疲劳驾驶的转向特征研究

刘志强，焦立峰

(江苏大学汽车与交通工程学院，江苏镇江 212013)

疲劳驾驶的转向特征研究

刘志强，焦立峰

(江苏大学汽车与交通工程学院，江苏镇江 212013)

为有效地实现疲劳提前预警，研究了心电信号(ECG)和转向特征随驾驶时间的变化规律。通过试验，分析了ECG信号的4个指标随时间的变化趋势，进行了显著性分析之后，运用主成分分析方法建立了综合的ECG评价指标来分辨驾驶员的疲劳状态。分析了驾驶员在不同驾驶状态，不同的道路线形下的转向行为，应用转向熵方法分析了转向数据，结果表明:相比清醒状态，疲劳状态下的转角熵升高了57.1%。

疲劳驾驶;转角特征;心电信号

道路交通事故对社会公众生命和财产已经构成了极大的威胁。法国国家警察总署交通事故报告表明，因疲劳瞌睡而发生交通事故的，占人身伤害事故的14.9%，占死亡事故的 20.6%［1］。2008 年我国共发生道路交通事故265 204起，造成73 484人死亡、304 919 人受伤，直接财产损失 10.1 亿元［2］，而疲劳驾驶是导致交通事故的重要原因之一。

国内外的诸多学者都对驾驶疲劳进行了深入研究并取得了很多研究成果，在这些研究成果中尤以检测驾驶员生理信号(EEG［3］和 ECG［4］)及驾驶员眼动信号(PERCLOS［5］)为代表。但是这2种方法都存在缺陷:测量生理信号，驾驶员需佩戴相应的检测设备，成本较高;检测驾驶员面部表情则在很大程度上受到周围环境的影响。

除上述2种研究方向外，Eskandarian A，等以方向盘转动情况为切入点，认为方向盘的微小运动与驾驶员警惕性的降低有关系，在警惕性高期间，小幅度的方向盘运动很频繁;在警惕性低期间，大幅度的方向盘运动则很常见［6］。李啸，等［7］分析了驾驶前期和后期方向盘转角特性的不同，得出驾驶员正常驾驶汽车直线行驶时方向盘转角范围。

可以发现，转向特征可以作为驾驶疲劳检测的依据，且有很大优势:不受环境等外部环境影响，数据处理算法简单，实用性高。缺点是疲劳检测准确率较低。准确率低的一个关键因素是判断驾驶疲劳的主观性强，误差较大，在此情况下得到的方向盘数据不能很好的表征出驾驶疲劳，因此，可以驾驶员的生理信号判断驾驶员的疲劳，进而分析驾驶员在疲劳下的转向特征。

笔者在驾驶模拟器上进行了试验，研究心电信号(Electrocardiogram，ECG)随驾驶时间的变化规律，确定驾驶疲劳评价综合指标，减小数据波动性，提高疲劳评价的准确性。之后，分析在驾驶过程中得到的转向盘数据，从而为以转向特征检测驾驶疲劳的检测率的提高提供参考。

1 试验方法

使用三菱公司的DS-6000C型驾驶模拟器进行模拟试验，心电信号检测仪采用北京保迈科技的KF2型动态多参生理检测仪，试验设备如图1。

图1 试验设备(DS－6000C型驾驶模拟器)Fig.1 Testing equipment(DS －6000C driving simulator)

选取10名驾驶员参加试验，以高速公路作为虚拟驾驶任务的场景，要求他们按照实际的道路规则并且按照模拟器指示的要求行驶。试验分为2个阶段:上午阶段为9:00—10:00，下午阶段为14:00—17:00。驾驶员在试验前要有充足的睡眠，在完成上午的驾驶任务后，可以进行其他活动，但是不得休息。

2 疲劳驾驶检测

分析疲劳状态下的方向盘转向特征，关键问题是找到合适的评价指标来判断驾驶疲劳。研究表明:心电信号的心率变异性(HRV)与电脑图中反映人体磕睡状况的θ波有很好的相关性，通过系统分析心电变异性的变化，可以很好地判断驾驶员的疲劳程度。杨渝书，等［8］通过研究发现心电时频域指标与驾驶疲劳明显相关。鉴于目前已经有便携式的心电信号测试仪器。因此，笔者采用驾驶员的心电信号为指标判断驾驶疲劳。

2.1 驾驶员ECG分析

处理心电信号原始数据的间隔时间为5 min，对ECG信号的4项心电指标进行了分析:心率(HR)均值、相邻2个RR间期差值的均方根(RMSSD)均值、标化的低频成分(LFNU)均值和量化交感神经和迷走神经张力平衡状态的指标(LF/HF)均值。根据试验，选取9:30—10:00之间的时间段和15:00—16:30时间段，共计2 h 24个时间间隔的ECG数据为分析对象。从图2可以看出，随着驾驶时间的增加，ECG的指标HR，LFNU和LF/HF有上升的趋势，而RMSSD有下降的趋势，这反映了交感神经的活动在增强。

图2 驾驶员的ECG指标变化趋势Fig.2 Drivers＇ECG trends

对ECG指标进行显著性分析的结果表明(表1)，RMSSD、LFNU和LF/HF指标随着驾驶驾驶时间的延长，出现了显著变化。

通过分析可以发现，尽管ECG指标在驾驶过程中呈现一定的变化趋势，但波动性较大，因此，寻求综合评价指标代替各生理指标，排除干扰因素，减小数据的波动性，以提高对驾驶疲劳评价的准确性。

表1 驾驶员ECG信号的显著性检验Tab.1 Test of significance of ECG signals in driving

2.2 驾驶员ECG综合指标

由于RMSSD、LFNU和LF/HF指标随驾驶时间的延长发生了显著变化，基于这3个指标采用主成分分析方法(Principal Component Analysis)建立综合评价指标。

主成分分析方法利用信号的二阶统计量，得到的是输入和输出的线性映射关系，主成分被认为是输入数据中能量最大的成分，通常认为是重要的成分。主成分子空间提供了从高维数据向低维数据在均方误差意义下的数据压缩，它能最大程度地减少方差。它的算法是:

1)求取m维数据x的协方差矩阵Rxx。

2)求出 Rxx的全部特征值 λ1，λ2，…，λm和对应的特征向量v1，v2，…，vm，并将各特征值按从大到小的顺序排列，即 λ1≥λ2≥…≥λm。

这时选取m 个特征信号 y1，y2，…，ym，使它们满足:

通过主成分分析方法分析这段时间内的24个样本数据，第1主成分的累积贡献率已经达到了86.89%，因此，取第1主成分作为特征提取的目的指标。综合指标:

将标准化后的LFNU、LF/HF和RMSSD的值代入式(2)中，得到图3所示的驾驶员的生理综合指标曲线。

图3 驾驶员的ECG综合指标Fig.3 ECG composite index

从图3可以看出，初始的ECG综合指标值变换较平稳，从第16个时间段开始，ECG综合指标的值显著变大，波动性也变大。t检验表明，这两段时间的ECG综合指标有显著差异。

3 驾驶员转向特征分析

转向盘传感器每20 ms记录转向角度，得到的初始转角数据经过滤波，数字化等处理后，存入计算机中，数据文件以Excel读取。

由于在曲线路段会给转向盘数据带来影响，所以在分析数据之前，必须先除去这种道路线形带来的影响。采用这种方法来消除影响:如果在4 s内数据点有相同的迹象(连续左转或是连续右转)并且它们的和大于或者等于20°，那么所有这些点就被认为含有弯道的信息。用这些点分别减去它们的均值就是保持车道需要的转向角度。图4表示了曲线道路上的转角在处理前后的转角变化曲线。

图4 虚线为消除道路影响后的转向盘数据线Fig.4 Dotted line as the steering curve after eliminating the effect of road

通过分析驾驶员的ECG信号，在区分出驾驶员的驾驶状态后，可得到驾驶员分别处于清醒状态和疲劳状态下的转向盘转角。

图5 60 s内清醒和疲劳状态下的转向角度样本Fig.5 Samples of steering date in alert state and fatigue state in 60 s

从图5可以看出，在清醒状态，转向盘转角的变化幅度较小;在疲劳状态，方向盘转角的变化幅度较大。并且在不同的道路线形下转角的变化也具有差异:在相同的驾驶状态下，曲线路段的转角的变化幅度较大;当驾驶员疲劳时，在曲线路段上的转角变化最为混乱。可知，随着驾驶时间的推移，驾驶员出现了驾驶疲劳现象，转向盘转角特性出现了差异，反映出驾驶员长时间驾驶会产生疲劳的内在规律。

驾驶员在正常驾驶时，转向行为较平滑，而当驾驶员疲劳时，转向行为会变混乱。因为熵指的是体系的混乱程度，所以可以采用转向熵方法来定量分析驾驶员的转向行为。

以200 ms的转角数据均值作为分析对象，在给定的时间内用泰勒二阶展开式预测出下一个转角。

公式(3)是用前面的3个点算出的预测转角:

每隔200 ms计算出预测误差。设置一个α值，使获得预测误差的90%的数据落在-α与α之间。α值越小说明驾驶员的转向行为越平稳;α值越大说明驾驶员的转向行为越不规则。表2列出了初始的α结果。

表2 不同状态下的值Tab.2 Values of in different states

根据正常驾驶情况下的α值，把预测误差分布划分为9段。用式(6)计算转向熵值s(p):

式中:pi代表预测误差落入第i个区间的概率。

在对10名驾驶员的转向预测误差进行计算后得到的转向熵结果如表3。

表3 每名驾驶员在2种状态下的转向熵值S(p)Tab.3 Steering entropy S(p)in two states per driver

可以看出，驾驶员在清醒时的转角熵均值为0.49，而疲劳时的转角熵均值为 0.77，上升了57.1%。这说明当发生驾驶疲劳时，驾驶员的转向特征发生了变化，而转向熵值会变大。

4 结论

在进行试验和数据分析工作后，得出以下结论:

1)驾驶员经过长时间的驾驶会产生疲劳，与疲劳相关的驾驶员的心电信号指标也会发生明显的变化RMSSD值会随着驾驶员的疲劳而变小，而LFNU和LF/HF的值会随着驾驶员的疲劳而变大。建立了ECG综合指标寻求两者之间的关系。

2)在直线路段和转弯路段下，转向盘转角的变化曲线是不同的。在直线路段转向盘转角只包含了车辆保持车道的信息，而转弯路段的转向盘转角还包含了道路曲率信息，因此，不能直接采用转弯路段的转向角度作为分析对象。当发生驾驶疲劳时，曲线路段上的转角变化驾驶员疲劳时，在曲线路段的转向特征变化更为剧烈。

3)采用转向熵的方法对不同状态下的转向转角进行了定量分析，发现疲劳状态下的转向熵比清醒状态下的转向熵上升了57.1%，说明驾驶员在2种不同驾驶状态下的转向特征存在差异。

［1］马全亮，黄康.关于疲劳驾驶行为的研究和建模［J］.微计算机信息，2007，23(8):272-274.

MA Quan-liang，HUANG Kang.The research and modeling of drowsy driving behaviour［J］.Microcomputer Information，2007，23(8):272-274.

［2］关于2008年全国道路交通事故情况［EB/OL］.(2009-01-02)［2010-9-22］.http://www.mps.gov.cn/n16/n85753/n85870/1970695.html.

［3］Michail E，Kokonozi A，Chouvarda I.EEG and HRV markers of sleepiness and loss of control during car driving［C］//30th Annual International IEEE EMBS Conference.Canada:IEEE，2008:2566-2569.

［4］Rogado E，García J L，Barea R，et al.Driver fatigue detection system［C］//International Conference on Robotics and Biomimetics.Thailand:IEEE，2009:1105-1110.

［5］González-Ortega D，Díaz-Pernas F J，Antón-Rodríguez M，et al.Computer vision-based eyelid closure detection:a comparison of MLP and SVM classifiers［C］//2009 Ninth International Conference on Intelligent Systems Design and Applications，Spain:IEEE，2009:1301-1306.

［6］Eskandarian A，Sayed R，Delaigue P，et al.Advanced driver fatigue research［R］.Washington:U.S.Department of Transportation Federal Motor Carrier Safety Administration，2007:21-24.

［7］李啸，鲍际平，王猛猛，等.直线行驶过程中汽车方向转角的研究分析［J］.道路交通与安全，2008，8(5):43-46.

LI Xiao，BAO Ji-ping，WANG Meng-meng，et al.The research on automobile steering wheel angle in the cause of straight driving［J］.Road Traffic ＆ Safety，2008，8(5):43-46.

［8］杨渝书，姚振强，李增勇，等.心电图时频域指标在驾驶疲劳评价中的有效性研究［J］.机械设计与制造，2002，8(5):94-95.

YANG Yu-shu，YAO Zhen-qiang，LI Zeng-yong，et al.Investigation on correlation between ECG indexes and driving fatigue［J］.Machinery Design ＆ Manufacture，2002，8(5):94-95.

Research on the Steering Feature in Fatigue Driving State

LIU Zhi-qiang，JIAO Li-feng
(School of Auto＆ Traffic Engineering，Jiangsu University，Zhenjiang 212013，Jiangsu，China)

Traffic accidents because of fatigue driving are on the rise.In order to realize early warning effectively，the variation rule of electrocardiogram signals(ECG)and steering characteristics with the driving time was studied and feasible program was designed.The trends and significance of four indicators in the ECG signals over time were analysed，and a comprehensive evaluation indicator was established after principal component analysis to identify driver states.The steering features under different driving conditions and road alignments were researched.Steering features were analysed by steering entropy.Test results indicated that when the driver was in fatigue，the steering entropy increased by 57.1%，compared with the driver in waking state.

fatigue driving;steering feature;electrocardiogram

U491.31

A

1674-0696(2011)03-0432-04

2011-01-31;

2011-03-11

国家科技支撑计划课题项目(2007BAK35B02)

刘志强(1963-)，男，江苏靖江人，教授，博士生导师，主要从事道路交通运输系统安全方面的研究。E-mail:zhqliu@ujs.edu.cn。