华楚霞，吴研婷，乔晓华
（惠州经济职业技术学院信息工程学院，广东惠州，516001）
0 引言
随着汽车拥有量的增加，驾驶安全问题日益突出，根据数据分析在发生的交通事故案例中将近四分之一是由疲劳驾驶导致的，因此针对疲劳驾驶问题，开发和设计一款便携、准确的智能识别与预警系统成为了大众的广泛诉求。
目前在生物识别技术的发展推动下，国内外一些高端品牌车的疲劳驾驶监测技术在市场上已出现通过监测驾驶员面部特征来判断驾驶员是否疲劳驾驶的系统，该系统通过人脸识别获取面部综合信息如面部表情、眼睛瞳孔放大放小等，提取面部特征从而判断是否疲劳驾驶。然后对比国内外资料显示通过脑电信号判别人体疲劳状态是最准确、高效的一种方式，脑电波是一些自发的有节律的神经电活动，可用电子扫描仪检测出，其频率变动范围在每秒1-30次之间的，可划分为四个波段，即δ（Delt）、θ（Theta）、α（Alpha）、β（Beta）。δ波3Hz以下人在深睡状态下会出现。Theta波4-7Hz人脑处于深度轻松状态，一般是进入睡眠的前的状态。α波8-13Hz轻松状态，大脑清醒放松，容易集中注意力。β波14Hz以上紧张状态，对周围环境很敏感，但难于集中注意力，且容易疲劳。而人要进入睡眠时候的θ波到δ波之间的波段称为慢波，慢波的出现表示人已经达到疲劳驾驶状态了。
本文采用TGAM模块进行二次开发，对采集的脑电信号进行分析研究，通过解析数据流获取眨眼特征值，并用层次模型构造矩阵计算出人体疲劳相关的特征参数：专注度、放松度，采用准确率高的算法分析其疲劳程度并进行预警提示。
1 疲劳驾驶状态智能装置结构及工作流程
本文采用疲劳驾驶状态智能装置硬件包括单EEG电极传感器、TGAM信号处理模块以及无线网络协议模块，脑电信号处理模块结构图如图1所示。
图1 TGAM脑电信号处理模块
TGAM模块对采集的脑电信号进行放大、滤波等处理，对采集到的数据流进行分析通过软件输出波形，可得到人体疲劳特征时候的波形变换，通过适合的算法可较准确的判断出疲劳状态，并通过蓝牙模块发送到智能设备进行监控与预警。其工作流程如图2所示。
图2 疲劳驾驶状态智能识别与警报工作流程
疲劳驾驶状态智能识别与警报装置采用单EEG电极传感器进行人体脑电信号采集的实验，将模块中的干电极与人的脑袋直接相连，通过单EEG脑电通道检测到极微弱的脑电信号，TGAM模块对信号进行抗干扰处理过滤掉噪音获取脑波。
其次采用合适的算法对获取的脑电波进行疲劳波段识别，该算法通过设置Alpha波段幅值变小和Delt波段幅值变大的波形特征的阈值即疲劳状态下的波段值，采集N个距离阈值的邻近样本，判断处于疲劳波段的范围的样本占比从而判断是否处于疲劳驾驶状态，根据人脑处于慢波波段还需要一定的时间进入浅睡眠，则要进行判断慢波波段是否超过8S，如是则进行危险警报。最后通过蓝牙将TGAM模块获取的脑波信号传送到客户端，实现脑波波形的直观呈现。
2 疲劳驾驶状态智能识别算法分析
疲劳驾驶状态智能识别算法功能是对TGAM模块的二次开发，TGAM模块[1]大约每秒发送513个包，发送的包有小包和大包两种，模块采用小波包变换对信号进行分析：小包的格式是AA AA04 80 02 xxHighxxLowxxCheckSum前面的AA AA04 80 02是不变的，后三个字节是一直变化的，xxHigh和xxLow组成了原始数据rawdata，xxCheckSum就是校验和。所以一个小包里包含了一个对开发者来说有用的数据，那就是rawdata。模块采用小波包变换对信号进行分析得到原始数据，首先指定波特率抓包后进行校验和验算：
当sum和xxCheckSum相等时，说明这个包是正确的，否则直接忽略这个包，然后计算rawdata：
获取到的脑波数据流分析进行解析后获得原始数据，通过原始数据可检测测试员眨眼状态，眨眼表现在原始数据的波形上，就是一个很大的波峰，用代码检测这个波峰的出现，就可以判断出测试员眨眼的状态，通过软件MindViewer可调试输出脑波波形，测试员在睁眼和闭眼时波段节律中α波的信号功率谱密度有显着的不同[2]如图3所示。
图3 睁眼和闭眼时α波的信号功率谱密度
除此，根据脑电信号研究文献[3]发现，获取的特定波段信号的能量占比与专注度Attention和放松度Meditation有关。
大脑专注度与Y波、α波、β波段信号的能量占比有关，大脑放松度与θ波、δ波、α波段信号的能量占比有关，分别建立AHP模型表示为：
其中A为专注度，γ、β、α分别为对应三个波段的能量占比，其中m为γ波的权重系数、n为β波的权重系数、t为α波的权重系数；
其中M为放松度，分别为对应θ、δ、α三个波段的能量占比，其中x为θ波的权重系数、y为波的δ权重系数、z为α波的权重系数。
图4 专注度层次模型
图5 放松度层次模型
下面对专注度和放松度建立层次模型，根据层次分析法步骤可计算出各权重系数值，顶层为专注度分析和放松度分析，第二层分别将专注度和放松度及其持续时间作为影响因子，底层将各波段的能量占比作为另一个影响因子。首先对第一层的专注度分析构造比较矩阵，计算出矩阵的最大特征值：λmax=2，并得出其特征向量为其次通过计算CI和CR验证其一致性，因为当出现两个极端现象如不符合一致性要求，判断结果不能用。计算出CR小于判别标准0.1，其符合一致性验证要求。
继续对专注度及其影响因子即各波段的能量占比构造比较矩阵，计算出矩阵的最大特征值：λmax=3，得出其特征向量为其次通过计算CI和CR验证其一致性，也满足验证要求。同样对专注度及其持续时间进行矩阵构造，计算出矩阵最大特征值：λmax=3，其特征向量为计算得到的两个特征向量,1W为第二层的影响因数特征向量，2W为底层影响因数特征向量，两者互为影响的特征向量矩阵为：
由以上结果可知专注度疲劳状态判别相关系数矩阵为：
即（4）式子中，Y波的权重系数m=0.89、β波的权重系数n=0.74、α波的权重系数t=0.50。
用理可得放松度的APH模型3.5式子中，θ波的权重系数x=0.32、δ波的权重系数y=1.01、α波的权重系数z=0.75，APH模型公式为：
根据层次分析法得到专注度与放松度的相关系数，分别将驾驶员正常驾驶和疲劳驾驶过程中专注度和放松度的值反应在同一坐标内，如图6所示。
图6 驾驶过程中专注度和放松度的关系
可看出正常驾驶状态与疲劳驾驶状态下的专注度和放松度存在相关性，其计算关系如下[4]：
其中,r为基于专注度和放松度相关系数的疲劳判别特征值，Xi和Yi分别是在i时的专注度与放松度。为二者在i时间段内的平均值。
本文的疲劳驾驶状态识别算法是将驾驶员的眨眼频率与专注度和放松度的相关系数作为判断疲劳状态的特征值，选择准确率高的算法进行结果分析与判断。国内外文献中主要使用基于Knn模型、C4.5模型以及朴素贝叶斯模型的疲劳识别算法，其中基于Knn模型算法的正确率被验证为较高。
获取到特征值r后，对实验数据进行Knn疲劳识别算法处理，其时间复杂度为O（n），其中n为样本的数量，样本数量的专注度和放松度相关系数为rn，眨眼次数为bn，专注度和放松度的实时数据为r，眨眼实时数据为b，根据Knn算法距离选择标准，分别计算每个实时采集的新数据到样本空间数据的几何距离计算方式如下:
确定好了疲劳状态判别算法后，采用交叉验证法[5]选取最优的K值，找到与采集的新数据最相近的K个样本，目前文献[6]将其取值为1,3,5,7,9,11，计算正确率，而本文中的疲劳状态识别装置的K值如何定义的，这是本文将继续深入研究的内容。
3 研究总结
文中分析该领域国内外的研究现状和研究成果，在已有现代脑电科学的研究分析基础上，研究一种基于脑波模块TGAM的疲劳驾驶状态智能识别与警报系统，分析装置的结构与工作流程，并对模块获取的数据流采用小波包变换进行分析，研究得到大脑的专注度和放松度与各波段能量占比有关，根据相关系数分别建立AHP模型并求得相关系数值，从而获得基于眨眼次数与专注度和放松度相关系数的判断大脑疲劳状态的运算方法，再将Knn算法运用于识别疲劳驾驶状态样本，下一步将对K值的取值进行研究，为提高该装置疲劳驾驶状态识别的准确率奠定实验基础。
