岳李圣颯 吳志周 孫 陽

（同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院 上海 200092）

0 引言

疲勞駕駛是導(dǎo)致交通事故的主要原因之一。美國交通部1項(xiàng)專門針對(duì)商用車輛的研究報(bào)告指出，20%～40%的商用車輛事故是由于駕駛?cè)似隈{駛造成的［1］。目前各國普遍采取對(duì)駕駛?cè)诉B續(xù)駕駛時(shí)間進(jìn)行限制的方法來減少疲勞駕駛，例如，中國規(guī)定機(jī)動(dòng)車連續(xù)駕駛時(shí)間不得超過4 h［2］。然而這種方法沒有考慮不同駕駛?cè)嗽谏眢w素質(zhì)、生活習(xí)慣，以及同一駕駛?cè)嗽诓煌瑫r(shí)期的身體狀況等多方面的差異，簡(jiǎn)單以連續(xù)駕駛時(shí)間的長(zhǎng)短判定疲勞與否具有一定爭(zhēng)議。

疲勞不是1個(gè)突發(fā)事件，多數(shù)的道路交通安全事故并非都是在駕駛?cè)艘呀?jīng)深度疲勞時(shí)發(fā)生。如果能在駕駛?cè)藙倓偝霈F(xiàn)疲倦跡象時(shí)給予警示，將有利于減少疲勞駕駛帶來的事故。因此研究疲勞駕駛實(shí)時(shí)檢測(cè)方法，對(duì)改善交通安全狀況具有重要意義。

目前對(duì)疲勞駕駛的實(shí)時(shí)檢測(cè)方法以檢測(cè)駕駛?cè)松硇盘?hào)（EEG［3－4］和ECG［5－6］）和面部信號(hào)（如眼動(dòng)［7－9］、頭動(dòng)［10－11］）為主。但檢測(cè)生理信號(hào)，需要駕駛?cè)伺宕飨嚓P(guān)設(shè)備，這樣易干擾正常駕駛；而檢測(cè)面部信號(hào)，需利用攝像設(shè)備對(duì)駕駛?cè)祟^部參數(shù)進(jìn)行識(shí)別，易受環(huán)境因素影響。國內(nèi)外有學(xué)者提出車輛轉(zhuǎn)向情況能很好反應(yīng)駕駛?cè)司駹顟B(tài)，A.Eskandarian［12］認(rèn)為清醒狀態(tài)下轉(zhuǎn)向盤多呈現(xiàn)小幅度修正，而疲勞狀態(tài)下轉(zhuǎn)向盤大幅度修正顯著增加。張希波等人［13］的研究顯示，可以利用轉(zhuǎn)向盤的最大零速百分比和最大角度標(biāo)準(zhǔn)差作為疲勞駕駛判別指標(biāo)。由于轉(zhuǎn)向盤轉(zhuǎn)向易受道路線形影響，以往研究中常用對(duì)連續(xù)一定時(shí)長(zhǎng)（或一定轉(zhuǎn)向角度）以上的同方向轉(zhuǎn)向減去該段時(shí)間內(nèi)轉(zhuǎn)向角度均值來估計(jì)該段時(shí)間內(nèi)的真實(shí)轉(zhuǎn)向操作，然而這種處理方法是基于假設(shè)該段操作時(shí)間內(nèi)道路曲率半徑不變，這與現(xiàn)實(shí)情況相差甚遠(yuǎn)，從而降低了利用轉(zhuǎn)向盤轉(zhuǎn)向作為疲勞駕駛檢測(cè)指標(biāo)的有效性。

由于熵可以用來衡量體系的混亂程度，用轉(zhuǎn)向熵描述一段駕駛過程中轉(zhuǎn)向操作的不平穩(wěn)性，并不涉及具體的轉(zhuǎn)向角度，因此理論上當(dāng)采樣間隔合適時(shí)轉(zhuǎn)向熵的分布比具體的轉(zhuǎn)向幅值受道路線形的影響更小。又由于小波變換具有時(shí)頻局部化特性，有利于捕捉轉(zhuǎn)向盤轉(zhuǎn)向信號(hào)中的非平穩(wěn)特征，故本文的目的在于尋找1種能夠表征駕駛疲勞程度的轉(zhuǎn)向盤轉(zhuǎn)向小波熵形式，為提高基于車輛轉(zhuǎn)向特征的疲勞駕駛檢測(cè)方法有效性提供幫助。

1 駕駛仿真實(shí)驗(yàn)

1.1 平臺(tái)搭建

駕駛仿真平臺(tái)由桌面控制系統(tǒng)與軟件開發(fā)系統(tǒng)構(gòu)成。桌面控制系統(tǒng)由力回饋轉(zhuǎn)向盤及油門、檔位、剎車踏板等部件構(gòu)成，軟件開發(fā)系統(tǒng)包括3DMAX 道路場(chǎng)景建模及VIRTOOLS虛擬駕駛數(shù)據(jù)采集腳本編寫2部分。

1.1.1 3DMAX 道路場(chǎng)景建模

由于駕駛疲勞容易產(chǎn)生在高速、長(zhǎng)時(shí)間、單調(diào)環(huán)境的駕駛過程中，因此疲勞駕駛仿真實(shí)驗(yàn)選擇高速公路作為實(shí)驗(yàn)開展的場(chǎng)景。參考《公路路線設(shè)計(jì)規(guī)范》（JTGD20—2006），基本場(chǎng)景設(shè)計(jì)為：①雙向6車道環(huán)形高速公路場(chǎng)景；②車道寬3.75 m，硬路肩寬3 m，全長(zhǎng)22km；③設(shè)計(jì)車速100 km／h；④道路線形包括基本形、卵形、S形等道路基本線形；⑤少量背景車輛建模以模擬現(xiàn)實(shí)交通流。

1.1.2 VIRTOOLS虛擬駕駛數(shù)據(jù)采集腳本開發(fā)

VIRTOOLS可以制作出沉浸感較好的虛擬環(huán)境，為駕駛者提供諸如視覺、聽覺、等感官信息，給參與者1種身臨其境的感覺。本實(shí)驗(yàn)中VIRTOOLS腳本程序用于記錄虛擬駕駛場(chǎng)景中轉(zhuǎn)向盤轉(zhuǎn)向修正數(shù)據(jù)。

駕駛道路場(chǎng)景仿真及數(shù)據(jù)記錄腳本開發(fā)示意圖見圖1。

圖1 駕駛道路場(chǎng)景仿真及數(shù)據(jù)記錄腳本開發(fā)示意圖Fig.1 Driving simulation scenarios and VIRTOOLS scripts

1.2 疲勞狀態(tài)評(píng)價(jià)

實(shí)驗(yàn)中通過駕駛狀態(tài)自評(píng)和他評(píng)2部分確定駕駛?cè)说钠诔潭?。疲勞程度自評(píng)和他評(píng)等級(jí)特征及劃分見表1。自評(píng)等級(jí)劃分根據(jù)Karolinska嗜睡量表進(jìn)行設(shè)定，將駕駛?cè)说木駹顟B(tài)從格外清醒到極度疲勞劃分成10 個(gè)等級(jí)［14］；他評(píng)則通過實(shí)驗(yàn)工作人員在實(shí)驗(yàn)過程中對(duì)駕駛?cè)说鸟{駛狀態(tài)進(jìn)行主觀評(píng)定進(jìn)行，根據(jù)駕駛?cè)嗣娌刻卣鲗Ⅰ{駛疲勞程度分成3 個(gè)等級(jí)［13］。自評(píng)等級(jí)劃分較細(xì)，可用于分析駕駛?cè)苏麄€(gè)實(shí)驗(yàn)過程中疲勞程度的詳細(xì)發(fā)展情況，疲勞程度是否一直在加深，或者在某一時(shí)間段內(nèi)疲勞程度有所緩解，出現(xiàn)了逆向發(fā)展。自評(píng)結(jié)果可用于選擇合適的分析數(shù)據(jù)段。他評(píng)等級(jí)劃分跨度較大，可用于從疲勞發(fā)展整體趨勢(shì)上判定駕駛?cè)俗栽u(píng)結(jié)果是否準(zhǔn)確。此外對(duì)于真實(shí)環(huán)境下的駕駛疲勞檢測(cè)，表1狀態(tài)自評(píng)中過細(xì)的疲勞程度劃分將導(dǎo)致檢測(cè)精度的下降，也缺乏現(xiàn)實(shí)必要性。更為有效的疲勞程度劃分是依據(jù)表1中他評(píng)等級(jí)進(jìn)行設(shè)定，即將駕駛疲勞程度分為3級(jí)：清醒、疲勞、深度疲勞。筆者采用疲勞程度3級(jí)劃分方式對(duì)各疲勞發(fā)展階段轉(zhuǎn)向特征進(jìn)行研究。

表1 駕駛?cè)似诔潭茸栽u(píng)和他評(píng)劃分表Tab.1 The driving fatigue rating scale for drivers and researches

1.3 實(shí)驗(yàn)組織

選取10名駕駛?cè)藚⒓訉?shí)驗(yàn)，被試人實(shí)驗(yàn)前日睡眠及身體狀況正常。實(shí)驗(yàn)要求駕駛?cè)吮M量保持在中間車道行駛，車速控制在80～100km／h。VIRTOOLS后臺(tái)程序每隔0.1s采集1 次轉(zhuǎn)向盤轉(zhuǎn)向數(shù)據(jù)。實(shí)驗(yàn)過程中工作人員每隔15 min提示駕駛?cè)藢?duì)其疲勞狀態(tài)進(jìn)行自我評(píng)價(jià)，并對(duì)駕駛?cè)藸顟B(tài)作出他評(píng)。為提高駕駛?cè)藸顟B(tài)自評(píng)準(zhǔn)確性，事前告知駕駛者狀態(tài)自評(píng)打分參考界限為4和8，4分及以下為清醒；8分及以上為深度疲勞。

實(shí)驗(yàn)連續(xù)進(jìn)行3h。其中有5名駕駛?cè)似诔潭葟那逍训缴疃绕谶B續(xù)變化，無狀態(tài)逆向發(fā)展情況發(fā)生。由于駕駛?cè)似诔潭鹊陌l(fā)展受環(huán)境條件影響較大，駕駛?cè)俗说恼{(diào)整、喝水、哈欠等動(dòng)作都可能緩和當(dāng)時(shí)的疲勞程度，因此會(huì)出現(xiàn)連續(xù)駕駛實(shí)驗(yàn)時(shí)疲勞程度并不嚴(yán)格隨時(shí)間的遞增而加深的情況出現(xiàn)。對(duì)比該5名駕駛?cè)似诔潭茸栽u(píng)與他評(píng)結(jié)果，兩者匹配度達(dá)94.8%，表明其疲勞狀態(tài)自評(píng)具有較高可信度。選擇該5名駕駛?cè)宿D(zhuǎn)向數(shù)據(jù)用于分析。

2 轉(zhuǎn)向信號(hào)小波分解

2.1 道路線形影響修正

對(duì)5名駕駛?cè)说某跏嫁D(zhuǎn)向數(shù)據(jù)進(jìn)行道路線形影響修正：如果在5s內(nèi)連續(xù)左轉(zhuǎn)，或者在1.7s內(nèi)連續(xù)右轉(zhuǎn)，此時(shí)就認(rèn)為駕駛?cè)苏ㄟ^彎道。用這些點(diǎn)的數(shù)據(jù)分別減去它們的均值可認(rèn)為部分去除了彎道對(duì)轉(zhuǎn)向盤轉(zhuǎn)動(dòng)操作的影響。圖2表示了轉(zhuǎn)向數(shù)據(jù)經(jīng)過處理前后的變化。

圖2 道路線形影響消除前后的轉(zhuǎn)向盤數(shù)據(jù)對(duì)比Fig.2 The steering data before and after curve effect elimination

2.2 小波多分辨分析及能量熵測(cè)度［15］

小波多分辨率分析是利用正交小波基將信號(hào)分解為不同尺度下的各個(gè)分量，其實(shí)現(xiàn)過程相當(dāng)于重復(fù)使用1組高通和低通濾波器對(duì)時(shí)間序列信號(hào)進(jìn)行逐步分解，信號(hào)與高通濾波器做卷積運(yùn)算并向下抽樣可產(chǎn)生信號(hào)的高頻細(xì)節(jié)分量，信號(hào)的低頻細(xì)節(jié)分量產(chǎn)生與此類似。每次分解后，將信號(hào)的采樣頻率降低一半，下一步對(duì)低頻分量重復(fù)以上的分解過程，得到下一層次的2個(gè)分解分量。若用Dj（k）表示高頻分量信號(hào)，Aj（k）表示低頻分量信號(hào)，J為最大分解尺度，則轉(zhuǎn)向信號(hào)序列x（n）可以表示為

式中：Dj（n）為轉(zhuǎn)向信號(hào)x（n）在不同尺度的信號(hào)分量。

在信息論中，熵表示每個(gè)符號(hào)所提供的平均信息量和信源的平均不確定性，它能提供關(guān)于信號(hào)潛在動(dòng)態(tài)過程的有用信息，而小波變換可以放大某一局部的特性，因此計(jì)算小波能量熵值就能夠發(fā)現(xiàn)信號(hào)中微小而短促的異常。沿尺度分布的小波能量熵測(cè)度定義如下。

令信號(hào)x（t）在j尺度k時(shí)刻上的小波系數(shù)矢量為Wjk＝（wjk1，wjk2，…，wjkn），則j尺度k時(shí)刻的小波能量可表示為

2.3 轉(zhuǎn)向信號(hào)小波能量熵計(jì)算

由于不同小波基支撐長(zhǎng)度和規(guī)則性有很大差別，同一小波基不同分解尺度下對(duì)信號(hào)特征反映效果也不同。經(jīng)過多次比選，選擇Daubechies小波對(duì)轉(zhuǎn)向信號(hào)進(jìn)行5 層分解。對(duì)于Daubechies小波，其低通濾波器和高通濾波器系數(shù)為

采樣間距不宜過大或過小。過大易造成信號(hào)特征表現(xiàn)不明顯，過小則容易放大偶然因素造成的異常數(shù)據(jù)對(duì)小波能量值的影響。筆者選擇每100s提取1個(gè)采樣點(diǎn)。同時(shí)，為減少因外界干擾如喝水、調(diào)整坐姿、規(guī)避仿真場(chǎng)景中障礙物等造成駕駛轉(zhuǎn)向數(shù)據(jù)的異常波動(dòng)，按式（4）對(duì)轉(zhuǎn)向數(shù)據(jù)j時(shí)刻的小波能量進(jìn)行平滑修正。

式（4）的意義在于對(duì)于每一采樣時(shí)刻點(diǎn)的小波能量值，綜合考慮前2個(gè)采樣時(shí)刻點(diǎn)的駕駛?cè)说鸟{駛狀態(tài)進(jìn)行修正。

此外，對(duì)駕駛?cè)嗽谄跔顟B(tài)下轉(zhuǎn)向盤的修正特性進(jìn)行分析可知，方向盤控制往往會(huì)出現(xiàn)3個(gè)階段，見圖3。正值表示轉(zhuǎn)向盤順時(shí)針轉(zhuǎn)動(dòng)，負(fù)值表示轉(zhuǎn)向盤逆時(shí)針轉(zhuǎn)動(dòng)。階段一中，駕駛?cè)藭?huì)突然大幅度修正轉(zhuǎn)向盤，此時(shí)駕駛?cè)藙倧钠陬卸虝呵逍堰^來，意識(shí)到車身發(fā)生不受控偏移后產(chǎn)生緊急車輛控制操作；階段二中駕駛?cè)吮３诸l繁的小幅度修正轉(zhuǎn)向盤，此階段駕駛?cè)四芾^續(xù)階段一后的清醒狀態(tài)，但由于疲勞沒有得到緩解只能保持一小段時(shí)間，很快又將陷入瞌睡狀態(tài)；階段三中，駕駛?cè)颂幱陬癄顟B(tài)，對(duì)道路環(huán)境敏感程度下降，轉(zhuǎn)向盤基本上沒有修正。這3個(gè)階段隨著時(shí)間的推移不斷重復(fù)出現(xiàn)。3個(gè)階段中階段一的操作特征是疲勞駕駛的典型轉(zhuǎn)向特征，但在現(xiàn)實(shí)條件中往往只在短暫的時(shí)間內(nèi)出現(xiàn)，且隨著疲勞程度不斷加深，上述循環(huán)時(shí)間增長(zhǎng)，因而疲勞典型特征出現(xiàn)時(shí)間間隔也增長(zhǎng)，由于期望每100s提取的小波能量值能反映該段時(shí)長(zhǎng)結(jié)束時(shí)的駕駛狀態(tài)，就必須避免要求即使采樣時(shí)刻處于深度疲勞狀態(tài)，但其小波能量值較低的情況發(fā)生。故按式（5）對(duì)式（4）中轉(zhuǎn)向數(shù)據(jù)j時(shí)刻的小波能量做進(jìn)一步修正：

式中：Ejk（i）為在采樣點(diǎn)i的小波能量；Ejk（i）″為最終修正后采樣點(diǎn)i的小波能量。

圖3 疲勞狀態(tài)下方向盤修正變化過程Fig.3 Steering wheel correction process under fatigue driving condition

以200s為小波能量熵提取周期，計(jì)算駕駛?cè)藢?shí)驗(yàn)過程中轉(zhuǎn)向盤轉(zhuǎn)向能量熵隨時(shí)間變化情況見圖4。選取的能量熵曲線對(duì)應(yīng)實(shí)驗(yàn)中駕駛?cè)似诔潭葟那逍训缴疃绕谶B續(xù)變化，無狀態(tài)逆向發(fā)展的一段。由于所分析的5名駕駛?cè)嗽谡麄€(gè)實(shí)驗(yàn)過程中疲勞程度一直呈現(xiàn)持續(xù)加深，因此該能量熵曲線代表了整個(gè)實(shí)驗(yàn)過程中駕駛?cè)说霓D(zhuǎn)向盤轉(zhuǎn)向能量熵變化趨勢(shì)。可以看出，隨著疲勞程度的加深，能量熵曲線呈上升趨勢(shì)，這是因?yàn)轳{駛?cè)藢?duì)車輛的控制能力減弱，轉(zhuǎn)向盤的操控趨向于混亂所致。利用方差分析ANOVA 檢驗(yàn)轉(zhuǎn)向能量熵與疲勞程度之間的相關(guān)關(guān)系，見表2。5名駕駛?cè)说霓D(zhuǎn)向能量熵與疲勞程度之間都呈現(xiàn)顯著相關(guān)關(guān)系。

圖4 駕駛?cè)宿D(zhuǎn)向盤轉(zhuǎn)向能量熵隨時(shí)間變化Fig.4 The steering wavelet entropy development along with time

表2 轉(zhuǎn)向盤轉(zhuǎn)向能量熵與疲勞程度ANOVA檢驗(yàn)Tab.2 The ANOVA test between steering wavelet energy and drowsiness level

進(jìn)一步分析駕駛狀態(tài)各階段WEE值變化情況可知，5名駕駛?cè)嗽谄诔潭劝l(fā)展的過程中WEE值變化范圍為（0.05，0.24）；最大值在（0.16，0.24）之間，最小值在（0.05，0.11）之間，這與駕駛?cè)碎_始測(cè)試時(shí)的初始精神狀態(tài)不一致，以及個(gè)體差異導(dǎo)致疲勞發(fā)展各階段持續(xù)時(shí)間長(zhǎng)度不一致有關(guān)，然而在實(shí)驗(yàn)中所有駕駛?cè)司暾?jīng)歷了從開始產(chǎn)生疲勞，到進(jìn)入深度疲勞的這一階段。取這一階段的轉(zhuǎn)向數(shù)據(jù)進(jìn)行分析，計(jì)算清醒末期最后200 s（即疲勞初期）以及疲勞末期最后200s（即深度疲勞前期）的小波能量熵WEE值，可知疲勞末期小波能量熵值比疲勞初期增長(zhǎng)50%～60%，見表3。

表3 疲勞初期及末期小波能量熵變化Tab.3 The steering wavelet energy development in early and late phase of drowsiness

3 結(jié)束語

筆者基于駕駛仿真數(shù)據(jù)，比較駕駛?cè)嗽诓煌{駛狀態(tài)下的轉(zhuǎn)向行為，發(fā)現(xiàn)轉(zhuǎn)向信號(hào)的Daubechies小波尺度5下的能量熵分布與疲勞程度存在顯著相關(guān)關(guān)系，隨著疲勞程度的加深，能量熵曲線呈上升趨勢(shì)。由于能量熵是用來衡量體系的混亂程度，用轉(zhuǎn)向熵并不涉及具體的轉(zhuǎn)向角度，因此可以受道路線形的影響更小，實(shí)現(xiàn)更高的檢測(cè)精度。對(duì)疲勞不同階段轉(zhuǎn)向能量熵的分析表明，駕駛?cè)似谀┢冢ㄉ疃绕谇捌冢┑男〔芰快乇绕诔跗谠鲩L(zhǎng)50%～60%。

研究限于實(shí)驗(yàn)條件，仿真駕駛只選擇了10位駕駛?cè)恕５词惯M(jìn)行大樣本量的仿真實(shí)驗(yàn)，由于駕駛行為受個(gè)體差異影響很大，也很難得到一致的各疲勞程度等級(jí)下轉(zhuǎn)向盤轉(zhuǎn)向小波能量熵的對(duì)應(yīng)閾值。研究中不同駕駛?cè)嗽谡麄€(gè)疲勞發(fā)展過程中表現(xiàn)出差異較大的能量熵絕對(duì)值變化范圍，然而卻在相鄰疲勞程度等級(jí)之間的能量熵差異上表現(xiàn)出了相同的變化趨勢(shì)，這種趨勢(shì)受個(gè)體差異的影響較小，即使在小樣本量下，也能得到很好的體現(xiàn)，因此本文所揭示的這種變化趨勢(shì)對(duì)于駕駛疲勞檢測(cè)仍具有一定現(xiàn)實(shí)意義。

研究只揭示了對(duì)于不同駕駛?cè)耍{駛疲勞狀態(tài)等級(jí)“疲勞”與“深度疲勞”之間轉(zhuǎn)向盤轉(zhuǎn)向能量熵變化存在近似的范圍，但未給出等級(jí)“疲勞”何時(shí)開始的判定依據(jù)，而在疲勞駕駛實(shí)時(shí)檢測(cè)中判定剛剛開始的疲勞對(duì)于減少交通安全事故十分重要。因此未來有必要進(jìn)一步研究駕駛疲勞初期的方向盤轉(zhuǎn)向小波能量熵特征。

［1］McCallum M，Sanquist T，Mitler M，et al.Commercial transportation operator fatigue management reference［J］.Prepared for the US Department of Transportation Research and Special Programs Administration，2003，29（3）：32－47.（in Chinese）.

［2］中華人民共和國道路運(yùn)輸條例（2012年修訂）［Z］.北京：中華人民共和國國務(wù)院.The people＇s Republic of China road transport regulations（revised in 2012）［Z］.Beijing：The State Council of the people＇s Republic of China.（in Chinese）

［3］Saroj K L，Ashley C.Reproducibility of the spectral components of the electroencephalogram during driver fatigue［J］.International Journal of Psychophysiology，2005，55（2）：137－143.

［4］Schlogl A，Kemp B.Penzel T，et al.Quality control of polysomnographic sleep data by histogram and entropy analysis［J］.Clin Neurophysiol，1999，110（12）：21－36.

［5］Moraes J，F(xiàn)reitas M M，Vilani F N，et al.A QRS Complex Detection Algorithm Using Electrocardiogram Leads［J］.Computer in Cardiology，2002，29（3）：205－208.

［6］Wierwille W W，Lewin M G，F(xiàn)aibanks R J.Research on vehicle based driver status／performance monitor（PartⅢ）［C］∥Transportation Research Board Annual Meeting，Washington D.C.：Transportation Research Board of the National Academies，1996.

［7］Heitmann A，Guttkuhn R，Aguirre A，et al.Technologies for the monitoring and prevention of driver fatigue［C］∥Proceedings of the First International Driving Symposium on Human Factors in DriverAssessment，Training and Vehicle Design.Colorado，Iowa：USA Public Policy Center，University of Iowa，2001：81－86.

［8］葉曉林，楊海波.認(rèn)知負(fù)荷對(duì)駕駛行為影響的眼動(dòng)研究［J］.交通信息與安全，2012，30（6）：67－71.Ye Xiaoling，Yang Haibo.Eye movement study of the effect of cognitive load on driving behavior［J］.Journal of Transport Information and Safety，2012，30（6）：67－71.（in Chinese）.

［9］Lee D，Oh S，Heo S，et al.Drowsy driving detection based on the driver＇s head movement using infrared sensors［C］∥Proceedings of the 2008Second International Symposium on Universal Communication.IEEE Computer Society，Osaka，Japan，2008：231－236.

［10］Kithil P W，Jones R D，Jone M .Development of driver alertness detection system using oberhead capacitive sensor array［J］.SAE Technical Paper Series 982292，SAE International，1998：35－56.

［11］Eskandarian A，Sayed R，Delaigue P，et al.Advanced driver fatigue research［R］.Washington：U.S.Department of Transportation Federal Motor Carrier Safety Administration，2007：21－24.

［12］張希波，成 波，馮睿嘉.基于方向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)方法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010（7）：1072－1076.Zhang Xibo，Chen Bo，F(xiàn)eng Ruijia.Real－time detection of driver drowsiness based on steering performance［J］.Journal of Tsinghua University ：Natural Science Edition，2010（7）：1072－1076.（in Chinese）.

［13］Shahid A，Wilkinson K，Marcu S，et al.STOP，THAT and One Hundred Other Sleep Scales［M］.Springer，2012.

［14］孫延奎.小波變換與圖像、圖形處理技術(shù)［M］.北京：清華大學(xué)出版社，2012.Sun Yankui.Wavelet transform and image processing technology［M］.Beijing：Tsinghua University Press，2012.（in Chinese）.