基于皮电和肌电的驾驶疲劳判别阈值研究

兰成辉 李江天 李敏 宋战兵

摘 要：为获得客观而准确的駕驶疲劳判别阈值，基于穿戴设备采集了4小时模拟驾驶过程中的皮电、肌电和脑电信号，通过反应时间和脑电信号区分清醒与疲劳状态，计算不同状态下皮电肌电信号样本熵值，最后绘制ROC曲线确定清醒和疲劳之间的判别阈值。研究表明：皮电信号样本熵在疲劳状态下低于清醒状态，而肌电信号样本熵在疲劳状态下高于清醒状态，但变化规律不一致，可能与不同疲劳程度有关;皮电信号样本熵阈值为0.0197，准确率为0.91;肌电信号阈值为0.70185，准确率为0.85。

关键词：驾驶疲劳;皮电;肌电;阈值;样本熵

目前，驾驶疲劳检测研究主要分以下三类：基于驾驶员行为特征的研究[1]、基于车辆行为特征的研究[2]以及基于驾驶员生理参数的研究[3]。鉴于前两类研究容易受光照和路况等环境因素影响，例如视野正面光照强烈时，驾驶员会眯眼、注视方向会偏移，车辆行为特征在拥挤的城市路段行驶和通畅的郊区路段行驶本身就存在差别，都会对疲劳驾驶产生干扰，而驾驶员生理信号能很好的避开上述环境因素造成的影响，因此本研究选择从生理参数方面探索驾驶疲劳发展规律，以及检测驾驶疲劳的方法。

1 实验设计与设备

本研究招募了12名被试进行了4小时高速单调路况下模拟驾驶实验，应用Bio-Radio无线生理检测仪实时动态追踪和采集生理信号皮电肌电的变化规律及疲劳发生的过程，并利用NE无线脑电仪采集实时脑电信号，通过实验过程中对被试者应对刺激信号的反应时间以及被试者脑电信号的分析，对长时间驾驶过程中的疲劳段与清醒段进行划分，然后利用能够表征时间序列复杂程度的样本熵算法提取清醒和疲劳之间的判别指标，最后通过制作ROC曲线确定清醒和疲劳之间的判别阈值，实现驾驶疲劳的实时检测。

2 生理信号预处理与分析

2.1 疲劳状态的观测与描述

本文结合脑电和反应时间观测疲劳。利用脑电预测驾驶疲劳的相关研究已颇为成熟，一般认为从正常状态进入疲劳状态时慢波增加快波减少。在疲劳前期，反应时间不会发生大变化，但当疲劳发展到一定阶段时，反应时间迅速延长，发生跳跃，带来驾驶能力的急剧降低和危险。基于上述情况，本文选取脑电δ节律功率增加β节律功率减小、反应时间超过反应时间均值的时候作为疲劳状态，如图1所示。

2.2 皮电肌电数据获取

对采集的表面肌电信号进行Butterworth高通滤波，人体皮电信号采用Bandpass滤波，带宽设置为0.02Hz～0.3Hz。滤波处理后，分别以1s作为单位样本数据长度选取连续1min的疲劳和清醒状态数据进行分析。以实验开始之后第15min作为清醒状态数据，反应时间RT突增时间点作为疲劳状态数据。

3 数据处理

3.1 样本熵

样本熵（SampEn）是一种被广泛用于非线性动力学时间序列研究的算法。样本熵值的大小代表时间序列的复杂性，样本熵值越大，时间序列越复杂，同时具有较好的抗干扰和抗噪能力，其计算准确性和对数据序列的解释能力不受数据序列长短的影响，适用于确定性信号和随机性信号分析。该算法由Richman和Moornan基于近似熵改进而来。其计算时需确定数据长度N，嵌入维数m以及相似容限r。

3.2 皮电信号样本熵分析

以500个采样点长度（1s）作为滑窗进行分析，则每个样本的数据长度N=500，分别选取1min的疲劳和清醒两种状态进行分析，即两种状态分别为60个样本。取m=2，取r=0.2倍标准偏差进行计算，结果皮电样本熵均值在清醒、疲劳状态下的分别为0.0778和0.047，皮电样本熵标准差为00916和0.063，两种状态下的皮电信号样本熵存在显著性差异（P=0.001<0.05），可以作为驾驶疲劳的判别指标。此现象也可以从样本熵值变化图看出，如图2所示。

3.3 肌电信号样本熵分析

应用相同的方法获取肌电样本熵，结果如图3。肌电样本熵的变化规律与皮电样本熵相反，从图中可以看出肌电样本熵在清醒时较低、波动幅度较小，而疲劳状态下样本熵值较高、波动幅度较大。解释原因为，当驾驶员出现疲劳困倦后，其方向盘微调次数相比于清醒状态下的正常驾驶变少了，同时急剧的方向盘动作增多（肌电采集部位为小臂）。

对清醒状态和疲劳状态下的肌电信号样本熵进行计算，清醒、疲劳状态下的肌电样本熵均值费别为0.419和0.977，肌电样本熵标准差为0.288和0.418，两种状态下的肌电信号样本熵存在显著性差异（P=0.001<0.05），可以作为驾驶疲劳的判别指标。

4 驾驶疲劳判别阈值的确定

4.1 ROC曲线原理

ROC曲线（receiver operating characteristic curve）即接收者操作特性曲线，其曲线上的各点可以反映对同一信号的敏感性和特异性。ROC曲线图的横坐标为（1-特异性），纵坐标为敏感性，ROC曲线下的面积代表对同一信号的诊断准确性大小，面积越大，准确性越高，而越靠近坐标图左上方的点，敏感性和特异性越高。敏感度和特异度计算公式如下：

TPR指敏感度，解释的是分类器所识别出的正实例占所有正实例的比例。TNR指特异度，指分类器所识别出的负实例占所有负实例的比例。TP为真正类，FP为假正类，TN为真负类，FN为假负类。本研究中，疲劳状态为正类，清醒状态为负类。敏感度即识别TNR出来的疲劳实例占所有疲劳实例的比例，特异度即识别出来的清醒实例占所有清醒实例的比例。

通过ROC曲线确定最佳判别阈值时，越靠近左上方的点表示判别效果越好，因为左上方表示较高的敏感度和特异度，对应较低的漏判率和误判率。在应用中，通常选择曲线上尽量靠近左上方Youden指数最大的切点作为判别阈值（Youden指数=灵敏度+特异度-1）。阈值的准确性可以通过曲线下的面积（AUC）来衡量。

4.2 皮电信号判别阈值

利用SPSS作出皮电信号样本熵的ROC曲线，如图4（左）所示。根据阈值选取原则，计算所有点的Youden指数，得到Youden指数最大时的特征点（点C），选取此点作为最佳临界点，对应皮电信号样本熵值为0.0197，敏感度为88.9%，表明11.1%的疲劳被漏报，特异度为80.8%，表明19.2%的清醒被误报为疲劳。ROC曲线下面积为0.91，说明此方法准确性较高。

4.3 肌电信号判别阈值

肌电信号判别方法同皮电，ROC曲线如图4（右）。需注意的是，因为疲劳状态肌电信号样本熵均值明显高于清醒状态，所以应该选择较大的检验结果表示更明确的检验。由图4（右）可看出曲线上存在一个极为明显的拐点C，该点即为通过Youden指数确定的最优临界点，对应肌电样本熵值为0.70185，敏感度为81.3%，特异度为87.7%，ROC曲線下面积为0.85，说明此方法准确性中等。

5 结论

（1）12个被试者中，清醒状态与疲劳状态下的皮电、肌电信号样本熵值都存在显著性差异，因此皮电、肌电可作为动态驾驶疲劳判别指标。皮电信号样本熵值在疲劳状态下低于清醒状态，且波动幅度更小。大部分驾驶员的肌电信号样本熵值在疲劳状态下则高于清醒状态，且波动幅度更大。

（2）通过ROC曲线分析方法得到基于皮电以及肌电样本熵值的驾驶疲劳判别阈值，即当驾驶员皮电样本熵值在00197以下时，认为驾驶员处于疲劳状态，准确率为0.91;当驾驶员肌电样本熵值在0.70185以上时，认为驾驶员处于疲劳状态，准确率为0.85。

参考文献：

[1]郑秀娟，栗战恒，张昀.基于视觉特性的驾驶安全眼动研究进展[J].技术与创新管理，2018，39（01）：50-59.

[2]徐进，陈薇，周佳，罗骁，邵毅明.汽车转向盘操作与驾驶负荷的相关性[J].吉林大学学报（工学版），2017，47（02）：438-445.

[3]P.A.Karthick，G.Venugopal，S.Ramakrishnan.Analysis of Muscle Fatigue Progression using Cyclostationary Property of Surface Electromyography Signals[J].Journal of Medical Systems，2016，40（1）.