基于BP神经网络的驾驶精神疲劳识别方法

郭孜政，谭永刚，马国忠，潘毅润，陈崇双

基于BP神经网络的驾驶精神疲劳识别方法

郭孜政1，2，谭永刚1，马国忠1，潘毅润1，陈崇双1

（1.西南交通大学交通运输与物流学院，610031成都；2.中国科学院心理研究所，100101北京）

为了对驾驶精神疲劳予以有效识别，基于行为绩效结合心电信号指标构建了一种驾驶精神疲劳识别方法.以驾驶行为绩效为客观测评指标，给出了驾驶精神疲劳状态的分级划分方法.在此基础上，以心率变异性的6项指标作为疲劳识别特征因子，采用BP神经网络模型，建立了驾驶精神疲劳状态分类器.最后结合实例，依据驾驶行为绩效，将疲劳状态划分为2级，采用10名驾驶员连续4 h的驾驶行为绩效（反应时）、心电数据，对模型、方法予以测算.结果表明，10名驾驶员平均正确识别率在71%～80%之间，且其平均正确识别率为73%.BP神经网络模型与心率变异性指标相结合可有效的识别疲劳.

驾驶行为；精神疲劳；识别方法；心率变异性；BP神经网络

1 基于行为绩效的驾驶精神疲劳状态等级划分

精神疲劳（mental fatigue）将造成驾驶员的注意分配、注意转移、反应速度、短时记忆等基本认知功能的损伤［8-9］，从而造成驾驶能力的下降，影响行为绩效.故在统计意义上，单位时间内的驾驶行为绩效可反映驾驶精神疲劳水平.

1.1精神疲劳的分级及阈值确定

对特定等级的疲劳状态水平而言，驾驶员的基本认知能力相对稳定，因此当外界环境及驾驶任务难度水平一定的情况时，驾驶行为绩效值随机，且服从正态分布.不同疲劳状态所对应的驾驶行为绩效均值中心不同.

因此本算法的核心思想为，对驾驶行为绩效值予以升序排列，按特定步长从小至大逐步探测，找出一级疲劳状态所对应驾驶行为绩效的均值中心，然后以该均值加3倍标准差作为第1级与第2级疲劳状态的行为绩效分级阈值（统计学理论保证了该范围可覆盖大于95%的一级疲劳状态所对应的行为绩效数据）.从整体驾驶行为绩效数据集合中去除小于上述分级阈值的行为绩效数据，然后在剩余数据集合中，采用上述方法继续搜索第2、3级疲劳状态分级阈值.依次类推，直至得到所有分级阈值，具体计算步骤与过程如下.

对于原始驾驶行为绩效序列集合Β＝｛b1，b2，…，bn｝，去除3个标准差外的异常数据值后，按升序排列得到行为绩效序列集合X＝｛x1，x2，…，xn｝，然后按如下步骤确定驾驶精神疲劳分级阈值.

步骤1 以s（s为整数）为步长，统计X中落入［x1，xs）内的样本点个数n1，并计算其密度值den，步长s的计算方法如下.

7.统一度量衡，使赋税的征收更为准确和公平。统一度量衡中最为重要就是统一量具。量具既是确定交易商品计算单位的工具，也是官府对农户征纳实物赋税的工具。在统一度量衡之前，不同的地域使用的量具标准不一致，导致农民实际交纳的粮食数量存在差异。商鞅统一度量衡后，各地均按朝廷的标准制作量具，标准统一，向农民征收粮食更为公平，征收的数量更为准确。

步骤2 继续增加1个步长s，同理统计X中落入［x1，x2s］内的样本点个数n2，并计算其密度值

步骤3 循环步骤2，依次得到行为绩效样本点分布密度值序列den s1、den s2、den s3…，直至出现den si＜den si-1停止循环，得到第1级疲劳与第2级疲劳间的行为分级阈值α1，其计算公式为

步骤4 从行为绩效序列集合X中，去除落入［x1，α1）的所有数据元素.然后重新按升序排列，并按顺序更新行为绩效序列集中元素下标，对于该序列集合不妨仍记为X.重复步骤1至步骤3，直至覆盖所有行为绩效样本数据，从而得到基于行为绩效的驾驶精神疲劳水平划分阈值序列（α1，α2，…，αm-1），其中m为疲劳等级数.

1.2疲劳状态的划分

在确定了基于行为绩效的驾驶精神疲劳水平划分阈值序列（α1，α2，…，αm-1）的基础上，可对原始行为绩效序列集合Β＝｛b1，b2，…，bn｝，按步长（取整数）逐段进行疲劳等级确定.对截取到的第i个子序列Bi＝｛b（i-1）·λ＋1，b（i-1）·λ＋2，…，biλ｝，按1，2，…，m逐级计算该段行为子序列对各级疲劳的隶属度为

其中：nk为Βi中满足αk-1≤bj＜αk（对于第1级为bj＜α1，对于第m级则为αm-1≤bj）的元素个数.最终该子序列的疲劳等级划分为

2 驾驶精神疲劳识别模型的建立

2.1精神疲劳状态识别因子的确定

心率变异性（heart rate variability，HRV）是指连续心跳间期的微小涨落，已有研究表明HRV可反映人体的精神疲劳状态［10-11］，用于疲劳识别的心率变异性指标主要包括以下6项.

对于一段心电信号，VLF为极低频频段0.003 3～0.04 Hz功率，LF为低频段0.04～0.15 Hz功率、HF为高频段0.15～0.4 Hz功率，Ri为该段心电信号中第i个RR间期.上述6项指标构成驾驶精神疲劳识别向量.

2.2驾驶精神疲劳状态分类器设计

以驾驶精神疲劳识别向量为输入层，精神疲劳等级为输出层，建立包含一个隐含层的3层神经网络模型.其中输入层神经元个数由驾驶精神疲劳识别向量的元素个数P确定，并且与各元素相对应.输出层神经元个数由疲劳等级数m确定，对于第k级疲劳，其标准输出为m个神经元中仅有第k个输出为1，其余均为0.同时中间隐含层神经元个数为向下取整运算.

设该模型中输入层到隐含层、隐含层到输入层的连接权系数分别为k＝1，2，…，K；r＝1，2，…，m）.则第i级疲劳的第l（l＝1，2，…，ni）个训练样本（cl1，cl2，…，clp）的隐含层、输出层的节点输出hlk、ylr分别为［12］

式中：f为Sigmoid函数f（x）＝（1＋e-x）-1.对于第i级疲劳所有样本输出总误差定义为

其中：eir为第i级疲劳的标准输出.采用误差反向传播（BP）调整权系数训练神经网络，从而使总误差逐渐减小，完成网络模型训练.

对于一个未知的驾驶精神疲劳识别向量样本，将其作为模型输入代入训练好的BP神经网络，计算其输出向量（y1，y2，…，ym）.按照式（13）分别计算其与各级疲劳标准输出间的误差Ej（i＝1，2，…，m），可得该测试样本的疲劳等级

3 实 例

步骤1 实验环境设定.选取10名男性驾驶员在西南交通大学自主研发的大型驾驶模拟器上进行连续性驾驶精神疲劳测试实验，该模拟器的行为数据采样频率为30 Hz.测试场景为一市郊单向直线道路，道路上仅有驾驶员驾驶的车辆，要求驾驶员尽量保持车辆速度为60 km／h，并沿直线匀速行驶，其场景如图1所示.

驾驶过程中，每间隔一段时间会有障碍物在车辆前方100 m的位置，要求驾驶员看到障碍物后，立刻踩踏刹车（踩踏刹车后障碍物消失）.系统自动记录障碍物出现至驾驶员踩踏刹车的时间差（即驾驶员的反应时间），当驾驶员反应时间≥950 ms时，认为驾驶员本次反应失效，系统自动记录本次驾驶员反应时间为950 ms.整个连续驾驶过程为4 h，其间障碍物共随机出现243次，同时采用Biopac公司的BioHarness无线心电绑带采集系统（采样频率为1 000 Hz），同步记录驾驶员的心电数据.

图1 测试场景示意

步骤2 驾驶行为绩效度量.采用驾驶员反应时作为驾驶行为绩效指标，采用1.1中算法，对一名驾驶员反应时数据进行处理，得到划分阈值为603 ms，依据数据自身分布特征（见图2），通过计算自动将驾驶精神疲劳等级划分为2级.

图2 1号驾驶员的反应时间分布频率

其中1号驾驶员的行为绩效（反应时）分布及疲劳分级结果如图3所示.

图3 1号驾驶员的驾驶精神疲劳状态分级

步骤3 RR间期提取.依据驾驶员的疲劳状态分级结果的对应时段，对心电数据进行划分，得到1级、2级疲劳状态下的心电数据样本段.对分级后的心电数据，采用Matlab编程提取其RR间期.其中1号驾驶员2级疲劳状态下的一组心电信号RR间期分布如图4.

图4 1号驾驶员的RR间期值提取

在此基础上，按照式（5）～（10）分别计算6项指标，构成驾驶精神疲劳识别向量，其中1号驾驶员共得到1类驾驶精神疲劳识别向量416个，2类驾驶精神疲劳识别向量526个.其中1号驾驶员的部分精神疲劳识别向量计算结果，如表1所示.

表1 1号驾驶员的精神疲劳识别向量（部分）

步骤4 驾驶精神疲劳状态识别.对半拆分样本数据，一半作为训练样本，其余作为测试样本.基于第2节中所给算法，采取Matlab编程，对神经网络模型予以训练与测试.以正确识别率作为模型效度的测评指标，正确识别率计算公式为

式中：Pk为模型对第k级疲劳的正确识别率；nk为第k级疲劳测试样本中，被正确识别的样本个数；Nk为第k级疲劳测试样本总个数.经计算1号驾驶员1级疲劳正确识别率为74%，2级疲劳状态正确识别率为78%.基于上述步骤对其余9名驾驶员的行为、心电数据予以分析，10名驾驶员的分级疲劳识别结果如表2所示.

表2 10名驾驶员的疲劳状态识别结果%

由表2可以看出，10名驾驶员平均正确识别率介于71%～80%之间，且其平均正确识别率为73%，因此总体而言，本文所提方法与模型具有较高精度与可实现性.

4 结 论

1）以驾驶行为绩效为疲劳状态的划分依据，构建了一种驾驶精神疲劳状态识别方法，针对驾驶过程中疲劳状态的波动性变化，提出了一种基于行为绩效的驾驶精神疲劳状态分级方法，该方法可实现疲劳分级阈值的自动搜索，提升了疲劳识别中疲劳划分的客观性.

2）基于心电数据的6项心率变异性指标，结合BP神经网络模型构建了一种驾驶精神疲劳识别模型与方法，并且通过实际数据测试，证明了该方法的实用性.

3）提出的疲劳等级划分方法仅依赖于驾驶员的行为绩效数据，无任何主观因素影响，进一步提升了疲劳识别的客观性.克服了已有疲劳识别中疲劳等级划分所采用的时间分段法、主观量表评定法，在疲劳等级划分中，人为参量因素的涉入，以及未能考虑到疲劳状态的波动性的缺点.

［1］KAR S，BHAGAT M，ROUTRAY A.EEG signal analysis for the assessmentand quantification of driver’s fatigue［J］.Transportation Research Part F：Traffic Psychology and Behaviour，2010，13（5）：297-306.

［2］LAL S K L，CRAIG A，BOORD P，et al.Development of an algorithm for an EEG⁃based driver fatigue countermeasure［J］.Journal of Safety Research，2003，34（3）：321-328.

［3］董占勋，孙守迁，吴群，等.心率变异性与驾驶疲劳相关性研究［J］.浙江大学学报：工学版，2010，44（1）：46-50.

［4］李增勇，焦昆，陈铭，等.汽车驾驶员驾驶过程中的心率变异性功率谱分析［J］.中国生物医学工程学报，2003（6）：574-576.

［5］李延军，严洪，杨向林，等.基于心率变异性的精神疲劳的研究［J］.中国生物医学工程学报，2010（1）：1-6.

［6］赵治月.基于心电脉搏信号的视觉疲劳状态识别方法研究［D］.兰州：兰州理工大学，2010.

［7］吴群.基于心电信号的驾驶疲劳检测方法研究［D］.杭州：浙江大学，2008.

［8］VAN DER LINDEN D，FRESE M，MEIJMAN T F.Mental fatigue and the control of cognitive processes：effects on perseveration and planning［J］.Acta Psychologica，2003，113（1）：45-65.

［9］BOKSEM M A S，MEIJMAN T F，LORIST M M.Effects of mental fatigue on attention：an ERP study［J］.Cognitive Brain Research，2005，25（1）：107-116.

［10］HARTLEY L R，ARNOLD P K，SMYTHE G，et al.Indicators of fatigue in truck drivers［J］.Journal of Safety Research，1995，26（4）：256.

［11］EGELUND N.Spectral analysis of heart rate variability as an indicator of driver fatigue［J］.Ergonomics，1982，25（7）：663-672.

［12］闻新.MATLAB神经网络应用设计［M］.北京：科学出版社，2000.

（编辑魏希柱）

Recognition method of driving mental fatigue based on BP neural network

GUO Zizheng1，2，TAN Yonggang1，MA Guozhong1，PAN Yirun1，CHEN Chongshuang1
（1.School of Transportation and Logistics，Southwest Jiaotong University，610031 Chengdu，China；2.Institute of Psychology Chinese Academy of Sciences，100101 Beijing，China）

To recognize driving mental fatigue efficiently，this study constructs a recognition method based on ECG.The method proposes hierarchy partition of state of driving mental fatigue by using driving behavior performance as objective evaluation indexes.Meanwhile，taking 6 indexes of HRV as fatigue recognition characterization factors and BP artificialneuralnetwork model，this paper establishes the recognition modelfor state of driving mental fatigue.Finally，according to examples，the mental fatigue is divided into two classifications.Collecting 4 hours continualdriving behavior performance and ECG data from 10 drivers to testthe model，the result shows that the average recognition accuracy rate is between 71%and 80%，and the average accuracy rate is 73%.The combination of BP neural network model and HRV indexes could recognize fatigue effectively.

driving behavior；mental fatigue；recognition method；HRV；BP neural network

U491

A

0367-6234（2014）08-0118-04

2013-06-07.

国家自然科学基金资助项目（51108390，51108040）.

郭孜政（1982—），男，副教授.

郭孜政，guozizheng＠psych.ac.cn.