龙源期刊网 http://www.qikan.com.cn
机动车疲劳驾驶辨识方法研究综述
作者：汪宴宾
来源：《中小企业管理与科技·上旬刊》2015年第03期
摘要：本文分析了疲劳驾驶检测研究的现状，介绍了使用最为广泛的几种检测技术以及研究成果，综合分析了几种检测技术的优缺点。认为现有检测设备成本过高，性价比过低，不利于推广应用。开展实车实验提出合理的疲劳分级标准，发展简单无接触，并基于信息融合的检测技术将是以后疲劳驾驶检测的发展方向。 关键词：疲劳驾驶 检测技术 信息融合 发展趋势 0 引言
据世界卫生组织2009年的统计数据表明，由疲劳驾驶引起的交通事故占到总交通事故的37.91%[1]。从很多严重的交通事故发生原因来分析，其中一个很重要的原因就是，驾驶员的过度疲劳驾驶，驾驶员在疲劳的状态下，会导致精力不集中，不能很好的控制车辆行驶的速度和方向。近些年在疲劳程度检测方面，比较成熟的方法有以下五种：
①基于主观评定的检测方法；②基于生理参数检测的方法；③基于驾驶行为特征的检测；④基于车辆状态特征的检测；⑤基于信息融合的检测技术。 1 疲劳驾驶检测方法 1.1 基于主观评定的检测方法
主观评定法分为主观自评和主观他评，主要基于驾驶人主观感受、反应时间、面部特征等将驾驶人主观疲劳感觉进行分类量化。主要的评价标准和方法有卡洛琳斯卡睡眠尺度表 KSS（Karolinska Sleepiness Scale）、斯坦福嗜睡量表SSS（Stanford Sleepiness Scale）和视觉类比量表VAS（Visual Analogue Scales）；基于面部视频的专家评分方法，它通过一组受过训练的专家根据驾驶人的面部表情和头部姿态等特征对其疲劳状态进行评分[2]。 1.2 基于生理参数的检测方法 1.2.1 基于脑电的检测（EEG）
基于脑电信号检测的方法是根据观察这四种波（α波、β波、θ波、δ波）出现的数量多少或者某种波的变化来反映驾驶人的疲劳状态。具体表现为：当驾驶员处于疲劳状态时，θ波大幅增加，α波数量增多；当驾驶员处于清醒状态时，β波出现数量增多，其他波相对减少。脑电信号检测被誉为疲劳检测的“金标准”。王玉化[3]等在草原单调枯燥的驾驶环境下进行实车实验，发现β波和（α/θ）/β两项指标对驾驶员疲劳最为敏感且在行车90～110min时段内，驾驶
龙源期刊网 http://www.qikan.com.cn
员疲劳趋势最为明显。房瑞雪[4]等人采用驾驶模拟实验，通过对不同频带的EEG信号的平均功率的变化规律的研究，验证EEG信号作为疲劳检测指标的合理性，得出了各脑电指标与P80指标之间存在很大的相关性的结论；张诚[5]基于快速傅里叶变换法对脑电信号中α、β、θ、δ特征节律进行分析，通过计算α、β、θ、δ各个特征节律的相对能量值，并求出疲劳指数，进而估计驾驶员的疲劳程度。
EEG信号检测的可靠性和灵敏度很好，其抗干扰性也很强，但是其成本高、结构复杂、需用专用仪器，测试条件苛刻、可扩展性较差，而且要在被测试者的相应部位安装传感器，对驾驶员的操作带来负面作用。 1.2.2 基于心电的检测（ECG）
ECG主要被用于驾驶负担的生理测量中，当驾驶员
疲劳时，心电信号会呈现出明显的规律性下降，心电信号中的心率HR（Heart Rate）指标和心率变异性HRV（Hart Rate Variability）指标是判断疲劳驾驶的重要的生理指标。郭孜政[6]等以驾驶行为绩效为客观测评指标，给出了驾驶精神疲劳状态的分级划分方法，以心率变异性的6 项指标作为疲劳识别特征因子，采用BP神经网络模型，建立了驾驶精神疲劳状态分类器，有效识别驾驶员疲劳状态。
ECG信号检测方法具有装置可随身携带、简单易行、非侵入式等优点，有望实现动态检测与实时处理，但其不足之处在于诊断性和敏感性较差，应结合其他分析方法进行综合研究。 1.2.3 基于肌电的检测（EMG）
一般来说，使用诱发电位的方法，测量EMG信号，具体的实施过程，是在驾驶员的肌肉表面，固定好一块电极，在产生肌电信号时，可以通过肌肉表面的电极传送到肌电图记录仪。当驾驶员的疲劳程度不断加深时，EMG的频率就会不断下降，幅值逐渐增大[7]，这样就可以有效控制驾驶员的疲劳程度。这种检测方法，是基于人体的生理指标，其结果比较客观真实，可以较好的反应驾驶员的疲劳程度，不过，从另一方面看，很多生理传感器对人体肌肤有着一定的有侵入性，这对于驾驶员的安全驾驶，有着一定的影响。 1.3 基于驾驶行为参数的检测方法
基于驾驶员行为特征的检测方法是指利用驾驶人的头部、眼部、嘴部等特征的变化规律判断驾驶人的疲劳水平，其中驾驶人眼部特征被认为是反映疲劳状态的重要特征。
基于眼动特征参数的检测主要集中于眨眼闭合率、眨眼频率、瞳孔直径变化等方面。许少凡等[8]研发了DSP识别系统，其主要工作原理是根据驾驶员眼睛的瞳孔几何特征发生的变化，来对驾驶员的疲劳程度进行检测，从而判断其疲劳状况。徐建君[9]在研究中，主要是设法采集驾驶员的眼部数据，并通过和正常的数值进行对比分析，判断其疲劳程度，比较常用的
龙源期刊网 http://www.qikan.com.cn
方法有灰度投影法、区域灰度特征、Hough找圆法等，通过运用这些方法，对驾驶员的面部特征、精神状态和肌肉紧张程度等，进行综合分析，然后对比数据分析结果，进而得出比较可靠的疲劳程度，提高驾驶员疲劳检测的准确性。
基于驾驶员行为特征的检测方法直观、明显，可实现非侵入式测量，但检测识别算法较复杂，且检测结果受环境变化和个体差异的影响较大。 1.4 基于车辆状态特征的检测
随着疲劳水平增加，驾驶人对周围行驶环境的感知能力、形势的判断能力和车辆的控制能力都会有所下降，导致驾驶人无法及时获取相关的驾驶信息，对车辆行驶状态的容忍误差变大、控制精度降低，从而驾驶人操作变量和车辆状态变量会出现异常波动。因此，通过研究车辆的状态变量的变化规律，可以实现驾驶人疲劳水平的检测。屈肖蕾[10]等提取描述疲劳操作特性的转向操作特征指标，采用序列浮动前向选择算法筛选最优的特征指标组合，最终建立了一种基于SVM的驾驶员3级疲劳的在线检测算法。Friedrichs.F[11]等提取方向盘转角和车辆横向位置的11个检测指标，基于神经网络建立疲劳驾驶检测模型，达到了较高的检测精度。 基于车辆行为特征的检测方法虽然是一种非接触方式，不会对驾驶员的正常驾驶造成干扰。信号容易提取且较精确、客观。但测试条件易受到驾驶员个人习惯、具体的车型和驾驶环境的影响，特征参数疲劳程度的相关性难以量化。 1.5 基于信息融合的检测技术
随着信息融合技术的发展，越来越多的研究者尝试将信息融合技术应用于疲劳驾驶检测中[12-13]。王连震[14]等将驾驶环境属性、驾驶人个体属性和原始疲劳属性作为模型输入层变量，选择脑电指标、心电指标、眼动指标、驾驶绩效指标作为模型输出层变量，将清醒、轻度疲劳、重度疲劳三种驾驶疲劳程度作为隐含层变量，构建了基于贝叶斯网络的驾驶疲劳程度识别模型。牛清宁[15]提取驾驶行为特征参数和驾驶员眼动特征参数，基于支持向量机（SVM）建立自适应的疲劳检测模型，并达到了较高的检测精度。成波[16]等融合驾驶人眼部特征和驾驶行为特征，基于Fisher和DS理论，实现了疲劳驾驶的检测。汪澎[17]等基于多源 信息，利用多智能体理论研究了驾驶人低警觉性检测系统。 2 疲劳驾驶检测产品
疲劳驾驶检测技术经过长时间的发展，随着技术的不断完善，检测精度不断提高，已经完成从理论研究阶段到投入实际运用的过渡，研发出多款疲劳检测产品，投入实际运用中，现将其介绍如下[18]：
比亚迪汽车在驾驶员的疲劳检测方面，推出了疲劳驾驶预警系统（BAWS），其主要工作原理是根据驾驶员的生理图像反应，根据其面部运动和变化的不同特征，分析驾驶员的疲劳程