基于脑电功率的疲劳驾驶检测研究_kaic

基于脑电功率的疲劳驾驶检测研究
摘  要
在道路交通安全领域，疲劳驾驶是一种常见的交通安全隐患。现有数据统计，全球每年有大约２１％的重大交通事故与疲劳驾驶有关，疲劳驾驶成为了诱发交通事故的主要原因之一，造成了重大的经济损失和人员伤亡[1]。因此，对驾驶员的疲劳程度进行定量分析并实时检测驾驶员的疲劳程度尤为重要。为了应对这一问题，研究人员提出了采用基于脑电功率的疲劳驾驶检测研究来检测驾驶员疲劳状态的方法。本文中采用的数据集是上海交通大学吕宝粮教授等人成立的仿脑计算与机器智能研究中心所测量的SEED-VIG数据集[2]。此数据集是在一个模拟驾驶系统内来收集EEG和EOG数据，通过LCD屏幕实现笔直、单调的驾驶道路，而此种场景更容易是受试者进入疲劳驾驶的状态。通过对数据集进行预处理分析和特征提取分析得到多通道脑电信号的频谱特征，并计算出信号在不同频（Delta、Theta、Alpha和Beta）上的功率谱密度，并使用auc函数计算每个频带上的面积最后基于采集到的脑电信号，建立了基于支持向量机（Support Vector Machine,SVM）的机器学习模型进行疲劳检测。实验结果表明，当大脑从清醒状态进入疲劳状态，枕叶区和颞叶区的Beta波和Delta波的功率谱密度有明显下降,Theta波和Alpha波的功率谱密度明显增强。
关键词：脑电功率、特征值、驾驶、疲劳检测

 
Research on fatigue driving detection based on EEG power
Abstract
Fatigue driving is a common traffic safety hazard in the field of road traffic safety. According to the existing statistics, about 21 % of major traffic accidents worldwide are related to fatigue driving every year. Fatigue driving has become one of the main causes of traffic accidents, causing significant economic losses and casualties. Therefore, it is particularly important to quantitatively analyze the fatigue degree of the driver and detect the fatigue degree of the driver in real time. In order to deal with this problem, researchers have proposed a method to detect the driver 's fatigue state based on EEG power. The data set used in this paper is the SEED-VIG data set measured by the Center for Imitation Brain Computing and Machine Intelligence Research established by Professor Lv Baoliang and others from Shanghai Jiao Tong University [2]. This dataset collects EEG and EOG data in a simulated driving system, and realizes a straight, monotonous driving path through the LCD screen, which is more likely for the subject to enter the state of fatigue driving. The spectral characteristics of multi-channel EEG signals are obtained by preprocessing analysis and feature extraction analysis of the data set, and the power spectral density of the signals at different frequencies ( Delta, Theta, Alpha and Beta ) is calculated, and the area of each frequency band is calculated by using the auc function. Finally, based on the collected EEG signals, a machine learning model based on support vector machine ( SVM ) is established for fatigue detection. The experimental results show that when the brain enters the fatigue state from the awake state, the power spectral density of Beta and Delta waves in the occipital and temporal lobes decreases significantly, and the power spectral density of Theta and Alpha waves increases significantly. 
Keywords : EEG power, eigenvalue, driving, fatigue detection
 
目录
摘  要
Abstract
1.1 研究背景和意义
1.2 相关技术国内外研究现状
1.2.1基于驾驶员生理信号的检测
1.2.2基于驾驶员行为特征的检测
1.3 论文的研究内容与结构安排
第二章 Python语言与MNE
2.1 引言
2.2 Python语言
2.3 MNE简介
2.4Anaconda及MNE安装
第三章 基于脑电功率的疲劳驾驶检测原理
3.1 引言
3.2 脑电信号预处理
3.2.1 数据读取
3.2.2 信号滤波
3.2.3 去除伪迹
3.2.4 信号分段
3.3 特征提取
3.4 分类器设计
第四章 实验结果分析
4.1 引言
4.2 脑电功率谱密度
第五章 研究的不足之处
第六章 总结与展望
参考文献
致谢

 
第一章 绪论
1.1 研究背景和意义
疲劳驾驶是造成交通事故的主要因素之一。2017年5月交通网资料显示，2016年度京沪高速淮安段共发生交通事故787起。其中因疲劳驾驶导致的交通事故414起，约占事故总量的52.6%[3]。疲劳驾驶不仅危害司机人的生命安全，还会对其他车辆和行人造成严重的威胁。因此如何对疲劳驾驶进行有效的检测和预防成为交通安全领域的研究热点之一。
目前，疲劳驾驶的检测方法主要包括行为观察、生理检测和车辆控制等。其中，行为观察法是最为常用的方法，疲劳驾驶状态检测系统是预防疲劳驾驶的常用方法，主要是通过直接或间接方法对驾驶员的行为状态、面部状态进行实时监控并适时发出报警提醒。车辆行驶过程中会面临各种复杂的状况，比如光线环境变化道路环境变化等，同时驾驶员的外貌特征也因人而异，因此这些因素对疲劳驾驶检测系统的准确性提出了更高的要求[4]。生理检测法可以通过监测驾驶员的心率、血压、呼吸频率等生理指标来判断其是否处于疲劳状态。但是，这种方法需要使用专业设备和技术，成本较高，不易普及。车辆控制法主要是通过监测驾驶员的车辆操作行为来判断其是否处于疲劳状态。但是，这种方法需要一定的时间积累数据，且对驾驶员的驾驶技能要求较高，不适用于新手驾驶员。
因此，基于脑电功率的疲劳驾驶检测方法应运而生。脑电信号是指人体大脑神经元活动所产生的电信号，可以反映人们的思维、认知、情绪等方面的变化。研究表明，脑电信号中的特定频段与疲劳状态之间存在一定的关系。因此，通过对驾驶员脑电信号进行监测和分析，可以准确地判断其是否处于疲劳状态，并及时采取防范措施，从而避免交通事故的发生。通过生理信号进行的疲劳驾驶检测是比较靠谱的，可以给驾驶员穿戴设备采集驾驶员相应部位的生理信号，如脑电信号（Electro-encephalography,EEG）、眼电信号（Electro-oculogram,EOG）和肌电信号（Electromyogram,EMG）等生理信号，再设计算法模型判断驾驶员是否处于疲劳状态[5]。脑电信号直接反应了大脑活动，异常信号在疲劳发生的前20秒就会被记录在脑电信号中。所以通过采集脑电就能能达到较好的检测效果[6]。
随着汽车行业的不断发展，其安全性和性能也得到了极大的提升。然而，疲劳驾驶仍然是造成交通事故的主要原因之一。因此，如何及时准确地检测出驾驶员的疲劳程度，对于提高道路交通安全、防止交通事故发生具有重要意义。
近年来，基于脑电功率的疲劳驾驶检测逐渐成为了研究的热点之一。脑电功率是指脑电信号中的频率和能量，可以反映出人的认知和情绪状态。通过对驾驶员脑电信号的采集和分析，可以得出其疲劳程度，从而提醒其进行休息或者采取其他措施以避免交通事故的发生。
这种基于脑电功率的疲劳驾驶检测技术有以下几个重要意义：
1.提高驾驶员的安全意识。驾驶员往往无法及时察觉到自己的疲劳状态，甚至会出现疲劳驾驶的情况。通过基于脑电功率的疲劳驾驶检测技术，可以及时提醒驾驶员注意自己的疲劳程度，提高其安全意识。
2.减少交通事故的发生。疲劳驾驶是造成交通事故的主要原因之一，而基于脑电功率的疲劳驾驶检测技术可以及时发现驾驶员的疲劳状态，从而提醒其进行休息或者其他措施，避免交通事故的发生。
3.提高驾驶员的工作效率。疲劳驾驶不仅会影响驾驶员的安全，还会影响其工作效率。通过基于脑电功率的疲劳驾驶检测技术，可以及时发现驾驶员的疲劳状态，提醒其进行休息，从而提高其工作效率。
4.推动智能交通系统的发展。基于脑电功率的疲劳驾驶检测技术是智能交通系统的重要组成部分之一，其应用可以推动智能交通系统的发展，提高其安全性和效率性。
总之，基于脑电功率的疲劳驾驶检测技术具有重要的研究意义和实际应用价值，可以提高驾驶员的安全意识，减少交通事故的发生，从而减少驾驶员发生交通事故的概率，推动交通安全的发展。
 
1.2 相关技术国内外研究现状
疲劳驾驶的检测方式可以可分为主观检测方法和客观检测两种方法。主观检测方法又可以分成评价性检测和生理反应检测。评价性检测方法包括：驾驶员自我记录表、睡眠习惯调查表、皮尔逊疲劳量表、斯坦福睡眠尺度表等。被试可以通过填写报作为驾驶时的主观感受，疲劳驾驶原本就是一种主观存在的因素，因此主观检测方法非常必要，但是由于不同被试之间存在个体差异性，所以只能采用主观检测的方法，但主观检测的准确率并不高，所以通常会采用辅助客观检测方法来判断疲劳的发生。
目前，国内外有关研究判断疲劳驾驶主流的方法仍然是客观检测方法，主要有以下几种方式。
1.2.1基于驾驶员生理信号的检测 
（1）基于心电图（Electrocardiogram，ECG）信号的检测 
监测驾驶员生理信号的疲劳状态，通常采用以心电图监测的方法，这个方法是以Heartratevariability心律变异性指数为基础判断驾驶员是否处于疲劳状态。SukardiSuba等人闻询并处理了70名以上行车司机的驾驶过程的生理数据，研究发现生理状况的变化跟心律成一定关系，即驾驶员长时间驾驶后的疲劳程度与心脏跳动频率对比，驾驶者的心脏跳动频率降低，则驾驶员处于疲劳状态。与此同时疲劳驾驶的驾驶员的心律变异性指数呈现上增趋势[7]。Wang等得出心律变异性（HRV）特性的方法作为计算样本熵（SampEn），采用样本熵计算心律变异性，研究长时间不间断疲劳驾驶状态，讨论驾驶员各种不同生理状况指标之间的关系[8]。曾超等人对比了驾驶员正常状态下和连续驾驶状态下心律变异性特征跟ANS变异性增加以及复杂性增加，发现有性别差异[9]。 
（2）基于肌电（Electromyogram，EMG）信号检测 
基于正常驾驶的驾驶员与长时间不间断驾驶的驾驶员在行车时的肌电信号上存在明显差异这一特征，疲劳动态检测模型结合脑电图(EEG)、呼吸信号和人体肌电图(EMG)被Fu等人使用以隐马尔可夫模型(HMM)为基础进行动态识别疲劳，通过alpha与theta波对驾驶员进行生理状态疲劳驾驶检测并证实为有效的方法[10]。王琳等人以生物力学为基础研究驾驶员在长时间不间断连续驾驶的情况下中的疲劳状态并结合EMG信号进行综合分析[11]。采用经验模态分解算法经过长期使用被证实存在对信号的处理，如去噪滤波。使用该方法对肌电信号EMG信号进行综合分析，获得非正常驾驶状态下意识萎靡以及驾驶员的腰椎、颈部等肌电信号的特征参数，建立疲劳驾驶模型，可以清晰辨别驾驶员的健康心理状态和萎靡心里状态。使用该方法，驾驶员疲劳状态识别准确率可以达到91%以上。
(3)基于脑电图（Electroencephalogram，EEG）信号检测  
通过长期实验从中得出结论：被试的很多的人体状态信息都包含在脑电波中。从这些生理信息中可提取出很多关键的特征参数，如果选用合适的脑电特征参数进行综合分析，那么健康的驾驶状态和长期疲劳驾驶的状态就可以清晰地区分辩开来。Wang等人把计算功率谱密度（Power Spectral Density，PSD）与计算样本熵（SampEn）算法相融合，融合后发明了以脑电图（EEG）信号为基础的检测方法对实际情况下的驾驶员生理萎靡检测是客观及时有效的，数据显示模仿真实驾驶环境中记载的时间与预测驾驶员疲惫的反应时间相同，证明了这种检测方法是能客观地反应驾驶员的生理状态[12]。刘天娇等人采集21名被试驾驶状态的脑电信号，使用数据功率谱分析的方法，探究驾驶员主动疲劳与脑电指标的关系，研究结果表明:在高速公路的复杂驾驶任务中，驾驶员脑电合并指标呈现下降趋势，同时，与驾驶员主观疲劳程度有显著的正向拟合关系，拟合解释率达50%[13]。
1.2.2基于驾驶员行为特征的检测
（1）基于头部位置检测 
主要对头部的偏离角度、时间和距离进行判断，如果驾驶员处于疲劳驾驶的状态中，头部势必会偏离正常位置并且时间也超过设定值。Waleed等人通过驾驶员的头部位置信息和头部旋转角度设计了新的模块化方法，该方法可以用于疲劳驾驶的早期检测，结果具有明显的设计灵活性和鲁棒性[14]。田文杰等人在几种典型车辆上的座椅头枕正上前方正对驾驶员头部的位置安装检测设备，根据头部的相对位置判断疲劳，验证了方法的正确性和有效性，这种方法准确率一般较高[15]。 
（2）基于PERCLOS检测 
PERCLOS算法即：单位时间内眼睛闭合时间所占比例（Percentage of Eyelid Closure Over the Pupil Over Time，PERCLOS）。Nie等人提出了一种非接触式视觉图像检测方法，分析闭眼时间、闭眼百分率（PERCLOS）值、眨眼次数和频次以达到疲劳驾驶检测的目的。研究结果表明，驾驶员从清醒状态进入疲劳状态前后的四项指标有显著性差异[16]。当闭眼时间为3.5s/min，PERCLOS值为6%，眨眼频率为0.4次/s时，驾驶员的疲劳状态明显，该图像检测方法为疲劳检测方法提供了参考。Duan等人利用人脸检测方法对驾驶员的眼睛进行定位，提取眼睛区域来监测眼睑的运动，设计了一种基于PERCLOS标准的疲劳驾驶监测提醒系统，并将其应用到Android系统中，该方法准确率高，运行速度足够快，可用于白天驾驶员疲劳监测[17]。潘志庚等人设计了一种基于机器视觉，图像处理的驾驶员疲劳检测机制[18]。利用Adaboost算法进行人脸检测，再根据PERCLOS原理对驾驶员的疲劳状态做出检测。结果表明，该算法能够准确无误地判段识别出眼睛的闭合状态，可以有效检测出驾驶员的疲劳状态，具有较高的准确性和实用性。
（3）眼部检测  
驾驶员在疲劳驾驶时，眼部特征也能反应出驾驶员是否处于疲劳状态。Wang[19]等记录了眼睛注视、眼跳、眨眼数据。通过采用方差分析方法，分析不同年龄组在不同时间段内各变量的变化。分析结果表明，驾驶时间对视觉行为和疲劳感的变化有显著影响。Wu[20]等人 分析了不同驾驶员个体产生疲劳感的机理，并以非接触方式收集的眼动数据作为客观量度，FWSVM的平均准确度为90.98％。靳慧斌[21]等人利用扫视速度、平均注视时、注视点数、长、扫视幅度、闪光融合频率和眼闭合时间比例6项指标来检测疲劳状态，结果表明6项指标与疲劳呈中度及以上显著相关，可以作为检测疲劳的参考指标，指标联合检测性能要优于单项检测，可以更为准确地检测疲劳状态。

1.3 论文的研究内容与结构安排
本文首先介绍了有关基于脑电功率的疲劳驾驶检测研究的相关研究，其次对对脑电数据进行数据处理。论文结构如下：
第一章：阐述了本文课题的背景及意义，相关技术在国内外的研究现状以及论文研究内容与结构安排。介绍了疲劳驾驶对交通安全的影响以及现有疲劳驾驶检测手段存在问题。说明基于脑电功率的疲劳驾驶检测研究的意义。
第二章：主要阐述了MNE分析脑电所用到的Python开发语言语言，以及MNE的安装教程。
第三章：主要介绍了基于脑电功率的疲劳驾驶检测研究的相关原理及步骤，包括脑电信号预处理，特征处理及分类器设计。
第四章：实验结果分析，分析实验数据，研究脑电功率与疲劳驾驶的关系。
第五章：对研究结果进行讨论，分析实验中的问题和不足。
第六章：总结与展望。展望未来的研究方向和发展前景。