基于PPG的地铁司机驾驶疲劳识别研究

姬祥，朱海燕，刘志钢，高婷，罗晋

(1.上海工程技术大学城市轨道交通学院 人因工程实验室，上海 201620)

1 引言

目前大多数驾驶员疲劳检测的研究主要集中在机动车驾驶员上，对地铁驾驶员的疲劳研究较少，尽管轨道交通是交通运输领域的重要组成部分；地铁司机由于工作相对于其他职业司机的特殊性，在工作时间容易睡着。高速运动引起的视力变化使驾驶员更容易疲劳。此外，高心理和认知需求、高工作量和长工作时间、单调和不规则的轮班时间表导致司机的高精神压力和持续的焦虑[1-2]。自动车辆控制和监控系统减少了人工操作，导致单调和警惕性丧失[3-4]。因此，寻求一种监测和缓解驾驶员疲劳的具体方法对地铁的安全至关重要。监控车辆的运行状况以及驾驶员在控制台上的操作容易受到外界因素的影响，无法形成统一的判定标准，实用性较差；脸部特征的检测是实时和可靠的，但是这种方法容易受到光线、遮挡和眼镜等因素的影响；脑电和心电的检测成本较高，而且检测设备都具有一定的侵入性，容易对地铁驾驶员的驾驶行为造成影响。心率变异性(Heart Rate Variability，HRV)来源于心电图的RR间期时间序列，HRV信号是用来检测驾驶疲劳的良好指标[5]；光电容积描记术(Photoplathysmography PPG)是一种简单、低成本和无创的测量血管容积变化的技术[6]，PPG脉率也可以用来确定心率，用作HRV的替代测量[7-10]；由于PPG信号的这些优点，使得它成为可穿戴和便携式设备的良好检测信号。

随着城市轨道交通的不断发展，驾驶疲劳所带来的安全隐患也受到学者们越来越多的关注，及时、准确地发现并阻止驾驶员疲劳带来的危害对提升地铁的安全运营具有重要意义，但由于地铁驾驶环境的特殊性，目前的驾驶疲劳检测方法都具有一定的侵入性，容易给地铁驾驶带来影响。心率变异性对驾驶疲劳具有敏感性，PPG是一种简单、低成本、无创的检测技术，PPG与ECG信号所反映的HRV具有高度一致性，利用PPG提取HRV指标，并采用支持向量机(support vevtor machine SVM)进行疲劳识别，可实现地铁司机驾驶疲劳的实时监测，降低驾驶疲劳对地铁安全运营带来的危害。

2 对象与方法

2.1 实验设计

本实验旨在确保实验步骤和数据分析能够客观地验证利用PPG提取HRV指标在地铁驾驶员疲劳识别中的有效性和可行性。实验设计分为两个部分：1、一致性检验。2、模拟正线驾驶。

实验一：在轨道交通模拟器中设计两个任务内容，选取合适的地铁驾驶员分别完成任务内容，在实验过程中要求司机佩戴ECG检测设备及光电脉搏描记设备，用于获取每位司机在每项任务的PPG和ECG的RR间期。校验地铁司机PPG信号与ECG信号的一致性。

实验二：设计模拟城市轨道交通列车正线驾驶实验，配合便携式光电容积描记设备模型和眼动仪设备，通过脉搏信号分析分析被试列车司机的心率变异性，并使用眼动仪设备辅助实现心电信号的分类。

实验共获取两类数据集。一类是通过脉搏信号获取的HRV数据集。一类是通过眼动仪设备获取的眼动数据。其中第一类数据被证明与驾驶疲劳高度相关，可以准确地反映疲劳状态；第二类数据是瞳孔面积，作为疲劳状态的分类标签。

2.2 实验人员

邀请5名列车司机参与模拟驾驶实验，性别男，平均年龄(22.83±1.17)岁，其中被试列车司机A、D、E具有一年模拟驾驶经验，B、C均为无驾驶经验的新进列车司机。所有被试者身体健康，无心血管病史。

2.3 实验设备

2.3.1 模拟驾驶设备

上海轨道交通培训中心轨道交通模拟仿真驾驶系统三号线驾驶舱(图1)具有与城市轨道交通列车一致的司机操作台、操作设备和显示设备，能够从视觉、听觉、触觉以及操作体验感方面模拟并逼真的体现城市轨道交通列车在不同情况下的运行工况和运行环境下的车辆运行状况、牵引和制动特性和操作特性等，能够模拟城市轨道交通列车车辆运行过程中的声音和震动效果，与现场工作环境高度契合。

图1 城市轨道交通模拟驾驶舱

2.3 2 ECG信号测量设备

使用equvital公司研发和生产的EQ02+型ECG数据采集组合套件进行ECG检测，如图2所示。(1)是EQ02+ECG数据采集装置，(2)是采集ECG信号的传感器背心，(3)是ECG数据传输数据线，(4)是ECG数据无线传输接收器。其中传感器背心可以将ECG采集装置的光学透镜安置于被试的左侧胸部，以获取ECG数据。

图2 EQ02+型ECG数据采集组合套件

2.3.3 PPG信号测量设备

从手指获得的PRV与心率变异性(HRV)最相似[11]，实验采用了一款光电脉搏采集板，如图3所示。USB线一端接光电脉搏采集板，一端接电脑USB口，光电传感器一端插入光电脉搏采集板上的接口，一端夹在手指上，用于检测PPG信号。

图3 光电脉搏采集板

2.3.4 眼动仪设备

实验采用的眼动仪设备为德国Ergoneers研发的Dikablis眼镜式眼动仪(图4)，该眼动仪自带D-Lab数据处理软件。Dikablis眼镜式眼动仪采用额头防滑条和鼻梁架的双重固定。鼻梁架的角度和宽度均可调节，以适应佩戴眼镜的使用者。眼动仪可记录场景和眼部视频，场景摄像头和眼部摄像头均可调节，以找到理想追踪位置和角度。

图4 眼动仪

3 结果

3.1 PPG与ECG一致性分析

以5 min为单位，每位司机在每项任务各将获得12组PPG和ECG的RR间期，把两组数据进行双变量皮尔逊相关检验，结果如表1所示。分析四组结果发现，不同司机在执行相同任务时的sig值小于0.05，这表明其PPG与ECG信号具有显著的相关关系，同时皮尔逊相关性大于0且接近1，表明其ECG与PPG信号是正向相关的，同一司机在执行不同任务时也有类似结论。校验结果认为实验设计的PPG与ECG具有较高的一致性，获取的PPG信号可进行心率变异性分析。

表1 PPG和ECG指标一致性检验

3.2 PPG信号处理

为了提取PPG信号的有效成分，我们进行了放大信号和初步的噪声处理；巴特沃斯(Butterworth)滤波器具有通带频响曲线平坦，阻带频响曲线减小为零的特点：

截取部分PPG信号实现滤波的对比(图5)，脉搏波的特征波峰点为标记出的红点部分，随后依次定位红点的横坐标，RR间期即相邻红点之间的横坐标之差。

图5 PPG信号处理前后对比

3.3 驾驶疲劳特征提取

HRV是指逐次心跳RR间期(瞬时心率)之间存在的微小差异或微小涨落现象，HRV信号可以检测出驾驶疲劳[12]，是检测疲劳的良好指标，HRV指标有三类：时域、频域和非线性指数[13](表2)。时域参数的估计主要基于相对频率间隔序列的线性分析，而频域参数的估计取决于信号中的功率频率(低频、高频和低频/高频)的分布，非线性方法是基于HRV信号的混沌特性发展起来的。在脉搏变异性与心率变异性相关性极高的前提下，基于脉搏分析心率变异性有其特有的优势。

表2 心率变异性指标

箱形图是一种用于显示数据分散情况的统计图，根据中位数(Q2)，上、下四分位数(Q1、Q3)得到样本数据的统计特征，能够准确稳定地描绘出数据的离散分布情况，直观明了地识别数据中的异常值，有利于数据的清洗。将5名司机的9个驾驶疲劳特征参数数据绘制成箱形图(图6)，从图中可以看到，只有极少数据为异常值，表明实验样本服从标准正态分布，而异常值越少也说明数据的尾部越轻，其自由度越大。箱子包含了数据的50%，因此箱子的宽度在一定程度上也反映了数据的波动程度，疲劳特征参数基本分布在坐标轴中间偏下的区域，数据的离散程度较小，数据较集中。

图6 驾驶员疲劳特征箱形图

3.4 驾驶疲劳状态分类

通过眼动仪设备，在实验全程录制被试列车司机眼动相关数据，根据眼动仪采集的被试司机瞳孔面积实现疲劳状态分类。将被试者两眼瞳孔面积的平均值按每5 min为一组统计，将瞳孔面积的平均值做归一化处理，并进行均值漂移聚类，根据聚类结果，将疲劳等级分为4类(图7)。在实验开始，被试者的疲劳等级先是处于一个较低的状态，到实验结束前疲劳等级都处于一个较高水平，这与预期的结果一致。同时，由于地铁特殊的驾驶环境和要求，与机动车驾驶所不同的是，地铁驾驶不需要时刻保持高度集中的注意力对路况进行监控，所以地铁驾驶员不需要时刻保持高度集中的精神状态，当驾驶员精神集中状态长期处于低水平时，会感到无聊，从而产生疲劳，而长期处于高水平时，与机动车驾驶相似，也会产生疲劳，地铁特殊的驾驶环境会使驾驶员的精神集中度处于一种上下波动的状态，导致其疲劳也一起上下波动。当驾驶任务结束时，疲劳等级会达到一个较高水平，这与真实情况下的驾驶状态是一致的。

图7 瞳孔面积聚类分析

4 疲劳识别

本文选择了SVM作为主要算法，它来自于结构风险管理的统计学习理论，是一种结构风险最小化的模式分类新方法。司机的心率变异性会因驾驶疲劳而改变。因此，本文选取时域、频域及非线性领域的9个参数作为司机疲劳状态变量的指标(表2)，对司机的驾驶疲劳状态进行识别。实验二共取得5位驾驶员的550个样本数据。从这些样本中随机选取30%构建训练数据集，剩余的样本用于构建测试数据集。表3展示了采用四种核函数的精度。

表3 基于不同核的SVM分类精度

SVM模型的性能可以通过绘制操作特性曲线(ROC)来检测，可以表现出分类器系统在辨别阈值变化时的性能。曲线通过在各种阈值设置下绘制真阳性率(TPR)与假阳性率(FPR)来创建。本文通过计算曲线下面积的值并与阈值进行比较来评价驾驶疲劳检测的性能(图8)。当ROC曲线面积(AUC)大于0.5时，表明模型是有效的，当AUC大于0.9时，模型的识别率较高[14]。

图8 不同核函数下的ROC曲线

5 讨论

心率变异性(HRV)是进行疲劳识别最有效的标志之一。然而，它需要采集心电信号，以便可靠地检测心率间期，这对人体具有侵入性而令人感到不适，此外，由于单点光学传感器的进步，光电容积描记法(PPG)是一种可行的心跳间隔测量的替代方法，因为它是一种更方便、侵入性更小的测量技术。由于血容量脉搏的脉搏周期与心脏活动直接相关，心脏的机械活动与其电活动相耦合，光电容积描记术(PPG)也反映了心律，所以从心电图的RR间隔导出的生理信息也可以从PPG的脉搏周期导出。因此，理论上PPG可以用于确定连续心跳和心率变异性之间的间隔，与具有高相关性的心电信号的相对心率变异性相比，PPG信号的心率变异性被证明是相当准确的。实验一结果表明，地铁司机在驾驶状态下的PPG信号与ECG信号也具有高度一致性，获取的地铁司机PPG信号可进行心率变异性分析。

疲劳等级分类是疲劳识别的关键技术，常采用的9级KSS量表可以测量主观疲劳等级，但以问询方式获取驾驶员疲劳等级的方法主观误差较大；眼睛行为提供了关于驾驶员疲劳的重要信息，疲劳会导致虹膜肌肉的运动能力下降，从而减缓瞳孔大小的控制，瞳孔直径的变化与疲劳的积累有关，疲劳与瞳孔直径有显著相关性。均值漂移(Mean-Shift)算法是一种无参的密度估计算法，该算法不需要预先知道种类数目，能对任何维度、任何分布的采样点进行快速聚类，迭代效率高。本文采用瞳孔面积作为疲劳分类的标准，并采用均值漂移聚类划分疲劳等级，消除了个体差异，保证了结果的准确性。

6 结论

基于PPG与ECG信号的高度相关性，利用PPG信号进行心率变异性分析，提取驾驶疲劳相关特征，并采用SVM进行识别，准确率达到85%～90%；这表明在地铁驾驶中PPG信号可对驾驶疲劳进行有效识别。

提取被试者的瞳孔面积数据，以此作为疲劳分类的标准，消除主观因素带来的偏差，采用Mean-Shift聚类方法进行疲劳等级的划分，该方法不需要预先设定聚类个数，能够自动确定其数量群集。

利用PPG信号开发驾驶疲劳实时监测系统，能够在不影响驾驶的情况下进行疲劳识别，可实现地铁司机疲劳状态的实时监测与警示，不但可以保证司机的安全驾驶，更能提升整个轨道的安全运营水平。