基于GA-GRNN的疲劳驾驶检测.pdf

2023年10月西安交通工程学院学术研究Oct.2023第 8 卷第 3 期Academic Research of Xian Traffic Engineering InstituteVol.8No.3作者简介：作者简介：王侃（1993-），男，硕士，疲劳驾驶检测。基基于于 GA-GRNN 的的疲疲劳劳驾驾驶驶检检测测王侃1,2(1.西安交通工程学院 陕西西安 710300;2.东北电力大学 吉林吉林 132000)摘摘要要：近些年来，人们为追求快捷舒适的生活环境促使了汽车行业的快速发展。汽车数量的增加导致了交通事故的频发，给人们造成了巨大的生命伤亡和财产损失。经调查发现在众多导致交通事故的因素中，疲劳驾驶是主要的原因之一。探索一种疲劳驾驶检测方法对于保护生命安全和减少财产损失是非常有意义的。这篇文章主要通过眼电信号进行疲劳驾驶检测。首先利用离散小波变换对眼电信号进行滤波，其次提取眼电信号的近似熵、排列熵和模糊熵的特征；最后使用遗传优化的广义回归神经网络进行疲劳驾驶状态检测。遗传优化的广义回归神经网络平均分类准确率为72.5%。实验结果表明可以通过提取眼电信号的近似熵、排列熵和模糊熵特征，然后在使用遗传优化的广义回归神经网络进行疲劳驾驶检测。关关键键词词：疲劳驾驶检测；眼电信号；遗传优化的广义回归神经网络中中图图分分类类号号：O121.8;G558 文文献献标标识识码码：AFatigue Driving Detection Based on GA-GRNNWANG Kan1,2(1.Xian Traffic Engineering Institute,Xian Shaanxi 710300 2.Northeast Electronic Power University）Abstract：In recent years,peoples pursuit of a fast and comfortable living environment has led to the rapid development of theautomobile industry.The increase in the number of cars has led to frequent traffic accidents,which have caused huge casualties andproperty losses to people.The survey found that fatigue driving is one of the main reasons among many factors leading to trafficaccidents.It is very meaningful to explore a fatigue driving detection method for protecting life safety and reducing property damage.This article focuses on fatigue driving detection through electrooculogram signals.Firstly,the discrete wavelet transform is used tofilter the electrooculogram signals;secondly,the features of approximate entropy,permutation entropy and fuzzy entropy of theelectrooculogram signals are extracted;finally,the generalized regression neural network based on genetic optimization is used forfatigue driving state detection.The average classification accuracy of the generalized regression neural network based on geneticoptimization is 72.5%.The experimental results show that it is possible to extract the approximate entropy,permutation entropy andfuzzy entropy features of the electrooculogram signals,and then use a generalized regression neural network based on geneticoptimization for fatigue driving detection.Keywords：fatigue driving detection;electrooculogram;generalized regression neural network based on genetic optimization引引言言驾驶员长时间驾驶会产生疲劳。疲劳驾驶会导致司机反应迟钝和注意力不集中，从而引发交通事故1。由疲劳驾驶所造成的交通事故给人们造成巨大的伤亡和财产损失2。世界上每年大约有 20%的交通事故与疲劳驾驶有关3。根据美国国家公路交通安全管理局的统计，每年大约有 10 万起由疲劳驾驶引起的交通事故4。因此，疲劳驾驶检测对于保护生命安全和减少财产损失具有重要意义。眼电信号（Electrooculogram,EOG）是一种客观检测方法，它是眼角膜和视网膜之间的电位差。EOG 可以反映眼部的运动状态，当人进入疲劳驾驶状态时眼部的运动状态就会发生改变，因此本课题通过采集驾驶员的 EOG 信号进行疲劳驾驶状态检测。EOG 信号具有鲁棒性好、信噪比高、直观易处理等优点5。到目前为止，许多研究人员已经证明EOG 信号可以用来检测疲劳驾驶，并取得了一定的成果。Doniec 等人提出了一种基于 EOG 信号的一维卷积神经网络的疲劳驾驶检测方法6。Jammes 等人研究了眼电信号中自动眨眼的检测7。Zhang 等人提出了一种基于前额 EOG 的疲劳驾驶检测方法8。Zhu 等人提出了卷积神经网络在基于 EOG 信号的困倦检测中的新应用9。1 实验设计和数据采集1.1 实实验验对对象象33基于 GA-GRNN 的疲劳驾驶检测在模拟驾驶环境下可以保证受试者的安全，实验的成本低，数据采集方便，因此本实验在实验室模拟驾驶环境中进行。为了让模拟驾驶环境尽可能的接近真实的驾驶环境，实验在一个温度、光线和湿度适中的实验室进行。如图 1 所示，实验平台是由模拟驾驶器、Emotiv 信号采集设备和笔记本电脑组成从东北电力大学招募 6 名大学生进行模拟驾驶实验，所有的受试者的年龄在 19-25 之间，均为男性。所有的受试者均对实验内容提前进行了了解，并自愿参加。所有的受试者都满足以下条件：1)所有的受试者都取得了驾驶证，没有不良的驾驶记录；2)所有的受试者身体健康，没有与睡眠相关的疾病；3)实验要求所有的受试者在实验前 48h 内禁止饮酒、喝咖啡、吃药物等，在实验前的晚上有正常的睡眠。为了让所有的受试者熟悉模拟驾驶器和实验流程，在实验正式开始之前所有的受试者都进行了模拟驾驶练习。1.21.2 实验平台实验平台。图图 1 实实验验平平台台模拟驾驶器用于模拟真实的驾驶环境。模拟驾驶器硬件设备包括方向盘、离合器、油门、刹车、手刹、挡位和虚拟驾驶视景显示器。模拟驾驶器上有四种模拟驾驶场景：1)山区道路；2)城市道路；3)高速公路；4)恶略天气。为了使受试者快速进入疲劳状态，选用高速公路模拟驾驶场景作为实验环境。图 2 为高速公路模拟驾驶场景。虚拟驾驶道路为双向四车道或双向车道，路面平整良好。实验天气为晴天，并在场景中融入了车辆，河流，山丘，树木、车辆等模型为实验驾驶人员模拟出更为逼真的实验视觉景象。图 3 为 Emotiv 信号采集设备，它被用来采集信号。Emotiv 有 14 个电极，这 14 个电极分别是AF3、AF4、F3、F4、FC5、FC6、F7、F8、T7、T8、P7、P8、O1 和 O2，这 14 个电极的位置如图 4所示。AF3 和 AF4 电极的位置离眼睛较近，所以AF3 和 AF4 中包含了较多的 EOG 信号。本课题选用 AF3 和 AF4 电极的信号用于疲劳驾驶检测。Emotiv 信号采集设备的采样频率为 128Hz。笔记本电脑被用储存采集到的信号。图图 2 高高速速公公路路模模拟拟驾驾驶驶场场景景和和路路线线图图 3 Emotiv 信信号号采采集集设设备备图图 4 Emotiv 电电极极的的位位置置1.3 实实验验方方案案研究表明，午餐后一小时是司机最容易疲劳的时间10。因此，我们的实验是在下午 13:00 进行的。6 名健康受试者进行了 90 分钟（13:00-14:30）的连续模拟驾驶任务。每个受试者被收集 6 组实验数据。每个受试者的实验数据每 15 分钟收集一次，持续 3分钟。从每个受试者的实验数据中共选取了 180 个数据样本，其中包含 90 个非疲劳样本和 90 个疲劳样本。120 个样本用作训练集，其余 60 个样本用作测试集。研究表明，驾驶员在模拟驾驶环境中更容易疲劳11。因此，我们将 EOG 信号数据的前 45 分钟标记为非疲劳，将 EOG 数据的最后 45 分钟标记为疲劳。2 方法与原理2.1 EOG 的的预预处处理理34基于 GA-GRNN 的疲劳驾驶检测在模拟驾驶环境下所采集的 EOG 中混杂着不相 关 的 伪 迹，如 脑 电 图(Electroencephalogram,EEG)、肌电图(Electromyogram,EMG)等。不相关的伪迹会影响疲劳驾驶检测的结果。因此，在进一步处理和分析之前，对收集到的 EOG 数据进行滤波。在本课题组使用离散小波变换（Discrete WaveletTransform,DWT）进行滤波。EOG 信号的频率范围为 0-38Hz，主频在 10Hz 以下12。Emotiv 信号采集设备的采样频率是 128Hz，因此我们使用 DWT 对信号进行三层的分解，分解后的频率范围为D1(64-128Hz)、D2(32-64Hz)、D3(16-32Hz)、A1(0-16Hz)，图 5 是小波分解的结构图。图 6 是原始信号和小波分解后重构的信号，A1重构后的信号的频率在 0-16Hz 之间，含有大量的 EOG 信号。在本文中，我们使用了 Daubechies-1(db1)的母小波。图图 5 小小波波分分解解结结构构图图原始信号D1重构后的信号D2重构后的信号D3 重构后的信号A3 重构后的信号图图 6 原原始始信信号号和和小小波波分分解解后后重重构构的的信信号号2.2 EOG 的的特特征征提提取取2.2.1 近似熵近似熵是由 Pincus 等人在 1991 年提出的被用度量时间序列无序性或不稳定性的方法。近似熵需要的数据量少，抗干扰能力强。除此之外，近似熵对于随机信号有比较好的效果。目前为止，近似熵已经被广泛的应用在很多领域，并且也取得了一定的成果。近似熵的具体计算过程如下13：1)给定长度为 N 的时间序列 x(1),x(2),x(N)，定义m 维的向量：()(),(1),(1),11mXix i x ix imiNm(1)2)定义两个 m 维向量 Xm(i)和 Xm(j)之间的距离为：(),()max|()()|,01mmd XiXjx ikx jkkm(2)3)给定阈值 r，对于每一个 i 值，计算 dXm(i),Xm(j)小于 r 的数目 k 与 N-m 的比值，记作 Bim(r)，则：(),11mikBriNmNm 4)先对 Bmi(r)求对数，再求其对所有 i 的平均值，记作 Bm(r)，则(3)：111()ln()1N mmmiiBrBrNm 5)维数加 1，即 m+1 维时，按以上步骤，可得到 B(4)m+1i(r)和 Bm+1(r)；6)时间序列的近似熵的计算公式为：1(,)()()mmApEn m r NBrBr其中，m 是嵌入维数，r 是许容度参数。本课题中m=2，r=0.2SD(SD 是原始序列的标准差)。2.2.2 排列(5)熵排列熵是由Bandt 和Pompe提出的一种衡量时间序列复杂性的度量14。排列熵的计算过程简单，能够很好的处理非线性和非平稳信号。除此自外，排列熵具有很好的抗噪声能力。排列熵的具体计算过程如下15：1)对于给定长度为 N 的时间序列 x(1),x(2),x(N)进行相空间重构，得到矩阵 Y，即：(1)(1)(1(1),1,2,(6)()()(1)()()(1)xxxmYjKx jx jx jmx Kx Kx Km其中，m 为嵌入维数，为延迟时间，K=N-(m-1)。35基于 GA-GRNN 的疲劳驾驶检测矩阵 Y 中的每一行都是一个重构分量，则共有 K 个重构分量。2)每一个重构分量按升序排列得：1(1)(1)mx ijx ij式中(7)，列的索引。若重构分量中有两个元素相等，则按原始顺序排列。3)对于任意一个重构分量，均能得到相应的符号序列j1,j2,jm为各元素在排列之前位于相空间所在：12,1,2,!lmSjjjlkkm且4)计算每一种符号序列出现的次数除 m!种不同的符号序列出现的总次数作为该符号序列出现的概率，即(8)：12,kP PP5)时间序列的排列熵的计算公式为(9)：1()ln()(10)kpjjjHmPP当1!jPm时，则 Hp(m)=ln(m!)，此为 Hp(m)的最大值，将 Hp(m)进行归一化处理，即：()01ln(!)ppHmHm(11)本课题中嵌入维数 m=2，延迟时间=1。2.2.3 模糊熵模糊熵在近似熵和样本熵的基础上使用模糊函数来反映样本的相似性而得到的一种方法16。模糊熵使用了模糊函数来反映样本的相似性，在处理非线性平稳的信号时效果更好。除此之外，模糊熵连续性和一致性比较好。模糊熵的计算过程如下17：1)给定长度为 N 的时间序列 x(1),x(2),x(N)，定义m 维的向量，即：()(),(1),(1)()mXix i x ix imu i(12)其中，i=1,2,N-m+1，101()()mju ix ijm。2)定义两个 m 维向量 Xm(i)和 Xm(j)之间的距离为：1,1max(|()()()()|)ijkmdx iku ix jku j(13)3)定义矢量 Xm(i)和 Xm(j)之间的相似度 Amij为：2exp ln(2)()ijmijdAr(14)定义函数：11,1()N mmmiijjj iCrANm(15)可得：111()()1N mmmiirCrNm 4)对 m+1 维重复步骤(1)-(3)可得m+1(r)；5)时间序列的模糊熵的计算公式为(16)：1(,)ln()ln()mmFuzzyEn m r Nrr(17)其中，m 是嵌入维数，r 是许容度参数。本课题中m=2，r=0.2SD(SD 是原始序列的标准差)。2.3 EOG 的的分分类类广 义 回 归 神 经 网 络(Generalized RegressionNeural Network,GRNN)是由输入层、模式层、求和层和输出层四层构成的一种径向基神经网络，图 7是 GRNN 的 基 本 结 构 图。对 应 网 络 的 输 入X=x1,x2,xnT，其输出为 Y=y1,y2,ykT。图图 7 GRNN 的的基基本本结结构构图图1)输入层输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。2)模式层模式层神经元数目等于学习样本的数目 n，各个神经元对应不同的样本，模式层神经元传递函数为：2()()exp,1,2,2TiiiXXXXpin神经元 i 输出为输入变量与其对应的样本 X(18)之间 Euclid 距离平方的指数平方 Di2=(X-Xi)T(X-Xi)的指数形式。式中，X 为网络输入变量；Xi为第 i 个神经元对应的学习样本。3)求和层求和层中使用两种类型神经元进行求和。一类的计算公式为：21()()exp2TniiiXXXX，它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连36基于 GA-GRNN 的疲劳驾驶检测接权值为 1，传递函数为：1nDiiSP另一类的计算公式为(19)：21()()exp2niiiiXXXXY，它对所有模式层的神经元进行加权求和，模式层中第 i 个神经元与求和层中第 j 个分子求和神经元之间的连接权值为第 i 个输出样本 Yi中的第 j 个元素，传递函数为：1,1,2,nNjijiiSy Pjk4)输出(20)层输出层中的神经元数目等于学习样本中输出向量的维数 k，各神经元将求和层的输出相除，神经元 j 的输出对应估计结果(X)的第 j 个元素，即：,1,2,NjjDSyjkS遗传优化的广义回归神经网络（GeneralizedRegression Neural Network Based on Genetic Optimization,GA-GRNN）是利用遗传算法优化广义回归神经网络的径向基函数扩展常数的扩展值18。图 8 是提取EOG 信号的近似熵、排列熵和模糊熵特征，然后使用 GA-GRNN 进行疲劳驾驶检测的分类结果。测试集的样本一共有 60 个，“*”表示的是实际测试集分类，“o”表示的是预测测试集分类，1 代表的是非疲劳，2 代表的是疲劳(21)。(a)实验对象 1(b)实验对象 2(c)实验对象 3(d)实验对象 4(e)实验对象 5(f)实验对象 6图图 8 疲疲劳劳驾驾驶驶检检测测的的分分类类结结果果4 实验结果的讨论与分析图 9 是把 EOG 信号进行滤波后，提取 EOG 的近似熵、排列熵、模糊熵特征，然后把这三个特征作为输入，使用 GA-GRNN 模型进行疲劳驾驶检测所得到的分类准确率。GA-GRNN 的平均分类准确率为 72.5%。实验结果表明提取 EOG 信号的近似熵、排列熵和模糊熵特征，然后使用 GA-GRNN 进行疲劳驾驶检测的效果最好。图图 9 疲疲劳劳驾驾驶驶检检测测的的分分类类准准确确率率5 总结与展望在本文中，我们使用 DWT 对 EOG 信号进行滤波。此外，我们提取了 EOG 信号的近似熵、排列熵和模糊熵特征。最后，对提取的特征进行GA-GRNN 分类。实验结果表明，GA-GRNN 的平均分类准确率 72.5%。因此，我们可以得出结论，GA-GRNN 可以用于驾驶疲劳检测，并取得了良好的效果。未来，基于 EOG 的疲劳驾驶检测将朝着以下方向发展。为了使实验更加真实可靠，实验应在真实环境中进行。与使用单一 EOG 信号特征相比，多信号特征融合将提高疲劳驾驶检测的精度。疲劳缓解也将是研究的热点方向之一。参参考考文文献献1 Barua S,Ahmed M U,Ahlstrom C,et al.Automatic driversleepinessdetectionusingEEG,EOGandcontextualinformation.ExpertSystemswithApplication,2019,115:121-135.37基于 GA-GRNN 的疲劳驾驶检测2Wang H,Wu C,Li T,et al.Driving Fatigue ClassificationBased on Fusion Entropy Analysis Combining EOG and EEG.IEEEAccess,2019,7:61975-61986.3Luo H,Qiu T,Liu C,et al.Research on fatigue drivingdetection using forehead EEG based on adaptive multi-scaleentropy.Biomedical Signal Processing and Control,2019,51(3):50-58.4Wang F,Wu S,Zhang W,et al.Multiple nonlinear featuresfusionbaseddrivingfatiguedetection.BiomedicalSignalProcessing and Control,62.5蔡浩宇.基于前额眼电信号的警觉度估计模型研究D.上海:上海交通大学,2013.6Doniec R,Szymon Sieciski,Duraj K,et al.Recognition ofdrivers activity based on 1D convolutional neural network.Electronics,2020,9(12):2002.7Jammes B,Sharabty H,Esteve D.Automatic EOG analysis:Afirststeptowardautomaticdrowsinessscoringduringwake-sleeptransitions.Somnologie-SchlafforschungundSchlafmedizin,2008,12(3):227-232.8Zhang Y F,Gao X Y,Zhu J Y,et al.A novel approach todriving fatigue detection using forehead EOG.IEEE,2015,707-710.9 Zhu X,Zheng W L,Lu B L,et al.EOG-based drowsinessdetection using convolutional neural networks.InternationalJoint Conference on Neural Networks.IEEE,2014,128-134.10 Liang S F,Lin C T,Wu R C,et al.Monitoring DriversAlertness Based on the Driving Performance Estimation andthe EEG Power Spectrum AnalysisC.2005 IEEE Engineeringin Medicine and Biology 27th Annual Conference,2005,5738-5741.11房瑞雪.基于生理信号的驾驶疲劳预警对策有效性的实验研究D.北京:北京工业大学交通运输规划与管理学科硕士学位论文,010.12Sanjaya W,Anggraeni D,Multajam R,et al.Design andExperimentof Electrooculogram(EOG)Systemand ItsApplication to Control Mobile Robot.IOP Conference Series:Materials Science and Engineering,2017,180(1):012072.13叶贝鸽.基于KPCA的疲劳驾驶状态识别方法的研究D.南昌:南昌大学,2019.14Traversaro F,Legnani W,Redelico F O.Influence of thesignal to noise ratio for the estimation of PermutationEntropyJ.PhysicaA:Statistical Mechanics and itsApplications,2020,553:124134.15陈强强,戴邵武,吕余海等.基于排列熵的长时间序列复杂程度分析J.导航定位与授时,2022,9(1):91-96.16史维,严良俊,谢兴兵等.基于 CEEMDAN-DFA 与 FCM 聚类算法的大地电磁强噪声识别与抑制J.长江大学学报(自然科学版),2021,18(5):13-22.17王清香.基于模糊熵的疲劳驾驶脑电信号特征分析D.南昌:南昌大学,2018.18Zhang J,Zhang X,Wang Z,et al.Modeling and optimizationof boiler combustion system in power stationJ.MATEC Webof Conferences,2018,232:04073.38