CN111329497A - 基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法 - Google Patents

Abstract

本发明属于安全驾驶检测技术，为基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法，可实时监测驾驶员的疲劳状态，判断精确度高，预警及干预及时，佩戴舒适，携带方便。本***包括依次连接的且均设置在可穿戴头带上的前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块，前额脑电信号采集模块采集驾驶员前额脑电信号，将所采集的脑电信号实时传输给疲劳状态识别模块；疲劳状态识别模块解析收到的脑电信号，进行数据预处理和特征提取后，采用离线训练得到的算法模型进行疲劳状态识别，并将识别结果发送到结果反馈及干预模块；结果反馈及干预模块在接收到识别模块传输来的疲劳状态时，对驾驶员予以提醒及干预。

Description

基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法

技术领域

本发明属于安全驾驶检测技术，具体涉及基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法。

背景技术

在全球范围内，疲劳驾驶已经成为导致交通安全事故的重要原因之一。由于疲劳驾驶会导致驾驶员注意力无法集中、反应速度下降、对车辆的操控力下降，进而严重增加发生交通事故的概率。因此，研究疲劳驾驶的检测，对于事故预防和改善交通安全状况具有重大意义。可穿戴设备若能在驾驶员发生疲劳的初期就检测出疲劳反应，并发出警报，引起驾驶员的注意，则可以有效地保护驾驶员的生命财产安全。

现有主要的疲劳驾驶监测技术主要为动作捕捉方法、图像识别方法、驾驶员行为与车道偏离检测、生理参数测量方法等。在生理信号中，处于***的生理信号，如心电、体温、呼吸、皮电等，因不是由大脑活动直接引起，不能快速、准确地反映疲劳程度。在众多的生理信号中，脑电信号能更直接、更客观的反应大脑本身的活动，有着良好的时间分辨率，而且具有无法人为控制、无法伪造的优势。通过直接检测驾驶员脑电信号，可以在不影响驾驶的情况下，达到提醒驾驶员疲劳的目的。这是一种较新的，有发展前景的疲劳驾驶检测技术。

脑电(EEG)作为中枢神经生理信号，与大脑活动状态相关，能有效反应驾驶员精神状态。从生物学角度看，EEG信号是由大脑节律信号、事件相关电位(ERP)及人体自发的电活动信号组成。EEG信号是一种包含多种频率分量的复杂综合波，其频率的主要变化范围在0.5-30Hz左右。一般研究中EEG信号按其频率范围可以被分为：δ波、θ波、α波和β波，即EEG信号的四个基本节律，它们在各方面的特性均不相同。一般将比α波慢的δ波和θ波统称为慢波，表示大脑处于抑制状态；将比α波快的β波称为快波，表示大脑处于兴奋状态。

但是，现有的基于脑电信号的疲劳驾驶监测***主要存在以下几点不足：一是检测设备复杂，干扰驾驶员的正常操作，影响行车安全；二是由于个体差异，不同人的生理信号特征会有所不同，有的区别相当大，所以会有很大的局限性；三是***检测出驾驶员疲劳后仅仅是预警，而没有进行相应的干预，帮助驾驶员恢复清醒状态。

发明内容

为了解决现有技术所存在的问题，本发明提供基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法，将检测设备集成在可穿戴头带上，采用干电极采集前额Fp1处脑电信号，降低了检测设备的复杂性，提供了，其舒适性、便携性、可靠性和实用性。

本发明***采用以下技术方案解决上述技术问题：基于前额脑电信号的可穿戴式疲劳驾驶监测***，包括依次连接的且均设置在可穿戴头带上的前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块；

前额脑电信号采集模块采集驾驶员前额脑电信号，将所采集的脑电信号实时传输给疲劳状态识别模块；

疲劳状态识别模块解析收到的脑电信号，进行数据预处理和特征提取后，采用离线训练得到的算法模型进行疲劳状态识别，并将识别结果发送到结果反馈及干预模块；

结果反馈及干预模块在接收到识别模块传输来的疲劳状态时，对驾驶员予以提醒及干预。

本发明方法基于本发明的监测***，包括以下步骤：

步骤1、建立基于前额脑电信号的驾驶员疲劳状态识别模型；

步骤2、利用可穿戴式头带，实时采集驾驶员前额处的脑电信号，并根据离线训练得到的驾驶员疲劳状态识别模型，解析脑电信号，对驾驶员进行疲劳状态监测与识别，并将识别结果发送到结果反馈及干预模块；

步骤3、如果接收到的识别结果为驾驶员处于疲劳状态，则对驾驶员进行适当提示和干预。

与现有技术相比，本发明取得了如下有益效果：

1、本发明利用脑电信号可以直接、客观反映大脑状态，并且无法伪造和人为控制的优势，设计了一种基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法，判断精确度高，预警及干预及时，并且佩戴舒适，携带方便，易于操作，具有较高的实用价值。

2、为了解决检测设备复杂的问题，本发明将检测设备集成在可穿戴头带上，并且采用干电极采集前额Fp1处脑电，尽可能提高***的舒适性、便携性、可靠性和实用性。

3、为了解决脑电信号个体差异性问题，本发明设计了离线训练，通过离线训练采集多个受试者的脑电信号，建立相应数据集，获取可以实际应用的驾驶员疲劳状态识别模型，并且将整个***的脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块和设备供电模块集成在可穿戴的头带上，提高了***的舒适性、便携性、可靠性和实用性。

4、为了解决***仅仅对驾驶员进行预警的问题，本发明包含了干预触发装置，有助于驾驶员恢复清醒状态。

附图说明

为了使本发明的目的、技术方案和有益效果更佳清楚，本发明提供如下附图进行说明：

图1为基于前额脑电信号的可穿戴式疲劳驾驶监测***的电路框图；

图2为基于前额脑电信号的可穿戴式疲劳驾驶监测***的机械结构示意图；

图3为基于前额脑电信号的可穿戴式疲劳驾驶监测方法流程图。

具体实施方式

下面结合实施例及附图对本发明的技术方案进行详细描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明设计了一种基于前额脑电信号的可穿戴式疲劳驾驶监测***，该***包括前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块、设备供电模块。前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块之间通过蓝牙传输模块连接，并由设备供电模块给它们提供电源。

前额脑电信号采集模块包括依次连接的采集电极、预处理电路、放大电路、A/D转换电路。预处理电路包括二阶无源低通滤波电路和限幅电路，起到消除高频干扰和过压保护的作用；其中，低频截止频率为40kHz，可通过电压幅值范围为±700mV。放大电路和A/D转换电路的核心芯片为ADS1299，该芯片是德州仪器最新出产的用于测量生物电势的模拟前端，有着极低的等效输入噪声，具有脑电应用所需的所有常用特性，主要包括：8通道24位ADC转换芯片，其采样频率可工作在250sps-32ksps；8通道可编程放大器，其放大倍数在1-12倍之间可调。本实施例中ADS1299设置的采样频率为250Hz，采集前额Fp1处的脑电信号。

如图2所示，前额脑电信号采集模块3放置于舒适的可收缩的可穿戴头带上，利用干电极采集驾驶员前额脑电，通过蓝牙模块将所采集的数据实时传输给疲劳状态识别模块。本实施例中，可穿戴头带整体上呈圆形或椭圆形，佩戴在驾驶员的头部；前额脑电信号采集模块的采集电极包括信号电极和参考电极，采用单导联，信号电极为置于驾驶员的前额1(如左前额Fp1)处的干电极，参考电极放置于左耳垂4处。

本实施例选择的蓝牙通信模块型号为XM-15B，具有以下特性：符合2.1+EDR协议标准，实现了蓝牙SPP规范；兼容性好，可与Android、Windows等操作***实现很好兼容；启动速度快。通过蓝牙模块传输，可以将脑电采集模块的数据准确无误地传输到疲劳状态识别模块。

疲劳状态识别模块包括依次连接的数据解析电路、数据预处理电路、特征提取电路和算法识别模块；解析从前额脑电信号采集模块所传输过来的脑电信号，进行数据预处理和特征提取后，采用离线训练得到的算法模型进行疲劳状态识别，并将识别结果通过蓝牙传输模块发送到结果反馈及干预模块。

本实施例中，疲劳状态识别模块6也是设置在可穿戴头带上。该模块使用STM32系列单片机作为微处理器。STM32系列单片机具有高性能(72MHz工作频率、具有单周期乘法指令和硬件除法指令)、低功耗和丰富外设等特点。

同样的，结果反馈及干预模块也是设置在可收缩的可穿戴头带上，优选位于太阳穴处，可以进一步提高监测***的小型化、一体化和舒适度；图2中标号2和标号5分别为放置在太阳穴左、右两侧的结果反馈及干预模块。结果反馈及干预模块包括识别结果接收模块，以及分别与识别结果接收模块连接的声音提示模块、振动提示模块、报警灯、干预触发模块，从而在接收到疲劳状态识别模块传输来的疲劳状态时，对驾驶员予以多种方式提醒及干预。其中声音提示模块提供特定声预警和播放歌曲，以缓解驾驶员的疲劳；振动提示模块提供不同幅度的振动预警信号；报警灯采用LED灯，提供不同频率的闪灯预警；干预触发模块内设置一容器，该容器内装有有助于清醒的药物，如清凉油等，触发后，会释放容器内的药物，在太阳穴处进行涂抹和按摩，帮助驾驶员缓解疲劳，恢复清醒。

图2中，设备供电模块7用于对监测***的前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块进行供电。设备供电模块包括电源、电平转换电路、充电电路三部分。采集终端采用一片锂电池作为***电源，电容量为1200mAh，输出电压为4.2V。电平转换电路选择TI公司的LDO稳压芯片TLV70030，将4.2V输出电压转换得到平稳的3.3V供电电压。充电电路选择充电芯片LTC4054。该芯片是一个恒流/恒压线性锂电池充电器，具有封装小，***元件少的特点，非常适用于便携式应用。

采用所述监测***进行疲劳驾驶监测的方法，具体见图3所示，包括以下步骤：

步骤1、建立基于前额脑电信号的驾驶员疲劳状态识别模型。设计模拟驾驶实验，通过离线训练，构建有效的PSO-SVM识别模型，再将得到的识别模型移植到疲劳状态识别模块。离线训练解决了脑电信号因人而异的问题，为后续***的实际应用奠定了基础。具体包括：

步骤11、数据采集和数据标注。搭建模拟驾驶实验平台，采集若干受试者的前额脑电数据(即脑电信号)；通过受试者的主观疲劳评价对脑电数据进行标注，得到受试者在驾驶过程中分别处于清醒状态和疲劳状态下的脑电数据，建立数据集。

步骤12、特征提取。对脑电数据进行快速傅里叶变换，得到EEG信号的频域幅值分布密度函数，从中分别提取δ波(0-4Hz)、θ波(4-8Hz)、α波(8-12Hz)和β波(12-30Hz)这四个节律的平均幅值，结合能量比特征(δ+θ)/β、(θ+α+δ)/β、(θ+α)/β、θ/β、θ/(α+β)，获得共计9项指标作为特征向量。

步骤13、构建模型。采用PSO-SVM算法建立基于前额脑电信号的驾驶员疲劳状态识别模型。该模型为二分类识别，其作用是将输入的脑电信号转化为疲劳标签，即清醒状态或疲劳状态。模型的具体实现采用PSO-SVM算法，将上述步骤12中计算得到的特征向量作为PSO-SVM算法的输入向量，对样本进行学习，这样得到的模型才具有识别功能；学习的结果是生成一个判别函数，通过该判别函数将实际应用中采集到的脑电信号尽可能正确地分类。

在本实施例中，离线训练包括如下流程：

(1)数据采集：搭建模拟驾驶实验平台，驾驶模拟环境包括商用卡车驾驶模拟器(欧洲卡车模拟2)、罗技G29方向盘、排挡杆和刹车踏板。实验安排20名持有有效驾驶执照的受试者参加持续1小时的模拟单调驾驶实验。研究显示午餐后一小时(通常在下午1:00--2:30)的单调驾驶容易导致大多数受试者昏昏欲睡，所以将实验时间限定在此范围内。受试者通过驾驶模拟器在高速公路上驾驶，并且经历各种不同的现实认知任务，比如保持或改变驾驶车道来避免碰撞，在下雨的时候打开刮雨刷，在红灯前减速停车等等，实验进行时同步采集受试者的脑电信号。

(2)数据标注：每次实验采集受试者持续60分钟的脑电数据，然后以每分钟为单位，根据受试者的主观疲劳评价，对每分钟的脑电数据进行清醒或疲劳的标注，每次实验可得到60段脑电数据。实验共采集20名受试者，总共得到1200段脑电数据。这1200段脑电数据就构成了离线训练的疲劳驾驶数据集。

(3)特征提取：使用1-45Hz的带通滤波器对脑电信号进行整体滤波，去除工频电及部分肌电伪迹干扰。然后以长度为2s的汉明窗从左至右滑动将该段信号予以分割，其中重合时间为1s。对2s汉明窗内的EEG信号进行快速傅里叶变换，得到EEG信号的频域幅值分布密度函数，从中分别提取δ波(0-4Hz)、θ波(4-8Hz)、α波(8-12Hz)和β波(12-30Hz)这四个节律的平均幅值。同时分别计算由各频段组成的合成指标(δ+θ)/β、(θ+α+δ)/β、(θ+α)/β、θ/β、θ/(α+β)，共计9项指标作为该时间窗内信号的脑电参数。对每1分钟内的EEG信号，采用上述方法得到9项参数的序列集合，对于每一序列集合去除3倍标准差外的异常值后求平均，作为该时间段内的脑电信号特征向量。

(4)构建模型：采用PSO-SVM算法建立基于前额脑电信号的驾驶员疲劳状态识别模型，该模型识别结果为二分类，即清醒或疲劳。将所有模拟驾驶特征向量样本(样本量为1200)予以划分，随机抽取70％的样本对模型予以训练及参数寻优，得到最优参数为g＝8.87，C＝9.09。将剩余的模拟驾驶特征向量样本(30％)带入参数优化后的SVM模型，对模型予以测试，得到平均正确率为87％。

步骤2、利用可穿戴式头带，实时采集驾驶员前额Fp1处的脑电信号，并根据离线训练得到的驾驶员疲劳状态识别模型，解析脑电信号，对驾驶员进行疲劳状态监测与识别。

在实际应用中，驾驶员佩戴好可穿戴式头带，在驾驶的过程中，前额脑电采集模块实时采集驾驶员前额Fp1处的脑电信号，每间隔1秒数据采集模块将数据通过蓝牙传输给疲劳状态识别模块。疲劳状态识别模块解析收到的脑电信号，进行数据预处理和特征提取后，采用离线训练得到的算法模型进行疲劳状态识别，并将识别结果发送到结果反馈及干预模块。

步骤3、如果结果反馈及干预模块接收到的识别结果为驾驶员处于清醒状态，则不做任何操作；如果接收到的识别结果为驾驶员处于疲劳状态，则对驾驶员进行包括声音提示、振动提示、报警灯闪烁以及干预触发等适当提示和干预。由此完成对驾驶员疲劳状态的实时监测和干预。

综上，本发明实现了一种基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法，其判断精度高，预警及干预及时，携带方便，易于操作，佩戴舒适，具有较高的实用价值。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其它的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于前额脑电信号的可穿戴式疲劳驾驶监测***，其特征在于，包括依次连接的且均设置在可穿戴头带上的前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块；

前额脑电信号采集模块采集驾驶员前额脑电信号，将所采集的脑电信号实时传输给疲劳状态识别模块；

疲劳状态识别模块解析收到的脑电信号，进行数据预处理和特征提取后，采用离线训练得到的算法模型进行疲劳状态识别，并将识别结果发送到结果反馈及干预模块；

结果反馈及干预模块在接收到识别模块传输来的疲劳状态时，对驾驶员予以提醒及干预。

2.根据权利要求1所述的可穿戴式疲劳驾驶监测***，其特征在于，前额脑电信号采集模块包括依次连接的采集电极、预处理电路、放大电路、A/D转换电路。

3.根据权利要求2所述的可穿戴式疲劳驾驶监测***，其特征在于，采集电极包括信号电极和参考电极，信号电极为置于前额处的干电极，参考电极放置于耳垂处。

4.根据权利要求2所述的可穿戴式疲劳驾驶监测***，其特征在于，预处理电路包括二阶无源低通滤波电路和限幅电路。

5.根据权利要求1所述的可穿戴式疲劳驾驶监测***，其特征在于，疲劳状态识别模块包括依次连接的数据解析电路、数据预处理电路、特征提取电路和算法识别模块；解析从前额脑电信号采集模块所传输过来的脑电信号，进行数据预处理和特征提取后，采用离线训练得到的算法模型进行疲劳状态识别，并将识别结果发送到结果反馈及干预模块。

6.根据权利要求1所述的可穿戴式疲劳驾驶监测***，其特征在于，结果反馈及干预模块包括识别结果接收模块，以及分别与识别结果接收模块连接的声音提示模块、振动提示模块、报警灯、干预触发模块。

7.根据权利要求1或6所述的可穿戴式疲劳驾驶监测***，其特征在于，结果反馈及干预模块位于太阳穴处。

8.根据权利要求1所述的可穿戴式疲劳驾驶监测***，其特征在于，前额脑电信号采集模块、疲劳状态识别模块、结果反馈及干预模块之间通过蓝牙传输模块连接。

9.基于权利要求1所述可穿戴式疲劳驾驶监测***的可穿戴式疲劳驾驶监测方法，其特征在于，包括以下步骤：

步骤1、建立基于前额脑电信号的驾驶员疲劳状态识别模型；

步骤2、利用可穿戴式头带，实时采集驾驶员前额处的脑电信号，并根据离线训练得到的驾驶员疲劳状态识别模型，解析脑电信号，对驾驶员进行疲劳状态监测与识别，并将识别结果发送到结果反馈及干预模块；

步骤3、如果接收到的识别结果为驾驶员处于疲劳状态，则对驾驶员进行适当提示和干预。

10.根据权利要求9所述的可穿戴式疲劳驾驶监测方法，其特征在于，步骤1包括：

步骤11、搭建模拟驾驶实验平台，采集若干受试者的前额脑电信号；通过受试者的主观疲劳评价对脑电信号进行标注，得到受试者在驾驶过程中分别处于清醒状态和疲劳状态下的脑电信号，建立数据集；

步骤12、对脑电信号进行快速傅里叶变换，得到脑电信号的频域幅值分布密度函数，从中分别提取δ波、θ波、α波和β波这四个节律的平均幅值，结合能量比特征(δ+θ)/β、(θ+α+δ)/β、(θ+α)/β、θ/β、θ/(α+β)，获得共计9项指标作为特征向量；

步骤13、采用PSO-SVM算法建立基于前额脑电信号的驾驶员疲劳状态识别模型；该模型为二分类识别，将输入的脑电信号转化为疲劳标签，即清醒状态或疲劳状态；将步骤12中得到的特征向量作为PSO-SVM算法的输入向量，对样本进行学习；学习的结果是生成一个判别函数，通过该判别函数将实际应用中采集到的脑电信号进行分类。

Images