基于TGAM模块的疲劳驾驶监测系统

杜冠宏，李庆之，董正心

基于TGAM模块的疲劳驾驶监测系统

杜冠宏1，李庆之2，董正心3

（1. 南京工程学院 自动化学院，江苏南京 211167；2. 南京工程学院 康尼学院，江苏南京 211167；3. 南京工程学院 自动化学院，江苏南京 211167）

近年来，随着生物学，医学，控制学等领域的发展，研究生物电信号逐渐成为一个前沿领域，本文正是基于此背景，提出基于神念公司研制的TGAM脑电采集模块对于疲劳驾驶监控的新型应用。本应用不仅能实时采集并分析脑电数据，还能对使用者不良的精神状态进行判别，并向行车电脑发出警报。本设备具有价格低廉，测量精确，抗干扰能力强，蓝牙连接携带方便等特点，可适用于日常生活有良好的应用前景。

自动化技术应用；脑电监测；可穿戴设备；TGAM

0　引言

美国汽车协会（AAA）交通安全基金会的一项调查表明：疲劳驾驶在美国的交通事故死亡事件中占据21%的比例，每年约6400人因此而丧生。但除了行车记录仪以外，至今市面上仍没有有效监测驾驶者疲劳程度的消费级手段，医用级于此相关的设备又大都需要繁琐的佩戴过程，且体积巨大，费用颇高，不适合日常生活使用。目前针对疲劳驾驶的检测方法主要分为主观检测和客观检测法。主观检测方法主要通过主观调查表、驾驶员自我记录表、斯坦福睡眠尺度表和皮尔逊疲劳量表等评定，该方法无法进行疲劳驾驶的实时检测，客观检测方法分为基于驾驶员外部行为的检测方法和基于生理信号的检测方法。外部行为检测法主要根据驾驶人的外部现（面部表情，眼睑闭合等）估计其疲劳程度，但其评分标准不易统一，受个人行为、光线、图像采集 角度等条件的影响，导致检测系统不能始终如一正确地报告驾驶员疲劳状态。基于生理信号的 检测方法通过测量脑电、心电、肌电、皮肤电阻等生理信号来判断驾驶员的疲劳状态；在众多生理信号中，由于脑电信号（EEG）直接反映驾驶员的 大脑活动，因此利用脑电信号判断驾驶疲劳被公认为是最准确、最客观的分析方法［1］。

本设备通过对脑电图中各频段的分析，找到脑部活动所诱发的大脑神经电规律的生理变化，极其准确对人的精神状态与情绪波动进行捕捉和判别，极大减少不良精神状态对于驾驶者与车内乘客的安全隐患。

1　系统概述

可穿戴计算是一种前瞻的计算模式，引领着新的发展潮 流，可穿戴设备在健康监护领域扮演着重要的角色。无线通信网络和微电子的发展，使得测量生命体征和运 动状态的设备更加便携，以至于可以在不影响人的日常活动 的前提下长时间佩戴。［2］本系统主要以无源干电极作为探针电极，大大简化佩戴与使用的过程，实现对驾驶者表皮脑电信号的采集。佩戴本系统后，被探针电极采集的脑电信号将经过神念公司研制的TGAM脑电采集模块，信号经过滤波、放大、模数转换后通关串口蓝牙送入MCU进行分析。MCU对上述经过处理的数字信号进行分析并做出判断。若判断驾驶者精神状况不佳，则会做出相应警告。

图1　系统总体框图Fig. 1 General block diagram of the system

2　硬件电路设计与设备选型

2.1MCU主控

智能穿戴类设备应用处理器主要选取低功耗 AP 以保证续 航时间，主流智能穿戴对处理器性能要求较低，够用即可［3］。本系统选取意法半导体公司研制的ARM Cortex-M内核单片机—STM32F103ZET6作为整个系统主控。工作主频72MHz；同时ZET6还搭载了一个BXCAN控制器，只需外接一个收发器便可与CAN网络中的其他节点通讯，提高本系统在汽车系统中的兼容性。ZET6时钟输入引脚接入8M无源晶振X1，晶振内部自带电容，可自行起振。MCU电源由USB口提供5V电压，在经过DC-DC芯片XC6206降压至3V3进行供电，并在3V3与5V电源间各接一个1UF滤波电容。Mcu boot0与boot1引脚经10K下拉电阻稳定接地，保证芯片以用户模式启动。JTAG调试口swdio引脚与swclk引脚分别接10K上下拉电阻接入MCU的SWD调试引脚PA13，PA14以保证SWD正常通讯［4］。

图2　MCU及其外围电路AFig. 2 MCU and its peripheral circuit A

图3　MCU及其外围电路BFig. 3 MCU and its peripheral circuit B

2.2CAN总线收发电路

CAN 总线作为最初就专门为车辆通讯设计的现场总线，在车间通讯和车联网领域有着不可 或缺的作用［5］。MCU携带的BXCAN通过引脚PB9，PB8与CAN收发芯片TJA1050串行通讯，TJA1050是控制器区域网络（CAN）协议控制器和物理总线之间的接口，是一种标准的高速CAN收发器。TJA1050可以为总线提供差动发送性能，为CAN控制器提供差动接收性能。总线间数据传输通过收发器间电平转换，由串口数据转化成CAN总线差分电平，CAN两根线间并联120R终端电阻，以使阻抗连续，消除反射。

图4　CAN总线收发电路Fig. 4 CAN bus transceiver circuit

2.3蓝牙4.0透传电路

本系统采用支持最新蓝牙4.0技术的SPP-A蓝牙模块，具有极低的运行和待机功耗可以使一粒纽扣电池连续工作数年之久。此外，低成本和跨厂商互操作性，3毫秒低延迟、100米以上超长距离、AES-128加密等诸多特色。同时还可向下兼容蓝牙2.0设备，具有良好的实用性。蓝牙使用的是免费的ISM频段，与工作在同一频段的802.11b和HomeRF等无线通信网络共存，相互之间的干扰在所难免，为避免干扰，蓝牙协议采用自适应跳帧的协议［6］。MCU串口USART1通过引脚PA9（TX）与PA10（RX）连接蓝牙串口模块SPP-A，以实现与TGAM模块的无线通讯。

图5　蓝牙透传电路Fig. 5 Bluetooth transmission circuit

2.4无源探针干电极

人的大脑中有不计其数的神经元负责传导信息，信息在神经元内以电流形式传导，传导过程中产生微小电场，由于神经元数量众多，神经元的放电现象可在头皮表面产生微弱电位。脑电信号便是通过电极记录下脑细胞群的自发性，节律性电活动。当人精神趋向于某一状态时，大量相似的微小电信号可被位于头皮表面的电压传感器（探针电极）捕捉到，但由于其有较高的时变敏感性，采集过程易受外界环境与人体自身干扰［7］。成年人的脑波信号强度范围在1uV～100uV之间。

在医用研究设备，如Biopac中，常常采用银-氯化银电极作为EEG电极（脑电采集点电极），通过在电极与皮肤间涂抹导电凝胶，减少极—肤间阻抗，使电极与皮肤间形成耦合通路，以类似方法的我们称为湿电极。但导电凝胶等电介质不便于清洗，使用过程也过于繁琐。

本系统使用基于电容耦合信号的原理的无源干电极作为脑电采集点电极，大大简化了使用过程，佩戴方便安全。同时系统还采用参考导联组合的电位参考点作为理论上的零电位点，以便描记到脑电活动原形即电位绝对值。参考导联的电位参考点一般选择在双侧耳垂［8］，因此REF电极（参考点电极）参考电位电极采用双面耳夹式设计，佩戴稳定。

2.5TGAM脑电采集模块

NeuroSky公司研制的TGAM脑电采集模块是一款消费级的单通道脑电采集与处理模块。正常状态下成人左前额的脑电活动较为明显，易于被电极采集。因此将EEG电极置于左前额处，将REF电极置于耳垂处，通过计算参考电势，EEG电极和REF电极差分采集脑电信号后送入模块。该模块集成神念公司TGAT芯片，能直接连接干电极，读取所采集的原始脑波信号，模块经运放、滤波、ADC处理转为数字信号，得到数字信号后，TGAT芯片内部分析出α、β、δ、γ、θ等8组独立脑波数据，并处理输出Neurosky获得专利的eSense专注度和放松度指数数据，最后由UART接口输出。此模块采样率为512Hz，频率范围3Hz-100Hz，输出512Hz的脑波原始波形数据、8组1Hz的独立的脑波数据及eSense指数数据。eSense算法具有动态自学习能力，它采用“慢速自适应”算法，可以针对不同使用者脑电波信号在正常范围内的波动趋势和个体差异进行动态补偿。由于采用了自适应技术，使得本设备能够适用于不同的人群和不同的周边环境，并且在这些不同的应用场景下都能够具有非常好的准确性和可靠性。

3　数据的检测及处理

3.1脑集中度测量

传统脑电图学认为，人类的脑电图是由各种频率和波形构成的，形态复杂多样。在严格意义上，脑电图不是正弦波，但仍可以看作是近似正弦波的生物电现象［9］，且通常以正弦波的频率与波形进行描述通过EEG电极，探测大脑不同部位以及不同波段的电位变化，并将其放大至可分析观测的水平，便可获得实时脑电数据。本设备使用神念公司开发的TGAT生物信号处理芯片，集成NeuroSky eSense算法，解读出“eSense参数”。其中“eSense专注度指数”表明了使用者精神“集中度”水平或“注意度”水平的强烈程度，该指数值的范围是0到100［10］。心烦意乱、精神恍惚、注意力不集中以及焦虑等精神状态都将降低专注度指数的数值。“eSense放松度指数” 表明了使用者精神“平静度”水平或者“放松度”水平。闭上眼睛通常是提高放松度值的有效方法。为了极化两种状态的特征波形，本文以阅读与闭目养神作为诱发事件，分别采集两种状态下的脑电实时波形，选择20岁左右成年男性作为测试样本，测试结果如图4图5所示。

图6　集中时EEG电极所采集的实时脑电波形Fig.6 Real time brain wave shape collected by EEG electrode in concentration time

图7　放松时EEG电极所采集的实时脑电波形Fig. 7 Real time brain wave shape collected by EEG electrode during relaxation

在两种不同精神状态下，脑波信号变化明显，可见该设备可准确判别样本精神状态的变化，为系统提供可靠的使用者状态判断依据。

3.2MCU数据处理及程序设计

MCU程序流程图如图8所示，系统整体程序由四部分组成：上下行通讯，数据采样分析，PID控制器，行车数据的传递。系统启动后将首先进行各外设初始化，完成后循环抓取串口缓冲区中的数据，当抓取数据特征位符合数据流特征位时，视蓝牙连接正常。本系统蓝牙采用115200bps 8N1模式，保证数据传输的实效性与准确性。

当蓝牙正常连接时，通过蓝牙串口，MCU收到由TGAM采集处理过的脑波数据流，其中小包数据为实时发送的原始脑波数据，大包数据为经过eSense算法分析处理过的eSense参数。系统将每秒抓取一次蓝牙回传的脑电数据，当信号强度高于80%时，视为使用者正常佩戴，系统自检通过。自检通过后，MCU将连续抓取10S内的所有脑电数据，以冒泡排序法舍弃最大值与最小值，在对剩余数据取平均值，得到较为准确的脑电数据并以此作为对使用者精神状态的判别依据。每次采样结果将被系统记录于系统内存空间中特定缓冲区内，以绘制使用者精神状态折线图，正常状态下成年人精神状态趋向波动平稳，系统将通过记录下的数据，计算波峰与波谷的均值，再在每次数据更新时比较新数据与前一次数据折线的斜率，以获得佩戴者精神状态变化速率，当斜率呈现负增长时，系统将加快数据更新频率至3S更新一次数据，并在专注参数低于阈值时，向驾驶者进行报警，同时向行车电脑发送制动信号。

系统采用STM32F1自带的BXCAN与行车电脑进行通讯，can总线配置根据不同车载系统可单独定制，系统本身作为一个节点，接入使用者车辆CAN总线中，若检测到使用者专注度指数低于阈值，则通过总线传递制动信号数据，同时传回的车辆行驶速度与行程信息作为反馈传回系统进行误差控制，以保证车辆不会发生因为制动过猛而失控或在高速路中突然停车等超调现象。

本系统采用增量式数字PID控制，通过每一控制周期从行车电脑中读取当前车辆行驶速度 vi_ FeedBack，将 vi_FeedBack与根据脑电数据分析得出的车辆期望速度vi_Ref比较，有以下公式求得速度偏差error1与速度偏差率d_error.当佩戴者精神状态正常时，本系统PID控制器不参与调控，当佩戴者出现精神状态不振时，则将代入系统预设的期望车速，同时PID控制器参与调控车速。

3.3抗干扰能力

本设备噪声主要来自眼电、肌电等人体自身电信号，外界电子信号干扰等。如图9所示，当充电USB线靠近至10cm左右时，噪声明显变强，但通过系统多个滤波器对脑电信号进行滤波与放大，系统仍能获得较为准确的脑波数据。

如图10所示，当样本处于正常精神状态下，频繁眨眼可能导致噪声峰值陡增，但几乎不影响设备对于脑电信号的采集，眼电伪迹被设备准确判别，并加以过滤。

图8　程序运行流程图Fig. 8 Program flow chart

图9　充电线靠近至10cm时测得的脑电波形Fig. 9 EEG waveforms measured at the charging line close to 10cm

图10　频繁眨眼状态下所测脑电波形Fig.10 The measured EEG waveform in the blink of an eye

4　结论

本文主要阐述了一种可穿戴的通过实时检测驾驶者的脑波信号，实现对驾驶者精神状态判断的系统，通过简易方便的佩戴方式提高了其易用性，无线蓝牙连接增加了系统的便捷性，抗干扰性能优良，足以在日常干扰条件下实现对脑波的准确采集，使本系统佩戴者在驾驶期间的精神状态保持在安全驾驶要求的范围内，有助于倡导安全驾驶，减少疲劳驾驶所引起的交通事故。

附录：硬件电路设计原理图与实物图

图11　系统脑电采集模块实物图Fig. 11 Physical map of EEG acquisition module

图12　系统主控MCU实物图Fig. 12 Physical map of main control

［1］ 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），2012.08.

YE Ning，SUN Yu-ge.A Fatigue Driving Detection Method Based on Wavelet Packet Sub-band Energy Ratio of EEG［J］，Journal of Northeastern University （NATURAL SCIENCE EDITION） ，2012.08.

［2］ 吴金奖，陈建新，田峰，等. 可穿戴无线生理参数监测设备的设计与实现［J］. 计算机应用，2014，S2：330-332+351.

WU Jin-jiang，CHEN Jian-xin，TIAN Feng，ZHOU Liang.Design and implementation of wearable wireless physiological parameter moni-toring device［J］. Journal of Computer Applications，2014，S2：330-332+351.

［3］ 刘思言. 可穿戴智能设备引领未来终端市场诸多关键技术仍待突破［J］. 世界电信，2013，12：38-42.

LIU Si-yan.Wearable smart devices to lead the future market to many key technical breakthrough terminal［J］. World Telecommunications ，2013，12：38-42.

［4］ Yiu J，宋岩译.ARM Cortex-3权威指南［M］. 北京：北京航空航大学出版社，2009.

YIU J ，SONG Yan translated.Cortex-3 ARM authoritative guide［M］Beijing，Beijing University of Aeronautics and Astronautics Press，2009.

［5］ 李春艳，陈敬轩 .CAN通讯中的一种动态自同步方法设计［J］.新型工业化，2015，5（4）：55-60.

LI Chunyan，CHEN Jingxuan.A Design of a Dynamic Synchronized Method in CAN［J］，The Journal of New Industrialization，2015，5（4）：55-60.

［6］ 余飞，庄奕琪. 蓝牙数据传输增强技术研究及其基带芯片设计实现［D］.西安，西安科技大学，2013.

YU Fei，ZHUANG Yi-qi.Research on Enhancing the Transmission Performance of Bluetooth and baseband IC design［D］.Xi’an，Xi`an University of Science and Technology，2013.

［7］ 郇小宁，黄新林.微弱脑信号专注度特征提取与识别［J］.科学技术与工程，2015（05）：1671-1815 .

XUN Xiao-ning ，HUANG Xin-lin .The feature extraction and recognition of the concentration degree of weak brain signal［J］.Science Technology and Engineering ，2015（05）：1671—1815.

［8］ 鲁在清.脑电图的判读与描述及其他［J］. 现代电生理学杂志，2011.

LU Zai-qing .The interpretation and description of EEG and other［J］. The Journal of Modern Electrophysiology，2011.

［9］ 鲁在清.脑电图的检测结果及评价［J］.现代电生理学杂志，2010.

LU Zai-qing.The detection results of EEG and evaluation［J］.The Journal of Modern Electrophysiology，2010 .

［10］ 王静茜，莫荣，蔡晓东. 基于NeuroSky TGAM脑机接口的EEG识别［J］.读写算（教研版），2014（13）.

WANG Jing-qian，MO Rong，CAI Xiao-dong.EEG recognition based on TGAM NeuroSky brain computer interface［J］..Read Write and Count，2014（13）.

［11］ 刘迪，陆檑，朱晓非，等.基于 MSP430 控制的智能小车设计 ［J］.新型工业化，2014，4（3）：70-73.

LIU Di，LU Lei，ZHU Xiao-fei，et al. The design of intelligent vehicle based on MSP430 control［J］，The Journal of New Industrialization，2014，4（3）：70-73.

Fatigue Driving Monitoring System based on Think Gear ASIC Module

DU Guan-hong1， LI Qing-zhi2， DONG Zheng-xin3

（1.School of Automation， Nanjing Institute of Technology， Nanjing 211167， China； 2.Kangni College， Nanjing Institute of Technology，Nanjing 211167， China； 3.School of Automation， Nanjing Institute of Technology， Nanjing 211167， China）

In recent years， as the development of biology， medicine， control science in the field of development， bioelectricity research has gradually become a new frontier in the field， this article is based on this background， based on the absolute being to read company developed the tgam EEG acquisition module for driver fatigue monitoring model is used. The application can not only collect and analyze the EEG data in real time， but also distinguish the bad mental state of the user， and send out the alarm to the driving computer. The device has the characteristics of low price， accurate measurement， strong anti-interference ability and convenient carrying， and can be applied to daily life with good application prospect.

Application of automation technology；EEG monitoring；Wearable devices；Think Gear ASIC Module

10.19335/j.cnki.2095-6649.2016.08.004

DU Guan-hong， LI Qing-zhi ， DONG Zheng-xin. Fatigue Driving Monitoring System based on Think Gear ASIC Module［J］. The Journal of New Industrialization，2016，6（8）: 22-30.

南京工程学院大学生科技创新基金 项目编号TB20160503

杜冠宏（1995-），男，本科在读，研究方向为检测技术与自动化装置；李庆之（1994-），男，本科在读，研究方向为检测技术与自动化装置；董正心（1996-），女，本科在读，研究方向为检测技术与自动化装置

本文引用格式：杜冠宏，李庆之，董正心.基于TGAM模块的疲劳驾驶监测系统［J］. 新型工业化，2016，6（8）：22-30.