随着全球汽车保有量的逐渐的增加，交通安全问题受到了社会各界的越来越大的重视，据不完全统计全世界每年发生的交通事故高达10多亿次，而由于驾驶员的疲劳驾驶引起的事故约占总事故件数的20%~30%，且疲劳驾驶造成的事故死亡率占所有交通事故死亡率的70%左右[1]，因此有效地对驾驶过程中驾驶员的疲劳状态进行实时监测并提供报警功能，对于减少由于疲劳驾驶引发的交通事故以及改善交通安全状况，有着重大的意义和实际价值。
1 对现有疲劳检测算法的分析
随着电子与计算机技术、生物医学工程的快速发展，使得对人体疲劳状况进行客观检测成为了可能，相应的一些有关驾驶疲劳检测系统也相继的问世。其中最常见的方法是通过采集人体驾驶过程中的人体生理信号或者驾驶员的个体特征以及相关车辆参数，通过与预先设定的阈值比较来检测驾驶员是否处于疲劳状态。目前拥有的驾驶疲劳监测算法主要分为三类：基于驾驶员个体特征的疲劳监测系统，基于车辆参数的疲劳监测系统，基于生理信号的疲劳监测系统。在这三种疲劳监测系统中。第一种是通过在驾驶位置的正前方安装摄像头来获取人的脸部以及眼睛特征，再通过图像处理算法处理后判定驾驶员是否处于疲劳，例如Nikolaos P与Papaniko bpoulos开发的利用计算机视觉系统来分析人体眨眼频率、眨眼周期等参数，检测驾驶员是否发生了疲劳，但这种系统的缺点就是通过摄像头对眼睛的闭合状况进行实时的检测，但是该系统容易受到光线等外界条件的影响，很难获得眼睛的精确轮廓。第二种是通过监测车辆参数来判定驾驶员是否处于疲劳，由于驾驶过程的突发性和环境的复杂性，使得该系统无法精确地判断出是否疲劳，一般只能作为辅助式的方法进行检测。另外，基于生理信号的疲劳监测系统是指利用嵌入微型控制器的传感器设备，该传感器能够便携的穿戴在被检测人员的相应部位进行实时生理信号的采集，当发生变化时通过一定的算法判断是否处于疲劳，其中包括心电，脑电，肌电等生理信号，而脑电信号又被视作为能够反应人体疲劳状况的“金标准”，因此通过对脑电信号进行实时监测能够更好的识别出驾驶者是否疲劳。其中文献[2]利用提取到的δ、β节律波与α节律波进行比值，通过利用该比值作为指标与预设值阈值比较实现疲劳的识别。文献[3]提出了一种基于小波包子带能量比的监测方法，通过利用小波包分解系数计算出β波与慢波的能量比，进行疲劳的判别。文献[4]运用脑电特征信号的样本熵作为驾驶疲劳判定的指标，通过利用不同状态脑电信号样本熵的差异来进行疲劳的识别。虽然这些算法能取得一定的效果，但由于脑电信号的时变性和不同人的特异性使得不能很好的对不同人员进行实时的疲劳监测。 本文提出了一种基于样本空间加权距离的实时驾驶疲劳监测算法，算法通过将采集的原始脑电信号进行去噪声、去伪迹以及从中提取出特征节律波，利用特征特征节律波构成样本空间，再计算实时采集脑电节律波数据与特征样本空间的距离，并进行加权，通过比较加权距离与阈值的关系判别是否处于疲劳，其中利用脑电传感器开始1 minutes采集到的δ、α节律波的数据构建各自的样本空间。
2 系统的设计与实现
本文设计的是一种穿戴式的疲劳监测设备，驾驶人员通过将干电极以穿戴方式放在前额进行脑电波数据的采集并通过微处理器实现相应数据的处理进而实现疲劳的识别。系统包括脑电传感器检测模块，微处理器、蓝牙通信模块以及锂电池等组成，其中脑电传感器模块采用的是美国Neurosky公司生产的ThinkGear AM模块，主要用于实现脑电数据的实时采集，微处理器采用MSP
图1 系统原理图
Figure1 The diagram of system principle
3 脑电信号的特性及处理方法
EEG信号是研究大脑活动的重要的信息来源，是由于神经细胞集群共同活动而产生的结果，但是由于脑电波的时域波形没有特定的规律，而在频域上又有规律可以遵循。因此通常可以根据不同频域的脑电波的变化进行精神状态的有效分类：其中在0.5~4Hz之间为δ波，4~7.5 Hz为θ波，8~13 Hz为α波，14~30 Hz为β波 ，30~100 Hz为Y波 。实验研究表明：不同特性的节律波在不同状态下信号的表现形式也是不同的。
2.1脑电特征信号的处理方法
脑电信号的特征节律波的提取是进行疲劳监测的核心，其中传统的EEG信号特征提取主要包括时域分析，频域分析以及时频分析法[5]。虽然时域分析法计算简单，但是很难从复杂度很高的EEG信号中直接提取出其内在信息以及辨别出其微小变化，而频域分析法由于只从频域分析了脑电信号而忽略了脑电的时变特性，将非平稳的脑电信号视为平稳信号处理很难充分刻画脑电的特性，但时频分析法对信号同时进行了时域和频域的分析，能够很好的刻画出脑电信号在不同时刻的频域特征，而小波变换是一种常用的时频分析方法。因此可采用小波变换来提取δ，α，β，θ特征节律波。假设x(n)为采集到的EEG离散信号[6]，那么x(n)的离散小波变换则定义为 ：
其中：j，k为整数，Φ(n)为小波基函数，j，k代表频率分辨率和时间平移量。然后对原始信号进行多层分解则可以得到原始信号在不同分解水平的各个分量，即
，式中：L为分解的层数，AL为低通逼近分量，Dj为不同尺度的细节分量，式（1）中的AL、DL、....D1对应的子带为
，其中 fs为信号的采样频率，且分解层数时具体情况而定，本文采用采样频率为512Hz和7层分解层数对原始信号进行处理，所得到的各节律波波形如下图2所示，而研究发现当人从清醒状态进入疲劳状态时，θ和α波均会出现比较明显的波动变化[7]。因此本文将与疲劳状态密切相关的θ和α波，作为研究的主要对象，进行疲劳监测算法的研究。
图2脑电特征信号
Figure 2 EEG feature signal
3 实时驾驶疲劳监测算法
3.1 算法设计
在本算法设计中主要分为两类事件，一类是清醒状态事件，另一类是疲劳状态事件。而我们主要研究的是疲劳状态事件，其中当由清醒状态进入疲劳状态时θ和α节律波均会出现较大的变化[8]，因此我们采用θ和α节律波组成各自相应的样本空间，其中由脑电传感器开始1min采集获得的θ和α特征节律波组成G1、G2样本空间，其中θ和α样本值的数学期望分别为μ1，μ2，协方差矩阵为 Σ1，Σ2，则实时观测数据
到总体样本Gi[9]的马氏距离为：
，其中
，
表示不同时刻采集到的节律波。
通过上式可以得到实时特征信号到样本空间的马氏距离d1，d2，而由于θ和α节律波的马氏距离会随着疲劳状态的变化而出现显著变化，因此我们考虑将θ和α节律波的马氏距离的加权作为疲劳程度衡定的依据。假设Mda为θ节律波的马氏距离，Mdb为α节律波的马氏距离，则加权距离Md = λ* Mda +（1-λ）* Mdb，其中 0≤λ≤1，而疲劳判定的阈值Th我们则通过实验结果根据ROC曲线分析获得，当满足Md≥Th时，则可以确定其处于疲劳状态，否则未疲劳。
该算法主要分为以下几步实现：
1）提取特征信号。利用小波变换从原始脑电信号中提取出特征节律波。
2）建立特征样本空间。利用开始1min提取采集到的特征节律波θ和α构建各自的特征样本空间，用于后续的计算。
3）计算实时观测数据与特征样本空间的距离，并进行加权和。
4）模式匹配，通过以上样本空间距离与阈值的关系确定是否处于疲劳，如果匹配成功，则判定为疲劳，并进行警报，否则继续监测。
详细算法流程如图下所示：
图3 算法设计流程
Figure 3 The algorithm process
3.2 阈值的确定
由于脑电信号θ和α特征节律波距离随着驾驶疲劳程度的加重逐渐增大，且人从清醒状态进入疲劳疲态时是一个迂回和抖动的过程[10]，因此找到一个阈值来界定两者之间的界限，通过该阈值与θ和α特征节律波的加权马氏距离的比较，实现实时疲劳状态的判别，因此确定适合的判别阈值非常重要,本文利用ROC曲线分析方法来确定疲劳判别的阈值。
ROC曲线是将实验结果划分为若干临界点，并且以每个临界点对应的1-特异度为横坐标，灵敏度为纵坐标[11],作图得到曲线，是准确、全面的评价诊断实验的有效工具，非常适用于二分类情况，即判定结果只有“是”和“不是”两种情况。ROC曲线的另一个重要的用途是在确定最佳的判别阈值。针对某一种判别方法，ROC曲线上包含所有灵敏度和特异度的组合，并且越靠近左上方的点表示其判别效果越好[10]。因此通常选取曲线上尽量靠近左上方点的作为判别阈值，我们选取了10位健康受试者进行了实验，选择阈值取值范围从6~9之间以0.5为间隔，对实验结果进行了ROC曲线统计分析，实验结果表明当阈值Th=7.5时，系统具有较好的性能，ROC曲线如图4所示：
图4 ROC曲线
Figure 4 The curve of ROC
4 实验结果分析：
通过对10位健康实验者进行模拟驾驶实验，要求每位被试者持续进行90 min以上的模拟驾驶，对实验者进行数据采集，其中θ节律波到θ样本空间的马氏距离为：
，其中
为实时采集到的θ节律波数据，α节律波到α样本空间的马氏距离为：
，其中
为实时采集到的α节律波数据，图（5），图（6）为采集到的θ和α节律波到各自样本空间的马氏距离的波形，由于本文对两特征节律波的距离进行了加权，即
,对λ从0~1，间隔为0.1进行了加权距离的仿真，实验发现当λ=0.2，1-λ=0.8时，系统取得较好的识别效果，其加权的马氏距离波形如图（7）所示，对实验者疲劳状况进行了验证，结果表明疲劳识别准确率高达93.4%。
图5 θ节律波的马氏距离
Figure 5 Mahalanobis
distance of θ rhythm wave
图6 α节律波的马氏距离
Figure 6
Mahalanobis distance of α rhythm wave
图7 θ和α节律波加权的马氏距离
Figure 7 Weighted Mahalanobis distance of θ and αrhythm
wave
5 结束语
本文在通过对试受者模拟驾驶的脑电信号的采集分析，确定节律波的特征样本空间，提出了一种基于样本空间距离的疲劳监测算法，并通过实验采用ROC曲线分析方法获得疲劳指标的阈值，从而实现实时的疲劳监测，最后通过实验验证，表明了该算法具有较高的准确率，当出现疲劳装置可以进行报警，这对于降低疲劳驾驶引起的交通事故具有重要的意义，且为穿戴式疲劳驾驶监测设备的开发提供了依据，同时可以通过增加其他方式给予辅助判断识别。
参考文献:
Fatigue monitor algorithm
research based on EEG
Jin Chun1， 2， ZengWei1
(1. Wireless Transmission Key
Laboratory， School of Communication＆Information Engineering，Chongqing
University of Posts＆Telecommunications， Chongqing400065， China;
2.Chongqing Jinou Science＆Technology Development Co.， Ltd.， Chongqing400041， China)
Abstract: Fatigue drive is an important
factor of causing a traffic accident. Based on the electroencephalogram (EEG)
signals collect by brain wave sensor. This paper proposed a real-time driving
fatigue monitoring algorithm based on the distance of the sample space of
feature rhythm wave.The algorithm extracts EEG signal and establish the
features sample space, the compute the distance of the real-time acquisition
EEG feature between sample space and determine whether the driver is
fatigue,Through many experiments result to get the threshold by ROC curve
analysis,thereby achieve real-time monitoring. Experimental results show that
the algorithm can effectively and in real-time fatigue monitoring, and has good
robustness and accuracy.
Key words: Driving
fatigue; sample space; Mahalanobis distance; ROC curve analysis; EEG; wavelet
transform