu)建了駕駛員的駕駛警覺度等級識別方法，其成果主要體現(xiàn)在以下2個方面。

（1） 通過前后 2個時段 （16～46min與 150～180min）駕駛員主觀疲勞測評數(shù)據(jù)與駕駛監(jiān)控作業(yè)行為績效差異性對比分析，驗證了長時間連續(xù)駕駛作業(yè)會導(dǎo)致駕駛員的駕駛警覺度下降。

（2）以EEG特征參數(shù)作為識別特征指標，分別結(jié)合FNN模型與BP模型構(gòu)建了駕駛員的駕駛警覺度識別方法，結(jié)果表明FNN模型識別效果優(yōu)于BP模型。

本文實現(xiàn)了對機動車駕駛員的駕駛警覺度等級的有效識別，可為后續(xù)預(yù)防控制系統(tǒng)的設(shè)計與開發(fā)提供理論依據(jù)。由于該研究是基于模擬駕駛環(huán)境展開的，今后將對該方法在實際駕駛狀態(tài)下的適用性予以進一步驗證。