疲劳检测中眼动指标参数的分析研究

陈瑜 徐军莉

摘 要：目前眼动特征的非接触式疲劳检测方法中采用的眼动疲劳指标很多。为了比较各眼动指标的性能，本文采集了7名受试者清醒和疲劳状态下的眼动数据，并从中提取了Per-clos、眨眼时间均值、瞳孔面积等5个常用眼动特征参数，分别从显著性和稳定性两个方面分析了这5个眼动参数的变化情况。研究发现perclos、眨眼均值和瞳孔面积3个眼动指标在清醒和疲劳状态下变化具有明显差异，可以作为有效的眼动疲劳特征指标;作为检测驾驶疲劳的指标，眨眼时间均值最为稳定，其次是瞳孔面积。

关键词：疲劳驾驶;疲劳指标;眼动特征

目前道路交通安全问题已成为严重的社会问题，而疲劳驾驶是发生道路交通事故的重要原因之一[1]。为了减少疲劳驾驶引起的交通事故，很多研究者都已经开始了各种疲劳预警的研究工作，其中基于眼动特征的非接触式疲劳检测方法被广泛采用。在各种眼动疲劳特征指标中大部分采用的有perclos，瞳孔面积等。为了比较各眼动指标的性能，本文采集了7名受试者清醒和疲劳状态下的眼动数据，并从中提取了Per-clos、眨眼时间均值、瞳孔面积等5个眼动特征参数，分别从显著性和稳定性两个方面分析了这5个眼动参数的变化情况。

1 实验

本文采用3Y-31D汽车驾驶模拟器作为模拟驾驶实验平台，采用Ergoneers公司的Dikablis头戴式眼球追踪仪监控驾驶员的视线。驾驶员坐在一个相对宽敞封闭的房间中。为了避免因照明引起驾驶员瞳孔面积的变化，房间中的窗帘和灯光都是关闭的。驾驶员头戴眼镜跟踪仪坐在驾驶座椅上操作驾驶模拟器进行驾驶。眼镜跟踪仪的另一端通过USB接口连接到笔记本电脑。眼镜跟踪仪采集到的眼动数据和视频被传输到电脑中的D-lab软件，D-lab软件根据采集到的数据计算Per-clos和眨眼时间均值等信息。其中D-Lab软件的采样频率设为25Hz。实验场景如右图所示。

依照实验要求，选择了7名具有合法驾照的驾驶人进行驾驶模拟实验。受试者年龄均在21～23之间。驾驶模拟实验采集了受试者的5个眼动指标数据，分别为Per-clos、眨眼时间均值、瞳孔面积、Fixation和Saccade。实验样本共采集180个，这180个实验样本都来自这7名受试者。

2 结果分析

2.1 从显著性分析

本文分别对这5个指标在两种状态下的均值进行计算，结果如表1所示。

从表1中可以明显得出，在清醒和疲劳状态下perclos的均值在[1.8084-9.6001]和[2.23-12.8]之间。而眨眼均值在[0.0811-0.2026]和[0.0940-0.1844]之间。瞳孔面积均值在[763.76-2151]和[822-1477.8]之间存在着较明显的差异。而在fixation指标上几乎变化不大，Saccade指标更是基本上无规律变化。由此说明在疲劳和清醒状态下，可以作为疲劳特征指标的只有perclos、眨眼均值和瞳孔面积。

2.2 从稳定性分析

为了分析perclos、眨眼均值和瞳孔面积三个指标在清醒和疲劳状态下的變化程度，本文分别计算了三个指标的变异系数（CV）。变异系数是衡量观测值变异程度的一个统计量。一般系数越大，其离散程度的测量值越大。三个眼动指标的CV系数如表2所示。

从表2可以看出，在各个状态下，CV2都相对更小。其次是CV3，CV1的值偏大。可见，作为检测驾驶疲劳的指标，眨眼时间均值在各状态最为稳定，其次是瞳孔面积。

3 结论

为了比较各眼动指标的性能，本文采集了7名受试者清醒和疲劳状态下的眼动数据，并从中中提取了Per-clos、眨眼时间均值、瞳孔面积等5个眼动特征参数，分别从显著性和稳定性两个方面分析了这5个眼动参数的变化情况。研究发现：

（1）perclos、眨眼均值和瞳孔面积3个眼动指标在清醒和疲劳状态下变化具有明显差异，可以作为疲劳的眼动特征指标。

（2）作为检测驾驶疲劳的指标，眨眼时间均值最为稳定，其次是瞳孔面积。

参考文献：

[1]Klauser S G，Dingus T A，Neval T V，et al.The impact of driver inattention on near-crash/crash risk：An analysis using the 100-car naturalistic driving study data[R].US Department of Transportation Washionton DC，2006.1.

[2]吴紹斌，高利，王刘安.基于脑电信号的驾驶疲劳检测研究[J].北京理工大学学报，2009，29（12）：1072-1075.

[3]田芸，于赛克，周前详，等.眼动指标在脑力疲劳研究中的应用分析[J].人类工效学，2015.

基金项目：国家级大学生创新创业训练计划项目（201810846002）