基于物联网的道路客运车辆驾驶员疲劳驾驶监测系统研究

吴谭　张俊华　练云翔　袁会强

摘 要：为减少因疲劳驾驶引发的交通事故，降低交通参与者生命财产受损风险，本文设计了一种基于物联网的道路客运车辆驾驶员疲劳驾驶监测系统。该系统具有三个部分，分别是可穿戴设备采集终端、智能手机软件和监控中心监测终端，其中监测系统有效连接驾驶员和监控中心，当终端节点采集的数据超过阈值，监控人员将及时干预驾驶员，有效实现风险预警。实际测试结果表明，该系统疲劳判定的准确率达94%以上，可用性高稳定性强，具有较好的应用前景。

关键词：交通安全 疲劳驾驶 疲劳监测 物联网

1 引言

21世纪以来，我国机动车数量的快速增加，截止2021年机动车保有量达4亿辆，道路交通安全事故屡屡发生，给人民群众造成不可挽回的生命财产损失。其中疲劳驾驶、酒后驾驶、意外疾病等因素作为引发重特大交通安全事故的主要原因，是智能交通系统开发的重点方向之一。据《中国统计年鉴》数据，2021年中国交通事故受伤人数250723人，交通事故死亡人数为61703人。通过近十年数据分析可知，40%的重特大交通事故及83%的交通死亡人数均是由于疲劳驾驶导致的[1-2]。道路客运车辆对比于其他机动车辆，具有载员人数多、覆盖面广、流动性大、情况复杂的显著特点，驾驶员的驾驶不仅是体力劳动，也是脑力劳动，再加上长时间持续工作更容易产生疲劳，随之发生的交通事故也更严重。

为减少因疲劳驾驶引发的交通事故，降低交通参与者生命财产受损风险，目前有较多学者开展了疲劳监测系统的研究[3-5]，但这些研究大多偏向机理研究或参考指标单一，难以满足企业的实际应用需求。因此本文设计了一种经济可行的驾驶员疲劳驾驶监测系统，考察了监测系统的准确性和吻合度，有助于提高运输企业对驾驶员疲劳程度的实时监管水平。

2 疲劳驾驶监测技术现状

目前对疲劳驾驶的检测方法主要有三种，分别是检测驾驶员行为特征、驾驶员生理特征和车辆行为特征[6]。驾驶员行为特征主要指标有眼睑闭合度、面部表情、头部及嘴部状态等。Wang R B等人[7]根据嘴巴状态来判定疲劳情况，先通过模型和分类器来确定嘴巴的位置，再利用滤波器实时跟踪嘴巴并提取关键点，然后由神经网络依据嘴巴的关键点判定是否疲劳。驾驶员生理特征主要指标有EEG（脑电信号）、ECG（心电信号）、EOG（眼电信号）、EMG（肌电信号）等人体生物电信号以及血压、血液中化学物质（如唾液淀粉酶的含量）、温度等[8-9]。Fei Wang等人[10]先将被测者自己填写的及观察者评估的疲劳情况进行对比分析，再从中选择匹配度较高的某个时间区域的脑电信号来建立模型，通过模型分析得到的疲劳判定结果和主观疲劳感知情况进行综合考虑，可以有效提高疲劳判定的准确率。车辆行为特征主要指标有车辆转向、车速变化、车道偏离等，通过监控车辆硬件系统及行驶期间数据的变化状况评测驾驶员的疲劳程度。Ellison Research Labs实验室研制的DAS2000型路面警告系统通过判断车辆运行轨迹偏离道路中线或者路肩白线向驾驶员发出警告[11]。

我国相关部门规定驾驶员连续驾驶机动车超过4小时未停车休息可认为是疲劳驾驶[12]，其判定方法单一，具有片面性，未综合考虑驾驶员驾驶前身体健康情况及个体差异性。引起驾驶员疲劳的因素不仅有驾驶时间，还包括工作环境、生活作息规律、身心状态等其它因素。因此，探究驾驶员特别是道路客运车辆驾驶员的疲劳生成机理、找出驾驶员疲劳与生理特征相对应的参数，从而判断驾驶员的疲劳程度是目前理论研究的发展趋势。

3 疲劳驾驶监测系统简介

3.1 系统原理

基于物联网的道路客运车辆驾驶员疲劳驾驶监测系统以可穿戴设备采集终端为基础，以智能手机软件为载体，基于物联网技术，向道路客运企业监控中心提供参考信息。本文所开发的疲劳驾驶监测系统能够连接驾驶员和监控中心，企业监控人员可以根据接收到的體征参数科学判定驾驶员是否疲劳，从而及时干预与示警，对道路客运车辆安全驾驶起到了积极的指导作用。

3.2 系统组成

如图1所示，本系统具有三个部分，分别为可穿戴设备采集终端、智能手机软件和监控中心监测终端，可以采集、分析和监控被测者的血压、血氧、心电体征等参数，通过联网的手机将收集的数据传送到服务器，再由服务器传送到企业监控中心监测终端。监控人员根据相关参数预设值判断驾驶员疲劳状况，当出现疲劳状态不宜继续驾驶时及时反馈驾驶员，终止驾驶，避免因驾驶疲劳引发的意外事故的发生。

硬件资源主要有无线传感器节点、无线传感器网络架构及应用、疲劳驾驶监测系统硬件的整体框架等。硬件系统主要由三部分组成，分别是可穿戴设备采集终端、智能手机终端和网关。驾驶员的体征参数通过可穿戴设备采集终端实时收集，把收集的数据上传并存储到智能手机终端，再发送到监控中心服务器，监测系统根据驾驶员的体征参数自动判定驾驶员是否疲劳，企业监控人员依据判定结果给驾驶员下达相应指令。网关负责不同通讯实体间的数据传输。

3.3 系统工作流程

道路客运车辆驾驶员疲劳驾驶监测系统工作流程见图2，驾驶员佩戴多个可穿戴设备终端采集节点，这些无线传感器节点自组成网络。由图2可知：每个驾驶员佩戴3个终端节点A、B、C，节点间自组成局域网，可穿戴设备采集终端实时采集驾驶员的体征参数，并通过无线传感器网络传输至基站 AP，基站AP负责接收和整理体征参数，将处理后的体征参数通过Internet上传到服务器，则监控中心的工作人员能实时监控驾驶员的体征参数，当系统判定驾驶员的生理指标超过阈值时，监控人员则立即干预驾驶员，避免交通事故的发生。

4 实际应用结果与分析

系统在江西新世纪汽运集团有限公司的道路客运车辆驾驶员上进行试用。以被测者的个人信息为基础，综合考虑个体的差异性，调研了被测者的年龄、性别、健康状况、驾龄、作息规律、心理状态等相关因素。

实验结果主要来自两部分：一是系统判定。准备阶段先调试好系统的各个设备，确保设备能正常运行再试用，系统会对正在工作的驾驶员进行监测并自动记录各项数据，以及各个模块的判定结果。对于系统的判定，许多研究人员将监测疲劳情况划分为三个等级：清醒、轻微疲劳、疲劳。但是，本系统将监测结果分为两个等级：一是清醒状态，二是疲劳状态。这是由于无论轻微疲劳或疲劳均会对道路客运车辆的运行产生不安全因素，因此本系统将轻微疲劳和疲劳划分在同一等级，以便起到对道路客运车辆驾驶员疲劳驾驶的同等警示效果。二是实际测评。由于被测者处于工作时间的正常驾驶状态，测试工作人员坐在副驾驶位协助驾驶人员对自身疲劳程度的记录以及与系统监测人员的实时对接，并将驾驶人员对自身疲劳程度的记录作为实际疲劳程度基准值。由于实际测评属于个人自主评价，按照日常习惯划分为清醒、轻微疲劳、疲劳三个状态。实际测评和系统判定数据经一一对应，共得到样本数据2869个。

表1为实际评测与系统判定结果对应表。由表1可知：实际测评的判定结果为清醒的样本数有2143个，与此对应的系统判定结果中清醒的样本数有1826个，疲劳的样本数有317个，判定准确率达到85.20%。实际测评的判定结果为轻微疲劳的样本数有588个，与此对应的系统判定结果中清醒的样本数有35个，疲劳的样本数有553个，判定准确率达到94.05%。实际测评的判定结果为疲劳的样本数有138个，与此对应的系统判定结果中清醒的样本数有0个，疲劳的样本数有138个，判定准确率达到100%。

表2为系统判定与实际测评的吻合度。由表2可知：系统判定的结果为清醒的样本数有1861个，与此对应的实际测评结果中清醒的样本数有1826个，轻微疲劳的样本数有35个，疲劳的样本数有0个。将轻微疲劳误判为清醒的样本数有35个，降低了清醒判定的准确率。系统判定的结果为疲劳的样本数有1008个，与此对应的实际测评结果中清醒的样本数有317个，轻微疲劳的样本数有553个，疲劳的样本数有138个。将清醒误判为疲劳的样本数有317个，说明系统的阈值设置较低，对疲劳的判定结果虽有误判，但肯定不会有遗漏，从而提高疲劳判定的准确率。

5 结语

本文提出了一种以物联网技术为基础，实时掌握道路客运车辆驾驶员疲劳驾驶状态的监测系统。当可穿戴设备终端采集节点的数据超过阈值，监测系统会将数据通过网络传输到监控中心，监控人员将及时干预驾驶员，有效避免因疲劳驾驶造成的不良后果，最大限度地保障交通参与者的生命财产安全。

本文不仅介绍了系统的组成及工作原理，而且简要叙述了该系统的工作流程。

实际测试结果表明，系统判定将监测结果划分为两个等级：清醒和疲劳，将实际测评和系统判定的数据经过一一比对可知，清醒判定的准确率略有下降，疲劳判定的准确率达到94%以上，可用性高稳定性强，具有较好的应用前景。

基金项目：2020 年江西省教育厅科学技术研究项目，项目名称：基于物联网的道路客运车辆驾驶员疲劳驾驶监测系统研究，项目编号：GJJ208404。

参考文献：

[1]呙腾，冯桑，黄超.基于生物电信号的驾驶疲劳检测方法[J].汽车电器， 2014（8）： 65-68.

[2]张弛.高危车辆驾驶员疲劳驾驶监测及预警系统研究[D]. 沈阳：辽宁工业大学，2018.

[3]Jung S J， Shin H S， Chung W Y. Driver fatigue and drowsiness monitoring system with embedded electrocardiogram sensor on steering wheel[J]. Intelligent Transport Systems， 2014， 8（1）： 43-50.

[4]Wang R B，  Guo L，  Tong  B  L，et  al.  Monitoring Mouth  Movement for Driver  Fatigue or Distraction with One Camera [C]. The 7th International IEEE Conference on Intelligent Transportation Systems. Oat. 2004， 2004：314-319.

[5]张华.驾驶员疲劳监测技术研究[D].天津：河北工业大学，2014.

[6]宋战兵. 浅谈驾驶疲劳检测方法研究现状[J].  科技风， 2017（9）： 282-282.

[7]Wang R B， Guo L， Tong B L，et al. Monitoring Mouth Movement for Driver Fatigue  or Distraction with One Camera [C]. The 7th International IEEE Conference on Intelligent Transportation Systems. Oat. 2004， 2004：314-319.

[8]陈倩. 基于生理信息采集的驾驶疲劳研究[D]. 重庆：重庆大学， 2016.

[9]Stork M， Skala J， Weissar P，Holota R. Various approaches to driver fatigue detection：  a  review. International Conference on Applied Electronics， Pilsen， Czech Republic， 2015： 239-244.

[10]Wang F， Wang S， Wang X， et al. Design of driving fatigue detection system based on hybrid measures using wavelet-packets transform[C]. IEEE International Conference on Robotics & Automation， 2014： 4037-4042.

[11]This tragedy was preventable！： The DAS 2000 Road Alert System High Tech Solution to Driver Fatigue！，http：//www.dmv.ca.gov.

[12]中華人民共和国道路交通安全法实施条例[Z] . 2004.