基于血液酒精浓度和脑电特征的酒后驾车事故倾向对比研究

钟铭恩 吴平东 彭军强 洪汉池(厦门理工学院机械与汽车工程学院，福建省高校现代汽车设计与制造工程研究中心，厦门6104)

2(北京理工大学机械与车辆学院，北京100081)

3(天津工业大学机械工程学院，天津300160)

引言

酒后驾车作为引发交通事故的重要原因之一，是社会各界普遍关注的焦点。数据表明:与酒后驾车有关的交通事故约占总数的25% ～33%;发达国家每年因道路交通事故伤害死亡的驾驶员中约19%的血液酒精浓度(blood alcohol concentration，BAC)超过法律允许值，中低收入国家约为32% ～69%［1-4］。驾驶员饮酒后的交通事故倾向研究对道路交通安全和违规问责都具有重大意义。

目前，驾驶员血液酒精浓度是酒后驾车问题及对策研究的主要参数依据，其值与饮酒量和驾驶员对酒精的敏感性有关。由于不同驾驶员之间的生理、体质和生活习惯等存在着个体差异，势必导致酒精敏感个体差异性。因此，血液酒精浓度法的严谨性有待进一步论证。

脑电认知技术的发展为上述问题研究提供了一种新思路。苗夺谦等研究表明大脑在醉酒状态下复杂度比正常状态要高［5］。范金锋等利用脑电的非线性特征区分出醉酒者和正常人的脑电［6］。Wu 等通过对脑电数据进行聚类分析得出脑电信号对摄入酒精有显著反应的结论［7］。Yazdani 等利用具有高斯内核并带KNN 观测器的贝叶斯分类器实现了沉醉人员和正常人脑电的分类［8］。Kousarrizi等成功利用SVM 和神经网络实现嗜酒人员脑电的Haar 小波功率谱分类［9］。尽管这些研究主要针对重度饮酒人员，且研究结论多为定性或聚类缺乏度量化，但结果表明:脑电信号能够体现酒精对大脑中枢神经的作用，脑电特征参数是酒后交通事故倾向分析的一种可行参数［10］。

本研究拟实验获取驾驶员不同程度饮酒后的血液酒精浓度、脑电信号和事故倾向指标，揭示各参数的变化规律和相互关系，并最终对比血液酒精浓度和脑电数值特征在酒后事故倾向分析时的严谨性和准确性。

1 实验设计

1.1 实验平台

考虑到酒后驾车的危险性，为确保实验安全并实现可复现的道路交通环境，采用模拟驾驶替代实际驾驶，构建如图1 所示实验平台。实验用驾驶模拟器具备120 度视角和实时力反馈。采用美国INT公司生产的SD400 呼气式酒精测试仪测量驾驶员的呼气酒精浓度。采用日本光电公司生产的64 导联SG224EEG -9200 数字脑电图仪记录驾驶员脑电信号。全程视频记录驾驶过程。

图1 实验平台示意图Fig． 1 Experiment platform construction for drunk driving

1.2 道路交通环境

设置模拟道路交通环境为夜间、市郊混合模式，与现实中酒后驾车的主要驾驶环境相似。设置道路总长约为10 km。市区路段分别由(0.5 km、3 km 和3 km)长的单行道、双向4 车道和双向6 车道路段组成，路面等级为二级，具备良好路灯照明。其中4 车道路段中间设置隔离栅栏，6 车道路段中间为双黄实线。郊区路段由各长1.5 km 的双向双车道和单车道路段组成，路面等级分别为三级和四级，无灯光照明。沿途随机设置5 个限速路段，每段长0.1 km，限速为40 km/h;随机布置10 个具有交通信号指示和5 个无交通信号指示的十字路口;随机布置10 个斑马线。以上道路条件按《道路交通标志与标线》(GB/T5768 -1999)呈现相应的标志标线。天气情况设置为晴朗、微风。设置中等车流、稀少行人、无塞车和道路阻断。

1.3 步进酒后状态诱发

采用某品牌52% 酒精浓度白酒为实验用酒。引导被试驾驶员进行饮酒习惯自评，获取驾驶员主观认为的尚能保持较好身体平衡和意识时的最大饮入酒量，定义为主观最大饮酒量(subjective maximum alcohol to drink，SMAD)。为诱发各种不同程度的酒后状态，要求驾驶员每次饮酒量为主观最大饮酒量的10%，称为步进酒精注入。研究表明饮酒30 min 后，酒精对驾驶员的作用接近最大化。因此，每次步进酒精注入后，等待25 ～35 min，此时认为驾驶员的各种酒后状态成功诱发。步进酒精注入总次数为10，因此可获得10 种不同程度的酒后状态。

1.4 被试对象

随机招募25 名获得中华人民共和国C1 驾驶执照并具备3 年以上驾龄的驾驶员，年龄介于18 ～45岁之间，身体健康，无严重精神疾病史和精神类药物服用史，属于正常人群中选取的个体。根据模拟驾驶真实感反馈和酒后状态诱发自评进行被试样本删选。驾驶真实感设置“A 很刺激，和真实驾驶很像”、“B 不是很实际，但总体感觉还好”、“C 不难，比实际开车简单”和“D 比实际开车难”4 种封闭式选项。仅当驾驶真实感为A 或B 且饮酒自评总体呈现“有醉意”时，认为被试驾驶员属于合格实验者，并结合驾驶员的实验参与意愿最终筛选出12 位合格被试驾驶员。

1.5 测量方案

对应每种饮酒状态，测量3 次驾驶员的呼气酒精浓度取平均值，按照2200:1 的国际建议标准将驾驶员呼气酒精浓度转化为血液酒精浓度值。

脑电测量采用静态方案，即在驾驶员静坐状态时测量，以减小因驾驶操控和眼部动作等诱发出的脑电干扰。参数设置:①脑电采样频率为500 Hz;②信号频率范围为0.53 ～60 Hz;③欧洲数据存储格式EDF;④电极阻抗小于10 kΩ;⑤国际脑电图学会10 -20 电极安放标准;⑥电极通道选择:额叶区F3、F4、C3、C4，顶叶区P3、P4，枕叶区O1、O2，颞叶区T3、T4;⑦左右侧电极分别以左右耳部电极A1 和A2 为参考;⑧单级导联。

1.6 实验流程

①实验目的、流程、注意事项等介绍，消除驾驶员自发紧张、激动等情绪;②进行驾驶员饮酒习惯自评，获取主观最大饮酒量;③设置汽车模拟实验机的驾驶环境，开展模拟驾驶器学习训练，使被试驾驶员能够熟练规范驾驶;④测量驾驶员未饮酒时BAC 值及脑电信号，实施模拟驾驶实验，视频记录驾驶过程;⑤逐次诱发驾驶员各种饮酒状态，重复步骤④，直到饮酒量达到主观最大饮酒量为止;⑥实验结束，进行验后数据处理。

每种酒后状态进行3 次驾驶实验，驾驶过程总时间控制在1 h 以内，确保驾驶员体内酒精含量不显著变化。应注意观察和消除驾驶员情绪化和驾驶疲劳，以减小二者的诱发脑电对酒后脑电的叠加耦合效应。

2 数据处理

2.1 交通事故倾向

根据酒后模拟驾驶视频，统计各类不良和违规驾驶行为，分为3 类:Ⅰ类，包括超速、斑马线不减速、无信号灯十字路未减速和未开指示灯随意变更车道;Ⅱ类，包括闯红灯和压、跨双实线;Ⅲ类，包括擦撞隔离栅栏、路边固定障碍物、周边车辆、非机动车和行人。定义事故倾向值(accident proneness，AP)为

式中，i 表示第i 次步进酒精注入，i = 0 时表示未饮酒。λ 为事故危害权值，主要影响AP 值的尺度而很少影响其单调性(本研究主要研究各参数间的增减一致性)。根据3 类交通违规肇事行为的危害度，采用相对简单的抛物线型加速等效法，每级事故危害度平方增加。最终在多次计算对比结果基础上选取:λ1= 1，λ2= 3，λ3= 9 。Ni为i 阶酒后状态对应的各类不良违规驾驶行为总数的平均值。

为减小驾驶员驾驶能力和操控熟练程度的个体差异影响，定义规范化事故倾向值(normalized accident proneness，NAP)为

NAP 越大，表明事故倾向性越大，驾驶能力越差。NAP0=0 表明驾驶员未饮酒时事故倾向相对变化为0，即驾驶能力不变。NAP ＜0 表明事故倾向减小，驾驶能力相比未饮酒时有所提高。

2.2 脑电特征值

对象确定:对比发现采集于左额叶区F3 电极通道的脑电随饮酒量增加而变化明显，这种变化存在于所有被试驾驶员之间，具有相对普遍性，其波形如图2 所示。由图可知:饮酒量较小时，脑电中的低频和高频成分在各个通道处的幅值都增加，驾驶员处于相对兴奋状态;随着饮酒量的加大，大脑对外界信息的应激能力减弱，大脑皮层神经细胞活动的随机性减小，放电有序性增加，呈现出越来越强的类周期波形。可提取此类低频周期信号作为普遍存在于不同驾驶员间的受酒精影响明显的脑电信号成分，将这些脑电分量定义为共变脑电，主要是0.5 ～4Hz 的δ 波。综上，最终确定左额叶区脑电δ 波为数值处理对象。

信号提取:利用Daubechies 小波对脑电信号进行分解。通常Daubechies 系中的小波基记为dbN，N 为支撑长度，N 值越小，可检测尺度越小。本研究利用db5 小波分解脑电信号，得到7 个分量，按频率从高到低顺序依次为cd1、cd2、cd3、cd4、cd5、cd6 和cd7，分别代表125 ～250 Hz、64 ～125 Hz、32 ～64 Hz、16 ～32 Hz、8 ～16 Hz、4 ～8 Hz 和0 ～4 Hz 频率范围的信号分量。可见:cd7 即为δ 波，是驾驶员受酒精影响显著的共变脑电。

数值计算:计算cd7 的平均功率值Pδ。为减小驾驶员脑电在数值上的个性差异，定义规范化脑电δ 波功率增益(normalized power gain，NPG)为

式中，Pδi为驾驶员i 次步进酒精注入后的脑电δ 波信号分量的平均功率。

本研究对比分析血液酒精浓度BAC 和规范化脑电δ 波功率增益NPG 分别与规范化事故倾向值NAP 之间的数值关系。

3 实验结果

根据式(1)～式(3)分别计算12 位被试驾驶员不同程度饮酒后的规范化事故倾向值NAP 和规范化脑电δ 波功率增益NPG。

3.1 典型分布

12 位驾驶员中，11 位驾驶员的规范化事故倾向值NAP、血液酒精浓度BAC 和规范化脑电δ 波功率增益NPG 符合图3 所示数值分布规律，约占样本总数的92%。(不同驾驶员间的实验结果仅在具体数值上有所差异，本研究不做讨论。)

图2 驾驶员不同程度饮酒后左额叶区F3 电极通道脑电图。(a)未饮酒;(b)饮酒量为20%主观最大饮酒量;(c)饮酒量为60%主观最大饮酒量;(d)饮酒量为主观最大饮酒量Fig．2 EEG acquired from the F3 electrode in the left frontal lobe area of the drunk driver． (a)No drinking;(b)Intake 20% of SMAD;(c)Intake 60% of SMAD;(d)Intake 100% of SMAD

图3 不同程度饮酒后各指标的典型分布规律Fig．3 Typical distribution of the parameters．

从图3 可知，随着驾驶员饮酒量的增加:

①BAC 近似线性单调递增。

②NAP 单调递增。在饮酒量小于50% 最大主观饮酒量前，NAP 增加不显著。当饮酒量超过50%最大主观饮酒量时，NAP 迅速增加，且增加的速率加大。饮酒量达60%最大主观饮酒量时，事故倾向相比未饮酒时约增加1 倍;80% 时，约增加3 倍;100%时，尽管驾驶员主观认为此时尚有较好平衡和意识状态，但事故倾向约增加11 倍。

③NPG 单调增加，饮酒量小于50%最大主观饮酒量时，NPG 增加缓慢;当饮酒量超过50%最大主观饮酒量时，NPG 迅速增加，且增加的速率加大。如饮酒量达60%最大主观饮酒量时，NPG 相比未饮酒时约增加1 倍;80% 时，约增加2 倍;100% 时，约增加5 倍。

将这类分布规律归为典型。

3.2 特殊分布

12 位驾驶员中，1 位驾驶员的NAP、BAC 和NPG 数值符合图4 所示规律，约占样本总数的8%。

图4 各曲线变化趋势总体类似典型分布，但存在如下主要不同:

①该驾驶员在饮用约25 ～75 mL 实验用白酒后(对应BAC 值约为17 ～54 mg/100 mL)，NAP 相比未饮酒时有所减小，在饮入约50 mL 实验用白酒后(BAC 值约为28 mg/100 mL)，NAP 值接近最小值，约为-0.4。这说明:此期间驾驶员的事故倾向和未饮酒时相比有所下降，最大减小约40%概率。

②在饮入约25 ～75 mL 实验用白酒这一期间，NPG 数值单调性和BAC 严格保持一致:先单调递减至最小值后单调递增。

将这类分布规律归为特殊。

图4 不同程度饮酒后各指标的特殊分布规律Fig．4 Special distribution of the parameters．

4 讨论和结论

大部分驾驶员饮酒后，交通事故倾向性增加，且饮酒达50% 最大主观饮酒量后急剧增加。这点结论和现有主流学术观点相符，进一步验证了防治酒后驾车行为提高道路交通安全的必要性。

存在某些驾驶员在饮用一定量酒精后，交通事故倾向性指标反而减小的现象，即驾驶能力反而有所提高。这点结论说明:酒精对大脑中枢神经的作用机理除了普遍存在的消极(麻醉)抑制，也存在着积极(刺激)激励。我国自2011 年5 月1 日起，正式施行刑法修正案(八)，即规定“醉驾一律入刑”的零容忍政策，然而，世界上大多数发达国家却都允许驾驶员饮用一定量酒精后驾驶机动车。从法律人性化的角度出发，我国道路交通安全法规的基础研究有待进一步完善。

对于不同的驾驶员，血液酒精浓度BAC 和规范化事故倾向值NAP，在驾驶员不同饮酒状态下可能具有不一致的单调区间，即数值增减性不完全相同。这说明尽管现有以血液酒精浓度为参数基础的酒后驾车问题及对策研究在大部分情况下是合理有效的，但从某种意义上指出血液酒精浓度在某些应用场合可能导致判断或问责错误，缺乏充分的严谨性。

相比而言，规范化脑电δ 波功率增益NPG 和NAP 在驾驶员各饮酒状态下都保持着较好的增减一致性。这表明:NPG 和BAC 相比，能够更准确的反映驾驶员饮酒后的交通事故倾向变化。可见，从驾驶员脑电生理信号的角度研究酒后驾车的预警和问责技术是一种可行有效的新颖思路。

血液酒精浓度已被广泛作为数值参考应用于酒后驾车预警技术研究和事故问责，但本研究表明，规范化脑电δ 波功率增益相比而言可能是一种更严谨有效的方法。从驾驶员脑电信号角度开展酒后驾车问题及对策研究值得更多关注和期待。需要指出的是，本研究出于安全考虑采用模拟驾驶代替实际驾驶，且试验样本总数较少，因此脑电的规范化δ 波功率增益和实际驾驶中的事故倾向值之间的确定性数值关系有待进一步探讨。

［1］ Peden M，Scurfield R，Sleet D，et al． World report on road traffic injury prevention ［M］. Geneva: World Health Organization，2004.

［2］ World Health Organization. Drinking and Driving:a road safety manual for decision makers and practitioners［M］. Geneva:Global Road Safety Partnership，2007.

［3］ National Highway Traffic Safety Administration. Traffic safety facts 2008:a compilation of motor vehicle crash data from the fatality analysis reporting system and the general estimates system［M］. Washington DC:U. S. Department of Transportation，2008:213 -229.

［4］ Toroyan，Tami. Global status report on road safety:time for action［M］. Geneva:World Health Organization，2009:11 -38.

［5］ 邹阳，苗夺谦，王登. 醉酒者和正常人脑电的样本熵研究［J］. 中国生物医学工程学报，2010，29(06):939 -942.

［6］ 范金锋，邵晨曦，王剑，等. 醉酒者脑电和正常脑电非线性特性的比较评估［J］. 中国生物医学工程学报，2008，27(01):18 -28.

［7］ Wu Di，Chen Zhihua，Feng Ruifang，et al． Study on human brain after consuming alcohol based on EEG signal［C］//Houssain K，Jason K，eds. Proceedings of the 3rd IEEE International Conference on Computer Science and Information Technology. Chengdu:IEEE Computer Society，2010:406 -409.

［8］ Yazdani A，Setarehdan，Kamaledin S. Classification of EEG signals correlated with alcohol abusers［C］// Abhayaratne K，eds. Proceedings of 9th International Symposium on Signal Processing and Its Applications. Sharjah: IEEE Computer Society，2007:1 -4.

［9］ Nazari MR，Asadi GA，Gharaviri A，et al． Classification of alcoholics and non-alcoholics via EEG using SVM and neural networks［C］// Chou Kuo-Chen，Thomas LC，eds. Proceedings of the 3rd International Conference on Bioinformatics and Biomedical Engineering. Beijing: IEEE Computer Society，2009:1 -4.

［10］ Papadelis C，Chen Z，Papadeli CK，et al． Monitoring sleepiness with on-board electrophysiological recordings for preventing sleepdeprived traffic accidents［J］. Clinical Neurophysiology，2007，118(09):1906 -1922.