基于生理信号的驾驶疲劳分级检测研究

卢章平，尹传斌，李 瑞，何 仁

(1.江苏大学 机械工程学院，江苏 镇江 212013；2.江苏大学 汽车与交通工程学院，江苏 镇江 212013)

基于生理信号的驾驶疲劳分级检测研究

卢章平1，尹传斌1，李 瑞1，何 仁2

(1.江苏大学 机械工程学院，江苏 镇江 212013；2.江苏大学 汽车与交通工程学院，江苏 镇江 212013)

采用实验生理学测试与主观疲劳调查的方法，通过实车驾驶实验，以脑电信号和心电信号为基本指标，研究不同驾驶经验驾驶员在09：00—12：00，12：00—14：00，21：00—23：00这3个驾驶过程中疲劳等级的变化。通过主成分分析法，建立脑电信号与心电信号之间的关系，确定驾驶疲劳综合评价指标。结果显示：上述疲劳综合指标在在不同疲劳等级状态下存在显著性差异，通过对不同指标的融合提高了对驾驶员不同疲劳等级的识别准确率。

交通工程；生理信号；疲劳驾驶分级；主成分分析法；驾驶经验

疲劳是一种复杂的状态，主要以警觉性下降、人体心理机能和生理机能下降的形式显现，常常伴随睡意、疲倦等状态[1]。2004年我国由人为因素造成的交通事故占总交通事故的94.77%[2]，其中疲劳驾驶已成为导致交通安全事故的重要原因之一。

G.KECKLUND等[3]让驾驶员连续行车8 h，发现驾驶员主观疲劳度和脑电谱功率(θ波，α波)随驾驶时间显著升高。TING Ping-Huang等[4]通过检测行车轨迹和调查主观疲劳度，发现在单调高速公路上连续行车至80 min左右时，驾驶员进入疲劳状态；其实验结果与T.NILSSON等[5]的发现一致。马艳丽等[6]采用心理学测试与主观疲劳调查方法，把驾驶员的疲劳程度分为1～5个等级，研究驾驶员在高速公路上连续驾驶时间与疲劳等级的关系。吴绍斌等[7]把驾驶员疲劳状态分为清醒、轻度疲劳、中度疲劳、重度疲劳以及瞌睡5个等级，发现脑电功率谱的比值(α+θ)/β越大，驾驶员疲劳等级越高。刘志强等[8]通过分析心电信号来研究驾驶员在疲劳状态下的转向特征，发现疲劳状态下转角熵升高了57.1%。秦伟等[9]通过研究HRV指标，发现驾驶员在草原公路上连续驾驶到120 min左右时出现疲劳症状。

现阶段，学术界对驾驶疲劳的研究主要有如下不足：①大多数研究需借助驾驶模拟器完成，忽略了影响疲劳的诸多因素(如道路、车内外环境等)；②忽略驾驶员个体差异性，没有对驾驶员个体进行分类；③大多数研究只分析被试的脑电信号或心电信号，疲劳特征参数较少。为此，笔者按驾驶经验把驾驶员分为熟练组和非熟练组，通过实车驾驶提取不同驾驶时间段内表征疲劳程度的脑电信号和心电信号，建立准确的驾驶疲劳综合评价指标，确定不同驾驶经验驾驶员的疲劳等级变化。

1 实验设计

1.1 被试的选取

G.A.RYAN[10]通过研究发现：性别差异对驾驶疲劳引起的交通事故的数量存在显著影响，尤其男性驾驶员是发生疲劳事故的高危人群。I.D.BROWN[11]指出：30岁以前和30岁以后的驾驶员对疲劳度的感知是有差异的。为此，笔者为了减少这种个体差异性对实验数据的影响，选取30岁以下年轻男性驾驶员8名为被试，平均年龄27岁。按驾驶经验等级分为熟练和非熟练驾驶员两组，每组4名被试，熟练程度以驾驶里程5×104km驾驶经验为标准[12]。

实验要求所有被试者身体健康，无睡眠不良、失眠等疾病；驾驶员在实验前24 h内禁止酒精、咖啡等其他刺激性饮料。实验时间分别选取09：00—11：00，12：00—14：00，21：00—23：00。为了保证驾驶员的行车安全，在实验车辆副驾驶位置上安装刹车板，并配备一名实验人员。当驾驶员出现较重疲劳症状时，实验人员需采取紧急措施，如紧急刹车、减速等有效措施。

1.2 实验设备

1.2.1 心理分析仪

实验采用欧洲思必瑞特Spirt-Mind公司生产的Spirt-10 MarkII心里分析仪器，包括硬件Nexus(8通道)和软件Biotrace+(80通道)，可以采集人体的脑电、眼电、皮电、心电等多种生理信号，最高采样频率可以达到8 192次/s。通过无线蓝牙和USB传输技术与电脑连接，可以导出MATLAB，Txt等格式的数据文件。

1.2.2 疲劳分级测量

主观疲劳调查是研究驾驶疲劳的重要手段之一。其中应用最为广泛的疲劳测量表则为斯坦福嗜睡量表(stanford sleepiness scale, SSS)[13]。SSS量表共包含1～7个不同疲劳等级(疲劳等级用S表示)，疲劳程度依次加深。其中：S=1表示充满生机与活力；S=7表示睡眠初期、非常疲倦，如表1。被试者需从7个疲劳等级中选择一个等级来表示自己目前的疲劳状态。其优点在于操作简单并可反复进行。

表1 斯坦福嗜睡量表

1.3 实验流程

实验路段选取为江苏省镇江市S338省道，双向6车道，道路限速为100 km/h。行驶过程中无交叉路口，无信号灯等待，道路两侧景观单调。在到达实验场地后，驾驶员先进行20 min预实验，熟悉驾驶环境。休息5 min后，连续驾驶90 min的正式实验，在驾驶过程中要求驾驶员不能进行次任务，车速保持在80 km/h以下。

在此过程，采用Spirt-10 MarkII心里分析仪监测实验者的脑电信号和心电信号，采样频率为256 Hz。在预实验前、实验开始前和实验结束后，驾驶员需填写SSS主观疲劳调查表进行疲劳自我评价。实验将驾驶员疲劳状态分为清醒(S=1，2)、轻度疲劳(S=3，4)、中度疲劳(S=5)以及重度疲劳(S=6，7)这4个等级。

对采集的生理数据先用独立分量分析法(independent component analysis，简称ICA)进行降噪处理，消除伪迹的影响。其后，利用快速傅立叶变换(FFT)进行功率谱分析。大部分工作借助Excel、SPSS 19.0和MATLAB等计算软件完成。

2 数据分析结果

2.1 主观疲劳问卷调查

图1为测试的SSS疲劳数值。可以看出，驾驶员主观疲劳等级呈上升趋势，这与TING Ping-Huang等[4]的研究结果一致。其中非熟练驾驶员的疲劳等级大于熟练驾驶员的疲劳等级。

对主观疲劳调查问卷结果进行双因素方差分析。结果发现：驾驶经验因素的主效应显著，F(1，18)=13.000，p=0.002<0.05，这说明驾驶经验对驾驶人疲劳程度有显著性影响；驾驶时间因素的主效应也呈显著性，F(2，18)=48.538，p=0.00<0.05，表示驾驶时间的不同对疲劳程度的影响存在显著性差异，在21：00—23：00晚间驾驶时，被试的疲劳等级最高。而驾驶经验和测试时间对驾驶人主观疲劳程度交互效应并不显著，F(2，18)=1.462，p=0.258>0.05。

图1 被试的SSS疲劳数值Fig.1 SSS score of subjects throughout the experiment (S=1～7)

2.2 脑电数据分析结果

当驾驶员处于疲劳状态时，大脑的思维活动以及信息处理能力会降低，警觉度下降，从而致使β波及高频脑电波减少。当人体从疲劳转为瞌睡或轻度睡眠状态时，脑电节律会逐步降低为θ波和δ波。

2.2.1 EEG信号检测

将实验过程分为9部分，每部分持续10 min，取其各个频段的幅值平均值作轨迹图。两组被试的4种脑电波δ波、θ波、α波、β波和一种比率(α+θ)/β指标的变化规律，如图2。

图2 EEG变化规律Fig.2 Change law of EEG signals

对统计结果进行ANOVA方差分析，具体结果如表2。研究显示：驾驶经验对δ波、β波的变化无显著影响，δ波：F(1，214)=0.035，p=0.852>0.05；β波：F(1，214)=0.140，p=0.709>0.05。驾驶经验对θ波、α波以及比率(α+θ)/β的变化有显著影响，θ波：F(1，214)=9.55，p=0.002<0.05；α波：F(1，214)=29.569，p=0.000<0.05；比率(α+θ)/β：F(1，214)=11.153，p=0.001<0.05。

表2 驾驶经验对脑电指标的方差分析

注：显著性水平为0.05。

2.2.2 验证EEG指标的合理性

为验证各项EEG指标的合理性，以实验开始后10 min被试的各项EEG指标为参考值，对统计结果进行配对样本T检验，具体结果见表3。

表3 EEG各指标的配对T检验

从表3中可以看出，4种基本指标除了α波没有显著性，其他3项指标均有显著性(p<0.05)，其中：δ波、β波随驾驶时间显著降低，而θ波则显著增加。比率指标(α+θ)/β有显著性增加。这些结论与以往关于驾驶疲劳的生理研究基本一致[15]。

因此，该3项基本指标δ波、β波、θ波以及比率指标(α+θ)/β可用于对驾驶疲劳程度进行量化评判。但是由于驾驶经验只对θ波和比率指标(α+θ)/β有显著影响，所以笔者只选取θ波、比率(α+θ)/β为检测不同熟练程度驾驶员疲劳驾驶的指标。

2.3 心电数据分析结果

在进行实证分析之前，先对六个指数收益率序列进行描述性统计分析，这样有利于后文更好地分析数据之间的相依性。

心率(HR, heart rate)的分析较为简单、直观，反应了人体在不同任务要求下所承受的心理及生理负荷水平。研究表明：心率的变化对于判别驾驶疲劳具有潜在的研究意义。S.K.L.LAL等[16]发现经过长时间连续驾驶，驾驶员的心率急速下降。

由于人的操作具有自适应性，心率在驾驶任务开始10 min后趋于平稳，因此选取10 min时的指标值作为参考。驾驶员的心率信号变化趋势情况如图3。

图3 心率变化规律Fig.3 Law of heart rate variation

对两组被试的心率数据进行ANOVA方差分析，结果发现：F(1，210)=6.362，p=0.012<0.05，表明驾驶经验对心率的主效应有显著性影响。驾驶时间段对心率的主效应有显著影响，F(1，210)=13.635，p=0.000<0.05。驾驶经验和驾驶时间段对心率的交互效应无显著影响，F(2，210)=0.839，p=0.434>0.05。配对T检验结果显示：t=17.212，p=0.000<0.05，说明心率随驾驶时间变化整体呈明显下降趋势。所以笔者选取心率作为检测不同熟练程度驾驶员疲劳驾驶的指标。

2.4 疲劳综合评价指标确定

为全面考察两种生理指标对驾驶疲劳的判定，笔者利用主成分分析法对脑电信号和心电信号进行分析从而确定一种疲劳综合评价指标。主成分分析不但可以降低变量的维度，而且还可以在损失很少信息的前提下，把多个指标转化为一个综合指标，提高驾驶疲劳评价的准确性。

利用SPSS 19.0软件对脑电指标θ、(α+θ)/β以及心电指标HR进行主成分分析。由成分得分系数矩阵可知，3种生理指标数据的系数分别为0.854、-0.365、0.853。根据前面所得数据由主成分特征向量得出综合疲劳指标为：

Y=0.854θ-0.365(α+θ)/β+0.853HR

2.5 驾驶员疲劳等级的确定

疲劳综合指标Y在不同疲劳等级下有显著差异，如图4。疲劳指标Y在清醒和轻度疲劳之间的差异性较小，但显著水平p仍低于0.05，而清醒状态与中度或重度疲劳的显著水平为p=0.000<0.01。上述结论验证了利用疲劳综合指标Y推测驾驶员疲劳状态的可行性。

图4 疲劳综合指标Y与疲劳等级的相关性Fig.4 Relation of comprehensive fatigue indicator and fatigue level

在09：00—11：00驾驶时，驾驶经验对疲劳综合指标Y无显著影响，实验结束后驾驶员处于清醒状态，个别非熟练驾驶员处于轻度疲劳状态。在12：00—14：00驾驶时，驾驶经验对疲劳综合指标Y有显著影响，非熟练驾驶员在连续驾驶60 min时进入轻度疲劳状态，实验结束后处于中度疲劳状态。熟练驾驶员在连续驾驶80 min时进入轻度疲劳状态，其疲劳状态一直持续到实验结束。在21：00—23：00驾驶时，驾驶员进入疲劳状态的时间缩短，且非熟练驾驶员比熟练驾驶员较早进入重度疲劳状态。

3 总结与展望

提出一种基于生理信号的驾驶员疲劳状态检测方法。首先通过斯坦福嗜睡量表(SSS)对驾驶员疲劳状态进行分级，与此同时，提取驾驶员的脑电和心电指标。最后，采用主成分分析法，综合考虑脑电和心电各项指标，提出一种疲劳综合生理指标。结果显示，提出的疲劳综合指标在在不同的疲劳等级下均存在显著性差异，通过对不同指标的融合能够有效检测驾驶员的疲劳状态。

笔者研究采取的基于驾驶员生理信号的检测方法为接触式检测，可靠性高，但检测设备会妨碍驾驶员的正常操作，影响行车安全。因此，以后的研究重点应更加注重于非接触式疲劳检测方法，例如基于驾驶员面部特征、基于方向盘以及基于车辆行驶轨迹等的检测方法。

[1] 张恩亮，肖贵平，聂磊.交通环境对驾驶员心理的影响分析及对策研究[J].公路交通科技(应用技术版)，2006(11)：164-165. ZHANG Enliang, XIAO Guiping, NIE Lei. Research the impact of traffic environmental on the driver psychology[J].JournalofHighwayandTransportationResearchandDevelopment(ApplicationTechnologyEdition), 2006(11)：164-165.

[2] 敖谷昌，杨利.机动车驾驶员人为因素与交通事故危害性关联分析[J].重庆交通大学学报(自然科学版)，2010，29(1)：121-124. AO Guchang, YANG Li. Correlation analysis on driver’s human factors and accident hazard in road traffic accidents[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2010，29(1)：121-124.

[3] KECKLUND G，ÅKERSTEDT T. Sleepiness in long distance truck driving: an ambulatory EEG study of night driving[J].Ergonomics，1993，36(9)：1007-1017.

[4] TING Ping-Huang, HWANG Jiun-Ren, DOONG Ji-Liang, et al. Driver fatigue and highway driving: a simulator study[J].Physiology&Behavior，2008，94(3)：448-453.

[5] NILSSON T, NELSON T M, CARLSON D. Development of fatigue symptoms during simulated driving[J].AccidentAnalysis&Prevention，1997，29(4)：479-488.

[6] 马艳丽，王要武，裴玉龙.疲劳与驾驶时间关系的实验心理学研究[J].西南交通大学学报，2009，44(4)：535-540. MA Yanli, WANG Yaowu, PEI Yulong. Experimental psychology study on relationship between fatigue and driving time[J].JournalofSouthwestJiaotongUniversity, 2009，44(4)：535-540.

[7] 吴绍斌，高利，王刘安.基于脑电信号的驾驶疲劳检测研究[J].北京理工大学学报，2009，29(12)：1072-1075. WU Shaobin, GAO Li, WANG Liu’an. Detecting driving fatigue based on electroencephalogram[J].TransactionsofBeijingInstituteofTechnology, 2009，29(12)：1072-1075.

[8] 刘志强，焦立峰.疲劳驾驶的转向特征研究[J].重庆交通大学学报(自然科学版)，2011，30(3)：432-435. LIU Zhiqiang, JIAO Lifeng. Research on the steering feature in fatigue driving state[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2011，30(3)：432-435.

[9] 秦伟，朱守林，裴志永，等.草原公路驾驶员时域分析指标与驾驶疲劳灰关联分析[J].重庆交通大学学报(自然科学版)，2014，33(6)：142-145. QIN Wei, ZHU Shoulin, PEI Zhiyong, et al. Gray relation analysis of time domain index and driving fatigue of prairie highway drivers[J].JournalofChongqingJiaotongUniversity(NaturalScience), 2014，33(6)：142-145.

[10] RYAN G A. Road traffic crashes by region in Western Australia[C]∥ConferenceofFatigueandDriving. Fremantle, Western Australia: ARRB Group Limited, 1995.

[11] BROWN I D.MethodologicalIssuesinDriverFatigueResearch[M]. London: Taylor & Francis，1995：155-166.

[12] 郭应时.交通环境及驾驶经验对驾驶员眼动和工作负荷影响的研究[D].长安：长安大学，2009. GUO Yingshi.StudyonEffectsofTrafficEnvironmentandDrivingExperienceonDriver’sEyeMovementandWorkload[D]. Chang’an: Chang’an University, 2009.

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

[14] AKERSTEDT T, KECKLUND G，WKNUTSSON A. Manifest sleepiness and the spectral content of the EEG during shift work[J].Sleep，1991，14(3)：221-225.

[15] 殷艳红.基于脑电波与眨眼的驾驶员疲劳模拟实验研究[D].上海：同济大学，2008. YIN Yanhong.ResearchonDriver’sFatigueStateBasedonAnalyzingEEGandEyeBlinkinStimulatedDrivingEnvironment[D]. Shanghai: Tongji University, 2008.

[16] LAL S K L, CRAIG A. Driver fatigue: electroencephalography and psychological assessment[J].Psychophysiology，2002，39(3)：313-321.

(责任编辑 刘 韬)

Study of Driver’s Fatigue Level Grading Experiment Based on His Physiological Signal

LU Zhangping1，YIN Chuanbin1，LI Rui1，HE Ren2

(1. School of Mechanical Engineering, Jiangsu University, Zhenjiang 212013, Jiangsu, P.R.China；2.School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang 212013, Jiangsu, P.R.China)

With the help of Electroencephalogram (EEG) and Electrocardiogram (ECG), a real traffic driving experiment which combining physiology test and subjective fatigue survey was conducted to study the law of fatigue level variation of a diver who was driving during 09：00—12：00AM，12：00—14：00PM and 21：00—23：00PM. By the principal component analysis (PCA), this study was able to establish the relationship between EEG and ECG signal, and to set up a comprehensive indicator to determine driver fatigue. The results show that the above-mentioned comprehensive indicator can recognize different levels of driver fatigue and the fusion of different indicators thas can improve the accuracy in detecting driver′s different fatigue levels.

traffic engineering; physiological signal; driver′s fatigue level; principal component analysis(PCA); driving experience

10.3969/j.issn.1674-0696.2017.01.14

2015-09-28；

2015-12-11

高等学校博士学科点专项科研基金联合资助课题项目(20113227110007)；“江苏大学”博士创新计划项目(KYLX 15_1050)

卢章平(1958—)，男，江苏扬州人，教授，博士，主要从事计算机辅助设计、人机交互理论及应用方面的研究。E-mail: lzping@ujs.edu.cn。

尹传斌(1990—)，男，山东临沂人，硕士研究生，主要从事道路交通安全方面的研究。E-mail: yinchuanbin 1990@126.com。

U491

A

1674-0696(2017)01-077-05