楊米紅，李會艷，孫曉舟，秦迎梅

（天津職業(yè)技術(shù)師范大學(xué)天津市信息傳感與智能控制重點實驗室，天津 300222）

警覺度即操作者在執(zhí)行某項任務(wù)時對外界的刺激長時間保持警惕和注意的靈敏程度，它是檢測操作者是否產(chǎn)生疲勞的一個重要指標[1]。隨著車輛的不斷增加，道路交通事故發(fā)生的頻率也在逐漸增加。據(jù)不完全統(tǒng)計，我國每年發(fā)生交通事故約20萬起[2-3]。交通事故統(tǒng)計結(jié)果表明，人為因素在交通事故中所占的比例最大，其中駕駛員在駕駛過程中出現(xiàn)警覺度下降是發(fā)生交通事故的主要原因之一。目前，警覺度的檢測方法主要分為主觀檢測法和客觀檢測法2種。主觀檢測法通常作為警覺度檢測的輔助手段應(yīng)用于實驗中，如Putilov等[4]的卡羅林斯卡嗜睡量表（Karolinska sleepiness scale，KSS）和 Fransolin 等[5]的斯坦福嗜睡量表（Stanford sleepiness scale，SSS）?？陀^檢測法主要包括基于表情特征、基于生理信號和基于行為特征3種[6-9]，其中運用最多的是基于視頻技術(shù)和基于腦電信號處理2種方法。采用視頻技術(shù)進行研究時，需要被試頭部盡量固定，不可隨意移動，且易受光線等因素的影響，因此實驗大多采用基于腦電信號的處理方法對警覺度進行研究。

腦電信號在警覺度檢測方面應(yīng)用廣泛，其中大多采用人工神經(jīng)網(wǎng)絡(luò)（artif i cial neural network，ANN）[10-12]和支持向量機（support vector machine，SVM）[13-16]的方法實現(xiàn)對警覺度狀態(tài)的檢測。然而，ANN受到傳統(tǒng)學(xué)習方法局部最小值的影響，其學(xué)習速度較低。SVM訓(xùn)練算法的計算復(fù)雜性也導(dǎo)致了難以使用SVM處理較大規(guī)模的計算問題。極限學(xué)習機（extreme learning machine，ELM）是最近提出的用于單隱層前饋神經(jīng)網(wǎng)絡(luò)的機器學(xué)習方法，其中輸入權(quán)重和偏置的數(shù)值可隨機初始化并得到相應(yīng)的輸出權(quán)重[17-18]。華東理工大學(xué)Chen等[19]曾利用ELM學(xué)習算法的非線性特征實現(xiàn)對被試生理信號的警覺度狀態(tài)的檢測，該算法不僅避免陷入局部最優(yōu)，同時還擁有較快的計算速度。本文主要研究不同信號組合以及不同特征組合在ELM以及SVM分類器中的分類效果，并對分類結(jié)果進行比較，挑選出分類效果較好的信號和特征的組合方式后，對被試的警覺度狀態(tài)進行檢測。

1 實驗設(shè)計

1.1 數(shù)據(jù)采集

采集了一位被試的實驗數(shù)據(jù)用于實驗處理，被試為所在實驗室老師，男性，36歲，身心健康，無任何神經(jīng)疾病及其他嚴重的身體疾病，在實驗之前，精神狀態(tài)良好，無飲食茶、酒等刺激性食物以及精神類藥物的情況。實驗總時長為1 h，采樣率為1 000 Hz，由Neuroscan腦電系統(tǒng)中的SynAmps2放大器進行連續(xù)采集。依據(jù)便攜式腦電帽的發(fā)展趨勢，主要采集被試位于前額和枕區(qū)附近的10個導(dǎo)聯(lián)的腦電信息，采集的10個導(dǎo)聯(lián)通道位置如圖1所示。實驗中采用模擬駕駛平臺模擬高速公路駕駛情況，該平臺由Unity3D軟件進行開發(fā)，駕駛場景主要由公路、沙漠、樹木組成，模擬駕駛實驗平臺界面如圖2所示。為了模擬真實的駕駛場景，被試在駕駛過程中車輛會出現(xiàn)向左或向右的隨機偏移事件，被試需要在車輛開始偏移后調(diào)整方向盤，盡可能保證車輛在直行時位于第三車道的中間位置。被試在實驗開始前有5 min的時間熟悉模擬駕駛系統(tǒng)平臺的操作步驟和使用方法。根據(jù)被試容易出現(xiàn)疲勞狀態(tài)的時間[20]，選擇在午飯過后的時間段對被試的腦電數(shù)據(jù)進行采集。實驗采集數(shù)據(jù)如圖3所示。根據(jù)行車軌跡偏差，將腦電信號分為警覺狀態(tài)和困倦狀態(tài)。

圖1 導(dǎo)聯(lián)通道位置

圖2 模擬駕駛實驗平臺界面

圖3 實驗采集數(shù)據(jù)

1.2 特征提取

為了進一步研究時頻特征對警覺度狀態(tài)檢測的影響，采用小波變換的方法對采集到的原始腦電信號進行處理。設(shè)計選擇的頻率子帶分別為d1（64～128Hz），d2（32～64 Hz），d3（16～32 Hz），d4（8～16 Hz），d5（4～8 Hz），d6（2～4 Hz），d7（1～2 Hz）以及d7（0～1 Hz），警覺狀態(tài)和困倦狀態(tài)下原始腦電信號及其小波變換各子頻帶信號示例如圖4所示。d1和d2子頻帶信號主要反映腦電信號的高頻信息，如肌肉收縮和環(huán)境噪聲的影響[21]。根據(jù)對警覺度的研究結(jié)果，警覺度狀態(tài)的明顯變化主要出現(xiàn)在1～40 Hz頻率處[22]，因此選擇對子頻帶信號{d2，d3，d4，d5，d6，d7}進行進一步的分析。

圖4 警覺狀態(tài)和困倦狀態(tài)下原始腦電信號及其小波變換各子頻帶信號示例

分別對原始腦電信號和經(jīng)由小波變換得到的子頻帶信號進行特征提取。其特征選擇為標準偏差、振幅對數(shù)和四分位數(shù)3種，標準偏差的計算公式可表示為：

振幅對數(shù)的計算公式可表示為：

四分位數(shù)的計算公式可表示為：

式中：s為腦電信號；Q1為對腦電信號進行1/4位數(shù)；Q3為對腦電信號進行3/4位數(shù)。根據(jù)提取好的腦電信號特征，采用ELM和SVM分類器分別對測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)進行警覺度狀態(tài)的分類。

1.3 ELM

ELM是一種求解單隱層神經(jīng)網(wǎng)絡(luò)的算法，比傳統(tǒng)的學(xué)習算法速度快，是一種新型的快速學(xué)習算法，可隨機初始化輸入權(quán)重和偏置并得到相應(yīng)的輸出權(quán)重。該算法可以克服傳統(tǒng)梯度學(xué)習算法在實際前饋神經(jīng)網(wǎng)絡(luò)中存在的學(xué)習效率低、參數(shù)設(shè)定較為繁瑣的缺陷。

假設(shè)有一個數(shù)據(jù)集D={（xi，yi|i=1，2，…，N）}，其中xi∈Rn，yi∈Rm分別作為特征向量和樣本標簽。含有M個隱層節(jié)點的單隱層神經(jīng)網(wǎng)絡(luò)的輸出可表示為：

式中：wj=[wj1，wj2，…，wjn]T為輸入權(quán)重；βj=[βj1，βj2，…，βjn]T為輸出權(quán)重；bj是第i個隱層單元的偏置；g（·）為激活函數(shù)。當N→∞時，ELM可以實現(xiàn)零誤差逼近目標函數(shù)[18]。

對于數(shù)據(jù)集D，假設(shè)ELM能以零誤差逼近N個訓(xùn)練樣本，即則βj、wj和bj滿足：

可將式（5）表示為：

ELM的求解步驟為：首先隨機設(shè)置輸入權(quán)重wj和隱層單元的偏置bj，然后計算隱層輸出矩陣H，最終根據(jù)=H+T得到輸出權(quán)重。

在本研究中，ELM設(shè)置20個隱層神經(jīng)元，并選擇sigmoid函數(shù)作為隱層激活函數(shù)。輸出層含有1個節(jié)點，定義1為困倦信號，-1為清醒信號。

2 實驗結(jié)果

通過分類準確率評估不同的特征提取方法與2種分類器組合時得到的結(jié)果，分類準確率為對警覺度狀態(tài)能進行正確分類所占的百分比。本文將不同信號的3種特征向量的不同組合分別代入到ELM和SVM分類器中進行比較，得到的不同特征、不同信號組合下的ELM與SVM分類準確率如表1和圖5所示。

表1 不同特征、不同信號組合下ELM與SVM的分類準確率%

圖5 不同特征、不同信號組合下的ELM與SVM分類準確率

從表1可知，比較不同子頻帶信號的分類結(jié)果，采用原始腦電信號和d4子頻帶信號優(yōu)于其他頻帶得到的分類結(jié)果。其中，當特征組合為SL、SLQ時，采用ELM和SVM對警覺度進行分類，得到的分類準確率較高，分類效果較好。

從圖5可知，采用原始腦電信號進行分類時，選擇四分位數(shù)作為特征，得到的分類結(jié)果較差，采用SL和SLQ的特征組合時，得到的分類準確率較高，可達到99%以上；采用d4子頻帶信號進行分類時，以標準偏差作為特征時得到的分類結(jié)果較差，其余特征組合時得到的分類結(jié)果較好；當采用SL和SLQ的特征組合，并采用ELM分類器進行分類時，分別得到99.24%和99.89%的分類準確率；若只采用單個信號對警覺度進行分類，特征組合后得到的分類效果較好；3種特征進行組合后，ELM的分類效果優(yōu)于SVM的分類效果，且ELM分類器的復(fù)雜度小于SVM分類器，因此采用ELM分類器對警覺度狀態(tài)進行檢測。

3 結(jié)語

本文研究了基于腦電信號的警覺度檢測，采用基于DWT的ELM分類器實現(xiàn)對被試在駕駛過程中警覺度狀態(tài)的檢測，通過計算分類結(jié)果的正確率來實現(xiàn)對分類器性能的評估。采用DWT將被試原始腦電信號分解為子頻帶信號，可尋找出被試警覺度變化較為明顯的頻段范圍，進而根據(jù)不同頻帶下腦電信號特征判斷腦警覺度狀態(tài)。結(jié)果表明：采用原始腦電信號或8～16 Hz子頻帶腦電信號，SL或SLQ特征組合，應(yīng)用ELM或SVM算法均可達到較高的分類準確性。與傳統(tǒng)SVM分類器相比，ELM學(xué)習算法學(xué)習速度較快，得到的分類效果相對較好。因此，采用基于DWT的ELM檢測系統(tǒng)對警覺度狀態(tài)進行檢測高效、實用，能夠更及時、方便地判斷駕駛?cè)藛T的警覺度狀態(tài)，在保障安全駕駛方面具有重要意義。