摘  要：近年来，对驾驶员疲劳的检测和预测已成为世界各地的研究热点。本文提出了一种基于传感器采集的肌电图（EMG）和心电图（ECG）的有效评价驾驶员疲劳的方法。通过采集驾驶人的生物信号进行分析和处理，建立对应模型进行疲劳度判别，判别准确率达到92.57%，达到了较好的准确度。

关键词：驾驶疲劳;ECG;EMG;驾驶安全

基金项目：1.珠海城市职业技术学院重点科研项目（KY2020Z02Z）;

2.广东省普通高校青年创新人才类项目（2019GKQNCX141）

3.珠海城市职业技术学院校级课题（JY2020120130）

0 引言

驾驶员疲劳会逐渐削弱驾驶员对外部事件的意识，这可能会导致某些异常的驾驶行为。尽管在估计驾驶员疲劳的严重程度时可能会遇到一些困难，但事实是驾驶员疲劳是造成运输系统的主要危险之一信是。各种研究表明，驾驶员的困倦占所有撞车事故的16%，占高速公路事故的20%以上。评估驾驶员疲劳度仍然是满足未来智能交通系统需求的重大挑战，可以帮助驾驶员以更好地应对操作并减少与疲劳相关的风险[1]。

1 驾驶疲劳产生机制分析

人体疲劳感在目前尚未有明确的标准去界定，也没有可以统一测量的标准。在汽车驾驶中更多是认为驾驶员对外界信息感知、处理和身体反应下共同作用的二级果。由此对驾驶的疲劳度可以划分为信息感知阶段、判断决策阶段和操作反应阶段三个阶段，具体如下图1所示。

研究驾驶疲劳的方法主要有三种，分别是评价车辆行驶特征、评价驾驶人行为特征和评价驾驶人人体生物信号。有研究表明，基于驾驶员生理信号的驾驶疲劳评价方法是判定驾驶疲劳最有效的方法，是以驾驶员身体负荷和精神负荷为核心，驾驶员的生理信号特征参数作为评价指标，对驾驶疲劳进行客观评价的方法[2-3]。

2 疲劳驾驶信号采集方案与数据处理

2.1 实验方案

为了采集驾驶人的生物信号，采用了模拟驾驶设备进行实验。在实验中将便携式实时非接触式传感器插入驾驶员座椅的坐垫上，不会干扰驾驶员在驾驶过程中的注意力，因此，它们非常适合用于长期的生理信号采集。在非接触式传感器中，有两块尺寸为12cm×22cm的导电针织织物。它们由镀银尼龙制成，表面导电性高，表面电阻率为小于1Ω/sq。将这两块导电织物作为电极，以非接触的方式收集肌电图和心电图的混合信号。随着肌肉的收缩，就会产生微伏特的电信号，然后计算机会通过传感器搜集信号，并转移到数据处理系统。

2.1 数据预处理

通过便携式实时和非接触式传感器采集到的原始生理信号是一个混合信号，包括很多噪声，这些噪声主要是由呼吸和驾驶员身体运动引起的基线噪声、50hz的电子噪声等人工污染组成，想要得到所需要的ECG与EMG信号，必须将这些原始信号进行降噪和滤波处理。为此本位分别针对这两种信号的特性进行了相应的数据预处理。

频域分析是利用傅立叶变换将时域信号转换成频域信号，一般使用快速傅立叶变换（FFT）对信号进行频谱或者功率谱处理与分析，得到表面肌电信号的频谱图或功率谱图，最后对其频谱图或功率谱图进行分析。

通过上述数据处理方法对ECG和EMG的原始信号进行预处理前后的结果对比图如下图3所示，可以看出，通过处理后两种信号的噪声和波动都有了较大改善，处理后数据更能满足驾驶疲劳度的判别。

3 疲劳度检测实验

经过上述数据处理后，接下来对生物信号进行分析和疲劳判别。首先，采用主成分分析（PCA）将肌电图的复杂度、心电图的复杂度相结合，消除它们之间的冗余信息。三个主要组成部分（C1， C2， C3）由PCA得到，它们是不相关的变量。在计算过程中，根据主成分的方差来分析各个成分的影响，方差表示该成分的有用数据量和对总体变化趋势的占比度。为此，我们把它命名为每个主成分的贡献占比率。最终得到的各个主成分的贡献占比如图4所示。

可以看出，第一个主成分C1的贡献占比最大，C2排名第二，排名第三是C3。这意味着C1中含有大部分的有效数据，并且对总体趋势有着更大影响。C1和C2的占比总和达到了92.01%（超过90%）。但是C3的贡献占比只有7.99%。这意味着C3中的大部分数据是多余的，因此，在计算疲劳度的时候可以删除C3，虽然丢失了少量的有用的数据，但大部分冗余的数据被删除，这样的方法可以极大简化和加快计算速度。所以，只将C1和C2在模型中选择作为自变量的算法方案足以描述驾驶员疲劳的信息。

在本研究中，采用了两种验证方法（10倍交叉验证和状态验证）来验证驾驶员疲劳模型。10倍交叉验证采用的方法是将144点分为10组，每9组轮流作为训练组，1组作为测试组。10倍交叉验证的结果列于表1。

可以看出，该模型中测试组的平均计算精度为91.04%。训练组精确度更是达到了92.57%，明显高于传统的非PCA模型[4-5]。在状态验证中，驾驶人的警报状态和疲劳状态是根据参与者的真实感觉来界定，该模型的计算结果与参与者所感到的真实疲劳程度是基本一致的。

综上所述，实验中利用驾驶人ECG和EMG信号建立对应的疲劳安全监测模型可以有效地监测到驾驶人的疲劳状况，及时作出警告，降低因疲劳行驶造成交通事故的几率。

4 结论

为了更好地降低驾驶疲劳导致的事故几率，本文提出了一种基于肌电信号（EMG）和心电信号（ECG）疲劳驾驶检测方法。在实验环境中采集驾驶人的生物信号，然后对原始信号采用了对应的降噪和滤波方法，提取并分析了三种特征参数的贡献占比度，最终选用两种主成分作为自变量在状态检测模型中进行疲劳度验证，最终实验结果表明可以较为有效地监测出驾驶人的疲劳度，并且进行及时的预警，降低因疲劳造成事故的几率。

参考文献：

[1] 张扬. 基于心率变异性的疲劳驾驶监测系统的研究[D]. 东北大学， 2015.

[2] 陈征. 疲劳驾驶下心电信号的采集与分析系统研究[D]. 东北大学， 2015.

[3] 莫秋云， 李荣敬， 李军，等. 基于ECG指标的山区公路线形对驾驶员特性的影响研究[J]. 中国安全科学学报， 2013， 23（12）：5.

[4] 黄瀚敏. 基于汽车驾驶员疲劳状态监测技术的汽车主动安全系统研究[D]. 重庆大学， 2007.

[5] 张潇逸. 利用疲劳驾驶监测模块进行汽车主动安全提醒[J]. 数码设计， 2018， 7（14）：2.