李洪涛 巴兴强 逯兆友 张 涵 吕思昂

(东北林业大学交通学院,黑龙江 哈尔滨 150040)

0 引言

随着驾驶时间的增加而出现疲劳驾驶会延长驾驶员的对光、声等外界刺激的反应时间，导致发生交通事故的概率大大提高[1]。已有研究表明方向盘操作特性和驾驶员的意识水平之间存在极大的关联性，方向盘转角不动时间能够表明驾驶员疲劳程度，不动时间越长，表明驾驶员疲劳程度越大[2]，可以及时反映驾驶员疲劳程度，并对驾驶员进行预警。

目前已有很多学者针对方向盘的调整和驾驶员睡意之间的相关性进行了研究，并提出了相应的识别模型。Thiffault通过在转向柱的轴线放置电位器来测量方向盘的转角并以此检测驾驶员的驾驶状态[3]。张希波以方向盘的零速百分比和角度标准差作为判别指标并建立fisher判别模型对驾驶员的疲劳程度进行监测[4]；陈志勇利用BP神经网络对驾驶员疲劳驾驶时的车辆行驶特性进行训练，并建立了疲劳驾驶行为检测模型[5]；屈肖蕾将驾驶员处于不同驾驶状态的操作数据中抽取的判别指标的均值作为参考指标，并提出了带有个体差异性的疲劳检测模型[6]。杜洪吉针对车辆的运行速度、方向盘操作信息和车辆横向位移对疲劳驾驶的驾驶适应性和主观操作特征进行分析，并提出了疲劳驾驶行为的检测方法[7]。目前针对这方面的研究大多采用时域分析方法对方向盘操作信息特征分析和指标提取。

本文从频域的角度对不同驾驶状态下的方向盘操作信息进行频谱特性分析，采用方向盘角度百分比功率谱密度及角速度百分比功率谱密度作为疲劳判别指标，将判别指标及驾驶状态作为模型的输入和输出对BP神经网络进行训练，构建相应的网络模型，并以疲劳状态的分类正确率最大为优化目标确定疲劳检测取样窗口大小，最后利用测试样本数据对模型的准确率进行验证。

1 实验

1.1 数据采集环境

考虑到实验的安全性与可靠性，本文利用驾驶模拟器进行模拟驾驶实验，实验选择在一条高速公路场景进行，道路为双向六车道，单车道宽3.75 m。被试人员共10名，其中5名男性，5名女性。实验过程中要求驾驶人员尽量保持在车道中央行驶，减少变道行为，车速限制在80 km/h～100 km/h。实验过程中采集的数据包括方向盘转角速度、方向盘偏转角度，采样频率为50 Hz。

1.2 疲劳状态评价

为了分析方向盘操作信息与驾驶员疲劳状态的关系，需要通过疲劳测试对驾驶员的疲劳状态做出客观的评价。

实验开始前使用由哈佛医学院睡眠医学科开发的驾驶员反映时间测量系统(PVT)，在输入睡眠时长、起床后时长以及自我警觉度评价后，能够通过测试系统定量地给出驾驶员反应时间影响因数。

长期致力于疲劳驾驶研究的震旦大学学者提出了困睡度量表的概念[8]，结合这一概念制定了适合本文实验的困睡度量表，将驾驶员驾驶状态分为5个等级，如表1所示。

表1 困睡度量表

2 特征提取

2.1 疲劳状态下的方向盘操纵特征

基于模拟驾驶对比实验，驾驶员在正常和疲劳两种驾驶状态下的方向盘操作频域特征如图1所示。

图1a)和图1b)依次为清醒和疲劳状态下的方向盘角度波形频谱，通过对比两种驾驶状态下的频谱特征，可以看出当驾驶员处于清醒状态时，方向盘操作信号频率成分较为复杂，而当驾驶员处于疲劳状态时，方向盘操作信号频率成分较为单一，低频信号成分较高。

综上所述，方向盘操作信息能够反映驾驶员的驾驶状态，本文将从频域角度探究方向盘操作与疲劳状态的关系。

2.2 指标提取

首先对采集的方向盘数据进行傅里叶变换，以实现将信号从时域到频域的转换，从而对信号进行频域的分析，傅里叶变换公式为：

(1)

在频域内描述信号特征的方法有很多，最常用的是使用功率谱密度来表示，信号x(t)的功率谱密度PSD定义为:

PSD=∣FFT(x(t))∣2

(2)

其中，FFT(x(t))为对信号x(t)进行快速傅里叶变换后的结果。

方向盘操纵信息随着驾驶员的年龄、性别、驾驶习惯的变化而变化，因此使用绝对功率谱密度值来衡量驾驶状态意义不大，为此本文将功率谱密度进行归一化处理，并将所得结果定义为百分比功率谱密度D：

(3)

按照上述方法对方向盘的角度信号及方向盘角速度信号进行特征提取。图2为各级疲劳状态下方向盘角度百分比功率谱密度提取结果对比，图3为各级疲劳状态下方向盘角速度百分比功率谱密度提取结果对比。

从图2，图3可以看出，相对于清醒状态，疲劳状态下的方向盘角度及角速度的百分比功率谱密度显著增大。

3 BP神经网络识别分类器

BP网络是通过足够多的输入与输出模式之间的映射关系的学习，通过不断调整传递函数的参数，逼近出一个准确的分类函数[9]，因此它是有一种有指导的学习，能够通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，三层BP网络拓扑结构如图4所示。并更好地描述方向盘操作信息与驾驶员疲劳状态之间存在着较为复杂的关系。

选取Radbas(径向基传递函数)和Trasig(双曲正切S型传递函数)分别作为输入层到隐层及隐层到输出层的传递函数；径向基传递函数是一种局部逼近网络，能够解决训练样本较少的问题，而双曲正切传递函数可以保证输出值在[-1,1]以内。将方向盘角度百分比功率谱密度和方向盘角速度百分比功率谱密度作为输入层，疲劳状态作为输出层，其中0为清醒状态，1为疲劳状态。

通过对检测系统取样检测窗口进行了分析，以疲劳状态的分类准确率最大为优化目标，最终将取样检测窗口确定为60 s。

4 实验验证

首先向预先搭建的神经网络输入已知的训练样本。接下来从训练样本集以外的样本中随机选取177个测试样本作为测试样本集，其中疲劳样本数为43个，清醒样本数为134个，测试样本中只有1和0样本。最后将测试样本作为神经网络的输入，对该方法的准确率进行评测，当模型的检测结果与实际状态一致时，即视为识别正确。检测结果如图5所示。

经验证，该模型清醒状态的正确识别样本数为128个，误识别6个，疲劳状态的正确识别样本数为34个，误识别9个，合计正确识别样本162个，识别准确率为91.5%。

5 结语

基于对不同疲劳等级下的方向盘操作特性及其频谱特性进行分析，采用方向盘角度百分比功率谱密度及角速度百分比功率谱密度作为疲劳判别指标，将判别指标变量及驾驶状态作为模型的输入和输出对BP神经网络进行训练，构建相应的网络模型，并以疲劳状态的分类准确率最大为优化目标，确定疲劳检测取样窗口为60 s，最后利用测试样本数据对模型的准确率进行验证，结果表明，该方法对驾驶状态的分辨正确率可达到91.5%。