王连震 王宇萍 裴玉龙 凤 凰

(东北林业大学交通学院1) 哈尔滨 150040) (哈尔滨市城乡规划编制研究中心2) 哈尔滨 150000)(西南交通大学交通运输系3) 成都 610000)

基于模糊综合评价的驾驶疲劳状态量化研究*

王连震1)王宇萍2)裴玉龙1)凤 凰3)

(东北林业大学交通学院1)哈尔滨 150040) (哈尔滨市城乡规划编制研究中心2)哈尔滨 150000)(西南交通大学交通运输系3)成都 610000)

为分析疲劳驾驶对驾驶员状态的影响程度，对驾驶员的疲劳状态进行量化，借助模拟驾驶实验手段，测试并分析了脑电、心电、眼动、驾驶绩效和主观疲劳评价等驾驶疲劳指标的变化规律，采用单因素方差分析方法分析了驾驶疲劳度量指标随驾驶时间变化的显著性.采用K均值聚类分析法确定了各个单项指标不同疲劳等级的阈值，建立了基于模糊综合评价的驾驶疲劳指数计算模型，以主观疲劳评价值为参照对模型进行了验证.结果表明，连续4 h的驾驶任务对驾驶疲劳度量指标的影响是显著的，采用驾驶疲劳指数对疲劳状态进行量化研究是可行且有效的.

交通工程；驾驶疲劳；量化研究；模糊综合评价；度量指标；疲劳指数

0 引 言

随着机动车保有量的不断增加，道路交通事故日益严重，疲劳驾驶已成为道路交通事故发生的主要原因之一，并且呈逐年上升趋势.受检测手段和度量方法等限制，疲劳驾驶同酒后及超速驾驶不同，具有相当的隐蔽性，难以被交通执法部门准确界定.因此，研究驾驶疲劳的判断及量化方法有利于准确度量驾驶员的疲劳程度，从而为交通执法部门制定疲劳驾驶的管理政策提供理论依据，遏制疲劳驾驶交通事故的发生.

目前，常用的驾驶疲劳测定方法可以概括为四类：生理指标测定法[1-2]、面部特征测定法[3-4]、操控性能评定法[5]和主观评价法等[6].各类测定方法在检测驾驶疲劳方面均具有一定的优势，例如，生理指标测定方法的准确性和可靠性较高，但是需要与驾驶员产生接触，对行车干扰较大；面部特征测定方法对驾驶员干扰较小，且准确性和可靠性也较高[7].

本文在分析驾驶疲劳表现特征的基础上，借助模拟驾驶实验手段，研究了连续驾驶一定时间后驾驶疲劳指标的变化规律和显著性，采用模糊综合评价的方法建立了驾驶疲劳指数计算模型，从而提出了驾驶疲劳状态的量化方法.

1 驾驶疲劳及其度量指标

目前对驾驶疲劳的定义尚未统一，但是从众多的定义中可以得出界定疲劳驾驶的共同点：驾驶疲劳是由长时间的驾驶任务导致的，以生理、心理机能下降或失调为内在表现，以对车辆的操控能力降低为外在表现的现象[8].长时间驾驶是导致驾驶疲劳产生的直接原因，驾驶任务是驾驶疲劳产生的特定环境.根据对驾驶员主观疲劳感受的问卷调查结果，本文将驾驶疲劳状态分为三级：清醒、轻度疲劳、重度疲劳.不同疲劳等级下驾驶员的表现特征见表1.

疲劳的各类度量指标在表征驾驶疲劳方面均具有一定的准确性和可靠性.但是，由于受仪器设备、驾驶习惯及周围环境等的影响，单一指标在检测过程中，通常呈现出不稳定性.因此，根据各类指标的特点，本文选择脑电指标、心电指标、眼动指标、驾驶绩效指标和主观疲劳评价指标对驾驶疲劳进行综合测定，具体度量指标见图1.

表1 不同等级下的驾驶疲劳特征

图1 驾驶疲劳度量指标集

图中：θ/β为脑电波中θ波与β波出现率的百分比；SDNN为心电信号中的RR间期标准差；PERCLOS[9]为单位时间内眼睛闭合时间百分比；SDS(standard deviation of speed)为车辆行驶速度标准差，为驾驶绩效指标；SSS为采用斯坦福嗜睡量表(stanford sleepiness scale)[10-11]进行问卷调查得到的主观疲劳评价值.

2 驾驶疲劳度量指标测试与分析

2.1 实验方案设计

2.1.1 实验对象

本次实验共有6名实验对象，均为非职业驾驶员，其中男性4名，女性2名，平均年龄34.5岁，均具有1年以上驾驶经验.所有实验对象均身体健康，无慢性疾病或生理缺陷.实验开始前1 d睡眠质量均良好，无不良情绪，且实验前24 h内无饮酒或服用药物的情况.

2.1.2 实验设备及指标

本次实验的设备有AS1300卡车驾驶模拟系统、多通道生物生理记录仪、摄像机等.此外，本次实验还采用斯坦福嗜睡量表(SSS)对驾驶员的主观疲劳状况进行问卷调查.

2.1.3 实验过程

模拟驾驶实验场景采用AS1300卡车驾驶模拟系统中的平原高速公路，试验线路为近似矩形的环状道路，线路全长约200 km，交通条件为自由流，行驶速度由驾驶员自行设定.

在进行正式实验之前，对实验对象进行模拟驾驶培训和实验设备的操作训练，要求所有实验对象在进行正式实验时能熟练操作各种设备.实验开始前，对实验对象进行主观疲劳问卷调查并记录，在静坐状态下使用生物生理记录仪测试每人的脑电和心电指标，并用摄像机记录每人的眼动情况，测试时间为5 min.实验过程中，连续测试并记录驾驶员的脑电、心电、眼动、行驶速度等数据；每隔30 min进行主观疲劳问卷调查.驾驶任务结束后，立即重复上述测试过程.每个驾驶员进行两次重复试验.

2.2 实验结果分析

为了便于对各类指标的实验数据进行对比分析，将实验得到的连续数据按15 min一个时段进行统计，取各个时段的平均值作为该时段的分析数据.各个指标初始时刻(驾驶时间为0时)的实验数据为驾驶任务开始前5 min内测得的数据.各个指标的变化情况分别见图2～6.由图可知，θ/β,SDNN,PERCLOS,SDS等指标随着驾驶时间的增加呈现明显的上升趋势，驾驶员对自身疲劳状况的主观评价值不断增大，说明驾驶员的疲劳程度逐渐加重.

图2 θ/β随驾驶时间的变化

图3 SDNN随驾驶时间的变化

图4 PERCLOS随驾驶时间的变化

图5 SDS随驾驶时间的变化

图6 SSS随驾驶时间的变化

采用单因素方差分析可以确定驾驶时间的长短对各个指标有无显著性影响，方差分析的结果见表2.由表2可知，在4 h驾驶任务中，各个指标均发生了显著性变化(p<0.001)，说明驾驶时间对这些指标的影响是显著的.

表2 驾驶疲劳度量指标单因素方差分析

3 驾驶疲劳度量指标的阈值

根据驾驶疲劳度量指标随时间的变化情况，结合驾驶疲劳状态的分级，采用K均值聚类分析法确定不同疲劳等级下各个单项指标的阈值，结果见表3.

表3 驾驶疲劳单项度量指标阈值

4 基于模糊综合评价的驾驶疲劳指数计算模型

根据模糊数学理论，将人的疲劳状态F假设为(0,1)区间的数值，其中，当F=0时表示驾驶员处于完全清醒的状态；当F=1时，表示驾驶员处于睡眠的状态；0～1之间的某个数值为驾驶员的某种疲劳状态.根据德尔菲法，初步确定三级疲劳状态的取值范围，见表4.

表4 不同等级驾驶疲劳状态的取值范围

采用模糊综合评价法建立驾驶疲劳指数计算模型，来量化驾驶员的疲劳程度.驾驶疲劳模糊综合评价的因素集.

U={u1,u2,u3,u4}

式中:U为驾驶疲劳指数；u1为θ/β；u2为SDNN；u3为PERCLOS；u4为SDS.

以驾驶疲劳状态的分级作为评语集，则驾驶疲劳模糊综合评价的评语集为：V={v1,v2,v3}.

式中:V为评语集合；v1为清醒；v2为轻度疲劳；v3为重度疲劳.

采用层次分析法确定因素集中各指标的权重.根据各类评价指标在度量驾驶疲劳中的可靠性和稳定性，得到因素集的判断矩阵及权重见表5.

表5 驾驶疲劳各指标的权重

则因素集的权重向量为

A=(a1,a2,a3,a4)=(0.400,0.376,0.138,0.086)

各个指标的模糊评价隶属度矩阵为：

式中：rij为第i个评价指标对第j个评语的隶属度.则驾驶疲劳状态的模糊综合评价结果为：

(b1,b2,b3)

(1)

根据最大隶属度原则确定驾驶员的综合疲劳等级.

根据不同等级驾驶疲劳状态的取值范围，采用各个等级取值范围的平均值作为分值向量W，则：

W=(w1,w2,w3)T=(0.2,0.6,0.9)T

(2)

根据式(1)～(2)可以得到基于模糊综合评价方法的驾驶疲劳指数计算模型：

F=W·B=(w1,w2,w3)T·(b1,b2,b3)

(3)

采用本文建立的模型对样本数据进行了验证，结果见表6.

表6 驾驶疲劳指数计算模型的验证

由表6可知，所有样本驾驶疲劳指数的计算结果与主观疲劳评价值基本一致.样本5的疲劳指数为0.83，属于重度疲劳和轻度疲劳的临界状态，主观疲劳评价值为5，属于轻度疲劳的等级，二者的判断结果基本符合.由此可见，采用本文建立的驾驶疲劳指数计算模型可以有效的量化驾驶员的疲劳状态.

5 结 论

1) 根据驾驶疲劳的表现特征，将疲劳状态划分为清醒、轻度疲劳、重度疲劳3个等级.确定了脑电波中θ波与β波出现率的比值θ/β、心电信号RR间期标准差SDNN、单位时间内眼睛闭合时间百分比PERCLOS、速度标准差SDS、主观疲劳评价值SSS作为驾驶疲劳的度量指标集.

2) 采用模拟驾驶实验的手段，对驾驶疲劳度量指标进行了测试分析，结果表明，连续驾驶时间对驾驶疲劳度量指标的影响是显著的：脑电波中θ波的出现率不断增加，而β波的出现率不断下降，心率变异性逐渐增大，单位时间内驾驶员眼睛闭合的时间增多，对车辆行驶速度的控制能力下降，主观疲劳感觉不断加重.

3) 采用K均值聚类分析法确定了驾驶疲劳单项度量指标在不同疲劳等级下的阈值，建立了基于模糊综合评价的驾驶疲劳指数计算模型，对驾驶疲劳状态进行了量化研究.以驾驶疲劳主观评价值为参照，对模型进行了验证.结果表明，驾驶疲劳指数计算模型可以有效量化驾驶疲劳状态.

[1]NIRUPAMA W，YVONNE T，ASHLEY C.The psychophysiological determinants of fatigue[J]. International Journal of Psychophysiology, 2007, 63(1): 77-86.

[2]PATEL M, LAL S K L, KAVANAGHA D, et al. Applying neural network analysis on heart rate variability data to assess driver fatigue[J]. Expert Systems with Applications, 2011, 38(6): 7235-7242.

[3]ANNEKE H， RAINER G， ACACIA A， et al. Technologies for the monitoring and prevention of driver fatigue[C].Proceedings of the First International Driving Symposium on Human Factor in Driver Assessment, Training and Vehicle Design, America， Colorado， 2001:81-86.

[4]潘晓东,李君羡,徐小冬.基于眼部行为的驾驶疲劳评价指标的阈值[J].同济大学学报：自然科学版，2011,39(12):1811-1815.

[5]吴超仲,张 晖,毛 喆,等.基于驾驶操作行为的驾驶员疲劳状态识别模型研究[J].中国安全科学学报,2007,17(4):162-166.

[6]SAROJ K L L， CRAIGA A. A critical review of the psychophysiology of driver fatigue[J]. Biological Psychology, 2001,55(3):173-194.

[7]袁 翔,孙香梅.疲劳驾驶检测方法研究进展[J].汽车工程学报,2012,2(3):157-164.

[8]房瑞雪,赵晓华,荣 建,等.基于脑电信号的驾驶疲劳研究[J].公路交通科技,2009,26(S1):124-126.

[9]陈和恒,王 忠,应大力,等.融合EyeMap信息的疲劳检测方法的研究[J].武汉理工大学学报：交通科学与工程版，2014,38(1),212-216.

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

[11]潘晓东，李君羡.基于眼部行为的驾驶疲劳监测方法[J].同济大学学报：自然科学版，2011(2)：55-58.

Quantification of Driving Fatigue State Based on Fuzzy Comprehensive Evaluation

WANG Lianzhen1)WANG Yuping2)PEI Yulong1)FENG Huang3)

(TrafficCollege,NortheastForestryUniversity,Harbin150040，China)1)(HarbinUrbanandRuralPlanningCompilationandResearchCentre,Harbin150000，China)2)(TransportationDepartment,SouthwestJiaotongUniversity,Chengdu610000，China)3)

In order to analyze the influence of fatigue driving on drivers' states and quantify the driving fatigue state, driving fatigue indicators including EEG, ECG, eye movement, driving performance and subjective fatigue feeling were tested through simulation driving experiment, and the changing rules and significances of the indicators with driving time was analyzed using one-way ANOVA. The K-means clustering analysis method was used to determine the threshold values of each indicator at different fatigue level. The calculation model of driving fatigue index was established and validated by the subjective fatigue feeling. The results show that 4h of driving task had a significant effect on driving fatigue indicators, and the proposed method of driving fatigue quantification was feasible and effective.

traffic engineering; driving fatigue; quantification research; fuzzy comprehensive evaluation; measure indicators; fatigue index

2015-04-15

*中央高校基本科研业务费专项资金项目(批准号：2572015BX03)、国家自然科学基金项目(批准号：51178149)资助

U491.6

10.3963/j.issn.2095-3844.2015.04.007

王连震(1985- )：男，工学博士，讲师，主要研究领域为道路交通安全、交通规划理论与方法