基于 PPG信号的驾驶员生理参数监测

2023-05-09于露任晓阳魏恒建吕文文路鑫

大连交通大学学报 2023年2期

于露,任晓阳,魏恒建,吕文文,路鑫

( 大连交通大学交通运输工程学院,辽宁大连 116028)

随着交通运输业的发展,交通安全事故也日益增多。目前我国发生的各类事故中,交通安全事故的死亡率排在第9位[1]。交通事故类型多、时效性要求高[2],驾驶员疲劳驾驶、违章驾驶、超速行驶、酒驾、无安全带驾驶、路况不佳已经成为交通道路的六大杀手[1]。因此,驾驶员良好的身体状况是人们安全出行的重要保障。

许多学者对驾驶员疲劳状态的监测进行了研究:耿磊等[3]通过驾驶员面部行为分析并监测驾驶员疲劳状态;刘明周等[4]提出了基于面部以及手部运动特征的驾驶员疲劳融合检测算法,综合判断驾驶员的疲劳状态。相比上述方法,利用PPG信号进行驾驶员的疲劳检测更加方便,而且还有无创、多参数、低成本、便捷和测量位置灵活等优点[5]。

近年来,基于PPG信号的人体状况监测系统在国内外发展迅速。主要集中于对信号的采集、对PPG信号进行一系列处理以及基于PPG信号装备设计等。李学波[5]对人体参数提取算法进行了研究,首先对PPG信号进行了降噪处理,然后提取了PPG波形的特征参数,利用这些参数计算出人体各项生理指标。郑换霞[6]针对PPG信号脉搏波,提出了一种改进时频联合的方法提取心率,对其技术进行了误差检测。李皙茹[7]通过为PPG与不同生理参数建立模型,深入研究,实现了对PPG信号的充分利用。董勇兵[8]研究了利用PPG信号提取人体生理参数的方法。陈真诚等[9]对PPG信号进行滤波和放大处理,识别出比较完整的PPG信号并对其进行经验模态分解。张剑锋等[10]提出一种利用类似图像边沿检测技术方法对PPG信号进行处理来提取人体脉搏信号。刘丽佳[11]提出了噪声抑制与无效信号剔除相结合的处理策略。李钢等[12]提出了一种时域与频域联合的 PPG 信号预处理算法。Koneshloo 等[13]提出一种基于联合追踪线性程序的 PPG 信号预处理方法。PPG 信号中的高频噪声可以通过经验模式分解(EMD)方法消除,工频干扰可以通过集成在 DSP 中的小波去噪方法来减少,基线漂移可以通过应用小波多分辨率原理来估计[14-17]。肖昂弘等[18]将PPG信号和蓝牙智能手表相结合,利用红外反射光检测方式,通过差分放大器、滤波器、程控放大器后实现对PPG信号的采集。于露[19]基于PPG信号设计了一款腕表设备,通过对高温、高湿、低氧等有限空间作业环境中的PPG信号进行处理,实现人因参数监测和异常生理状态的预警。

本文根据我国目前的交通安全的状况以及上述提到的PPG信号相比于普通方法的优点,利用光电容积脉搏波信号(Photoplethy Smography-PPG)来提取驾驶员相关生理参数,用来实时监测驾驶员的安全状况和生理心理状况,减小交通事故的发生。

1 试验方案及流程

1.1 试验方法

(1)人员选择

本次试验招募10名身体健康、无心血管疾病的青年驾驶员,其中4名男性、6名女性。招募人员年龄为21～23岁,平均年龄为21.8,10名被试人员按试验顺序编号为1～10。为避免个人体质差异对试验的影响,在试验前对被试人员进行相关生活习惯、身体健康情况的调查,并告知被试人员试验流程,确认被试人员均自愿参加试验。

(2)模拟试验方案

有研究表明[20]驾驶员在高速顺直路段上驾车行驶,在无超车、无跟车的情况下,其心率相对于静止状态时的增加量为5～10 次/min,当车速超过120 km/h时,心率变化量才会大幅变化。

本研究监测被试人员在匀速步行时的心率增加量如图1圆点所示。大部分被试人员在步行过程中的心率增加值N为0～10 次/min,步行开始3 min后有被试人员的心率增加值达到了5 次/min(图1虚线所示)。总体来看匀速步行时人的运动规律性较强,心率波动较小,因为是小幅运动,血液流速也不会很快; 而驾驶员的驾驶行为,也是小幅运动, 运动强度也不大,行为也相对规律, 所以用步行模拟驾驶员驾车行为,从人体生理参数角度与行为学角度分析都具有一定的科学性。

图1 步行阶段心率变化

PPG信号是能够准确反映人体生理多参数综合信息的信号,利用PPG信号对驾驶员进行疲劳检测比传统方法更加方便快捷。本文选择手指作为采集PPG信号的部位,利用一款简易的PPG信号采集装备采集信号。

本试验将在13:00—14:00(人普遍最疲劳的时间点)利用人体匀速步行来模拟驾驶员驾车行驶,并且在步行过程中利用人工障碍模拟驾驶员行车过程中遇到的突发状况,并在行驶过程中不定时地设置红绿灯障碍,全程监测被试人员的PPG数据(突遇障碍与遇到红灯是最常见的两种情况)。试验过程流程见图2。

图2 试验过程流程

1.2 试验流程

试验前被试人员需要进行充分休息,同时进行身体相关指标的问卷调查及疲劳自评问卷[21]。休息过后,被试人员首先匀速步行7～8 min模拟驾驶员正常驾车状态,10 min后设置人工障碍,突然出现障碍物,全程监测被试人员的PPG数据。再过10 min,出现人工设置的红灯信号,同样全程监测被试人员的PPG信号数据。试验结束后,完成疲劳自评问卷。

试验过程中要求被试人员可以进行正常交流,但手指位置移动的幅度要尽可能小,保证测试结果的准确性。在被试人员测试前,为了保证数据的真实性,确保被试人员不清楚试验过程中遇到的障碍以及出现障碍的时间。

1.3 疲劳有效性检验

将疲劳问卷分为疲劳前、后两组,统计相应得分情况,利用SPSS对两组数据进行单样本非参数检验和配对T检验,结果分别见表1和表2。由检验结果可知,单样本运行检验的方差分析值分别为0.587、0.226,均大于0.05,说明疲劳问卷的得分为随机数列。Kolmogorov-Smirnov检验的方差分析值分别为0.464、0.628,均大于0.05,说明问卷得分符合正态分布,可以进行配对 T 检验。对问卷得分情况进行配对样本 T 检验,检验结果见表 2．从分析结果中可以看到配对样本检验的方差为零(<0.05),说明在进行规定的运动后被试人员的主观疲劳感显著增强,即证明试验对被试人员有效,可以导致被试者疲劳。

表1 疲劳问卷单样本非参数检验

表2 疲劳自评配对样本T检验

2 信号处理

PPG信号可以反映人体的心血管信息,但在采集PPG信号时会受到许多噪声的干扰,主要分为以下3种[22]:

(1)基线漂移:基线漂移属于低频噪声,一般频率低于0.5 Hz,由人体呼吸和肢体轻微移动引起。

(2)工频干扰:工频干扰是由电力系统的影响引起的低频噪声,频率一般为50 Hz。

(3)肌电干扰:肌电干扰属于高频噪声,一般是由人体肌肉运动引起的噪声,频率一般为5～2 000 Hz。

本文利用小波变换来对噪声进行预处理, 小波变化是根据傅里叶变换的局限性衍生出来的,它克服了傅里叶变换不能刻画时间域上信号局部特性和不适用于非平稳信号分解的缺点。利用小波变换对信号进行处理主要分为以下步骤:

(1)确定小波函数以及对信号进行小波分解。

小波变换的分解层数对消噪影响很大,分解层数过高,会使信号严重丢失,分解层数过少,效果不理想,所以一般小波变换的分解层数不超过8层。

(2)利用软阈值法对基线漂移和噪声进行处理,并进行信号重建。

阈值函数处理主要分为硬阈值函数处理和软阈值函数处理,两种阈值函数表达式如下[23]:

硬阈值法:

(1)

软阈值法:

(2)

sgn(x)为符号函数:

(3)

式中:x为小波系数;λ为阈值;f(x)为阈值处理后的小波系数。

(3)对重建后的信号进行归一化处理。

归一化处理是将信号数据缩放到某个范围内。

(4)利用Savitzky-Golay滤波器对信号进行平滑处理。

3 特征参数提取

为了可以在驾驶员的生理信号发生变化前监测到其变化,正确评估其生理信息,需要对PPG信号进行特征参数的提取。本文最终从两个方面提取PPG信号的特征参数,即PPG信号的传导周期和上升、下降速率。

3.1 PPG信号的周期提取

为了提取完整的PPG信号的周期,本文对10位被试人员的PPG信号进行分析,挑选最具代表5位被试人员的PPG信号周期进行分析对比。首先提取每位被试人员2 min内匀速步行时的周期的平均值,然后分别提取突遇障碍和红绿灯两种情况下的PPG信号周期与匀速步行的PPG信号周期值进行对比,见表3 。

3.2 PPG信号的上升、下降速率提取

3.2.1 上升、下降速率算法

PPG信号上升阶段的生理意义是左心室开始收缩,主动脉瓣开启,血液自左心室输出,主动脉内因射血而压力迅速上升,血管壁扩张,血液充盈度增大,形成脉搏波形中的上升部分。如果心搏输出量大,射血速度快,则PPG信号波形上升阶段上升速度快,波形上升部分斜率大;反之,则上升较慢,斜率较小。PPG信号下降的下降速度同样也反映了血管的外周阻力与血管顺应性的实时状态。

因此,本文提取了PPG信号的上升、下降阶段的速率作为一个特征参数,计算公式为: