论文部分内容阅读
摘 要：交通事故数量随城市发展逐年增加，疲劳驾驶是造成事故的主要诱因之一。因此，研究如何检测疲劳驾驶对道路行车安全具有重要意义。本文综述与生理状态有关的疲劳驾驶检测技术，并根据检测仪器是否与人体直接接触，将检测方式分为接触类检测和非接触类检测，经过比较、分析得到两种方式的特点，为研究者选择检测方法提供参考。
关键词：疲劳检测 生理状态 接触类检测 非接触类检测
我国每年发生大量的交通事故，疲劳驾驶是造成交通事故率增长的重要诱因。统计所得数据显示，有40%～70%的交通事故是由驾驶员疲劳驾驶引起的[1-2]。因此，检测疲劳驾驶能够为各方道路使用者提供一定的安全保障。
目前检测疲劳驾驶的方式可以分为基于生理信号检测、基于生理动作检测、基于驾驶员操作动作检测和基于主观评价检测。
以上四种检测方法中，基于生理信号的检测所得检验结果最准确，且实验结果可用作对照数据，但检测成本较高;基于生理动作的检测，信号提取较简单，但精确度随环境的改变和算法的复杂程度变化;基于驾驶员操作动作的检测和基于主观评价的检测，结果受多种因素影响，准确度较低。
以检测精度较高的基于生理信号的检测和基于生理动作的检测为研究目标，根据检测仪器是否直接与人体接触，将包含在这两种检测类别中的各具体方法进行对比、分析，期望为研究者在进行有关生理状态与疲劳驾驶检测的研究时，提供一些方法选择层面的参考。
1 基于生理信号的疲劳驾驶研究
1.1 生理信号研究指标
脑电、心电、肌电、血压[3]、呼吸频率等是目前广泛被研究的生理信号，其中比较成熟的是脑电信号、心电信号和肌电信号的研究。实验时选用的检测指标通常分别为脑电波、心率及其他心电信号图、肌电信号[4]、血压值等。
1.2 具体生理信号的疲劳驾驶检测
人脑的生理活动可由脑电信号直观反映。彭军强[5]等，由研究發现驾驶动作对脑电信号有一定的影响，并得到疲劳时的脑电特性可较好地由α波和β波的平均功率谱密度比R值表征，驾驶员清醒状态时的R值明显低于疲劳时的R值。王玉化[6]等，测试了驾驶员在真实的草原二级公路驾驶环境下的脑电特征，实验结果表明驾驶员在草原公路驾车时，可用与驾驶时间相关性很高的β波和（α+θ）/β作为脑电检测指标。颜松[7-8]等，采集了实际驾驶环境中，驾驶员在清醒状态下做出如起步、换挡、转向等驾驶操作时，不同频带脑电波平均功率谱密度比值，得到用α和δ的平均功率密度比值及用α和θ的平均功率密度比值评价驾驶员是否疲劳比较合理，且仍需做进一步的研究。
基于生理信号判别驾驶疲劳的方法还有检测心电信号。杨渝书[9-10]等，进行了实验者模拟驾驶实验研究，证明驾驶员疲劳状态时HRV频域测量指标中的RR间期标准差、低频值LF以及低高频比值LF/HF显著上升，同时高频值HF明显下降，得到可用以上四种指标定量描述疲劳程度的结论。徐礼胜[11]等，设计了一种疲劳驾驶检测算法，用于实现依托短时心电信号判断疲劳，将神经网络与R-R间期序列的时域/频域特征结合，并用随机森林分类器将这些特征分类，此算法检测心电信号用时更少且平均准确率超过90%。
表面肌电可用于评估运动技术动作的肌肉疲劳程度等指标[12]，也有学者将肌电信号的研究应用到疲劳驾驶检测中[13]。郑培[14]等指出肌电信号与疲劳有一定的相关性，并通过研究发现，驾驶员处于疲劳时，肌电图频率下降而肌电图的幅值增大。杨峥[15]等通过实验研究发现，肌肉的疲劳状态可由表面肌电信号很好地反映，并证明肌电信号和驾驶员疲劳有较好的相关性。
对以上内容做整理和归纳，如表 1所示。
通过以上归纳发现，目前常用的生理信号检测指标中，对脑电和肌电信号的检测都属于接触类检测，信号采集多用接触式生理传感器，此类传感器对人体皮肤有一定的侵入性，检测过程中对驾驶人造成了一定程度的干扰，对个人依赖程度较大，实时性一般，但是具有检测准确率较好的特点。心电信号的检测可由接触式传感器完成，也可通过非接触类的检测、识别算法完成，前者具有接触类检测的问题，后者不会对驾驶员安全驾驶造成干扰，且有良好的实时性，但主要受到环境的干扰。
2 基于生理动作的疲劳驾驶研究
2.1 生理动作研究指标
人体疲劳时，在身体内部表现为生理信号的改变，在外部的生理动作表现为面部和肢体动作等生理运动特征的改变。目前研究较成熟的生理运动特征有眼部运动、头部运动、嘴部运动[16]等。
2.2 具体生理动作的疲劳驾驶检测
驾驶员眼部运动与其疲劳状态有很高的相关性，检测对象主要有眨眼闭合率、眨眼频率、瞳孔直径大小、视线方向[10]等。陈昕[17]等基于OpenCV中的Haar分类器和PERCLOS算法提出了“双眼检测、单眼判别”的疲劳驾驶判别法，并借助仿真实验研究了驾驶员的疲劳状态，得出基于视频的疲劳驾驶检测方法检测效率较高的结论。毛须伟[18]等通过改进人脸检测算法，提高了人脸检测速度，并将眨眼频率和PERCLOS-P80原理结合，降低了误判率。许少凡[19]等提出一种嵌入式系统，系统通过瞳孔图像的几何特征定位人眼，基于直方图均衡预处理后收集到的图像，可降低光线对检测结果造成的影响，实现准确检测疲劳驾驶程度。
疲劳时，头部运动常表现为频繁点头、抬头姿势难以维持和头部长期不动，点头的频率和头部倾斜角度与疲劳程度有很高的相关性。李勇达[20]等用摄像头收集人脸信息，并用Camshift算法求出头部旋转角度及角速度，以达到疲劳检测的目的。田文杰[21]等，在车上安装红外线发射器和接收器，通过接收头接收到的信息检测头部相对位置，根据头部偏离正常位置是否超过设定时间判断驾驶人的疲劳状态。 频繁打哈欠也是疲劳的重要信号。施树明[22]等，用机器视觉研究驾驶员嘴部状态，并借助Fisher线性分类器确定驾驶员嘴的形状和位置，结合BP神经网络研究了打哈欠、说话和正常这三种嘴部状态，实验表明当驾驶员头部摆动幅度较小时，此方法可有效跟踪嘴部区域。
对以上内容做整理和归纳，如表2所示。
头部、眼部、嘴部运动等常用的生理运动检测指标，目前均采用非接触类检测，不对驾驶员的正常驾驶造成影响，具有良好的实时性，和较准确的检测结果，但是容易受到诸多环境因素，如光线强弱、是否有遮挡、背景复杂程度大小的干扰，检测、识别算法较复杂，须符合一定的条件，如头部动作较缓慢，才可正常识别，故此类检测方式容易受到条件的限制，如何提高检测的精度是要解决的问题。
3 检测方法接触性对比
将生理信号和生理动作按照检测仪器的接触性分类，并从是否干扰驾驶员驾驶、检测精度、检测实时性等方面进行对比，对比结果如表 3所示。
4 结语
本文基于生理状态，从生理信号和生理动作两方面综述疲劳驾驶相关研究，根据检测仪器的接触性将检测方法分为接触类检测和非接触类检测。发现生理信号中的脑电、肌电信号检测均为接触类检测，心电信号可为接触类检测也可为非接触类检测;生理动作中的眼部、头部、嘴部动作特征均为非接触类检测。接触类检测会干扰驾驶员正常驾驶，但检测精度较高，成本较高;非接触类检测不会干扰驾驶员正常驾驶，检测精度较低，成本较低。为相关学者进行生理状态与疲劳检测的研究时，提供方案选择的参考。
目前的研究正从接触类的检测向非接触类检测发展，但非接触类检测方法受众多因素影响，检测准确率较低，检测识别算法复杂，因此，将接触类和非接触类检测结合的信息融合检测，将是未来的发展趋势。
参考文献
[1] 裴玉龙，马艳丽.疲劳对驾驶员感知判断及操作特性的影响[J].吉林大学学报：工学版，2009，39（5）：1151-1156.
[2] 申琳.基于视频图像的驾驶员疲劳检测[D].天津大学，2012.
[3] 杜娟.生理信号变异性分析及其在高血压发展中的应用研究[D].浙江大学，2006.
[4] 张雨.基于视觉信息融合的驾驶员疲劳检测技术研究[D].上海师范大学，2014.
[5] 彭军强，吴平东，殷罡.疲劳驾驶的脑电特性探索[J].北京理工大学学报，2007（7）：585-589.
[6] 王玉化，朱守林，戚春华，等.基于脑电信号的草原公路驾驶疲劳研究[J].科学技术与工程，2014，14（27）：286-290.
[7] 颜松，魏建勤，吴永红.汽车驾驶员瞌睡状态脑电波特征提取的研究[J].中国生物医学工程学报，2005（1）：110-113.
[8] 吴群. 基于心电信号的驾驶疲劳检测方法研究[D].浙江大学，2008.
[9] 杨渝书，姚振强，李增勇，等.心电图时频域指标在驾驶疲劳评价中的有效性研究[J].机械设计与制造，2002（5）：94-95.
[10]武留信，纪桂英，胡大一.不明原因晕厥的诊断方法学研究进展[J].中华心律失常学杂志，1997（1）：73-75.
[11]徐礼胜，张闻勖，庞宇轩，等.基于短时心电信号的疲劳驾驶检测算法[J].东北大学学报：自然科学版，2019，40（7）：937-941.
[12]刘凡，曹蕾.表面肌电应用的新进展[J].体育世界：学术版，2019（7）：149-151.
[13]班帅.人体上肢表面肌电信号采集与处理的研究[D].东北大学，2012.
[14]鄭培，宋正河，周一鸣.机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势[J].中国农业大学学报，2001（6）：101-105.
[15]杨铮，王立玲，马东.基于自回归模型表面肌电信号检测肌肉疲劳研究[J].中国生物医学工程学报，2018，37（6）：673-679.
[16]黄斌.基于人脸特征的驾驶员疲劳检测算法与实现[D].南京航空航天大学，2017.
[17]陈昕，朱国华，张驰，等.基于眼睛闭合状态的驾驶疲劳检测方法[J].辽宁工业大学学报：自然科学版，2018，38（3）：182-186，191.
[18]毛须伟，景文博，王晓曼，等.一种基于眼部状态的疲劳驾驶检测方法[J].长春理工大学学报：自然科学版，2016，39（2）：125-130，136.
[19]许少凡，李凯钿，狄红卫，等.基于瞳孔几何特征的驾驶疲劳检测嵌入式系统的设计[J].光学技术，2009，35（1）：148-151.
[20]李勇达，张超，孟令君.基于头部姿态特征的列车司机疲劳驾驶检测系统研究[J].交通信息与安全，2014，32（5）：114-119.
[21]田文杰，刘继承.基于头部位置特征的疲劳驾驶检测仪[J].仪表技术与传感器，2008（5）：24-26.
[22]施树明，金立生，王荣本，等.基于机器视觉的驾驶员嘴部状态检测方法[J].吉林大学学报：工学版，2004（2）：232-236.
关键词：疲劳检测 生理状态 接触类检测 非接触类检测
我国每年发生大量的交通事故，疲劳驾驶是造成交通事故率增长的重要诱因。统计所得数据显示，有40%～70%的交通事故是由驾驶员疲劳驾驶引起的[1-2]。因此，检测疲劳驾驶能够为各方道路使用者提供一定的安全保障。
目前检测疲劳驾驶的方式可以分为基于生理信号检测、基于生理动作检测、基于驾驶员操作动作检测和基于主观评价检测。
以上四种检测方法中，基于生理信号的检测所得检验结果最准确，且实验结果可用作对照数据，但检测成本较高;基于生理动作的检测，信号提取较简单，但精确度随环境的改变和算法的复杂程度变化;基于驾驶员操作动作的检测和基于主观评价的检测，结果受多种因素影响，准确度较低。
以检测精度较高的基于生理信号的检测和基于生理动作的检测为研究目标，根据检测仪器是否直接与人体接触，将包含在这两种检测类别中的各具体方法进行对比、分析，期望为研究者在进行有关生理状态与疲劳驾驶检测的研究时，提供一些方法选择层面的参考。
1 基于生理信号的疲劳驾驶研究
1.1 生理信号研究指标
脑电、心电、肌电、血压[3]、呼吸频率等是目前广泛被研究的生理信号，其中比较成熟的是脑电信号、心电信号和肌电信号的研究。实验时选用的检测指标通常分别为脑电波、心率及其他心电信号图、肌电信号[4]、血压值等。
1.2 具体生理信号的疲劳驾驶检测
人脑的生理活动可由脑电信号直观反映。彭军强[5]等，由研究發现驾驶动作对脑电信号有一定的影响，并得到疲劳时的脑电特性可较好地由α波和β波的平均功率谱密度比R值表征，驾驶员清醒状态时的R值明显低于疲劳时的R值。王玉化[6]等，测试了驾驶员在真实的草原二级公路驾驶环境下的脑电特征，实验结果表明驾驶员在草原公路驾车时，可用与驾驶时间相关性很高的β波和（α+θ）/β作为脑电检测指标。颜松[7-8]等，采集了实际驾驶环境中，驾驶员在清醒状态下做出如起步、换挡、转向等驾驶操作时，不同频带脑电波平均功率谱密度比值，得到用α和δ的平均功率密度比值及用α和θ的平均功率密度比值评价驾驶员是否疲劳比较合理，且仍需做进一步的研究。
基于生理信号判别驾驶疲劳的方法还有检测心电信号。杨渝书[9-10]等，进行了实验者模拟驾驶实验研究，证明驾驶员疲劳状态时HRV频域测量指标中的RR间期标准差、低频值LF以及低高频比值LF/HF显著上升，同时高频值HF明显下降，得到可用以上四种指标定量描述疲劳程度的结论。徐礼胜[11]等，设计了一种疲劳驾驶检测算法，用于实现依托短时心电信号判断疲劳，将神经网络与R-R间期序列的时域/频域特征结合，并用随机森林分类器将这些特征分类，此算法检测心电信号用时更少且平均准确率超过90%。
表面肌电可用于评估运动技术动作的肌肉疲劳程度等指标[12]，也有学者将肌电信号的研究应用到疲劳驾驶检测中[13]。郑培[14]等指出肌电信号与疲劳有一定的相关性，并通过研究发现，驾驶员处于疲劳时，肌电图频率下降而肌电图的幅值增大。杨峥[15]等通过实验研究发现，肌肉的疲劳状态可由表面肌电信号很好地反映，并证明肌电信号和驾驶员疲劳有较好的相关性。
对以上内容做整理和归纳，如表 1所示。
通过以上归纳发现，目前常用的生理信号检测指标中，对脑电和肌电信号的检测都属于接触类检测，信号采集多用接触式生理传感器，此类传感器对人体皮肤有一定的侵入性，检测过程中对驾驶人造成了一定程度的干扰，对个人依赖程度较大，实时性一般，但是具有检测准确率较好的特点。心电信号的检测可由接触式传感器完成，也可通过非接触类的检测、识别算法完成，前者具有接触类检测的问题，后者不会对驾驶员安全驾驶造成干扰，且有良好的实时性，但主要受到环境的干扰。
2 基于生理动作的疲劳驾驶研究
2.1 生理动作研究指标
人体疲劳时，在身体内部表现为生理信号的改变，在外部的生理动作表现为面部和肢体动作等生理运动特征的改变。目前研究较成熟的生理运动特征有眼部运动、头部运动、嘴部运动[16]等。
2.2 具体生理动作的疲劳驾驶检测
驾驶员眼部运动与其疲劳状态有很高的相关性，检测对象主要有眨眼闭合率、眨眼频率、瞳孔直径大小、视线方向[10]等。陈昕[17]等基于OpenCV中的Haar分类器和PERCLOS算法提出了“双眼检测、单眼判别”的疲劳驾驶判别法，并借助仿真实验研究了驾驶员的疲劳状态，得出基于视频的疲劳驾驶检测方法检测效率较高的结论。毛须伟[18]等通过改进人脸检测算法，提高了人脸检测速度，并将眨眼频率和PERCLOS-P80原理结合，降低了误判率。许少凡[19]等提出一种嵌入式系统，系统通过瞳孔图像的几何特征定位人眼，基于直方图均衡预处理后收集到的图像，可降低光线对检测结果造成的影响，实现准确检测疲劳驾驶程度。
疲劳时，头部运动常表现为频繁点头、抬头姿势难以维持和头部长期不动，点头的频率和头部倾斜角度与疲劳程度有很高的相关性。李勇达[20]等用摄像头收集人脸信息，并用Camshift算法求出头部旋转角度及角速度，以达到疲劳检测的目的。田文杰[21]等，在车上安装红外线发射器和接收器，通过接收头接收到的信息检测头部相对位置，根据头部偏离正常位置是否超过设定时间判断驾驶人的疲劳状态。 频繁打哈欠也是疲劳的重要信号。施树明[22]等，用机器视觉研究驾驶员嘴部状态，并借助Fisher线性分类器确定驾驶员嘴的形状和位置，结合BP神经网络研究了打哈欠、说话和正常这三种嘴部状态，实验表明当驾驶员头部摆动幅度较小时，此方法可有效跟踪嘴部区域。
对以上内容做整理和归纳，如表2所示。
头部、眼部、嘴部运动等常用的生理运动检测指标，目前均采用非接触类检测，不对驾驶员的正常驾驶造成影响，具有良好的实时性，和较准确的检测结果，但是容易受到诸多环境因素，如光线强弱、是否有遮挡、背景复杂程度大小的干扰，检测、识别算法较复杂，须符合一定的条件，如头部动作较缓慢，才可正常识别，故此类检测方式容易受到条件的限制，如何提高检测的精度是要解决的问题。
3 检测方法接触性对比
将生理信号和生理动作按照检测仪器的接触性分类，并从是否干扰驾驶员驾驶、检测精度、检测实时性等方面进行对比，对比结果如表 3所示。
4 结语
本文基于生理状态，从生理信号和生理动作两方面综述疲劳驾驶相关研究，根据检测仪器的接触性将检测方法分为接触类检测和非接触类检测。发现生理信号中的脑电、肌电信号检测均为接触类检测，心电信号可为接触类检测也可为非接触类检测;生理动作中的眼部、头部、嘴部动作特征均为非接触类检测。接触类检测会干扰驾驶员正常驾驶，但检测精度较高，成本较高;非接触类检测不会干扰驾驶员正常驾驶，检测精度较低，成本较低。为相关学者进行生理状态与疲劳检测的研究时，提供方案选择的参考。
目前的研究正从接触类的检测向非接触类检测发展，但非接触类检测方法受众多因素影响，检测准确率较低，检测识别算法复杂，因此，将接触类和非接触类检测结合的信息融合检测，将是未来的发展趋势。
参考文献
[1] 裴玉龙，马艳丽.疲劳对驾驶员感知判断及操作特性的影响[J].吉林大学学报：工学版，2009，39（5）：1151-1156.
[2] 申琳.基于视频图像的驾驶员疲劳检测[D].天津大学，2012.
[3] 杜娟.生理信号变异性分析及其在高血压发展中的应用研究[D].浙江大学，2006.
[4] 张雨.基于视觉信息融合的驾驶员疲劳检测技术研究[D].上海师范大学，2014.
[5] 彭军强，吴平东，殷罡.疲劳驾驶的脑电特性探索[J].北京理工大学学报，2007（7）：585-589.
[6] 王玉化，朱守林，戚春华，等.基于脑电信号的草原公路驾驶疲劳研究[J].科学技术与工程，2014，14（27）：286-290.
[7] 颜松，魏建勤，吴永红.汽车驾驶员瞌睡状态脑电波特征提取的研究[J].中国生物医学工程学报，2005（1）：110-113.
[8] 吴群. 基于心电信号的驾驶疲劳检测方法研究[D].浙江大学，2008.
[9] 杨渝书，姚振强，李增勇，等.心电图时频域指标在驾驶疲劳评价中的有效性研究[J].机械设计与制造，2002（5）：94-95.
[10]武留信，纪桂英，胡大一.不明原因晕厥的诊断方法学研究进展[J].中华心律失常学杂志，1997（1）：73-75.
[11]徐礼胜，张闻勖，庞宇轩，等.基于短时心电信号的疲劳驾驶检测算法[J].东北大学学报：自然科学版，2019，40（7）：937-941.
[12]刘凡，曹蕾.表面肌电应用的新进展[J].体育世界：学术版，2019（7）：149-151.
[13]班帅.人体上肢表面肌电信号采集与处理的研究[D].东北大学，2012.
[14]鄭培，宋正河，周一鸣.机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势[J].中国农业大学学报，2001（6）：101-105.
[15]杨铮，王立玲，马东.基于自回归模型表面肌电信号检测肌肉疲劳研究[J].中国生物医学工程学报，2018，37（6）：673-679.
[16]黄斌.基于人脸特征的驾驶员疲劳检测算法与实现[D].南京航空航天大学，2017.
[17]陈昕，朱国华，张驰，等.基于眼睛闭合状态的驾驶疲劳检测方法[J].辽宁工业大学学报：自然科学版，2018，38（3）：182-186，191.
[18]毛须伟，景文博，王晓曼，等.一种基于眼部状态的疲劳驾驶检测方法[J].长春理工大学学报：自然科学版，2016，39（2）：125-130，136.
[19]许少凡，李凯钿，狄红卫，等.基于瞳孔几何特征的驾驶疲劳检测嵌入式系统的设计[J].光学技术，2009，35（1）：148-151.
[20]李勇达，张超，孟令君.基于头部姿态特征的列车司机疲劳驾驶检测系统研究[J].交通信息与安全，2014，32（5）：114-119.
[21]田文杰，刘继承.基于头部位置特征的疲劳驾驶检测仪[J].仪表技术与传感器，2008（5）：24-26.
[22]施树明，金立生，王荣本，等.基于机器视觉的驾驶员嘴部状态检测方法[J].吉林大学学报：工学版，2004（2）：232-236.