基于脑电信号的动车司机对突发事件反应时间的预测方法研究

2019-01-18郭孜政吴志敏潘雨帆

铁道学报 2018年12期

郭孜政, 谭茜, 吴志敏,潘雨帆, 张俊

(1.西南交通大学交通运输与物流学院, 四川成都 610031；2.西南交通大学综合交通运输智能化国家地方联合工程实验室, 四川成都 610031；3.广东交通集团有限公司, 广东广州 510000；4.西南交通大学信息科学与技术学院, 四川成都 610031)

高铁速度的不断提升对动车组司机的作业能力提出了更高要求，而动车组司机对突发事件的反应能力是影响驾驶作业安全可靠性的关键因素。相关研究证明驾驶行为绩效与神经生理信号存在着直接联系[1]。因此,如何通过动车组司机的神经生理信号，实现动车组司机对突发事件的反应时间的有效预测，是构建车载实时动车组司机危险性驾驶状态预警系统的关键性技术。

目前国内外就动车组司机(及机动车驾驶员)反应时间预测的相关研究尚不多见，现有研究主要针对反应时间与神经生理信号相关性进行探讨。文献[2]研究了在模拟环境下机车司机长时间单调驾驶过程中脑电信号与反应时间的相关性，表明脑电信号中低频波段与反应时间呈现正相关，而高频波段与反应时间呈现负相关。文献[3]在真实环境下对机车司机的警觉度进行监测，表明随着驾驶警觉度的下降，司机对突发事件的反应时间不断延长，同时论证了脑电信号与反应时间存在紧密联系。文献[4]设计了一项机车司机对信号灯反应能力的实验，验证了脑电信号的变化能够直接反映机车司机的反应能力。文献[5]利用脑电信号与驾驶行为绩效(反应时间、车速等)的相关性，对驾驶持续性注意性水平进行了实时监测。

以上研究从不同角度验证了反应时间与神经生理信号具有相关性，但未利用两者相关性对反应时间进行有效预测。因此本文通过小波变换提取θ、α、β3种频段的脑电特征参数作为客观预测指标，结合BP神经网络方法，对动车组司机反应时间实现有效预测，可为动车组司机危险性驾驶状态实时预警系统的研发提供理论支持。

1 实验方法

1.1 被试选取

选取20名西南交通大学动车组司机班男性学员作为被试。年龄34～38岁，均值为36.1岁，标准差为1.8岁；驾龄6～11年，均值为7.2年，标准差为1.1年。所选被试睡眠质量良好，身体状况良好，无不良嗜好(吸烟、嗜酒等)，无色弱或色盲，视力或矫正视力为1.0。实验开始前确认被试当天未饮用酒精或者咖啡等刺激性饮品，且在熟知《知情同意书》的条件下自愿签字。

1.2 实验设备

1.2.1 动车模拟器

实验采用具有6自由度运动系统的CRH380型动车模拟器，模拟器采用单通道大屏前向视景系统，屏幕分辨率为1 920×1 200 pix，水平视角可达160°。机车主操作台由列车自动防护系统ATP(Automatic Train Protection)，综合专用数字移动通信系统以及DMI显示屏、开关、指示灯、速度设定控制器等组成。机车背景音效系统为7.1数字音频系统，可高度还原机车室工作时的声音环境。该模拟器的有效性通过了系统性测试，其仿真度可满足实验要求。

1.2.2 脑电采集仪

脑电数据由64导Neuroscan脑电仪完成采集，采集软件为CURRY8，放大器为SynAmps2系统，系统采样率可达20 000 Hz。实验电极在线参考为双侧乳突，电极分布采用国际通用的10-20系统。

1.3 实验任务

实验路线为福州至合肥南站，线路全长为808 km。列车途经22个车站，到站停靠时进行正常停靠站作业。当列车在各区间运行时，采用随机信号检测的方式实时探测驾驶作业中被试反应时间。实验过程中，被试前方屏幕上会呈现随机刺激信号(红点)，5个可能呈现的位置如图1(a)所示，信号呈现时间为120 s±10 s。当信号在某个位置出现(图1(b))时，要求被试通过按键方式尽可能快地作出反应。若在信号出现1 000 ms后，被试未按键，则视为此次反应无效。

图1 任务场景

1.4 实验流程与数据采集

在实验开始前24 h让被试了解实验任务、操作规则，然后按照日常驾驶习惯操作模拟器，直到被试能够熟练操作该模拟器。为了保证被试具有较高的警戒性水平，实验统一安排在上午8:00进行。在正式实验开始之前，为了使被试适应驾驶模拟环境并进入实验状态，给予15 min驾驶模拟练习。在正式实验过程中，室内灯光照度为300 lx，温度为(24±1)℃。要求被试以不低于220 km/h的速度保持动车运行，驾驶作业时长为2 h。

同步记录被试在驾驶过程中对随机信号刺激的反应时间，采样频率为10 Hz。实验全程采集脑电数据，同步采集眼电用于伪迹去除，数据在电极阻抗低于5 kΩ的情况下采集，采样频率设置为1 000 Hz，并由采集软件进行通带为0.5～100 Hz的自动滤波。

2 基于脑电信号的反应时间预测模型

对于上述实验所采集的20名动车组司机的脑电数据，本文采用小波变换[5]提取经滤波处理后的脑电数据中各项脑电特征参数，结合以脑电特征参数作为输入指标、反应时间作为输出指标的BP神经网络，构建动车组司机对突发事件反应时间预测模型。具体模型构建步骤如下。

2.1 脑电特征参数提取

脑电信号能够反映大脑皮层活动状态，当动车组司机处于低觉醒水平时其脑电频谱分布趋向于低频波段，反之当高觉醒水平时则脑电频谱分布趋向于高频波段[6-7]。文献[8]研究结果表明脑电信号中θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)3种频段与反应时间具有高度相关性，可作为反应时间的客观预测指标。因此本文通过小波变换提取上述3种频段的小波系数能量值作为脑电特征参数，计算过程如下。

步骤1对实验采集的脑电信号以0～35 Hz的带宽进行整体滤波处理，去除工频电及部分肌电等伪迹成分干扰。

步骤2对于经滤波处理后的脑电信号，记为u(n)，其小波变换定义为

( 1 )

式中：φi,m(n)为小波函数；i为频率因子；m为时间平移因子；n为信号时长。

步骤3为了对小波变换后的信号u(n)进行有限层分解，本文引入Mallat算法[9]，即

( 2 )

式中：AH为近似分量；Ci为不同尺度下的细节分量；H为分解层数，文中取层数为3。因此，可通过上述有限层分解得到θ、α、β3种不同频段的小波系数。

步骤4小波系数的能量值能够反映脑电信号的频域特征，因此对上述波段提取相应的能量值作为脑电特征参数。

( 3 )

式中：PX为相应频段的能量值；SX(t)为相应频段的小波系数；t为时间；hi为相应频段的幅值。

步骤5按照步骤1～步骤4对q个电极的脑电信号进行处理，相应得到3×q项脑电特征参数，记为xi(i=1,2,…,3×q)。由于各项脑电特征参数的量纲不同，将脑电特征参数按式( 4 )进行归一化处理，从而使脑电特征参数的数值在[0,1]之间，以消除数据中存在的噪声。

( 4 )

式中：ximax与ximin分别为脑电特征参数xi的最大值与最小值。

2.2 基于BP神经网络的预测模型构建

以动车组司机的脑电特征参数作为输入层，以反应时间预测值作为输出层，构建含1个隐含层的BP神经网络预测模型。其中输入层节点个数由动车组司机的脑电特征参数个数3×q决定；隐含层节点个数s由模型训练结果进行择优选取；输出层节点个数为1，其结构如图2所示。

图2 BP神经网络模型结构

设在模型中输入层到隐含层、隐含层到输出层之间的连接权值系数及偏置分别为wik,wk1,bik,bk1(i=1,2,…,3×q,k=1,2,…,s)，对于输入层的任意节点o至隐含层的任意节点p的输出为

yop=f(xiwop+bop)

( 5 )

式中：f(·)为Sigmoid函数，即

( 6 )

输出层输出结果为

( 7 )

式中：yi为神经网络的输出，即模型预测结果；W1为输入层至隐含层的连接权数系数矩阵；W2为隐含层至输出层的连接权数系数矩阵；xi为动车组司机脑电特征参数；b1为输入层至隐含层的偏置矩阵；b2为隐含层至输出层的偏置矩阵。

对于一个动车组司机实验样本Xi=(x1,x2,…xi,…,x3×q;yi)，其中yi表示动车组司机第i次按键所得到的反应时间，将其输入神经网络进行训练，该实验样本的网络输出误差定义为

( 8 )

( 9 )

式中：N为实验样本个数。通过误差逆向传播调整连接权数训练神经网络，直到总误差达到最小为止，从而完成神经网络训练。

2.3 预测效果测评指标

在文中，最大绝对误差M1与相对均方误差M2被用于评价模型的预测效果，其计算方法为

(10)

(11)

3 结果讨论及分析

对于实验所采集各反应时间内的脑电数据，采用第2.1节的方法得到经归一化处理后的96项脑电特征参数，将其作为BP神经网络预测模型的输入指标。本文采用皮尔逊相关性检验对两者之间相关性进行检验，以此验证脑电特征参数与反应时间具有相关性，从而为反应时间预测提供理论前提。

(1)脑电特征参数与反应时间的相关性分析

将θ、α、β3项脑电特征参数与反应时间进行皮尔逊相关性检验，其结果见表1。

表1 各脑电特征参数与反应时间的相关性

注：|r|为皮尔逊相关性系数的绝对值，|r|的值的大小反映了两者之间的相关性的强弱。**表明显著性水平为0.01，*表明显著性水平为0.05。

从表1可以看出，3项脑电特征参数在不同程度上均与反应时间呈现着显著相关性，再次论证了脑电信号与反应时间存在着高度相关性。从相关性强弱来看，脑电特征参数α与反应时间较其他两项更相关，同时最为显著。

此外，文献[10-11]研究证明驾驶人的精神状态可通过大脑皮层的活动变化来反映，其脑电信号与精神状态(疲劳、嗜睡等)具有高度相关性。在视觉探测等经典认知心理学试验中得出脑电信号的变化与反应时间存在着高度相关性，而本研究通过脑电特征参数与反应时间的相关性分析，验证了在实际驾驶任务操作过程中，脑电信号与动车组司机的反应时间也具有相关性[12]。

(2)模型输出结果分析

为了确定BP神经网络预测模型的最优网络结构，同时为了体现训练样本的整体性与代表性，本文对20名动车组司机的实验样本分别随机抽取7个样本，对所得到140个样本作为训练样本，将最终的预测结果所产生的最大绝对误差与相对均方误差作为评价标准。经过多次反复训练之后，确定了最优网络结构为96-20-1(输入层-隐含层-输出层)。结合最优网络结构，对上述140个样本(随机抽取75%的样本作为训练样本，其他作为测试样本)代入模型重新进行训练和测试，其预测结果如图3所示。

图3 BP神经网络预测结果

从图3可以看出，模型预测结果与实际结果较为接近，表明该模型预测效果较好。因此采用随机抽样法，抽取75%的动车司机实验样本作为训练样本，其他作为测试样本，分别对预测模型予以训练与测试，同时为了了解所用模型的精度，本文采用文献[13]中贝叶斯预测模型对反应时间进行预测，所得到的预测结果见表2。

表2 各司机在预测模型中得到的预测结果 %

表2(续)

从总体上看，采用人工神经网络得到的结果中最大绝对误差平均值(11.01%)与相对均方误差平均值(8.15%)均低于贝叶斯预测模型(14.6%，10.7%)。同时，对每个司机的反应时间预测结果可以看出，采用人工神经网络得到的最大绝对误差均小于15%，而最大相对均方误差为10.89%，最小相对均方误差为6.93%；而采用贝叶斯预测模型所得结果中，最大绝对误差在11%至20%之间，最大相对均方误差为15.36%，最小相对均方误差为8.14%，说明人工神经网络预测精度高于贝叶斯预测模型。因此，本文所提预测模型具有可靠性，可准确预测动车组司机对突发事件反应时间，从而有效减少事故发生率。