基于贝叶斯网络的疲劳驾驶检测预警系统设计

薛兴乐 岳嘉瑜 赵新阳 白宇

摘   要：疲劳驾驶是造成交通事故的重要原因之一，现有的检测疲劳驾驶的方法多基于单一指标，缺乏信息融合。基于行车状态，建立了贝叶斯网络疲劳驾驶检测模型，将连续驾驶时长、驾驶时段和驾驶舱温度作为模型的原因层变量，将行车速度标准差、方向盘转角标准差、油门踏板高度标准差作为结果层变量，并根据模型设计出了疲劳驾驶检测预警系统。

关键词：行车安全  疲劳驾驶  贝叶斯网络  信息融合  行车状态  预警系统

Abstract： Fatigue driving is one of the important causes of traffic accidents. Existing methods for detecting fatigue driving are mostly based on a single indicator and lack information fusion. A Bayesian network fatigue driving detection model was established based on driving conditions. Continuous driving duration， driving time， and cockpit temperature were used as the cause-level variables of the model， and the standard deviation of driving speed， standard deviation of steering wheel angle， and standard deviation of accelerator pedal height were used as the result-level variables of the model， and a fatigue driving detection and early warning system is designed based on the model.

Key Words： Driving safety; Fatigue driving; Bayesian network; Information fusion; Driving state; Early warning system

随着道路网的高速建设和汽车行业的迅猛发展，道路安全事故的数量也极大地增加。据统计在所有交通事故中，由疲劳诱发的事故比例占40%～70%[1]。

车辆行车状态可以反映出司机驾驶时对车辆的操纵能力，能够较为直观地反映出驾驶者的疲劳程度，用于检测行车状态的装置成本较低、操作简便、实时性好且不影响正常驾驶。目前基于行车状态检测疲劳驾驶的方法多根据单一指标，如张希波等研究驾驶员的方向盘操作特征，运用Fisher线性判别算法形成了对疲劳驾驶的识别率达82%的疲劳状态检测模型[2];裴玉龙等研究了连续驾驶时间和驾驶疲劳程度之间的相关性，得出了驾驶员一次连续驾车时长应小于等于3.5h的结论[1]。岳李圣飒等研究了方向盘转向小波能量熵的分布与疲劳程度检测，发现二者存在显著相关关系[3]。采用单一指标的检测方法受个体差异性、实验仪器侵入性和环境复杂性等因素的影响，具有一定的局限性。本文基于行车状态，建立了多信息融合的贝叶斯网络疲劳驾驶检测模型，并设计了基于贝叶斯网络的疲劳驾驶检测预警系统。

1  基于贝叶斯网络的疲劳驾驶检测模型

1.1 贝叶斯网络结构的基本概述

贝叶斯网络为一种数学概率模型，随机变量在网络中用节点表示，连接节点的图线表示节点间的关联，进而运用有向无环图的形式表征父、子节点之间的独立与依赖关系[4]。作为一种不定性因果关系的检测模型，贝叶斯模型在驾驶疲劳检测上的应用可理解为：在已知疲劳的因果变量情况的前提下，运用贝叶斯网络演绎不同疲劳程度出现的条件概率。

1.2 应用于疲劳驾驶模型的贝叶斯网络结构

1.2.1 贝叶斯网络结构原因层节点选取

疲劳驾驶模型的原因层节点选取连续驾驶时长、驾驶时段和驾驶舱温度。

连续驾驶时间的长短与驾驶员疲劳的产生、疲劳的程度密切相关。相关学者通过研究发现随连续驾驶时间增加，人体疲劳程度呈上升趋势，当驾驶时间超过3.5h后，驾驶员容易操作失误[5]，因此将驾驶时长小于3.5h设定为短，大于等于3.5h设定为长。

疲劳发生时的驾驶时段与人体的生理节律相关。人类的自然疲劳峰值一般出现在午后及凌晨，此时驾驶人的疲劳程度会出现较大突变[6]。若驾驶时段与人体昼夜节律较低迷的时段重合，则驾驶员疲劳的概率会极大地提高。有研究发现在13：00～16：00、02：00～06：00这两个时段内容易发生交通事故，并据此将驾驶时段分为困倦高峰和正常时段[7]。

驾驶舱温度影响驾驶员疲劳程度，有研究表明人体最舒适的温度区间为20℃～25℃，环境温度高于28℃时人体通常感受不佳，当驾驶室温度过高时容易导致人体疲劳。并据此将驾驶舱温度的状态分为正常和异常[7]。

1.2.2 貝叶斯网络结构结果层节点选取

结果层变量选取行车速度标准差、方向盘转角标准差、油门踏板高度标准差。

驾驶员疲劳时车速会在一定范围内波动，且疲劳驾驶程度越深，行车速度标准差越小[8]。行车速度与很多指标都有相关性，有研究发现驾驶绩效指标中，速度标准差与其他各类指标的相关性最高，并将行车速度标准差小于等于6km/h时设定为正常状态，大于6km/h设定为异常状态[9]。

驾驶员会根据不同的行驶情况做出修正方向盘的动作，相关研究表明当驾驶员处于清醒状态时对方向盘的修正幅度相对较小，处于疲劳状态时对方向盘的修正幅度相对较大，甚至在严重疲劳时会出现瞬时大幅度修正方向盘转角的现象，即驾驶员疲劳时对车辆驾驶操控的准确性下降，故方向盘转角可用来表征驾驶员的疲劳程度[10]。

油门踏板高度标准差也可用于表征驾驶员疲劳程度，有研究表明当驾驶员清醒时油门踏板高度变化特征为幅度小、频度高;而当驾驶员疲劳时油门踏板高度变化特征表现为幅度大、频度低，即驾驶员对油门踏板的控制能力随疲劳程度的增加而降低[11]。

1.2.3 构建贝叶斯网络结构

将贝叶斯网络的原因层用ε表示，其中εij表示第i个原因层变量的第j种情况。将疲劳驾驶的程度作为中间层，用中间层变量μl表示，其中l取值为1、2，分别表示两种驾驶疲劳程度：清醒，疲劳。将贝叶斯网络的结果层用ω表示，其中ωmn表示第m个结果层变量的第n种情况[9]。

确立了贝叶斯网络结构的原因层，中间层及结果层，如图1所示。

1.3 疲劳驾驶检测模型的贝叶斯网络概率公式

首先原因层变量和中间层变量之间的条件概率为：

上式中，εk为原因层变量，k的取值为1、2、3，分别对应行车速度标准差、方向盘转角标准差、油门踏板高度標准差，μ表示疲劳程度，P（μ|εk）表示已知原因层状态的情况下，疲劳发生的概率，（εk|μ）表示疲劳发生时，原因层的各个变量导致疲劳发生的条件概率。

其次中间层变量与结果层变量之间的条件概率为：

上式中，ωm表示结果层变量，P（μ|ωm）为结果层变量状态确定时，疲劳发生的概率;P（ωm|μ）表示疲劳发生时，结果层的各个变量也发生的条件概率。

2  系统设计

2.1 硬件设计

根据上述基于贝叶斯网络的疲劳驾驶检测模型，设计了疲劳驾驶检测预警系统，系统结构组成图与各组成部分的作用如图2所示。

系统通过方向盘转角传感器、霍尔传感器与温度传感器收集贝叶斯网络各节点信息，通过控制模块即STM32单片机计算出驾驶员实时疲劳程度概率，并针对疲劳程度较严重的情况采用声音提醒、灯光提醒与GSM通讯提醒等方式预警。

2.2 软件设计

系统工作流程为系统启动后，收集原因层和结果层节点实时数据，确定原因层与结果层节点实时状态，并通过贝叶斯检测模型计算出驾驶疲劳程度实时概率，并通过显示屏显示概率值，若概率值大于0.6且持续时间超过3s则开启声音预警与灯光预警，若概率值大于0.6且持续时间超过8s则启动GSM通信预警，通知预设的紧急联系人帮助驾驶员。系统具体工作流程如图3所示。

3  结语

本文研究了与行车状态有关的疲劳驾驶检测问题，通过分析驾驶时段、连续驾驶时长、驾驶环境的温度对人体疲劳的影响和驾驶员疲劳时行车速度标准差、方向盘转角标准差、油门踏板高度标准差的变化，构建了结合多诱因、多指标的贝叶斯网络，并设计了相应的疲劳驾驶检测预警系统。贝叶斯网络中各节点间条件概率的确定、系统判断结果的准确率等问题，仍需进行大量的实验统计与数据处理，这是进一步研究的方向。

参考文献

[1] 裴玉龙，马艳丽.疲劳对驾驶员感知判断及操作特性的影响[J].吉林大学学报：工学版，2009，39（5）：1151-1156.

[2] 张希波，成波，冯睿嘉.基于方向盘操作的驾驶人疲劳状态实时检测方法[J].清华大学学报：自然科学版，2010，50（7）：1072-1076，1081.

[3] 岳李圣飒，吴志周，孙阳.小波能量熵在疲劳驾驶检测中的应用[J].交通信息与安全，2014，32（5）：108-113.

[4] 吕健健. 基于贝叶斯网络的驾驶员疲劳评估方法研究[D].大连理工大学，2013.

[5] 马艳丽，裴玉龙.连续驾驶时间对驾驶特性测评指标的影响[J].中国公路学报，2009，22（1）：84-88.

[6] 张琦. 机动车驾驶人疲劳程度时变特性及规律研究[D].武汉理工大学，2018.

[7] 单梦璐. 基于贝叶斯网络的疲劳驾驶状态研究与实现[D].大连海事大学，2016.

[8] 毛喆，严新平，吴超仲，等.疲劳驾驶时的车速变化特征[J].北京工业大学学报，2011，37（8）：1175-1183.

[9] 王连震，裴玉龙.基于贝叶斯网络的驾驶疲劳程度识别模型[J].城市交通，2014，12（3）：66-74.

[10]牛清宁.基于信息融合的疲劳驾驶检测方法研究[D].吉林大学，2014.

[11]张晖.基于驾驶行为的疲劳状态识别研究[D].武汉理工大学，2009.