基于脑电信号疲劳驾驶的检警头环设计

雷凌俊 冯佳琳 赵洋 姚同钰 胡岗

摘要：随着经济社会的发展，国家在不断迅速增加汽车的数量，汽车交通事故特别是疲劳驾驶，道路事故发生率仍然很高。因此，探究疲劳驾驶监警系统能够避免疲劳驾驶的出现，为长途驾驶安全提供强有力的保障。本文将三角波、阿尔法波和贝塔波作为脑电信号进行采集，并利用CNN算法对脑电数据进行识别。本文钻研了“疲劳驾驶自主监测预警系统”，该系统可以实时监测试验人员的疲劳状态以及疲劳集中水平。为了进步系统的可塑性，软件选择适当的脑电图搜集来减少电极的发生;为了提高疲劳度，设计了一种有效的疲劳度监测算法;增加了一种特殊的频段无线电波方案，使系统在提醒用户时更安全、更可靠。最后，该系统能够实时监控用户的疲劳状态和注意力集中情况，并能及时、准确地对疲劳的用户进行预警。

关键词：疲劳驾驶;脑电信号;小波包分解

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）29-0204-04

公路运输在我国交通运输业中占有重要地位，我国幅员辽阔，长途运输是一种必然现象。目前，无人驾驶汽车还不能普及，长途公路运输基本上依靠人自己。随着行车时间的积累，特别是夜间连续行驶，容易发生驾驶疲劳，交通事故发生的概率大大增加。实时疲劳监测不仅能够为驾驶员提供预警，降低疲劳驾驶风险，还能够为运输管理部门和运输企业提供实时的驾驶员状态信息。进一步降低交通事故发生率，挽救交通事故损失的生命，减少交通事故造成的经济损失。这也使得人类在未来可以直接利用脑电图来控制物体。主要研究内容如下：1）特定脑电图波形的选择;2）脑电图信号的预处理;3）集中度和静坐度的判别算法研究;总之，基于脑电图信号的疲劳驾驶监测报警系统关于减少交通事件有首要的贡献。市场前景是前所未有的。要解决的关键问题是：需要更多的电极。然而，使设备更重、更复杂，为了保证良好的便携性，我们必须缩减电极的数量。准确定位精神状态识别是疲劳驾驶自主检警的根底和要点。为了提高识别的准确性和实时性，有必要对算法进行改进，从而大大提高识别效率。便携式设备的体验非常重要，特别是对于长期使用的便攜式设备，细微的不适也会随着时间的推移而放大，从而使用户远离。

1CNN算法原理

卷积神经网络（convolutional Neural Network，简称CNN）是一种前馈神经系统，它能对周围的单元做出反应，并对大尺度图像进行处置。卷积神经系统（多层感知器）是受人脑思维方式启发的多层感知器。它们有不同的类别和品次，它们的工作方法以及功能也有差别。

CNN系统有五个层次结构：输入层、卷积层、激活层、汇聚层、全衔接的FC层和传统的神经网络/机器学习。与传统的神经网络机器学习一样，模型需要输人预处理操作。常用的三种预处理方法有：去均值法、归一化法、PCA/SVD降维法等，本文采用归一化方法。

10名司机被选为健康的，没有任何睡眠相关疾病。实验要求受试者在实验前48小时内禁止吸烟、饮酒、吃任何刺激性食物并保持良好的精神状态。实验从晚上22：00持续到第二天凌晨02：00，连续驾驶四个小时（全程不休息）。实验在驾驶模拟器上进行。选择无障碍公路作为试验环境，天气晴朗。在实验过程中，每1小时采集一次脑电图信号，持续3分钟。如图。

从专注度和冥想度的角度来看，两者都不需要低信号质量值，除非当检测到POOR_SIGNAL低信号质量值时无法更新专注度和冥想度。低信号质量值对于噪声敏感度更高的应用程序（如在某些医疗或研究应用程序中）或在检测到少量噪声数据时需要立即响应的应用程序非常有用。默认情况下，值的输出是有效的。一般情况下每分钟输出60下左右。

专注度指数，无标识字节值，表示用户现在的“注意力集中数”，是用户的“注意力”水平或“注意力”水平很高;冥想指数，无符号字节值，表示用户当前的“冥想指数”，即便用户的精力是“安静的”。静态水平或冥想水平。索引在0到100之间。

实验采用两种方法。1）第一种方法是以常规的方法，即使用滑动窗。利用大概值来估算平均值来定下该点的值。这样可以确保显示相对稳定。2）第二种方法是采取所谓的调解算法。我们的想法是确保每个增大缩小都在一个受控的范围内，每次只对前一个值进行一个修补，就不会有任何显著的变化，如下图所示。这即是为什么17%实际上是百分之一，千分之一。数量的级数变小，时间的变化越大。在不同的环境中，这些值应该是不同的。获得到如下两条函数。

本文的论断是在置信a=0.025n=500是attention以及medi-ration对应的t值都是小于2.4的，结果表明，查看值t不属于排斥域，因此接受H假设，认为两种预处理之间没有显著差异。曲线的前半部分是一个一般的测试，而第二部分与这两对线有点分离。实验者模拟闭眼休息状态并放松自己。从图中，我们可以看到专注度是否可以从集中度和冥想的角度来分析。

因为在实验环境中采集到的脑电图信号含有很强的干扰，如：传感器、接地或参考触点与人体皮肤接触不良（如：内部夹毛、耳机不适合头部大小、或耳机未放置在头部的正确位置）;佩戴者移动过大。（即头部或身体震动过大，或与耳机碰撞）。过度的环境静电噪声（某些环境中的强静电信号，或带有传感器的人的静电积聚）;过度的非脑电图生物噪声f即肌电图、心电图、眼电等）。因而，第一步是将采集到的脑电信号去噪。本文利用小波包分解方法和MindWave-Setup.exe软件对信息进行处理。小波包分解法是分解小波的一种形式。小波包分解方法具有任意多尺度的特点。它防止了小波分解时频固定的缺点，更好地反映了脑电信号的实质以及特点。将脑电信号降噪后，能够看到提出的脑电信号的仅带。小波包合成公式是：

式中：Ei，j（tj）为f（t）小波包分解到节点（i，j）上的频带能量;xj，k（j=0，l，…，2i-1;k=1，…，m）为重构信号fi，j（tj）的离散点幅值，m为信号采样点数.之后将重采样后的脑电信号分解到第4层，获得脑电信号低频子，如表1所示。

通过对小波包子带s（4，2）重构，然后获得8～12Hz节律脑电信号，与α波范畴大抵重合.以被试者A为例子，其脑电信号及其仅波如图3所示。

利用小波包获得脑电信号中的α信号，还不能清楚地看出其差别，再以受试者A的正常状态与疲劳状态的脑电信号为例。如图4所示：图2（a）为正常脑电信号，图4（b）为受试者A在模拟驾驶进行约4h时感觉到疲脑的脑电信号。

脑电图（EEG）是由大脑皮质神经细胞群的电活动产生的一种电生理信号。实验探究表明，常人的脑电图主要由四个频段分量合成，即α波、β波、θ波和δ波。α脑电波是人们放松和冥想时的脑电波。它以每分钟大约600次释放。当人们做梦时，脑电波就会表现出这种形式。处于这种模式的人应该处于放松的意识状态。β脑电波是意识强的脑电波，以每秒12-25个周期运行。当人专注、警觉或思考、分析、说话和积极行动时，大脑就会发出这样的电信号。0脑电波是人们沉溺于幻想或只是睡着的脑电波。它以每秒4到8个周期的频率运行。这只是一个“半梦半醒”的朦胧时期，在这个时期，人脑正在处理白天接收到的信息，此时可能会发生许多灵感。三角洲脑电波是人们在睡眠和无梦时发出的脑电波。它以每秒0.3-4个周期的频率运行。由于β波显示人大脑皮层处于兴奋状态，有许多方法可以研究驾驶疲劳引起的脑电图变化。一般认为，在由正常状态向疲劳情况变化的历程中，慢波逐渐增大，快波逐渐减小。因此，β波与慢波的能量的比值可体现疲劳程度的F。

用最早的alpha，beta罗列，得出其中混杂误差。大致在60s左右。删除大于20的数据，得到新的图像。生成算法——检测驾驶员的疲劳状态。