基于脑电信号的驾驶人警觉度状态评估模型的初步设计本科生毕业论文.docx
《基于脑电信号的驾驶人警觉度状态评估模型的初步设计本科生毕业论文.docx》由会员分享，可在线阅读，更多相关《基于脑电信号的驾驶人警觉度状态评估模型的初步设计本科生毕业论文.docx（49页珍藏版）》请在冰豆网上搜索。
基于脑电信号的驾驶人警觉度状态评估模型的初步设计本科生毕业论文
本科生毕业论文（设计）
中文题目：
基于脑电信号的驾驶人警觉度状态评估模型的
初步设计
英文题目：
ATentativeDesignofEEG-basedDriverVigilance
StateDetectionModel
学生姓名王向林班级441002学号44100212
学院交通学院
专业交通运输类（汽车运用工程）
指导教师金立生职称教授
吉林大学学士学位论文（设计）承诺书
本人郑重承诺：
所呈交的学士学位毕业论文（设计），是本人在指导教师的指导下，独立进行实验、设计、调研等工作基础上取得的成果。
除文中已经注明引用的内容外，本论文（设计）不包含任何其他个人或集体已经发表或撰写的作品成果。
对本人实验或设计中做出重要贡献的个人或集体，均已在文中以明确的方式注明。
本人完全意识到本承诺书的法律结果由本人承担。
学士学位论文（设计）作者签名：
年月日
摘要
驾驶疲劳是引发交通事故的所有人为因素中最主要的一个因素，判断驾驶人疲劳程度最常用的方法就是判断驾驶人集中精力执行驾驶任务时所表现出的灵敏程度，也就驾驶人的警觉度状态。
对驾驶人警觉度状态进行监测，避免驾驶人疲劳驾驶的发生，是车辆辅助安全驾驶技术的一个重要环节，对解决交通安全问题具有重要的现实意义。
本论文分析了基于脑电信号的驾驶人警觉度状态评估模型在设计上的主要问题以及解决各个主要问题的具体方法，提出了评估模型的初步设计方案。
并设计了驾驶人脑电警觉度实验，提出了在实验中对被试进行警觉度标注的方法，并基于LabVIEW完成了对实验设备Neurosky公司的MindwaveMobile脑电波传感器的软件支持。
最后，本论文提出了实验数据的处理方案，并对本论文提出的初步模型的部分性能进行了测试。
关键词：
脑电信号，驾驶人，警觉度，频谱分析，LabVIEW
Abstract
Thefatigueofdriversisthemainfactoramongallthehumanfactorswhichcauseroadaccidents.Apopularwaytodistinguishdriverdrowsinessistodetectdrivers’vigilancestate,whichrepresentthealertnessthatdriversshowwhentheyaredriving.Thedetectionofdrivers’vigilancestateisanimportantpartofdriverassistsecuritytechnologyandhasaprofoundpracticalsignificance.ThisthesisdiscussesthemainproblemsinthedesignofEEG-baseddrivervigilancestatedetectionmodel,andanalysesthemethodstosolvetheseproblems.ThenitcomeupwithatentativedesignofEEG-baseddrivervigilancestatedetectionmodel.ThethesisalsodesignadriverEEG-vigilancestateexperiment,developamethodtoannotatethevigilancestateofsubjectsinthisexperiment.InordertohaveabetterusageoftheEEGsensorMindwaveMobilefromNeuroskyCompany,thisthesisdevelopsprogramsbasedonLabVIEWasthesoftwaresupportofthehardware.Last,thethesisanalysesthewaytoprocessthedatafromtheexperiment,andshowtheresultofthetestonpartoftheperformanceofthetentativemodel.
Keywords:
EEG,drivers,vigilancestate,spectralanalysis,LabVIEW
第1章绪论
1.1研究背景及意义
2005年至2011年，我国交通事故死亡人数平均每年约为9万人，交通事故总量巨大，伤亡严重，交通安全形势不容乐观！
随着人类社会的不断进步，工业与经济的不断发展，全球汽车的数量也在急剧增加。
汽车数量的急剧增长在中国更为明显，从2003年到2013年的10年间，我国汽车保有量从2400万量增长到1.37亿辆，增加了1100多万辆。
我国汽车保有量占了世界汽车保有量的约1.5%，而交通事故死亡人数却占世界总数的8%以上。
按照汽车保有量的道路交通事故相对死亡率评价标准，我国的交通事故死亡率远远高于世界平均水平。
年份
事故次数
直接损失（亿元）
死亡人数
受伤人数
2005
450254
18.8
98738
469911
2006
378781
14.9
89455
431139
2007
327209
12
81649
380442
2008
265204
10.1
73484
304919
2009
238351
9.1
67759
275125
2010
219531
9.3
65225
254075
2011
210812
10.8
62387
237421
表1-12005年至2011年交通事故统计数据
道路交通系统是涉及了人、车、路的复杂的耦合系统，具有四大要素：
人—车—路—时间。
针对具体的一个事故进行研究分析可以发现：
在构成道路交通系统的驾驶人、车辆、道路环境和时间四要素中，人—车—路三要素之间的不协调是引发交通事故的根本原因[1]。
随着驾驶时间的增长，这种不协调引发交通事故的几率也随之增加。
各个要素对交通安全的影响程度不同，尤以人为因素的影响程度最大。
图1-1道路系统结构图
驾驶人人为因素是引发道路交通事故的主要原因这一事实已经被世界各国所公认。
英国运输与道路实验室指出：
驾驶人因素作为唯一因素造成的交通事故约占交通事故总量的65%，与驾驶人有关的因素造成的事故约占交通事故总量的95%[2]。
美国印第安纳大学通过事故现场调查、车辆结构检验和对幸存者访问的方式，完成了大量交通事故原因的调查，调查结果表明：
大约94%的交通事故与驾驶人因素有关，驾驶人因素作为唯一直接原因造成的道路交通事故，约占事故总量的57%；且在驾驶人所有错误中，最常见的错误是感知错误，与交通事故的发生最直接的原因是驾驶操作行为不当。
我国相关研究显示：
驾驶人因素造成的公路交通事故数、死亡人数、受伤人数占总数的90%左右[3]。
而在各种引发交通事故的驾驶人人为因素中，驾驶人的疲劳是最主要的组成部分。
在美国的所有致命汽车事故中，57%的事故与驾驶员疲劳有关；英国交通研究实验室认为：
疲劳驾驶导致的交通事故占全体交通事故的10%；法国国家事故报告指出：
因疲劳驾驶而发生的事故占人身伤亡事故14.9%，占死亡事故的20.6%[4]。
图1-2疲劳驾驶是引发交通事故最主要的人为因素
可见，开发出实时监测驾驶人疲劳的技术，是降低交通事故发生最为直接和有效的方法。
这项技术作为车辆辅助安全驾驶技术的一个重要课题，对解决交通安全问题有着重要的现实意义。
驾驶人疲劳监测的总体思路就是找出反映驾驶人疲劳程度的因素，并根据这些因素来判断驾驶人的疲劳状态。
驾驶人的疲劳程度最常用的方法就是判断驾驶人集中精力执行驾驶任务时所表现出的灵敏程度，也就驾驶人的警觉度状态。
目前，警觉度研究主要是基于三个类型的参数：
（1）基于生理特征参数，主要是利用皮肤阻抗、体温、血压、脑电和眼电等生理特征进行警觉度状态的估计。
（2）基于表情特征参数，主要通过对瞳孔、嘴、鼻等进行精确定位。
使用眼睛闭合程度、闭合时间、眨眼频率、点头频率、人脸的朝向、人眼注视方向以及嘴的张开程度等特征，对驾驶人的警觉度进行估计[5]。
（3）基于驾驶行为参数，主要通过车辆的行驶速度，驾驶人对方向盘的握力、对车道的把握、以及对刹车和油门的控制来估计驾驶人的警觉度状态。
而在以上所有估计驾驶人警觉度状态的参数中，生理特征参数中的脑电信号因为能更为直接地反映大脑本身的活动，有着更高的时间分辨率，且无法被人为控制或伪装，因此被称为疲劳检测方法中的“金标准”，得到了医学界的广泛认可[6]。
本论文的研究便是通过脑电信号来辨识出驾驶人警觉度状态的好坏，从而实现对驾驶人的实时疲劳程度监测。
图1-3脑电波被称为疲劳检测的“金标准”
1.2国内外研究现状
20世纪90年代开始，陆续有科研机构及公司涉足驾驶人警觉度的研究当中。
现阶段的驾驶人疲劳监测以视频技术为主，主要是基于驾驶人的眼部特征。
其中卡耐基梅隆大学（CarnegieMellonUniversity）的驾驶研究中心在1994年提出的PERCLOS方法，是其中运用最广泛，受认可程度最高的一种方法。
PERCLOS方法通过两个摄像头，利用视网膜对不同波长红外光的反射能力差异来定位视网膜，并以此分析眼睛的大小和位置，判断眼睛的睁闭，由此计算出眼睛闭合度超过80%的时间与眨眼总时间的比率，作为驾驶人疲劳程度的判断依据。
2001年，伦斯勒理工大学（RensselaerPolytechnicInstitute）的QiangJi对PERCLOS进行了改良，实现了只用一个摄像头便可对视网膜进行定位。
同年，卡耐基梅隆大学的机器人研究所推出了Copilot车载疲劳监测系统，利用PERCLOS方法判断疲劳，并克服了驾驶员佩戴眼镜时的反光问题。
现在，PERCLOS方法已经被美国联邦公路管理局认定是一种可靠且有效的疲劳检测方法，在车载实时疲劳监测系统中成功得到了广泛的商业应用。
由汽车厂商开发出的较为成熟的疲劳监测装置中大多也是采用PERCLOS方法来判断驾驶人是否处于疲劳状态。
如图1-4为较常见的基于视频技术的驾驶人疲劳监测系统示意图。
图1-4基于视频技术的驾驶人疲劳监测系统
2003年，澳大利亚国立大学与沃尔沃公司合作的SeeingMachines公司推出了FaceLAB系统。
这一系统并非采用传统的瞳孔红外线反射技术，而是用一对立体摄像机来测量数据，能够检测到使用者面部的各种特征，包括驾驶人头部姿势、眼睑运动、视线方向、瞳孔直径等，也可作为独立的眼动仪来使用。
该系统不仅支持PERCLOS方法来检测疲劳，还可以分析其他眼睑运动特征，使其作为疲劳检测标准。
目前该系统已经发展到了第五代，成为了一套成熟的商业化产品。
图1-5第五代的FaceLAB系统
2004年，欧盟开展了AWAKE计划，其目标是开发和制定一套驾驶人疲劳监测和预警系统的标准。
此计划结合了驾驶人状态和驾驶人行为信息，包括驾驶人眼睑运动、对方向盘握力、对车道把握、以及对刹车和油门的控制等，对疲劳驾驶预警系统的综合设计提供了比较全面的指导性意见。
各种生理特征也被陆续应用在驾驶人警觉度状态的检测上。
2005年，武汉理工大学毛喆等人对不同精神状态时驾驶员的特异性生理指标进行了分析比较，采集了驾驶模拟器上被测试者连续操作时的心率、皮电、肌电等生理指标，并利用模糊聚类的方法实现驾驶疲劳状态的识别。
2006年，日本东京大学金子成彦教授领导的一个研究小组，利用混沌信号分析法，通过分析脉搏信号中某种指数变化从而检测出人进入睡眠前会出现一种前兆信号。
基于这一原理，研究小组开发出一款驾驶疲劳监测座椅，座椅上的传感器可以探测出这一脉搏信号中的睡眠前兆信号，从而在驾驶人进入睡眠之前发出警告信号。
图1-6驾驶疲劳监测座椅
随着人类对人体生物电认识的深入，出现了基于生物电（主要是脑电EEG和眼电EOG）这一类生理特征的疲劳监测方法。
1993年起，加州大学圣地亚哥分校的神经计算学院研究所（CenteroftheInstituteforNeuralComputation）便开始了对警觉度与脑电关系的研究，其主要是分析警觉度与脑电频谱特征间的对应关系，以及大脑皮层与警觉度相关脑区放电方式。
1998年，日本NiigataUniversity的KazushiHyoki教授等人在关于EOG与EEG作为疲劳特征的研究中，分析了EOG的快速眼动特征与EEG的alpha波、beta波的关系，指出疲劳实验中，快速眼动的出现与EEG的alpha波、beta波有正相关关系。
2005年起，台湾新竹交通大学脑科学研究中心也对将脑电用于警觉度分析做出了许多研究。
他们利用脑电频谱特征，结合模糊神经网络等模式识别算法，进行了一系列的模拟驾驶环境下的警觉度检测系统的研究。
2008年，中国北京航天航空大学的胡淑燕与清华大学的郑钢铁公布了他们与欧盟SENSATION计划的合作研究结果。
研究中，他们利用EOG中提取出的11种眼睑特征来作为SVM分类器的输入，以此将驾驶员的疲劳度分为三种不同状态。
2009年，澳大利亚的S.Hanke等人在EOG与疲劳的相关关系研究中，对EOG的速度、幅值、低频/高频比（LF/HF）这三个特征进行了测试，结果显示速度和幅值与警觉度的关系并不明显。
相对而言，LF/HF是一个最能反映警觉度的特征。
图1-7脑电EEG（左）和眼电EOG（右）的探测
2012年，澳大利亚的SmartCap公司推出了一款可监测使用者疲劳程度的帽子SmartCap。
该帽子的的内衬有着可以测量脑电波活动情况和穿戴者疲劳程度的防水传感器，当穿戴者的疲劳程度达到一定水平，该帽子便会发出警告声向穿戴者进行提醒。
目前该款产品已被运用在矿业、海事、物流等领域。
图1-8基于脑电波特征的疲劳监测帽子SmartCap
综上所述，在现阶段使用视频技术的基于驾驶人眼部特征的警觉度监测方法仍然应用最广，其凭借无需接触人体，使用方便等优点，得到了很好的推广。
但该技术因为存在易受环境亮度、被试人员头部位置、面部运动以及眼镜影响的问题，警觉度估计精度较低。
而在其他警觉度状态检测方法中，基于脑电EEG和眼电EOG的技术能够最为客观、准确地获得驾驶人的警觉度状态，在驾驶疲劳监测领域展现出了巨大的潜力，但现阶段仍有其各自的问题需要解决。
因资源和研究时间所限，本论文仅选取了脑电信号作为驾驶人警觉度状态评估的特征参数，对评估过程中的主要问题进行了分析讨论，提出了驾驶人警觉度状态的初步评估模型。
但未来的驾驶人警觉度监测系统不应该只局限于使用一种技术，而应该是多种技术相结合的，集各种监测指标于一身的多传感器信息融合的综合监测系统。
1.3基于脑电信号的驾驶人警觉度状态分析概述
1.3.1驾驶人警觉度状态与驾驶安全性
警觉度通常的定义是：
人集中精力执行一项操作任务时所表现出的灵敏程度。
在许多人机交互系统需要操作人员的警觉度状态保持在一个较好的状态。
在复杂的道路交通环境中，驾驶行为是多源信息刺激下，驾驶人感知、判断和操纵活动的外在表征，是一个循环往复的信息处理过程。
通过人—车—路之间的互相协调实现，通过车辆运动形式表现。
因此，驾驶人驾驶状态，车辆的运动状态都时刻体现着驾驶人的警觉度状态。
一旦驾驶员警觉度状态变差，便可能造成非常严重的后果。
因此，驾驶人警觉度状态的好坏是衡量驾驶人驾驶安全性非常重要的指标。
1.3.2脑电信号简介
人体及生物体活细胞在安静和活动时都存在电活动，这种电活动称为生物电现象。
脑电属于人体生物电之一。
脑电信号是脑部大量神经元在同时放电过程中，在头表皮上反映出的微弱电位差。
脑电信号反映的是脑部神经元放电的混合效果。
由于大脑皮层有序的多层结构中椎体细胞的轴突径向排列，树突在外层呈切向分布，使得有序的电偶极子放电可以克服颅骨的屏蔽，在头表皮上记录到0.5~40Hz较大幅度（1~100
）的脑电信号。
脑电变化可分为两类：
（1）当人受到声音、闪光、触击等刺激时，会在头皮上产生微弱的电位变化，称为事件相关点位（ERP,event-relatedpotential），也称为诱发电位（EP,evokedpotential）。
（2）神经系统本身自发地产生的电位变化，周围没有任何刺激时仍然存在，称为自发电活动。
EEG是大脑未接受外来刺激情况下的自发电活动。
电位作为纵轴，时间特征为横轴，记录得到的描述自发脑电活动的电位与时间相互关系平面图，即为脑电图。
脑电图是是神经细胞群的电生理活动在大脑皮层或头皮表面的总体反映。
脑电图反映了大脑组织的电活动及大脑的功能状态[7]。
此外，脑电还可以以脑电地型图（BrainMap）的形式进行描述，其反映的是一个特定时刻或时间内脑电或脑电能量在整个头皮上的分布情况。
图1-9反映脑电能量分布的脑电地形图
脑电信号的三个基本特征分别为频率（周期）、波幅和相位。
频率（周期）：
脑电的周期指的是一个波离开基线后又重回基线所需要的时间。
基线是脑电波上下摆动时中点联结成的一条直线。
频率是指单位时间内周期的数目。
波幅：
脑电的波幅代表脑电位的强度。
波幅大小与参与同步放电的神经元数目以及神经元排列的方向等因素有密切关系。
如参与同步放电的神经元数目多，神经元排列的方向一致，脑电探测电极与神经元的距离近，则波幅增大；反之则降低。
相位：
随时间序列运动展开的波，在基线上或基线下所处的瞬时位置即为该波的相位，它代表着波的极性及其时间与波幅的相对关系。
以脑电基线为标准，朝上的波被称为负向波（负性波），朝下的波称为正相波（正性波）。
同时记录的两个导联的相位取决于脑内放电部位的位置、数目、大小以及电极导联方法、诱导部位。
按照脑电信号在频谱上的特征，通常将其分为不同的节律，节律内的脑电信号模式相近。
目前流行有多种脑电节律的划分方法，如Schwab脑电划分方法和Walter脑电划分方法。
考虑到本论文研究中采用的脑电波传感器为Neurosky公司推出的MindwaveMobile脑波传感器，本论文将采用Neurosky推荐的脑电节律划分方式。
具体的脑电节律划分方式及某节律对应特点如表1-2。
表1-2Neurosky推荐的脑电节律划分方式
脑波类型
频率范围
精神状态
Delta波
0.1Hz到3Hz
沉睡，非快速动眼睡眠，无意识状态
Theta波
4Hz到7Hz
直觉的，创造性的，回忆，幻想，想象，浅睡
Alpha波
8Hz到12Hz
放松但不困倦，平静，有意识地
低频Beta波
12Hz到15Hz
运动感觉节律，即轻松又专注，有协调性
中频Beta波
16Hz到20Hz
思考，对于自我和周围环境意识清楚
高频Beta波
21Hz到30Hz
警觉，激动
1.3.3脑电信号与警觉度的关系
脑电信号作为人体重要生理特征参数之一，直接反映了大脑的活动，且具有较高的时间分辨率。
基于目前的研究情况，将脑电作为警觉度状态的评估手段在医学界得到广泛认可。
脑电信号与警觉度状态的关系主要体现在以下几个方面：
[6]
（1）随着警觉度状态的改变，从清醒到入睡过程中一些事件相关电位的潜伏期或峰值会发生改变。
（2）随着警觉度状态的改变，不同节律的脑电信号活跃程度会发生改变，如在频域上观察脑电信号会发现：
随着警觉度的改变，脑电的功率谱分布会发生变化。
（3）随着警觉度状态的改变，不同节律的脑电信号生成的脑电地形图会呈现出规律性的变化。
（4）另外，警觉度状态变化造成的脑电模式改变也会直接反映在脑电的时序特征中，这些时序特征通常可以利用近似熵，样本熵，自回归系数等来表示。
1.3.4基于脑电信号的驾驶人警觉度状态评估模型的设计流程和关键问题
图1-10基于脑电信号的驾驶人警觉度状态评估模型设计流程图
根据脑电信号的特点，基于脑电信号的驾驶人警觉度状态评估模型设计的具体流程如图1-10。
完成评估模型设计的关键便是对四个关键问题作出解答，这四个关键问题是：
（1）脑电信号的降噪去伪迹预处理。
（2）警觉度状态相关特征提取。
（3）警觉度状态相关特征的过滤。
（4）警觉度状态的估计。
1.脑电信号的预处理
脑电信号十分微弱，在采集和传输过程中容易受到来自人体内部和外部的干扰。
干扰信号可能严重降低所采集到的脑电信号的信噪比，引发信号失真，使得采集到的信号不可靠。
在驾驶过程中脑电信号主要受到以下因素的影响：
（1）汽车电器产生的电磁干扰。
（2）肌电、眼电、心电等生理伪迹信号的干扰。
（3）驾驶人驾驶动作过大。
（4）传感器与驾驶人皮肤没有进行有效的接触。
脑电降噪去伪迹采用的主要方法包括[8]：
（1）直接删除含有伪迹的脑电信号片段：
处理时通过观察，判断脑电信号是否存在伪迹，将存在伪迹的脑电信号片段进行人工的删除；或对脑电波的能量或幅值设定一个阀值作为对伪迹的判别标准，通过计算机软件判断采集到的脑电波是否超过阀值，若超过则自动删除。
（2）利用线性滤波器对脑波信号中的伪迹进行滤除。
如使用高通滤波器可滤除部分眼电伪迹，低通滤波器可滤除部分肌电伪迹。
（3）利用线性回归方法从脑电中滤除伪迹信号。
（4）利用信号分解的方法，如独立成分分析（ICA,IndependentComponentAnalysis）法，将含有伪迹的原始脑电信号分成多个成分，识别出伪迹成分后将非伪迹的成分进行重构，得到去伪迹后的脑电信号。
2.警觉度状态相关特征的提取、过滤
警觉度状态分析中脑电的主要特征有：
（1）时域特征：
自回归系数等。
（2）频谱特性：
功率谱密度或小波系数。
（3）复杂度特征：
近似熵和样本熵。
不同特征对于警觉度状态的表征能力不同，计算复杂度不同，抗干扰能力不同。
将在后面章节对不同特征进行分析和比较。
脑电信号中并不是所有电位的变化都由警觉度状态变化引起，即存在很多与警觉度状态无关的信号。
直接提取的原始脑电特征因为受到与警觉度状态无关的脑电信号影响，波动较大。
即使驾驶人处于同一个警觉度状态，原始脑电特征也十分不稳定。
因此要对提取的原始脑电特征进行必要的平滑处理。
常用的方法是利用滑动平均滤波的方式对原始脑电特征进行过滤。
3.警觉度状态的估计方法
现有的警觉度状态估计方法有：
线性判别模型，线性回归模型，人工神经网络模型，支持向量机等。
其中线性模型训练过程简单，结果稳定，但警觉度估计的精度较差。
非线性的估计方法警觉度估计的精度较高，但也存在着不足。
人工神经网络模型在不同的训练中模型参数不稳定，导致得到的警觉度估计也不稳定，并且神经网络结构的设置也是一个很难的课题；而支持向量机模型在数据规模较大的时候训练速度较慢。
另外，在警觉度状态的估计中，模型训练过程需要大量有警觉度状态标注信息的脑电数据。
1.4本论文的研究目的、主要研究内容和内容安排
1.4.1本论文的研究目的和主要研究内容
本论文的研究目的在于：
（1）对基于脑电波的驾驶人警觉度状态评估模型设计过程中涉及的关键问题进行分析，初步设计出基于脑波信号的驾驶人警觉度状态评估模型。
（2）对如何使用MindwaveMobile脑波传感器结合LabVIEW编程环境实现脑电信号
升级会员 