基于无线体域网和复合生理信号近似熵的驾驶疲劳研究

王 琳 付荣荣 张 陈 尹晓伟 化成城 王 宏

1（沈阳工程学院机械学院，沈阳 110136）

2（东北大学机械工程与自动化学院，沈阳 110819）

3（燕山大学测控技术与仪器河北省重点实验室，河北秦皇岛 066004）

基于无线体域网和复合生理信号近似熵的驾驶疲劳研究

王 琳1，2∗付荣荣3张 陈1尹晓伟1化成城2王 宏2

1（沈阳工程学院机械学院，沈阳 110136）

2（东北大学机械工程与自动化学院，沈阳 110819）

3（燕山大学测控技术与仪器河北省重点实验室，河北秦皇岛 066004）

为有效合理地评价驾驶员在驾驶过程中的疲劳程度，通过无线体域网（WBAN）采集12名被试者的3种生理信号（脑电信号、肌电信号、呼吸信号），提取并分析这些生理信号的近似熵在驾驶过程中对疲劳程度的反映效果。试验结果表明，脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降，约90min后下降程度变缓，表明进入比较疲劳状态。通过主成分分析可知，前两个主成分的贡献率分别为47.33%和40.26%，二者之和大于85%，其中脑电信号和肌电信号的近似熵所占权重较大。而且统计分析表明，脑电信号和肌电信号的近似熵显著性P＜0.05，表明脑电信号和肌电信号在表征正常与疲劳两种状态时差异明显。在此基础上，分析信号组合对驾驶疲劳的反映效果，结果表明在脑电-肌电信号的近似熵组合时，正常和疲劳状态的概率分布具有明显的界限，可以有效反映驾驶过程中的疲劳状态。通过研究，获得最佳的反映疲劳驾驶的信号组合，可为更加准确地检测和避免疲劳驾驶提供理论依据。

无线体域网；复合生理信号；近似熵；疲劳驾驶

引言

疲劳驾驶易引起驾驶员的注意力下降，对外界的感知反映迟钝，成为引起交通事故的主要原因之一。为避免该类交通事故的发生，国内外的研究人员对疲劳驾驶的检测和分析进行了大量研究工作。通过文献检索可知，以往的研究主要集中在3个方面：一是选用不同的测量方法［1-4］，如离线式血液测量、有线式在线测量、无线式在线测量等；二是选用不同的生理信号［5-10］，如脑电信号（EEG）、肌电信号（EMG）、呼吸信号（RESP）、眼部信号等；三是选用不同的特征参数［11-14］，如中值频率、积分肌电、近似熵、峰值因数等。Lal和Patel认为脑电信号和肌电信号是反映驾驶疲劳的有效生理信号［8-9］，Richman认为近似熵（approximate entropy，ApEn）是表征驾驶疲劳的有效特征参数［14］。这些研究都为评价和避免疲劳驾驶提供了非常有意义的方法。但是，对于多种生理信号测量效果的比较分析，以及相互的组合应用，在已公开发表的论文中涉及较少，且没有得到一致结论。基于此，笔者在前人研究的基础上，选用“无线体域网（WBAN）在线检测的方法”和“近似熵的特征参数”来分析和评价驾驶员在驾驶过程中的3种生理信号，即脑电信号、肌电信号、呼吸信号。其目的有二：一是比较3种生理信号的近似熵在反映疲劳驾驶方面的使用效果；二是将3种生理信号进行组合，获得最佳反映疲劳驾驶的信号组合，从而为更加准确地检测和避免疲劳驾驶提供理论依据。

无线式在线检测的核心装备即无线体域网，作为无线通信网络的一个子部分，其基本功能是利用无线链路来传输信息。无线体域网被广泛应用在生物工程环境中［15］，通常由数据收集和数据接收两部分组成，二者通过蓝牙技术实现信息的通信。为了更好地揭示信号中所包含的特征信息，本研究采用如下分析手段：首先，分析了脑电信号、肌电信号、呼吸信号的近似熵在驾驶过程中的变化规律；其次，将提取的近似熵参数进行归一化处理，采用“主成分分析降维”和“特征参数统计分析”的方法，分析和比较脑电信号、肌电信号、呼吸信号在反映疲劳驾驶方面的使用效果；最后，利用模糊C聚类算法，获得能够反映疲劳驾驶的最佳信号组合。

1 实验方法

根据美国高速交通安全管理局NHTSA的调查报告显示，18～35岁的年轻男性是疲劳驾驶导致交通事故的高发人群。因此，本实验随机选取12名年龄在18～35岁之间的健康成年驾驶员作为被试者，参加驾驶实验，均签署知情同意书。被试者在实验前24 h内不得食用对神经能够产生刺激或抑制的食品和药品。所有被试者均自愿参与实验，并知晓实验流程，同意配合测量驾驶过程中的脑电、肌电和呼吸信号。实验过程中，被试者在模拟驾驶舱内连续驾驶120min。为加速疲劳的形成，驾驶环境选择单调乏味的高速公路场景。脑电、肌电和呼吸信号由戴在被试者身上的3个传感器模块同时采集，采样频率为200 Hz，并将采集到的信号通过蓝牙通信发送到计算机中。安放传感器模块的位置如图1所示［10］。其中，脑电信号主要采集人脑后枕部的O1、O2两处的EEG；肌电信号主要采集颈部上斜方肌A1、A2处的EMG；呼吸信号的采集模块由围度可调的橡胶带固定于被试者的小腹位置，测量腹式呼吸。为了减小电极与皮肤之间的接触阻抗，在实验过程中首先用医用砂纸对皮肤表面进行打磨，然后用酒精对该处皮肤进行去油脂处理，并使用导电膏进一步减小阻抗。同时，在驾驶实验过程中，要求被试者在指定时间段内填写 SOFI-25（Swedish occupational fatigue inventory-25）主观调查表，由此可根据驾驶员的主观自身感觉辅助判别是否达到驾驶疲劳状态。

图1 模拟驾驶实验及信号采集。（a）模拟驾驶实验设计；（b）信号采集位置Fig.1 Simulated driving experiments and data acquisition.（a）Design on simulation experiments；（b）Positions of electrodes

2 算法原理

2.1 信号去噪

本研究测试了12名被试者连续驾驶120min的脑电、肌电、呼吸信号。为避免信号采集过程中各种噪声（如驾驶人身体移动、皮肤流汗、50Hz工频干扰、检测仪器内部电子噪声干扰等）的影响，采用经验模态分解（empirical mode decomposition，EMD）算法对其进行预处理［16］，即先将所测得的信号分解为一系列本征模态分量IMF，再将每个IMF投影到频域中，得到各个IMF频谱，然后对所测的信号频谱进行信号重构，从而保留了原信号的有用信息，去除了噪声干扰。该预处理方法对各种生理信号都能有效地进行基线校正，去除基线漂移的影响。

在信号去噪的基础上，对每位被试者每隔10min截取长度为30 s（6 000点的序列长度）的数据进行近似熵的计算，求得一组特征参数值（包括脑电近似熵、肌电近似熵、呼吸近似熵3个数值）；再将所有被试者的特征参数取平均值，并计算个体间标准差，即可得到这3种特征参数随驾驶时间的变化趋势。

2.2 近似熵

为了对生理信号进行非线性动力学分析，达到更好地识别信号特征的目的，本研究采用近似熵作为度量序列复杂性的非线性动力学参数。其大小可以反映出时间序列的复杂度，时间序列越复杂，其对应的近似熵就越大。该算法［17］如下：

1）假定长度为N的数据可表示为X＝［x（1），x（2），…，x（N）］。根据 Takens嵌入理论［18］，将X构造成一组m维矢量：X（i）＝ ［x（i），x（i+1），…，x（i+m-1）］，其中i＝1，2，…，N-m+1。

2）两个向量对应元素之差的最大值为X（i）与X（j）的距离，即

3）计算每行与其他行的距离小于阈值r（给定值），即d［X（i），X（j）］＜r的个数，记为

式中，H（x）是Heaviside函数。

4）将Nim（r）与距离总数N-m做比，得到

5）求Cim（r）的对数和，再求其均值，即

6）将m维矢量增加为m+1维，重复以上过程，从而得到Ci（m+1）（r）和φm+1（r）。

7）得到此序列的近似熵为

可见，近似熵值是维数m、阈值r、信号长度N的函数。这里，m＝2，r＝信号标准差×n（n＝0.1～0.2）［19］。

2.3 归一化处理

由于脑电、肌电、呼吸3种生理信号近似熵的绝对值差别较大，为方便统一比较，首先对近似熵特征参数进行归一化处理。本研究所用的归一化方法是对原始数据（熵值）进行线性变换，可有效保留自身熵值的特性，也就是把数据映射到0～1范围内，使不同来源的数据统一到一个参考系下进行比较，统一了评价标准，便于对数据进行综合测评分析。归一化的转换式为

式中，x、y分别为归一化前、后的熵值，max（x）、min（x）分别为样本的最大值和最小值。

2.4 主成分分析

为了使用较少的信号个数尽可能多地反映变量的变化规律，本研究采用主成分分析对多变量数据进行降维处理［10］。

2.5 统计分析

在本研究中，对脑电信号、肌电信号、呼吸信号疲劳前后的归一化近似熵值进行统计分析，在符合正态分布的前提下，对数据样本使用SPSS统计分析软件进行配对t检测［20］。

2.6 模糊C聚类

模糊C聚类是根据数据的隶属程度将其分为两类或者多类的一种聚类方法，通过逐步迭代来缩小数据点到其聚类中心的距离，以此给出数据点的类别隶属度，其优化目标函数［21］为

算法步骤如下：

步骤1，初始化U＝ ［uij］。

步骤2，利用Uk计算矢量中心点Ck＝［cj］（第k步），其中

步骤 3，更新Uk、Uk+1，有

步骤4，若‖Uk+1-Uk‖＜ε，则停止；否则回到步骤2。

3 特征近似熵结果

3.1 近似熵的变化趋势

图2所示为3种特征参数随驾驶时间的变化趋势。由图可见，3种信号的近似熵均随时间的增加而逐渐下降，即随着驾驶时间的延长，被试者疲劳程度呈上升趋势。约90min后，近似熵下降程度变缓，表明进入比较疲劳的状态。本研究根据图2的实验数据、SOFI-25主观问卷调查结果和文献调研［8］三者相结合的方式，定义驾驶实验的 0～30min为“正常状态”，90～120min为“疲劳状态”。

3.2 特征近似熵分布

从12名被试者120min驾驶实验的正常状态和疲劳状态中，分别选取5min数据进行分析（包括脑电信号、肌电信号和呼吸信号）。正常状态选取10～15min，疲劳状态选取105～110min。每30 s提取一个特征近似熵，则共有“2种状态 ×5min/30 s×12名被试者×3种信号＝720”个近似熵值。

图2 所有被试者生理信号的近似熵均值Fig.2 Average ApEn of physiological signals of participants

归一化后的近似熵值如图3所示。可以看出，同一状态的近似熵值仍比较分散，无法得到客观的评价结果。造成这种情况的原因是：3种生理信号近似熵对疲劳程度的反映不同所致，有的对疲劳反映明显，有的对疲劳反映不明显。因此，在本文第3.3和3.4节中，采用了不同方法分析比较了3种生理信号近似熵对疲劳的反映效果。

图3 3种生理信号的近似熵归一化三维分布Fig.3 3-D distribution of normalized ApEn of multiphysiological signals

3.3 主成分分析结果

本节采用主成分分析的方法，对3种生理信号近似熵对疲劳的反映效果进行比较，从而达到参数降维、简化分析指标的目的。通过对3列特征参数进行主成分分析，计算求得3个主成分的贡献率，如图4所示。可见，前两个主成分的贡献率分别为47.33%和40.26%，累积贡献率为87.59%，超过85%。因此，选取贡献率大的前两个主成分，即可有效表征驾驶员的疲劳状态。

下面给出的是主成分的系数矩阵，有

式中：Pi表示第i个主成分，Xi表示生理信号的近似熵特征（X1、X2、X3分别表示脑电信号、肌电信号、呼吸信号）；主成分的系数表示所对应的特征参数所占权重，即X1、X2、X3对疲劳程度的反映效果。

可见，前两个主成分（P1，P2）中，脑电信号和肌电信号的系数绝对值较大，而呼吸信号的系数绝对值较小。这说明，在选取两种生理信号来表征驾驶员的疲劳状态时，应选取脑电信号和肌电信号，呼吸信号可相对忽略。

图4 主成分的贡献率Fig.4 Contributions of principle components

3.4 统计分析结果

为进一步比较脑电、肌电、呼吸信号对疲劳驾驶的反映特性，利用SPSS统计分析软件对3种生理信号的近似熵进行配对t检测。在t检测之前，首先需要保证样本的正态分布，通过数据预处理可知，疲劳前后3种生理信号的归一化近似熵样本基本符合正态分布。t检测结果如表1所示，其中：每种信号的参数（近似熵个数）为2种状态×5min/30 s×12名被试者＝240个，正常状态和疲劳状态分别为120个；“均值”和“标准差”分别为12名被试者在正常或疲劳状态时近似熵的平均值和标准差。由表1可看出，脑电信号和肌电信号的近似熵显著性P值较小（P＜0.05），表明脑电信号和肌电信号在表征正常与疲劳两种状态时差异明显；而呼吸信号近似熵显著性P值较大（P＞0.05），表明呼吸信号在表征正常与疲劳两种状态时差异不明显。因此，进一步说明，选取两种生理信号来表征驾驶员的疲劳状态时，应选取脑电信号和肌电信号，呼吸信号可相对忽略。

表1 生理信号的配对t检测结果Tab.1 Results of paired-t test for physiological signals

4 模糊C聚类分析结果

这里利用模糊C聚类算法对不同的特征参数近似熵组合（脑电-肌电，脑电-呼吸，肌电-呼吸）进行分析，拟获得能够反映疲劳驾驶的最佳信号组合。由脑电-肌电（EEG-EMG）、脑电-呼吸（EEGRESP）、肌电-呼吸（EMG-RESP）近似熵特征参数得到聚类结果，分别如图5～7所示。

图5 脑电信号与肌电信号近似熵聚类结果Fig.5 Clustering results by ApEn of EEG and EMG

图6 脑电信号与呼吸信号近似熵聚类结果Fig.6 Clustering results by ApEn of EEG and RESP

对图5～7所示的聚类分析结果进行相关说明。当图中给出的是两种生理信号近似熵组合时，属于正常状态的概率。由图5可见，当脑电信号和肌电信号近似熵值都较大时，属于正常状态的概率也较大（红色区域，80%以上）；当脑电信号和肌电信号近似熵值都较小时，属于正常状态的概率也较小（蓝色区域，20%以下），即属于疲劳状态的概率较大；当脑电信号和肌电信号近似熵值为其他时，正常状态的概率在20% ～80%之间，属于半疲劳状态。而且，脑电-肌电信号组合时，正常与疲劳状态的概率分布具有明显的界限（见图5）。但是，脑电-呼吸信号组合时（见图6），概率差异呈上下分布，在以脑电信号近似熵为纵坐标上具有一定的界限，而以呼吸信号近似熵为横坐标上却没有明显界限，因此这种组合不适合判断驾驶员的疲劳状态。同样，肌电-呼吸信号组合时（见图7），也不适合判断驾驶员的疲劳状态。

图7 肌电信号与呼吸信号近似熵聚类结果Fig.7 ClusteringresultsbyApEnofEMG and RESP

5 讨论

脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降，约90min后近似熵下降的程度变缓，表明进入比较疲劳状态。近似熵反映了神经系统相互调节的有序程度，其随驾驶时间延长呈下降的趋势，说明此刻人体的可调控、可变化的能力减弱，即随着外界环境的变化调整自己状态的能力下降［22］。

由归一化后的近似熵值（见图3）可见：对肌电信号而言，正常状态的点偏靠熵值较大的右侧，疲劳状态的点偏靠熵值较小的左侧，表明肌电信号近似熵对驾驶疲劳的判别度较好；同样，对脑电信号而言，正常状态的点偏靠熵值较大一侧，疲劳状态的点偏靠熵值较小一侧，表明脑电信号近似熵对驾驶疲劳的判别度也较好；但对呼吸信号而言，正常与疲劳两种状态点分布比较分散，没有偏靠较大值一侧或较小值一侧，表明呼吸信号近似熵对驾驶疲劳的判别度较弱。

主成分分析可知，选取前两个贡献率大的主成分即可有效表征驾驶员的疲劳状态。而前两个主成分中，呼吸信号的系数绝对值较小，表明其对驾驶疲劳的反映比脑电信号和肌电信号弱。同样，由统计分析可知，呼吸信号近似熵显著性P值较大，表明呼吸信号在表征正常与疲劳两种状态时差异不明显。

对于采用脑电信号-肌电信号这种组合时（见图5），正常和疲劳状态的概率分布具有明显的界限，即一个脑电信号近似熵值与一个肌电信号近似熵值能近似对应一个状态（正常或疲劳），这是此种组合的优势所在，可以有效反映驾驶过程中的疲劳状态。但是，另外两种特征组合（见图6、7）并不能找到清晰的分界，在划分上都存在两种类别的混叠，不能有效反映驾驶过程中的疲劳状态。

6 结论

为有效合理地评价驾驶员在驾驶过程中的疲劳程度，本研究选用“无线体域网（WBAN）在线检测方法”和“特征指标近似熵”，分析和评价了3种生理信号（脑电信号、肌电信号、呼吸信号）及其组合在驾驶过程中对驾驶员疲劳程度的反映效果，主要得到如下结论：

1）脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降，约90min后近似熵下降程度变缓，表明进入比较疲劳的状态。

2）通过主成分分析和统计分析可知，脑电信号和肌电信号的特征近似熵对驾驶员疲劳状态的反映效果比较好，而呼吸信号则相对较弱。

3）脑电信号-肌电信号的特征近似熵组合时，正常和疲劳状态的概率分布具有明显的界限，即一个脑电信号近似熵值与一个肌电信号近似熵值能近似对应一个状态（正常或疲劳），可以有效反映驾驶员在驾驶过程中的疲劳状态。

综上所述，本研究比较了3种生理信号特征近似熵在反映疲劳驾驶方面的使用效果，并获得了最佳的能反映疲劳驾驶的信号组合，为更加准确地检测和避免疲劳驾驶提供了理论依据。

［1］ Kumar M，Weippert M，Arndt D，et al.Fuzzy filtering for physiological signal analysis ［J］.IEEE Transactions on Fuzzy Systems，2010，18（1）：208-216.

［2］ Ye Ning，Sun Yuge，Yang Dan. Noninvasive heartrate variability detection device for fatigue driving detection system［J］.Applied Mechanics and Materials，2013，246：194-198.

［3］ Choi A，Woo W.Daily physiological signal monitoring system for fostering social well-being in smart spaces ［J］.Cybernetics and Systems，2010，41（3）：262-279.

［4］ Kwofie S，Rahbar N.A fatigue driving stress approach to damage and life prediction under variable amplitude loading ［J］.International Journal of Damage Mechanics，2013，22（3）：393-404.

［5］ 李昕，李红红，李长吾.基于复杂度熵特征融合的高压力人群情感状态评估［J］.中国生物医学工程学报，2013，32（3）：313-320.

［6］ 张启忠，席旭刚，马玉良，等.基于表面肌电信号的手腕动作模式识别［J］.中国生物医学工程学报，2013，32（3）：257-265.

［7］ 谢宏，周笑丽，夏斌，等.疲劳驾驶识别中的脑电信号特征选择算法和支持向量机模型研究［J］.中国生物医学工程学报，2014，33（4）：482-486.

［8］ Lal SKL，Craig A.A critical review of the psychophysiology of driver fatigue ［J］，Biological Psychology，2001，55：173-194.

［9］ Patel M，Lal SKL，Kavanagh D，et al.Applying neural network analysis on heart rate variability data to assess driver fatigue ［J］.Expert Systems with Applications，2011，38（6）：7235-7242.

［10］ 付荣荣，王宏，王琳，等.基于无线体域网中多生理信号驾驶疲劳检测［J］.东北大学学报（自然科学版），2014，35（6）：850-853.

［11］ Lin Zhui，Wang Lide，Zhou Jieqiong，et al.The research on fatigue driving detection algorithm ［J］.Journal of Software，2013，8（9）：2272-2279.

［12］ Zhao Shuanfeng，Xu Guanghua，Guo Wei.Parallel diagnosis model of fatigue driving based on vehicle running status ［J］.Journal of Networks，2013，8（11）：2585-2591.

［13］ Yang Qiufen，Li Canjun，Li Zhenjun.Application of FTGSVM algorithm in expression recognition of fatigue driving ［J］.Journal of Multimedia，2014，9（4）：527-533.

［14］ Richman JS，Moorman JR.Physiological time-series analysis using approximate entropy and sample entropy ［J］.AJP Heart＆Circulatory Physiology，2000，278（6）：2039-2049.

［15］ Dias NS，Carmo JP，Mendes PM，et al.Wireless instrumentation system based on dry electrodes for acquiring EEG signals ［J］.Medical Engineering＆ Physics，2012，34（7）：978-981.

［16］ Bonfort G，Evans R，Nelson B，et al.A randomized clinical trial of exercise and spinal manipulation for patients with chronic neck pain ［J］.Spine，2001，26（7）：798-799.

［17］ 徐安，刘军，彭旗宇，等.动态近似熵快速算法在心率变异研究中的应用［J］.同济大学学报（自然科学版），2005，33（4）：520-524.

［18］ Takens F.Detecting strange attractors in turbulence ［J］.Lecture Notes in Mathematics，1981，898：366-381.

［19］ Foij O，Holcik J.Applying nonlinear dynamics to ECG signal processing［J］.IEEE Engineering in Medicine and Biology，1998，3（4）：96-110.

［20］ Wang Hong，Zhang Chi，Shi Tianwei，et al.Real-time EEG-based detection of fatigue driving danger for accident prediction［J］.International Journal of Neural Systems，2015，25（2）：155-164.

［21］ James CB，Robert E，Willianm F.The fuzzy c-means clustering algorithm ［J］.Computers＆ Geosciences，1984（10）：191-203.

［22］ 吴群.基于心电信号的疲劳驾驶检测方法研究［D］.杭州：浙江大学，2008：45.

Investigation on Driver Fatigue Based on WBAN and Approximate Entropy of Multi-Physiological Signals

Wang Lin1，2∗Fu Rongrong3Zhang Chen1Yin Xiaowei1Hua Chengcheng2Wang Hong2

1（Department of Mechanical Engineering，Shenyang Institute of Engineering，Shenyang110136，China）

2（School of Mechanical Engineering and Automation，Northeastern University，Shenyang110819，China）

3（Measurement Technology and Instrumentation Key Lab of Hebei Province，Yanshan University，Qinhuangdao066004，Hebei，China）

Aimed to reasonably evaluate driver fatigue in driving process，three kinds of physiological signals，including electroencephalograph（EEG），electromyography（EMG）and respiration（RESP）signals of 12 subjects are recorded by wireless body area network（WBAN）.Then，the approximate entropy（ApEn）of the signals are investigated during the driving process.The experimental results show that，ApEn of EEG，EMG，and RESP decrease in driving process.After about 90min，the ApEn stays at a certain range of value，indicating the deeply driver fatigue.From principle components analysis，the contributions of the first two components are 47.33%and 40.26%（the total is more than 85%），and the weight of EEG and EMG is higher than RESP.From the statistical analysis，the values ofPof ApEn of EEG and EMG are lower than 0.05，indicating EEG and EMG have better discrimination on driver fatigue.In case of the combination of EEG-EMG，there is obvious discrimination for the probability distribution of normal and fatigued state.This combination can effectively evaluate the fatigue degree during driving.Therefore，an optimized combination of physiological signals may be obtained，which is reasonable and reliable to evaluate the physiological characteristics of driver fatigue.The research results of present work can give a guidance to evaluate and relieve the driver fatigue.

wireless body area network（WBAN）；multi-physiological signals；approximate entropy；driver fatigue

R318 文献标志码：A 文章编号：0258-8021（2017）05-0543-07

10.3969 /j.issn.0258-8021.2017.05.005

2016-08-01，录用日期：2017-05-21

国家自然科学基金（51605419），博士后启动基金（2016M600193），河北省科技计划项目（152177180）

∗通信作者（Corresponding author），E-mail：jiangx@smm.neu.edu.cn