打开文本图片集

摘要：本文以便携式疲劳驾驶预警手环为背景，针对疲劳算法处理所需数据获取进行实验设计，并针对数据的聚类处理算法可靠性差及准确率低等现状，对聚类算法进行改进，设计了基于XGBoost聚类的疲劳驾驶识别算法来判断驾驶员是否为疲劳状态，能够更加快捷、准确有效的对驾驶员状态做出实时检测及预警。

关  键  词：疲劳驾驶;聚类算法;心率;肌电

1  研究背景

随着机动车保有量的不断上升，交通事故的发生率正在逐年上升。交通事故发送的原因一部分是客观原因，如道路线型不良、道路工程设施不完善、车辆故障等，而更多的是驾驶员自身的主观原因。疲劳驾驶是其中不可忽略的存在，占据着较大的比例。疲劳驾驶的定义众多，本文将其理解为是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。2012年8月，交通运输部公布的数据显示全国道路运输行业疲劳驾驶等违法行为导致公路客运重大事故有所抬头。韩国道路公社调查显示，韩国每十起交通事故中就有两起是疲劳驾驶所致，其致死率是超速驾驶的两倍。[1]

疲劳驾驶引起的交通事故多为恶性事故，其防控一直受到业内的高度重视。传统的客货运检测已经有比较成熟的视频检测和面部检测设备，技术已经比较成熟，普及推广情况也很不错。而针对道路上占据主流的小客车而言，利用同客货运驾驶员一样的驾驶检测设备，成本高昂、便携性差，不具有普适性。随着近几年便携式检测设备的发展，让智能手环也能成为检测疲劳驾驶的工具。它能够在不影响司机驾驶的情况下采集驾驶员生理数据从而判断其疲劳状态，具备便携性和实用性。传统智能手环采用如K-means等聚类算法来判断驾驶员是否处于疲劳驾驶，而其检测的准确性、可靠性较差，且对不同人群的检测区分度不高。本文针对上述目标，对聚类算法进行改进，使其能够提升准确率和实时性。

2  手环整体方案设计

2.1  系统介绍

团队在小米手环6的基础上进行改造，搭载ZJE-20D无线肌电传感器，用于采集驾驶者肌电数据。当驾驶者佩戴手环后，手环能够依据光电容积脉搏波描记法，结合绿色LED光与感光光电二极管，检测特定时间手腕处流通的血液量，从而获取心率信息。与此同时通过搭载的肌电传感器采集驾驶者手部运动数据，并综合心率数据与肌电数据进行聚类分析，比对数据库内疲劳状态生理数据及运动数据，判断驾驶员状态。

本文不探究硬件层面的手环构建，重点研究疲劳驾驶数据获取实验设计以及处理算法的改进。

2.2  采集设备

1）心率：

采用小米手环6采集心率数据。该手环内置PPG生物传感器，通过光电容积脉搏波描记法来监测心率，搭载PCG高精度光学传感器，检测准确度高达98%，支持7*24小时全天候自动监测。

2）肌电：

采用ZJE-20D无线肌电传感器采集肌电数据。本实验中将肌电传感器放置在肱二头肌处进行检测，既不影响驾驶员驾驶，也能提高检测精度。[2]

3  实验设计

3.1  实验过程

实验选取午后12：00-16：00的时间段进行。志愿者规范佩戴检测设备并进行设备的信号调试。调试完成后，志愿者驾驶小客车在道路上行驶，期间由设备采集志愿者的心率和肌电数据，单次采集时长为2小时。实验结束后询问驾驶员自身在驾驶过程中是否有感受到疲劳及疲劳的程度，并将设备采集到的心率肌电数据导出利用算法进行处理。

实验流程如下图2所示。

3.2  实验人员

实验招募了5名志愿者参与实验。实验招募的志愿者均拥有C1驾驶证且驾龄均在2年以上，有充足的驾驶经验，能长时间驾驶。志愿者在参与实验前不食用干扰精神状态的食品或饮品并保持身心状态平和，以减少其他因素对实验的影响。[3]

3.3  疲劳分级

为了便于对驾驶员的疲劳状态进行判断和量化，本实验参考斯坦福嗜睡量表将驾驶员的疲劳程度划分为四个疲劳等级：

4  数据处理及改进

4.1  传统聚类算法

传统的心率及肌电处理算法多为聚类算法，多采用如下图3所示的方法进行处理。该类算法能够简单对疲劳状态进行分类，但对不同生理状态下（年龄、身心等）的驾驶员存在较大的误差，需要改进。

4.2  改进：基于XGBoost聚类的疲劳驾驶识别

XGBoost是Gradient Boosting算法的高效实现版本，自2015年被提出后，因在应用实践中表现出优良的效果和效率，因而被工业界广为推崇。

1）设置初始分类树

首先将清醒、轻度疲劳、重度疲劳等状态的普遍平均参数输入进程序，作为算法前期训练的参考。

2）算法的基本原理

在每次构建决策树时，会产生残差，导致分类效果不好，在构建下一棵决策树的时候，会对上次的残差进行拟合，以此类推，直至完成所有决策树的构建或达到停止条件，再将所有决策树加权综合为一个总分类器。

对于由维数据决定的变量，模型可表示为：

3）算法寻优的结束条件

目标函数由两部分构成，用来衡量预测分数和真实分数的差距，则是正则化项。可以通过设置目标量的最大上限，即识别的拟合效果，来判断算法训练是否需要停止。

XGBoost算法力争把速度和效率发挥到极致，相比起传统的K—means算法，由于K—means算法无监督学习的特点，随着时间的推移会出现较大偏差，而前者具有防止过拟合与偏差太大的限制，可以较好的克服这一缺点。

参考文献（References）：

[1]郑鑫. 基于车载装置及驾驶行为特征的疲劳驾驶检测方法研究[D].长安大学，2020.

[2]祝荣欣. 基于生理信号的联合收获机驾驶疲劳检测与评价[D].东北农业大学，2016.

[3]施翔匀. 基于心电信号的疲劳驾驶诊断[D].北方工业大学，2019.