基于SSA-BP极端高温天气驾驶疲劳的检测

朱兴林，克然木·司马义，姚亮，叶拉森·库肯

(新疆农业大学交通与物流工程学院，乌鲁木齐 830052)

随着全球气候变暖，极端高温天气事件对人们生命安全构成严重威胁[1]，相关研究表明极端高温天气对人体健康产生不利影响，在高温天气下人的反应能力等知觉能力会有所减弱[2]。由此可见，相比于正常天气，在极端高温驾驶环境下行车时驾驶员生理特性指标变化较显著，并导致驾驶员疲劳程度的快速增加。

根据国内外研究者对道路交通事故的研究结果，疲劳驾驶是道路交通事故的主要隐患，具有很难被发现的特点[3-4]。疲劳驾驶通常会使驾驶员对车辆操控能力的下降，从而导致道路交通事故，因此关于驾驶疲劳的研究引起了许多国内外研究者的关注。

Kecklund 等[5]通过驾驶时间设定为8 h，发现驾驶员脑电信号(α波、β波)和主观疲劳等级随时间显著增加。裴玉龙等[6]以不同年龄驾驶员为研究对象，通过自然驾驶环境下进行行车试验，分析不同年龄驾驶员在驾驶过程中的疲劳程度差异性，获取了不同年龄段最优驾驶时间。Bittner等[7]以车辆方向盘正常转速下的修正时间与低转速下的修正时间之比为研究依据，进行驾驶疲劳检测，并得到有效地验证结果。

驾驶疲劳检测是避免交通事故的有效措施，因此国内外学者使用各种检测方法，针对驾驶疲劳进行了检测与分类。Khushaba 等[8]利用布尔逻辑、粒子群及支持向量机(support vector machine,SVM)等3种算法构造了驾驶疲劳识别模型。Yang等[9]以驾驶员心电图(electrocardiogram,ECG)和脑电图(electro encephalo gram,EEG)生理指标特征为研究基础，提出了一种基于动态贝叶斯网络、信息融合、多重环境以及生理特征的驾驶疲劳识别模型。王连震等[10]利用贝叶斯网络在信息融合和概率统计方面的优势，对驾驶疲劳进行了识别。李鑫等[11]以驾驶员生物信号数据为研究基础，采用D-S (Dempster-Shefer)证据理论构造了基于(blood pressure waveform,BPW)特征融合的驾驶疲劳检测模型，根据该模型的驾驶疲劳检测精度结果，发现具有良好的应用前景。卢章平等[12]采用实验生理学和主观调查疲劳等级方法，研究不同驾驶员在3个时间段的疲劳程度变化，通过不同生理指标的结合提高了对驾驶疲劳识别准确率。

目前，大部分驾驶疲劳检测的研究主要局限在驾驶员生理特性变化和驾驶时间，但关于驾驶环境等多种影响因素的研究较少。首先从驾驶环境视角出发，根据驾驶员自身特征将驾驶员分为本地和外地等两类，分别开展了三种温度驾驶环境下实车试验，采集了两类驾驶员的主观疲劳值和生理特性指标；其次通过统计学方法确定两类驾驶员在不同温度下主观疲劳值和各项生理指标之间的差异；最终构建麻雀搜索算法与(back propagation,BP)神经网络融合的驾驶疲劳检测模型，对驾驶员疲劳等级进行识别与分类，以提高驾驶疲劳检测准确率和可靠性。

1 试验方案的设计

本次试验目的是研究极端高温天气下驾驶员疲劳程度情况，通过采集的试验数据分析两类驾驶员在不同温度下疲劳程度差异，利用主观疲劳值和生理指标数据验证驾驶疲劳等级检测模型的识别精度与可靠性。

1.1 试验人员

按照试验目的，本次试验共招募了20名驾驶员(即10名本地驾驶员、10名外地驾驶员)，均已有C1驾照，平均驾龄为8.25岁。按试验路段熟悉度将驾驶员分为本地和外地等两类，能够满足该疲劳等级检测模型的需求。基于安全因素考虑，试验要求所有试验者为男性、身体健康、无不良驾驶记录、试验前睡眠充足、进行试验前24 h不得饮酒和咖啡等刺激性饮品。

1.2 试验仪器

本次试验仪器选用加拿大Thought Technology公司的ProCamp Infiniti 生理仪设备，该设备包括先进的计算机技术和传感器传导技术。通过传输内线路内部的光纤，可以采集驾驶员心电、皮电等多种生理信号，采集频率达到256 Hz/s。最终利用各种传输技术可以导出txt等格式的数据文件。

1.3 试验环境

研究道路交通事故原因时，驾驶环境影响是不可忽视的主要因素，极端高温天气是温度标准40 ℃及以上的特殊环境，因此驾驶员在极端高温天气下行车时，驾驶员生理特性发生有所变化，从而导致驾驶疲劳现象。根据本次试验目的，拟选行车试验路段始于吐鲁番地区鄯善县苏巴什村止于吐鲁番市高昌区，试验路段来回一次总里程74 km，试验时长均60 min。

1.4 采集数据流程

在进行行车试验时，驾驶员佩戴相关的试验仪器，采集心率和心率变异性数据，并在D-Lab软件中计算。同时进行行车试验过程中，利用卡罗林斯卡嗜睡表(Karolinska sleepiness scale,KSS)量表进行主观调查，即每5 min一次询问试验者疲劳程度，询问的时候观察员根据驾驶员自身变化对驾驶员疲劳程度进行评分。最后将驾驶员回答与观察员评分结果对比，判断驾驶员疲劳程度，如果试验者回答和观察员评分结果不一致，那观察员评分结果为准判断。

1.4.1 主观疲劳等级的确定

通过KSS量表量化疲劳等级是在驾驶疲劳检测中常用的方法[13-14]。采用KSS量表主观疲劳等级调查方法，对驾驶员进行主观评分，KSS量表具体描述和疲劳等级如表1所示。

表1 KSS调查表Table 1 KSS questionnaire

1.4.2 驾驶疲劳等级简化

由于KSS量表过于详细，在评分时很难避免试验者和观察员个人主观因素的影响，通常采用主观评分法结合3级疲劳评价法建立驾驶疲劳3个疲劳等级的标准，有效减弱了试验者在实时自我评分时主观影响差异因素的影响。根据前人的研究成果，将KSS量表主观疲劳值简化为清醒、过度、重度疲劳等3个等级[15-16]，即当KSS≤4时，则试验者处于在清醒状态；当5

表2 疲劳等级表Table 2 Fatigue level table

2 指标选取与数据分析

2.1 指标介绍

通过阅读前人的驾驶疲劳检测研究成果，选取了心率(heart rating，HR)、心率变异性指标SDNN(standard deviation of R-R interval)和RMSSD(root-mean-square difference value of adjacent R-R interval)；根据天气温度影响人体特征参数，选取了表皮温度指标，并与心率HR、SDNN和RMSSD相结合，运用数理统计方法，分析了两类驾驶员各项生理指标在三种温度驾驶环境下变化差异。

(1)HR。HR是指心脏每分钟跳动的次数，人处在正常、疲劳及运动状或紧张态下的HR跳动次数有差别，如正常状态下成年人心率一般跳动次数60～100 次/min，激烈运动状态下心率跳动次数一般在120～180 次/min范围内，而睡眠状态下心率一般50～70 次/min[17]。研究表明，心率的变化在辨识驾驶疲劳研究中具有举足轻重的意义，即经过长时间行车导致驾驶员心率急剧下降[18]。

表3 选取指标与介绍Table 3 Selection indicators and introduction

(2)SDNN。SDNN是指RR间标准差，评价自主神经系统受损和恢复的主要指标。RR间标准差SDNN作为可以分析极端高温天气下驾驶员疲劳程度，计算公式为

(1)

(3)RMSSD。指相邻RR间差值的均方根，表示心率变异性(heart rate variability，HRV)的快速变化。计算公式为

(2)

(4)表皮温度。一般指人体皮肤表面的温度，也称为体表温度，由于皮肤分布在身体的表面，容易受到外界环境的影响，因此与体温而言皮肤温度不稳定，变化的范围比较大[19]，正常情况下皮肤温度标准为36～37 ℃。伴随天气温度增大，表皮温度的越来越不稳定。

2.2 数据统计与分析

2.2.1 驾驶员主观疲劳值和生理指标数据统计

在夏季时，本地驾驶员通常在极端高温天下开车，因此本地驾驶员适应性与外地驾驶员相比较好，从而疲劳程度之间也存在明显的差异。图1为测试的两类驾驶KSS量表主观疲劳值。可以看出，随着驾驶环境温度的升高，驾驶员主观疲劳值呈上升趋势，外地驾驶员的主观疲劳值大于本地驾驶员主观疲劳值。

图1 两类驾驶员主观疲劳值KSSFig.1 The subjective fatigue value KSS of two types of drivers

针对两类驾驶员指标数据进行统计，分析各项指标在三种温度驾驶环境下的变化情况，汇总结果见图2所示。汇总结果显示，随着驾驶环境温度变化，两类驾驶员心率HR、表皮温度、SDNN及RMSSD等4个特征指标之间存在显著差异。

从图2可见，在极端高温天气下两类驾驶员各项生理指标变化显著，通过此4项生理指标变化与主观回答结果结合，初步可知极端高温天气下驾驶员疲劳速度较快。

图2 不同温度下两类驾驶员相关指标数据汇总Fig.2 Summary graph of two types of driver-related index data at different temperatures

2.2.2 主观疲劳值与生理指标相关性分析

由于驾驶疲劳程度增加与驾驶员自身特性变化密切相关，驾驶员主观疲劳值和生理特性指标之间存在一定的关联性，因此应用Person相关性分析方法，分析得到两类驾驶员在极端高温天气下采集的4项生理特性指标之间的相关矩阵，如表4所示。

表4 基于极端高温天气生理数据相关性分析Table 4 Correlation analysis of physiological data based on extreme high temperature weather

分析结果表明，在极端高温天气下本地和外地驾驶员心率变异性指标SDNN和RMSSD共同两个指标与驾驶员主观疲劳值KSS相关性最显著，同时与前人研究成果相结合，选取SDNN为极端高温道路环境驾驶疲劳程度检测研究中建议参考的生理指标。

2.2.3 不同温度下两类驾驶员生理指标差异性分析

在极端高温天气下本地与外地两类驾驶员心理、生理特性指标数据变化程度之间有所差异，需要对本文选取的生理指标数据进行差异性分析。为分析极端高温道路环境下两类驾驶员生理数据变化之间的差异，采用非参数检验(曼-惠特尼U检验)针对极端高温天气、高温天气及正常天气等3种温度驾驶环境下两类驾驶员4项生理指标进行差异性分析，检验结果如表5所示。

表5 不同温度驾驶环境下两类驾驶员非参数检验Table 5 Two types of non-parametric tests of drivers in different temperature driving environments

从表5可知，极端高温和高温两种天气下本地与外地驾驶员生理数据之间存在显著差异，而正常天气下此两类驾驶员各项生理数据之间差异不显著，检验结果表明极端高温天气对两类驾驶员产生不同程度的影响，选取的4项生理指标可以用于基于极端高温驾驶疲劳程度研究。

2.2.4 极端高温天气下两类驾驶员生理指标配对检验

根据前人的研究成果和驾驶员特征分析检验，以两类驾驶员生理指标里选取SDNN为主要特征参数，针对两类驾驶员SDNN进行配对T检验，分别得到基于极端高温道路环境2类驾驶员产生疲劳的驾驶时间。首先将两类驾驶员SDNN指标数据 按5 min 的标准进行分组，前5 min的SDNN数据与其他数据组进行配对T检验(即5 min-10 min，5 min-15 min，…,5 min-60 min)。检验结果如表6所示。

由表6可知，本地驾驶员心率变异性指标SDNN数据到35 min的时候，配对检验结果显示为非常显著，表明本地驾驶员在极端高温道路环境下行驶时间到35 min左右开始产生疲劳驾驶；而外地驾驶员在25 min时，检验结果显示为非常显著，表明外地驾驶员在极端高温道路环境下行驶时间到25 min左右开始产生疲劳驾驶。

表6 极端高温两类驾驶员SDNN数据配对检验Table 6 Paired test of SDNN data for two types of drivers in extreme high temperature

3 疲劳检测模型建立

3.1 BP神经网络的基本概述

BP神经网络是机器学习中常见的预测模型，它通过建立类似于大脑神经突链接的结构进行信息处理。BP神经网络利用逆向传播的方法，针对网络进行训练将误差反馈给神经网络，在训练过程中对网络中的权重值和阈值进行不断地调整，并实现最优拟合结果[20]。BP神经网络的基本拓扑结构包括输入层、隐含层及输出层等3个元素，如图3所示。最终根据预测结果与主观疲劳等级标签拟合程度判断预测准确率。

X1、X2、X3及X4表示为选取的4项生理指标，而X5表示为主观疲劳等级标签；Wij和Wjk表示为隐含层函数；A1、A2、A3、A4及A5分别表示为疲劳预测输出值图3 BP神经网络结构图Fig.3 Structure diagram of BP neural network

随着BP神经网络使用领域的扩大，国内外学者研究发现了BP神经网络的缺点和不足，即BP神经网络存在局部小化问题，导致预测结果不一致；存在算法收敛的速度较慢问题，引起了算法效率低的情况；训练网络机构选择不一致问题，影响网络结构的逼近能力。因此为提高疲劳检测的精度，本文利用麻雀搜索算法优化BP神经网络，建立驾驶疲劳检测模型。

3.2 基于SSA优化BP神经网络方法

麻雀搜索算法[21-22](sparrow search algrothm,SSA)是根据模拟麻雀觅食和逃避危险的行为提出的一种优化算法。麻雀群体的觅食行为包括三种，发现者寻找食物、加入者跟随发现者发现食物位置、观察者决定该群体是否放弃食物。其中发现者与加入者之间存在一定的相互转换关系，发现者的数量占整个群体的10%～20%，由于发现者的活动范围广，通过不断地更新自己的位置，并确定食物的具体位置。加入者则跟着发现者不断地觅食行为，以获得更高的适应度。而观察者则侦查食物位置周围的危险，负责捕食出现时提醒群体避免反捕食的行为，一般占群体数量的10%～20%[23]。

(1)发现者的位置更新表达式为

(3)

式(3)中：Cmax表示算法最大迭代次数；a则表示(0,1]的均匀随机数；Q是服从正态分布的随机数；L表示为1×d的矩阵；其元素为1；且R2∈[0,1]和ST∈[0，5，1]表示为预警值和安全值。

(2)加入者的位置更新公式为

(4)

麻雀群体寻找食物时部分麻雀进行侦查周围环境的危险情况，当发现危险来临时，通过交流方式提醒其他麻雀，从而麻雀群体它们放弃食物，避免捕食者的危险，移动其他位置继续寻找食物。

(3)观察者的位置更新公式为

(5)

麻雀搜索算法(SSA)与传统的优化算法相比，受参数设置的影响小、收敛速度快、计算范围广，不易陷入局部最优，因此麻雀搜索算法(SSA)能够有效地优化BP神经网络驾驶疲劳检测模型。SSA-BP神经网络驾驶疲劳预测模型实现基本步骤(图4)如下。

图4 基于麻雀搜索算法优化BP神经网络流计算程图Fig.4 Flow calculation diagram of optimizing BP neural network based on sparrow search algorithm

(1)确定BP神经网络的拓扑结构输入层，隐含层、输出层节点。

(2)对驾驶员生理指标数据进行预处理。

(3)初始化BP神经网络阈值和权重值。

(4)计算每一只麻雀个体的适应度。

(5)根据式(3)、(4)、(5)计算发现者、加入者及观察者的更新位置。

(6)更新最优适应度，判断是否达到最优迭代数，若满足下一步输出结果，若没有满足回到循环继续计算。

(7)得到种群最优个体赋值BP神经网络阈值和权重值。

(8)输出预测结果。

4 实例分析

基于SSA-BP神经网络驾驶疲劳检测模型在MATLAB进行实现，建立了极端高温天气驾驶疲劳检测模型。该模型随机抽取70%的样本作为训练集，30%的样本作为测试集，将简化后的KKS量表疲劳等级为标签，对SSA-BP神经网络驾驶疲劳预测模型进行训练和测试，其极端高温天气驾驶疲劳预测和分类结果如图5所示。

图5 驾驶疲劳等级预测与分类结果Fig.5 Prediction and classification results of driving fatigue level

从图5(b)预测结果可见驾驶疲劳等级越低，预测与分类效果越好，误差越小，疲劳等级属性1与疲劳等级属性2、3相比较少，说明极端高温天气下驾驶员快速进入疲劳状态。根据驾驶疲劳预测值和真实值之间相互对比分析，该模型的预测和分类效果较好、运行时间短及收敛速度较快，能够为极端高温天气驾驶疲劳检测研究提供一定的参考和借鉴。

标准BP神经网络驾驶疲劳预测模型准确率达到0.885，利用麻雀搜索优化后的BP神经网络准确率可达0.95，SSA优化曲线图越接近1，则预测效率越好，从图6可见，优化准确率达到0.945时开始平稳，最终结果达到了最佳适应度。表明SSA有效地优化BP神经网络预测模型，基于SSA改进后的BP神经网络驾驶疲劳检测精度更准确。

图6 SSA优化曲线图Fig.6 SSA optimization curve

5 结论

从驾驶环境视角出发，针对极端高温天气驾驶环境中驾驶员疲劳程度进行研究。通过分析三种温度驾驶环境下驾驶员相关生理指标变化差异，发现极端高温天气对两类驾驶员产生不利影响。在此基础上，建立了基于SSA-BP驾驶疲劳检测模型，得出如下结论。

(1)首先按试验道路熟悉程度，将驾驶员分为本地和外地等两类，分别在极端高温天气、高温天气及正常天气等3种气温环境下开展实车试验，采集了两类驾驶员的主观疲劳值和生理数据，共选取4项指标并进行分析与研究。

(2)驾驶员特征分析结果表明，在极端高温天气下两类驾驶员SDNN、RMSSD指标与KSS量主观疲劳值之间的相关性最显著；在极端高温天气和高温天气下两类驾驶员生理特性指标变化之间存在显著差异；配对检验结果显示，本地驾驶员行驶时间到35 min时出现疲劳状态，而外地驾驶员行驶时间到25 min时出现疲劳状态，表明相比于本地驾驶员，外地驾驶员受极端高温天气不利影响较明显。

(3)基于SSA-BP驾驶疲劳检测模型分析本地及外地驾驶员极端高温天气疲劳等级分类表明，麻雀搜索算法能够有效地优化BP神经网络预测模型，该模型具有良好驾驶疲劳等级识别功能，可为极端高温天气道路交通安全提供一定的参考与借鉴。