罗旭 张岩 杨亮

（沈阳师范大学，沈阳 110034）

1 前言

驾驶疲劳是导致交通事故发生的重要因素。在我国，疲劳驾驶引起的事故约占总事故数量的20%[1]。全球每年发生的交通事故高达10 多亿次，且疲劳驾驶造成的事故死亡人数占所有交通事故死亡人数的70%左右[2]。因此，及时准确地识别驾驶疲劳并进行预警，对交通安全具有重要意义。

识别疲劳驾驶的方法主要有面部图像识别法、眼动识别法、肌电信号分析法和脑电信号分析法等[3]，其中脑电信号分析法被认为是识别疲劳驾驶状态的“金标准”[4]。文献[5]通过分析运动成像任务中的顶叶α 波和额叶θ 波，发现人感到疲劳时注意力水平下降，导致α 能量增加。文献[6]提出了一种基于模型的特征提取策略，将主成分分析网络（Principal Component Analysis Net，PCANet）实际应用于基于脑电图（Electro-EncephaloGram，EEG）的驾驶疲劳识别研究，获得了较高的识别精度和效率，并发现大脑的顶叶和枕叶与驾驶疲劳密切相关。文献[7]提出了基于前额脑电信号的多尺度小波系数作为特征指标的识别方法，理论上驾驶疲劳识别的平均正确率达91.8%。文献[8]基于疲劳驾驶者的脑电波和正常驾驶者的脑电波有明显区别的特点，设计了一套实时疲劳驾驶检测与自动报警系统。研究发现，在驾驶员疲劳驾驶过程中，脑电信号的功率谱比值表现出规律性变化[9-11]。文献[12]基于长短期记忆（Long Short-Term Memory，LSTM）网络与卷积神经网络（Convolutional Neural Networks，CNN），以单通道脑电信号中的部分特征识别受试者独立的嗜睡状态，平均识别准确率为72.97%。文献[13]在时空域深度卷积双向长短期记忆神经网络模型中，对非疲劳与疲劳2 种精神状态进行分类测试评估，分类精度均约为87%。……