基于可穿戴传感器的驾驶疲劳肌心电信号分析*

付荣荣，王 宏，张 扬，王福旺

(东北大学机械工程与自动化学院，沈阳 110189)

前言

驾驶员的驾驶疲劳是导致交通事故多发的主要原因之一［1］，因此须要找到能够表征驾驶员驾驶疲劳的特征参数，并据此检测出驾驶员的疲劳状态，从而减少驾驶疲劳导致交通事故的发生率。如今驾驶员驾驶疲劳的检测已经成为国内外的研究热点，所做的研究主要从主观和客观两个角度出发［2］，主观检测主要是对被试者进行问卷调查［3］，通过调查结果对驾驶员的疲劳程度进行估计;客观检测主要集中在以下3个方面:(1)通过驾驶员的生理信号来检测驾驶疲劳，常见的如脑电信号、心电信号和肌电信号等;(2)通过对驾驶员的行为进行疲劳检测，如驾驶员手握转向盘的位置，眨眼频率和头部位置等;(3)通过检测车辆在行驶中的状态，如偏离正常行驶线的位置等。尽管关于疲劳驾驶的研究很多，但都有不同程度的缺点，如主观检测法虽然简单易行，但会受到驾驶员个人意志的影响，从而导致检测结果不准确［4］;大多基于生理信号检测疲劳的方法都针对某一单一生理信号进行分析处理，而由于生理信号所具有的随机性导致在诸多此类文献中给出了很多不一致的研究结果，而且测量生理信号的电极不可避免地会影响到驾驶员的正常操作。

本文中利用东北大学研制的可穿戴式传感器有效地接收股二头肌位置的生理信号的同时实现了非接触性测量，达到了应用方便且不影响驾驶员正常驾驶的效果。由于采集到的生理信号是心电信号与肌电信号的混合信号，利用快速独立成分分析与经验模态分解算法实现了心电信号与肌电信号的有效分离，对心电信号与肌电信号的时域和频域的各项指标进行研究，意在寻找能不受随机情况影响并能客观表征驾驶员疲劳的特征参数，从各个特征参数中选取随时间变化具有相应的一致变化的特征参数。统计分析结果发现，肌电信号与心电信号的相关峰值和肌电信号的峰值因数在正常驾驶状态与疲劳驾驶状态中具有显著差别，符合表征疲劳特征参数的条件，故选取这两个指标作为判别疲劳的组合特征。利用一些表征疲劳和正常状态的数据作为驾驶员状态判别的训练集，采用马氏距离作为判别疲劳的准则，对测试集中的待判样本进行判别，最后通过十折交叉验证的方法得到了判别的平均正确率。判别结果表明，该方法在对正常状态与疲劳状态的区分上有良好的识别效果，能实现生理信号的非接触采集，为驾驶员的疲劳检测提供了一种简单有效的新方法。

1 疲劳驾驶实验

1.1 疲劳驾驶实验方案

选取8名(5男3女，年龄:24.75±2.76岁)身体健康没有睡眠相关疾病，并且驾龄都小于2年的被试者参与本实验。实验要求被试者在进行驾驶实验的前24h之内禁止饮酒、喝茶和咖啡。实验时间定在下午1:00-3:00左右，连续驾驶时间为2h。所有实验在东北大学生物机电实验室进行，被试者在实验前了解实验流程并同意进行实验。

本文中疲劳驾驶实验平台由模拟驾驶系统和数据采集系统构成。为加速被试者的疲劳，采用单调的高速公路作为实验的路面场景，车辆为自动挡小轿车，天气状况选择晴天。因为高速公路以直道为主，并且驾驶自动挡小汽车，其他车辆较少且没有行人，路边景观单调，干扰少，被试者极易进入疲劳状态［5］。将可穿戴式传感器的传导电极植入汽车坐垫内，驾驶员坐在坐垫上就可采集到股二头肌所在位置的生理信号，实现了非接触式测量。采样频率为1 000Hz，陷波频率为 50Hz。

1.2 数据处理方法

实验中采集到的信号s(t)为几种不同成分信号的叠加［6］:

式中:EMG(t)代表肌电信号成分，ECG(t)为心电成分，N(t)为由呼吸和身体移动等引起基线噪声。因此须要选取一定的信号处理方法实现心电信号与肌电信号的盲分离，并去除基线噪声。由于快速独立成分分析(FastICA)在应用中具有速度快、易实现等优点［7］，本文中使用快速独立成分分析对信号进行预处理，实现肌电信号与心电信号的粗略分离，并在此基础上利用经验模态分解算法去除肌电、心电信号之间少量的混叠现象和基线噪声，从而实现肌电信号与心电信号的完全分离。

为进一步明确说明本文中的数据处理过程，下面以长度为4s的静态原始测量信号为例，如图1所示。先利用FastICA对其进行预处理，分离信号如图2所示。

由图2可见，经FastICA处理后，仍有少量伪迹未能完全去除，且含有基线噪声。因此，接着分别对图2(a)和图2(b)进行经验模态分解，得到各个固有模态分量(IMF)，将各个IMF投影到频域中得到各个固有模态分量的频谱。依据肌电信号和心电信号各自的频率范围进行信号重构，重构时要舍弃最后几个低频的固有模态分量，以去除信号的趋势，即去除频率较低的基线噪声，于是得到处理后的肌电信号和心电信号。选取Savitzky-Golay滤波器对心电信号进行平滑处理，该滤波器用一元p阶多项式以长度为n的滑动窗口对数据点进行拟合，其中n取35，p取3，此3阶多项式的系数由最小二乘法准则使拟合误差最小来确定，从而实现平滑处理。至此成功实现了肌电信号和心电信号的分离，处理结果如图3所示。

2 表征疲劳的特征选取

对8名被试者的2h驾车实验过程进行等距提取，每隔10min提取长度为30s的数据进行分析。在被试者驾车之后，要求被试者静坐5min，休息10min后再记录5min的静坐数据，同样地，从疲劳静坐5min和休息后静坐5min的数据中各自提取长度为30s的数据，与之前从驾车过程中提取的数据进行同样处理。

肌电信号和心电信号的各种特征指标随着驾驶时间的增加或者说被试者疲劳感和困倦感的增加都存在着一定的改变，虽然由于个体差异，这8名被试者的这种改变并不一致，但是在这些表征疲劳的指标中，肌电信号的峰值因数和肌电信号与心电信号的互相关峰值所描绘出的曲线得到了基本一致的结论，利用统计分析 SPSS软件进行 Kolmogorov-Smirnov Z检验，得到这两个特征参数在正常驾驶与疲劳驾驶两种状态中P＜0.001，说明正常驾驶与疲劳驾驶差异性显著。

肌电信号峰值因数可表示为

式中:Apeak为肌电信号的峰值，xrms为肌电信号的均方根值。

文中以2 000点(2s)为步长，以4 000点(4s)为窗口长度，进行重叠率为50%的滑动计算，每次计算得到一个峰值因数，图4为由各个峰值因数值绘制的肌电信号峰值因数图。

以同样的方法截取对应处心电信号和肌电信号做互相关曲线，图5给出计算示意图。

在计算互相关曲线时应注意保持相位一致，但处理后肌电信号频率较高并在时域里上下幅值基本对称，因此难以得到相位信息，而图2中所包含的心电信号成分可以作为辨别肌电信号相位的依据。

鉴于肌电信号的峰值因数和肌电信号与心电信号的互相关峰值两者存在数量级的差别，分别对它们进行归一化。归一化后的肌电信号的峰值因数和肌电信号与心电信号的互相关峰值分别如图7和图8所示。

对图7和图8做进一步的处理，将其减缩为14个时间段的数据，如图9所示。由图可更明显看出，两个特征参数Fc和c_max的时间历程有很相似的变化趋势，即在2h驾车的过程中大体呈现出向上的趋势，当驾驶员结束驾车后进入疲劳静坐状态和休息后静坐状态的过程中，在曲线的末尾处呈现出下降趋势，故肌电信号峰值因数、肌电与心电信号相关峰值这两个参数可以表征疲劳状态。利用SPSS统计分析软件得到的Kolmogorov-Smirnov Z检验结果表明，文中所选的特征参数在表征正常驾驶与疲劳驾驶时差异显著。但是仅利用其中某一个特征参数作为疲劳与否的判据又具有偶然性，因此为减小生理信号随机性对于判断结果准确性的影响，选取这两个特征指标作为组合特征，以提高判断的准确性。

3 判别分析

3.1 判别原理

本文中采用马氏距离作为判别分析的判别准则［9］。

对于两个数学期望分别为μ1和μ2的不同总体G1和G2，协方差分别为Σ1和Σ2，假设是一个待判样品，至总体G的马氏距离为

分别计算x至总体 G1和 G2的马氏距离 d(x，G1)和 d(x，G2)，哪个距离小，就认为 x属于哪个总体。

3.2 判别实例

随着驾驶时间的增加，驾驶员的疲劳程度大致呈上升趋势，因此认为在驾驶初期的约40min为正常状态，相对而言，在驾驶结束前约30min与驾驶后5min驾驶员处于疲劳状态。从被试者一次实验的特征参数中选取正常数据段(前65组)和有明显疲劳感出现的数据段(第121～185组)作为训练集数据，利用训练集数据建立判别函数，并以该名被试者的再次驾车的数据作为测试集数据(30组)。考察两种状态，第1组数据为驾驶员的正常状态，用G1表示;第2组数据为驾驶员的疲劳状态，用G2表示。考察驾驶员两个特征参数:c_max代表驾驶员肌电、心电信号的相关峰值;Fc为驾驶员肌电信号的峰值因数。数据由训练集中数据按上述的判别方法得到判别函数为

3.3 判别准则的评价

当利用各个总体的训练集数据计算出判别函数后，可通过对测试集中的数据进行判别，得到判别结果的混淆矩阵为。

4 分析与讨论

对图7和图8中视为正常状态的前65组数据和视为疲劳状态的后65组数据进行处理，得到对应于正常和疲劳的归一化的特征参数均值，如图10所示。由图可见，文中选用的两个特征参数在疲劳与正常状态下幅值上均具有明显差别。

通过上面的分析与讨论，可进一步验证本文中提出的特征参数在表征正常与疲劳状态上的有效性。

5 结论

利用东北大学研制的可穿戴式传感器对8名被试者进行2h的驾驶模拟实验，采集股二头肌部位的生理电信号，并对其进行分离和进一步的去噪，得到肌电和心电信号，并找到能不受随机情况影响且能客观表征驾驶员疲劳程度的特性参数，利用统计分析软件SPSS进行Kolmogorov-Smirnov Z检验，最终选取肌电信号的峰值因数和肌心电信号互相关峰值作为组合特征，并采用马氏距离作为判别疲劳的准则。判别结果表明，该方法在对正常状态与疲劳状态的区分上取得了良好的识别效果。该方法能实现非接触测量，不影响驾驶员的正常驾驶，为驾驶员的疲劳检测提供了一种简单有效的新方法。

［1］ Riccardo Rossi，Massimiliano Gastaldi，et al.Analysis of Driver Task-related Fatigue Using Driving Simulator Experiments［J］.Procedia Social and Behavioral Sciences，2011，20:666-675.

［2］ Gregoire S Larue，Andry Rakotonirainy，et al.Driving Performance Impairments Due to Hypovigilance on Monotonous Roads［J］.Accident Analysis and Prevention，2011，43:2037-2046.

［3］ Michel Grabisch，Jacques Duchene，et al.Subjective Evaluation of Discomfort in Sitting Positions［J］.Fuzzy Optimization and Decision Making，2002，1:287-312.

［4］ Carolyn H Declerck，Christophe Boone，et al.On Feeling in Control:A Biological Theory for Individual Differences in Control Perception［J］.Brain and Cognition，2006，62(2):143-176.

［5］ Eike A Schmidt，Michael Schrauf，et al.Driver's Misjudgment of Vigilance State During Prolonged Monotonous Daytime Driving［J］.Accident Analysis and Prevention，2009，41:1087-1093.

［6］ Jacques Duchene，Thibault Lamotte.Surface Electromyography A-nalysis in Long-term Recordings:Application to Head Rest Comfort in Cars［J］.Ergonomics，2001，44(3):313-327.

［7］ James C J，Lowe D.Single Channel Analysis of Electromagnetic Brain Signals Through ICA in a Dynamical Systems Framework［C］.Proc.of the 23rd Annual EMBS Conference，2001:1974-1977.

［8］ 胡广书.数字信号处理-理论算法与实现［M］.北京:清华大学出版社，2003.

［9］ 王岩，隋思涟，等.数理统计与MATLAB工程数据分析［M］.北京:清华大学出版社，2006.