于旭蕾 李相泽

摘 要：针对脑电的疲劳驾驶检测技术实用化需要解决的无线化、小巧化及实时性等难题，本文在分析被试处于注意力集中、放松、疲倦和睡眠状态下左前额脑电Attention和Meditation数据关系的基础上，提出了基于Attention和Meditation相关系数进行疲劳驾驶检测的方法，设计了相应的基于KNN的疲劳驾驶检测算法，并在安卓智能手持设备上设计实现了系统。实验证明系统疲劳驾驶检测的Sensitivity、Specificity分别达到68.31%和90.43%，系统同时具有无线、小巧和实时的特点。

关键词：可穿戴；疲劳驾驶检测；前额叶脑电；KNN

中图分类号：TP274 文献标识码：A 文章编号：2096-4706（2018）04-0037-03

Abstract：According to the wireless，compact and real-time problems on the practical application of driving fatigue detection based on EEG，the relation between attentive and meditative EEG from the left prefrontal lobe of the driver who is in concentration，relax，tiresome and sleep states. Meanwhile，a new method for driving fatigue detection based on the correlation coefficient of driver’s Attentive and Meditative EEG is proposed，and the KNN is introduced to develop a new algorithm for driving fatigue detection. The experiments show that the Sensitivity and Specificity of the system are 68.31% and 90.43% respectively，and the system has the characteristics of wireless，compact and real-time.

Keywords：wearable；driving fatigue detection；prefrontal lobe EEG；KNN

0 引 言

随着我国汽车拥有量的急剧攀升，汽车交通的安全问题日益引起人们的关注。如何避免和减少交通事故成为学界积极研究的课题。疲劳驾驶是产生交通事故的主要因素之一，驾驶员在疲劳状态下会出现注意力分散、思维活动降低的现象，进而造成其反应迟钝、车辆控制力下降，增加发生交通事故的可能性。实验发现，78%的碰撞都与驾驶员注意力不集中有关[1]。然而，交通事故并不是在驾驶员刚刚产生驾驶疲劳时就立刻发生的，若能实时检测驾驶员在驾驶过程中的精神状态，在其刚刚出现疲劳迹象时就发出警报，就能有效提高安全系数。据统计，在交通事故发生时，如果驾驶员的反应能快半秒，60%交通事故都可以避免[2]。因此，疲劳驾驶检测研究具有十分重要的实用意义。

目前有关疲劳驾驶检测的方法主要有基于生理参数的测量方法[3]、基于驾驶员头部动作的方法[4]、基于驾驶行为的方法[5]和基于计算机视觉的检测方法[6]。由于不同人对疲劳的具体反应不同，使业界缺少针对疲劳的客观指标。同时，已有大部分疲劳检测系统采用接触性传感器，但在实际行车过程中往往会造成驾驶员不适或影响驾驶员操作。通过直接监测驾驶员脑电[7，8]，并综合计算科学技术实时分析检测驾驶员的大脑疲劳度是一种全新且很有发展前途的疲劳驾驶预警技术。例如，文献[9]通过测量脑电信号中功率谱值的变化来分析驾驶员的疲劳程度。但基于脑电的疲劳驾驶检测实用化需要解决脑电采集系统的小巧化、无线化以及脑电信号实时提取与分析等难题。

1 技术基础

1.1 脑模型及前额叶功能

人类大脑中的中央沟、外侧沟和顶枕裂三条主要沟裂将大脑分为五个叶：中央沟以前、外侧裂以上的额叶；外侧裂以下的颞叶；顶枕裂后方的枕叶；外侧裂上方、中央沟与顶枕裂之间的顶叶；深藏在外侧裂里的脑岛。研究发现前额叶皮层是最高级别的联合皮层，虽然它不直接参与感觉或运动功能，但是接受来自感觉、运动和其他脑区的信息，并对这些信息进行整合加工处理，再把信息传回相关脑区，进而调控它们的活动。前额叶皮层在脑的注意力調控、学习和记忆、行为抑制、行为的计划和策略、思维和推理等方面起着关键作用。由于前额叶与注意力、行为计划和策略等紧密相关，若能通过检测前额叶的脑电信号来分析驾驶员在驾驶过程中是否存在注意力分散、思维活动降低等现象，就能进而判定驾驶员是否处于疲劳驾驶状态。

Mindset脑电耳机集成了ThinkGear脑电感知芯片，能以512Hz的频率采样用户左前额fp1电极的脑电信号，并以1Hz的频率生成Attention（专注度）和Meditation（冥想度）数据。其中，Attention取值范围0～100，取值越高表明用户的注意力越集中；Meditation取值范围0～100，取值越高说明用户的大脑活动越少。Mindset脑电耳机为课题组研究基于左前额脑电的疲劳驾驶检测技术提供了硬件支持。

1.2 左前额脑电Attention和Meditation关系分析

课题组设计了注意力集中（被试阅读书籍或做数学题，大脑处于注意力集中的状态）、放松（被试散步或冥想，大脑处于放松状态）、疲倦（被试午饭后犯困，想睡而没睡着的疲倦状态）和睡眠（被试进入睡眠后的状态）4种状态场景，选择4名学生志愿者（年龄从22到25岁不等，两男两女）携带Mindset脑电耳机开展实验，并采集这4种场景中被试的Attention和Meditation信号。其中，每位被试针对每种场景采集3组20分钟的实验数据。考虑被试从带上Mindset到进入指定状态需要一定时间，课题组针对每组数据只提取其中间10分钟的Attention和Meditation数据。经研究分析发现Attention和Meditation之间存在一种对称的关系，对此课题组采用相关系数分析这四种场景中Attention和Meditation之间的关系。设Xi和Yi分别表示i时刻前额叶脑电的Attention和Meditation数据值，X和Y分别为前额叶脑电Attention和Meditation的均值，则第i时刻Attention和Meditation的相关系数r可按公式（1）求出。

被试处于4种不同状态下，其Attention和Meditation信号的相关系数曲线层次分明，若选取合适的分类方法是可以将4种状态区别开的。

由于换挡、转弯等驾驶动作持续时间较短，所以数据的采样时长为10秒。经试验发现，平稳驾驶、换挡和转弯3种常见驾驶状态与疲劳驾驶状态的Attention和Meditation的对称关系差别明显，也证明了采用左前额脑电Attention和Meditation相关系数进行疲劳驾驶检测的技术可行。

2 基于前额叶脑电相关系数和KNN的疲劳检测技术

由于最近邻方法（k-nearest neighbor，简称KNN）算法无须事先知道属性值分布，不要求得出显式的规则，并具有较高的分类准确率。因此，本文采用KNN算法来分类前额叶脑电Attention和Meditation信号相关系数，进而预测疲劳驾驶。

2.1 KNN分类算法原理

KNN作为一种简洁有效的非参数分类方法，其分类算法步骤如下。

（1）对训练样本分类生成训练集；

（2）针对每一个测试数据X，从训练集中依据公式（2）找到X的K个最近邻居；其中，D表示曼哈顿距离，Ti表示训练样本值，xi表示测试样本值，n表示训练样本和测试样本的维数：

（3）根据X的K个最近邻居的分类属性取值，并通过投票被测试点X分到权重最大的类别中。

2.2 基于KNN疲劳驾驶检测算法

驾驶活动是一种连续的活动流，为了计算左前额脑电Attention和Meditation相关系数，并实时监测疲劳驾驶，需要选择合适的采样宽度，即设置合适的缓存脑电Attention和Meditation数据的滑动窗口。由于换挡、转弯等驾驶活动的持续时间较短，并综合考虑计算Attention和Meditation相关系数有效性和算法实时性的要求，本文以60秒作为一组样本的采样宽度。基于KNN的疲劳驾驶检测算法包括训练样本空间构造和检测算法实现两部分。其中，训练样本空间构造算法如下：

（1）以1Hz的频率采集被试正常驾驶状态下的Attention和Meditation数据，计算二者的相关系数，并将其标记为清醒状态；累计采集60秒清醒状态下的Attention和Meditation数据后开始计算它们的相关系数；累计计算60秒清醒驾驶状态下的相关系数后，作为一组训练样本；（2）以1Hz的频率采集被试疲劳驾驶状态下Attention和Meditation数据，计算二者的相关系数，并将其标记为疲倦状态；累计采集60秒疲劳状态下的Attention和Meditation数据后开始计算它们的相关系数；累计计算60秒疲劳驾驶状态下的相关系数后，作为一组训练样本；（3）重复步骤（1）和（2），直到生成足够组数的训练样本。

相应KNN疲劳检测算法如下：

（1）创建长度为60的滑动窗口WA[60]、WM[60]，用于缓存60秒的脑电Attention和Meditation值；（2）以1Hz的频率采集被试的Attention和Mediation数据，并分别依次放入滑动窗口WA和WM中；（3）判断窗口WA和WM中是否填满，若没有，执行步骤（2），否则执行步骤（4）；（4）按照公式（1）计算当前Attention和Meditation的相关系数，并创建长度为60的滑动窗口WC[60]，用于缓存60秒的Attention和Meditation的相关系数值；（5）判断窗口WC[60]是否填满，若没有，执行步骤（4），否则执行步骤（6）；（6）执行KNN算法，识别当前Attention和Meditation的相关系数属于“正常驾驶”类型或“疲劳驾驶”类型；若属于“正常驾驶”类型，则执行步骤（2）；否则，为“疲劳驾驶”，响铃报警，并通过短信或呼叫等方式向监督人员报警。

3 系统实现及实验结果分析

因为Mindset耳机同时集成了蓝牙模块，因此可通过蓝牙以1Hz的频率发送采集到的Attention和Meditation数据。由于日益普及的移动手持智能设备（如手机、pad等）大都集成了蓝牙通讯模块，并具有较强的计算能力。因此课题组利用安卓手持智能设备集成的蓝牙模块接收来自Mindset耳机的Attention和Meditation数据，并设计开发了基于KNN的疲劳驾驶检测软件，实现了具有无线、小型化和实时特点的基于脑电的疲劳驾驶检测系统。

3.1 系统架构

如图1所示为基于MindSet和安卓手持智能设备的疲劳驾驶检测系统架构。其中，Mindset耳机将采集到的被试Attention和Meditation信号通过蓝牙传送到安卓手持智能设备上；手持智能设备计算接收Attention和Meditation脑电信号的相关系数，并采用KNN算法实时判断被试的驾驶状态。如果驾驶员处于疲劳状态，手持智能设备自动通过振铃向被试报警，提醒其注意休息。此外，系统也可通過呼叫或发送短信的方式向监控人员或交通中心报警。

3.2 实验结果分析

课题组选取了年龄在18至43岁间的18名被试于中午12点（午饭后）在模拟驾驶舱中进行驾驶实验。被试均具有1年以上驾龄，其中男被试12名，女被试6名。每次试验持续半小时左右。试验中，副驾驶室的观测人员实时记录被试人员状态（正常驾驶、疲劳），填写驾驶状态表，试验结束被试人员对驾驶状态表进行确认。试验累计获得正常驾驶数据345组，疲劳驾驶数据142组，如表1所示，正常驾驶345组数据中，正确识别312组，另有33组被系统错误识别为疲劳驾驶；疲劳驾驶142组数据中，正确识别97组，另有33组被系统错误识别为正常驾驶。

为评估疲劳驾驶检测的识别效果，课题组采用了以下两个评估指标[10]：

其中，TP（True Positives）为正确识别出正样本的数量，即将疲劳驾驶正确识别出的样本数量；FN（False Negatives）为未识别出正样本的数量，即将疲劳驾驶识别为正常驾驶的样本数量；TN（True Negatives）为正确识别出负样本数量，即将正常驾驶识别为正常驾驶的样本数量；FP（False Positives）为未识别出负样本的数量，即将正常驾驶识别为疲劳驾驶的样本数量。依据公式（3）和公式（4），计算疲劳驾驶检测系统的敏感性和特异性指标如下：

男性被试的Sensitivity、Specificity分别为70.73%和87.61%；女性被试的Sensitivity、Specificity分别为65%和95.28%。男性被试的Sensitivity较高；而女性被试的Specificity较高。

实验中手持智能设备完成1分钟的滑动窗口数据采样后，从接收到Attention和Meditation数据到给出KNN分类结果的响应延时小于0.1ms，系统具有良好的实时性。同时，课题组在操作系统为安卓2.2的Moto 525手机上也成功测试运行了软件，表明系统面向安卓智能设备具有良好的通用性。

4 结 论

本文针对基于脑电的疲劳驾驶检测需要解决的使系统小巧、实时等技术难题，提出了基于驾驶员左前额脑电的Attention和Meditation相关系数进行疲劳驾驶检测的方法，设计了基于Attention和Meditation相关系数和KNN算法的疲劳驾驶检测算法，在Android智能手持设备上设计实现了系统，并通过试验证明系统具有小巧、实时和实用性高的特征。本文所得结论叙述如下：

（1）采用左前额脑电Attention和Meditation相关系数进行的疲劳驾驶检测技术可行；（2）本文开发的前额叶脑电相关系数和KNN的疲劳检测系统的Sensitivity、Specificity分别达到68.31%和90.43%，同时具有无线、小巧和实时的特点；（3）本文开发的前额叶脑电相关系数和KNN的疲劳检测系统具有良好的实时性，从接收Attention和Meditation数据到给出KNN分类结果的响应延时小于0.1ms。同时，本系统面向安卓智能设备具有良好的可移植性。

参考文献：

[1] 毛喆，初秀民，严新平，等.汽车驾驶员驾驶疲劳监测技术研究进展 [J].中国安全科学学报，2005，15（3）：108-112.

[2] 吴雅萱，李文书，施国生，等.疲劳驾驶检测技术研究综述 [J].工业控制计算机，2011，24（8）：44-46+49.

[3] 叶柠，孙宇舸.基于EEG小波包子带能量比的疲劳驾驶检测方法 [J].东北大学学报（自然科学版），2012，33（8）：1088-1092.

[4] Qiang Ji，Xiaojie Yang. Real-time eye，gaze，and face pose tracking for monitoring driver vigilance [J]. Real-Time Imaging，2002（8）：357-377.

[5] 焦昆，李增勇，等.驾驶精神疲劳的心率变异性和血压变异性综合效应分析 [J].生物医学工程学杂志，2005（2）：343-346.

[6] 石坚，吴远鹏，卓斌，等.汽车驾驶员主动安全性因素的辨识与分析 [J].上海交通大学学报，2000（4）：441-444.

[7] 吕俊，谢胜利，章晋龙.脑-机接口中基于ERS/ERD的自适应空间滤波算法 [J]. 电子与信息学报，2009，31（2）：314-318.

[8] Huang Kuan-Chih，Jung Tzyy-Ping，Chuang Chun-Hsiang，et al. Preventing lapse in performance using a drowsiness monitoring and management system. [J]. Conference proceedings：Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference，2012：3336-9.

[9] 程如中，赵勇，戴勇，等.基于Adaboost方法的车载嵌入式疲勞驾驶预警系统 [J].北京大学学报（自然科学版），2012，48（5）：719-726.

[10] Maarit Kangas，Irene Vikman，Jimmie Wiklander，et al. Sensitivity and specificity of fall detection in people aged 40 years and over [J]. Gait & Posture，2009，29（4）：571-574.

作者简介：于旭蕾（1983.11-），女，汉族，辽宁大连人，教师，讲师，硕士。研究方向：物联网；李相泽（1981.05-），男，汉族，吉林白城人，讲师，博士研究生。研究方向：机器学习。