【正文】 研究方向，在近些年來(lái)得到了飛速發(fā)展，成為了研究的熱點(diǎn)。相比 于 偽跡 避免 和偽跡丟棄，偽跡移除 既可以 讓被試在進(jìn)行腦電警覺(jué)度實(shí)驗(yàn)時(shí)更加舒適自然，也可以避免 丟失 大量腦電 數(shù)據(jù) ， 因此目前 的研究人員 更傾向于使用 偽跡移除 來(lái) 濾去眼電與肌電信號(hào)的干擾 。 該 方法直接將含有偽跡的腦波 片段 刪除 ， 會(huì)造成大量的腦電數(shù)據(jù)丟失 ， 無(wú)法通過(guò)腦電信號(hào) 準(zhǔn)確 地評(píng)估 駕駛?cè)?警覺(jué)度狀態(tài)。 2. 偽跡 丟棄 直接 刪除 含有偽跡 的 腦電信號(hào) 片段 來(lái) 濾除眼電與肌電的干擾，稱(chēng)為偽跡丟棄。 偽跡 避免的方法 雖然 可以有效濾除肌電信號(hào)與眼電信號(hào)的干擾，使得采集 到的腦電信號(hào)幾乎包含或只含有少量的偽跡 ， 但此方法明顯不適合 用于 本研究 中 。 圖 21 眼電（ 0Hz） 和肌電 （ 15Hz） 信號(hào) 與腦電信號(hào) （ ～ 30Hz） 的 頻帶 重疊情況 現(xiàn)有 濾除肌電信號(hào)與眼電信號(hào) 的 方法 1. 偽跡 避免 早期研究中，對(duì)于腦電信號(hào)采集過(guò)程中肌電信號(hào)與眼電信號(hào)影響的去除采用的是偽跡避免 的 方法 。 肌電 信號(hào)與眼電信號(hào) 在 頻譜上分布較廣，且很多頻帶與腦電重合 ， 若 直接利用濾波器處理會(huì)導(dǎo)致大量腦電 成分 的丟失 ， 如圖 21 為 眼電（ 0Hz）和肌電（ 15Hz）信號(hào)與腦電信號(hào)（ ～ 30Hz）的頻帶重疊情況 。 通過(guò) 以上對(duì) 腦電信號(hào)中主要 噪音、偽跡信號(hào)的分類(lèi)可以看出，工頻 交流電 以及心電信號(hào) 產(chǎn)生 的干擾 頻率都 比較固定 ， 分別是 50Hz 和 1Hz， 可以分別 直接 利用限波器 和 高通濾波器直接 濾除 。心電 信號(hào) 受 心跳調(diào)節(jié)，主要集中在1Hz 左右 。 因此 ， 濾除眼電信號(hào) 的 干擾 是 本研究 中 腦電信號(hào) 預(yù)處理 的重點(diǎn)。頻譜 上 主要集中分布在 0Hz～ 15Hz， 信號(hào)源位置固定 ， 主要集中在眼部周?chē)?信號(hào)源位置不固定 ， 不同的肌肉運(yùn)動(dòng)決定了不同的肌電信號(hào)源。 （ 2） 腦電 測(cè)量環(huán)境中其他用電設(shè)備 的 電路系統(tǒng)對(duì)腦電測(cè)量產(chǎn)生的干擾 。 因此 必須對(duì)原始腦電信號(hào)進(jìn)行 降噪去 偽跡的預(yù)處理。 腦電 信號(hào)降噪、去偽跡預(yù)處理 腦電信號(hào)十分微弱， 在 采集和傳輸過(guò)程中容易受到來(lái)自人體內(nèi)部和外部的干擾。（ 4）警覺(jué)度 狀態(tài)的估計(jì)。（ 2）警覺(jué)度 狀態(tài) 相關(guān)特征 提取 。 第 1章 緒論 13 第五章 ： 對(duì) 全文進(jìn)行總結(jié)， 對(duì)日后 如何 完善 該 警覺(jué)度狀態(tài)評(píng)估模型作出展望。 第四章 ： 提出對(duì)原始實(shí)驗(yàn)數(shù)據(jù)的處理方案，為將來(lái)利用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行腦電偽跡去除分析、腦電特征提取分析、腦電特征過(guò)濾分析和機(jī)器學(xué)習(xí)提供了良好的數(shù)據(jù)基礎(chǔ)。提出本 論文 的 警覺(jué)度 狀態(tài)評(píng)估模型的初步設(shè)計(jì) 方案 。 第二章 ： 評(píng)估 模型的初步設(shè)計(jì) 。 （ 4） 對(duì) 提出的初步模型部分性能進(jìn)行了測(cè)試。 基于 LabVIEW 自行 開(kāi)發(fā) 駕駛?cè)?警覺(jué)度 狀態(tài) 標(biāo)注系統(tǒng) ， 用于 獲得 實(shí)驗(yàn) 中被試的 警覺(jué)度 標(biāo)注數(shù)據(jù) 。 （ 2） 駕駛?cè)四X電警覺(jué)度 實(shí)驗(yàn) 的 實(shí)驗(yàn)方案 設(shè)計(jì) 。 ）進(jìn)行 深入 淺出的分析 ： 包括 研究各 個(gè) 關(guān)鍵 問(wèn)題的原因，解決 每 個(gè) 問(wèn)題 的 方法 ， 各個(gè) 方法 的特點(diǎn)比較 等 。 （ 2） 對(duì) 如何 使用 Mindwave Mobile 腦波 傳感器 結(jié)合 LabVIEW 編程 環(huán)境 實(shí)現(xiàn)腦電 信號(hào)的采集 與記錄 進(jìn)行 了詳細(xì)的說(shuō)明， 為 將來(lái) 進(jìn)一步 使用 Mindwave 第 1章 緒論 12 Mobile 進(jìn)行 腦電波 研究 提供 了 一套可行 的設(shè)備使用策略。 另外 ，在 警覺(jué)度 狀態(tài)的估計(jì) 中 ，模型訓(xùn)練 過(guò)程 需要大量 有警覺(jué)度狀態(tài)標(biāo)注 信息 的腦電數(shù)據(jù) 。 非線性 的估計(jì)方法警覺(jué)度 估計(jì) 的精度較高， 但 也存在著 不足。 3. 警覺(jué)度 狀態(tài) 的 估計(jì) 方法 現(xiàn)有 的 警覺(jué)度 狀態(tài) 估計(jì)方法 有 ：線性判別模型，線性回歸模型，人工 神經(jīng) 網(wǎng)絡(luò) 模型，支持向量機(jī)等。因此 要對(duì) 提取的原始腦電特征進(jìn)行 必要 的 平滑處理。直接 提取 的 原始 腦電特征因?yàn)槭艿?與 警覺(jué) 度狀態(tài) 無(wú)關(guān) 的腦電 信號(hào)影響 ， 波動(dòng) 較大 。將 在 后面 章節(jié) 對(duì)不同特征進(jìn)行分析和比較。 （ 3） 復(fù)雜度特征 ： 近似熵和樣本熵。 2. 警覺(jué)度 狀態(tài) 相關(guān) 特征的提取 、 過(guò)濾 警覺(jué)度狀態(tài) 分析中腦電的主要特征有： （ 1） 時(shí)域特征：自回歸系數(shù)等。 （ 3）利用 線性回歸方法 從 腦電中濾除偽跡信號(hào) 。（ 2） 利用 線性 濾波器對(duì)腦波信號(hào)中的偽跡進(jìn)行濾除。 （ 4） 傳感 器與駕駛?cè)似つw 沒(méi)有 進(jìn)行有效的接觸 。（ 2） 肌電、 眼電、心電等生理偽跡信號(hào)的干擾 。干擾 信號(hào)可能?chē)?yán)重降低所采集 到 的腦電信號(hào)的信噪比， 引發(fā) 信號(hào)失真 ， 使得采集 到的信號(hào)不可靠。（ 4）警覺(jué)度 狀態(tài)的估計(jì)。（ 2）警覺(jué)度 狀態(tài) 相關(guān)特征提取 。 基于 腦電 信號(hào) 的駕駛 人警覺(jué)度狀態(tài)評(píng)估模型 的 設(shè)計(jì) 流程 和 關(guān)鍵 問(wèn)題 圖 110 基于 腦電信號(hào) 的 駕駛?cè)司X(jué)度狀態(tài)評(píng)估 模型 設(shè)計(jì) 流程 圖 根據(jù) 腦電信號(hào)的特點(diǎn)， 基于 腦電信號(hào)的駕駛?cè)司X(jué)度狀態(tài)評(píng)估模型設(shè)計(jì)的具體流程 如圖 110。 （ 3） 隨著警覺(jué) 度狀態(tài) 的改變，不同節(jié)律的腦電信號(hào)生成的腦電地形圖會(huì)呈現(xiàn)出規(guī)律性的變化。 腦電信號(hào) 與警覺(jué)度 狀態(tài) 的關(guān)系主要體現(xiàn)在 以下 幾個(gè)方面： [6] （ 1） 隨著警覺(jué)度 狀態(tài) 的改變，從清醒 到 入睡過(guò)程中一些 事件 相關(guān)電位的潛伏期或峰值會(huì)發(fā)生改變。 表 12 Neurosky 推薦 的腦電節(jié)律劃分方式 腦波 類(lèi)型 頻率 范圍 精神 狀態(tài) Delta 波 到 3Hz 沉睡 ，非快速動(dòng)眼睡眠 ， 無(wú)意識(shí)狀態(tài) Theta 波 4Hz 到 7Hz 直覺(jué) 的，創(chuàng)造性的，回憶， 幻想 ，想象，淺睡 Alpha 波 8Hz 到 12Hz 放松 但不困倦，平靜，有意識(shí)地 低頻 Beta 波 12Hz 到 15Hz 運(yùn)動(dòng) 感覺(jué)節(jié)律，即 輕松 又專(zhuān)注，有協(xié)調(diào)性 中頻 Beta 波 16Hz 到 20Hz 思考 ，對(duì)于自我和周?chē)h(huán)境意識(shí)清楚 高頻 Beta 波 21Hz 到 30Hz 警覺(jué) ，激動(dòng) 腦電 信號(hào) 與警覺(jué)度的關(guān)系 第 1章 緒論 10 腦電信號(hào) 作為 人體重要生理特征參數(shù)之一， 直接 反映了大腦的活動(dòng)，且具有較高的時(shí)間分辨率 。 考慮 到 本論文研究中采用的腦電波傳感器為 Neurosky 公司 推出的 Mindwave Mobile 腦波 傳感器， 本論文 將采用 Neurosky 推薦 的 腦電 節(jié)律劃分方式。 按照 腦電 信號(hào) 在頻譜上的特征，通常將 其 分為不同的節(jié)律 ， 節(jié)律內(nèi)的腦電信號(hào)模式相近。 以 腦電基線為標(biāo)準(zhǔn)，朝上的波被稱(chēng)為負(fù)向波（ 負(fù) 性波） ， 朝下的波稱(chēng)為正相波（ 正 性波） 。如 參與 同步放電的神經(jīng)元數(shù)目多，神經(jīng)元排列的方向一致，腦電探測(cè)電極與神經(jīng)元的距離近，則波幅 增大； 反之則降低。 波幅 ： 腦電 的波幅代表腦 電位 的強(qiáng)度 ?；€ 是 腦電波 上下擺動(dòng)時(shí)中點(diǎn) 聯(lián)結(jié) 成的一條直線。 第 1章 緒論 9 圖 19 反映腦電 能量分布的腦電地形圖 腦電信號(hào)的 三 個(gè) 基本特征 分別為頻率（周期）、波幅和相位。腦電圖 反映 了大腦組織的 電 活動(dòng)及大腦的功能狀態(tài) [7]。 電位作為縱軸，時(shí)間特征為橫軸，記錄得到 的 描述自發(fā)腦電活動(dòng)的 電位 與時(shí)間相互關(guān)系 平面 圖 ， 即為 腦電圖 。（ 2） 神經(jīng) 系統(tǒng)本身自發(fā)地產(chǎn)生的 電位 變化，周?chē)鷽](méi)有任何刺激時(shí)仍然存在，稱(chēng)為自發(fā)電活動(dòng)。 由于 大腦 皮層有序的多層結(jié)構(gòu) 中 椎體細(xì)胞的軸突 徑向 排列， 樹(shù)突 在 外層 呈切向分布， 使得 有序 的 電偶極子放電可以克服顱骨的屏蔽 ， 在頭表皮上記錄到 ~40Hz 較大 幅度（ 1~100μV）的 腦電信號(hào) 。 腦電信號(hào) 是 腦部大量神經(jīng)元在 同時(shí) 放電過(guò)程中， 在 頭表皮上反映出的微弱 電位差。 腦電 信號(hào) 簡(jiǎn)介 人體及 生物體 活細(xì)胞 在安靜和活動(dòng)時(shí)都存在電活動(dòng)，這種電活動(dòng)稱(chēng)為生物電現(xiàn)象。一旦 駕駛 員警覺(jué)度狀態(tài) 變差 ， 便 可能造成 非常 嚴(yán)重 的 后果 。 通過(guò) 人 — 車(chē) — 路之間的互相協(xié)調(diào) 實(shí)現(xiàn) ，通過(guò)車(chē)輛運(yùn)動(dòng)形式 表現(xiàn) 。在許多 人機(jī)交互 系統(tǒng) 需要操作人員的警覺(jué)度 狀態(tài) 保持在一個(gè) 較 好的 狀態(tài) 。但 未來(lái) 的駕駛?cè)司X(jué)度 監(jiān)測(cè) 系統(tǒng) 不應(yīng)該 只局限 于 使用 一種 技術(shù)，而 應(yīng)該是多種技術(shù)相結(jié)合的 ， 集各種 監(jiān)測(cè) 指標(biāo)于一身的多傳感器 信息 融合的綜合監(jiān)測(cè)系統(tǒng)。 而 在 其他 警覺(jué)度 狀態(tài) 檢測(cè)方法中，基于腦電 EEG 和眼電 EOG 的 技術(shù) 能夠 最為客觀、準(zhǔn)確 地 獲得 駕駛?cè)说木X(jué)度狀態(tài) ， 在 駕駛疲勞監(jiān)測(cè)領(lǐng)域 展現(xiàn)出 了 巨大的潛力， 但現(xiàn)階段仍有其各自的問(wèn)題需要解決。 圖 18 基于腦電 波 特征 的疲勞監(jiān)測(cè)帽子 SmartCap 綜上所述 ， 在 現(xiàn)階段 使用視頻技術(shù) 的 基于駕駛?cè)搜鄄刻卣鞯木X(jué)度 監(jiān)測(cè) 方法仍然 應(yīng)用最廣， 其 憑借 無(wú)需 接觸人體， 使用 方便 等 優(yōu)點(diǎn)， 得到 了很好的推廣。該帽子 的 的內(nèi)襯有著可以測(cè)量腦電波活動(dòng)情況和穿戴者疲勞程度的防水傳感器 ，當(dāng)穿戴者的疲勞程度達(dá)到 一定 水平 ， 該 帽子便 會(huì)發(fā)出 警告聲 向 穿戴者 進(jìn)行提醒 。相對(duì)而言， LF/HF 是一個(gè)最能反映警覺(jué)度的特征 。 研究中 ， 他們 利用 EOG 中提取出的 11種眼瞼特征來(lái)作為 SVM 分類(lèi)器的輸入，以此將駕駛員的疲勞度分為三種不同狀態(tài) 。 他們 利用腦電頻譜特征，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)等 模 式識(shí)別算法，進(jìn)行了一系列的模擬駕駛環(huán)境下的警覺(jué)度檢測(cè)系統(tǒng)的研究。 1998 年 ， 日本 Niigata University 的 Kazushi Hyoki 教授等人 在 關(guān)于 EOG與 EEG 作為疲勞特征的研究 中 ， 分析了 EOG 的快速眼動(dòng)特征與 EEG 的 alpha 波、beta 波的關(guān)系，指出疲勞實(shí)驗(yàn)中，快速眼動(dòng)的出現(xiàn)與 EEG 的 alpha 波、 beta 波有正相關(guān)關(guān)系 。 第 1章 緒論 6 圖 16 駕駛疲勞 監(jiān)測(cè)座椅 隨著人類(lèi) 對(duì) 人體 生物電認(rèn)識(shí) 的 深入， 出現(xiàn) 了 基于 生物電 （主要 是腦電 EEG和眼電 EOG） 這 一類(lèi)生理 特征的 疲勞 監(jiān)測(cè)方法 。 20xx 年 ， 日本東京大學(xué)金子成彥教授領(lǐng)導(dǎo) 的 一個(gè)研究小組 ， 利用混沌信號(hào)分析法，通過(guò)分析脈搏信號(hào)中某 種 指數(shù)變化從而檢測(cè)出人進(jìn)入睡眠前會(huì)出現(xiàn)一種前兆信號(hào) 。 各種 生理特征 也 被陸續(xù)應(yīng)用在 駕駛?cè)司X(jué)度 狀態(tài) 的 檢測(cè) 上 。 圖 15 第五代 的 FaceLAB 系統(tǒng) 20xx 年 ，歐盟 開(kāi)展了 AWAKE 計(jì)劃 ， 其 目標(biāo) 是 開(kāi)發(fā)和制定一套駕駛?cè)似?監(jiān)測(cè) 和預(yù)警系統(tǒng)的標(biāo)準(zhǔn)。該系統(tǒng)不僅支持 PERCLOS 方法來(lái)檢測(cè) 疲勞，還可以分析其他眼瞼運(yùn)動(dòng)特征， 使其 作為疲勞檢測(cè) 標(biāo)準(zhǔn)。 圖 14 基于視頻技術(shù)的駕駛?cè)似诒O(jiān)測(cè)系統(tǒng) 20xx 年， 澳大利亞國(guó)立大學(xué)與沃爾沃公司合作的 Seeing Machines 公司 推第 1章 緒論 5 出 了 FaceLAB 系統(tǒng) 。由汽車(chē) 廠商開(kāi)發(fā) 出 的較為成熟的疲勞 監(jiān)測(cè) 裝置中 大多 也是采用 PERCLOS 方法 來(lái) 判斷 駕駛?cè)耸欠裉幱谄跔顟B(tài)。 同年 ， 卡耐基梅隆大學(xué)的機(jī)器人研究所 推出 了 Copilot 車(chē)載疲勞監(jiān)測(cè) 系統(tǒng)，利用PERCLOS 方法判斷疲勞 ， 并克服了駕駛員佩戴眼鏡時(shí)的反 光問(wèn)題 。PERCLOS 方法 通過(guò) 兩個(gè)攝像頭，利用視網(wǎng)膜對(duì)不同波長(zhǎng)紅外光的反射能力差異來(lái)定位視網(wǎng)膜，并以此分析眼睛的大小和位置，判斷眼睛的睜閉，由此計(jì)算出眼睛閉合度超過(guò) 80%的時(shí)間與眨眼總時(shí)間的比率，作為 駕駛?cè)似诔潭鹊呐袛嘁罁?jù)。 現(xiàn)階段 的 駕駛 人疲勞 監(jiān)測(cè) 以視頻 技術(shù) 為主 ，主要 是 基于駕駛?cè)说难鄄刻卣鳌?本論 文 的 研究 便是通過(guò) 腦電 信號(hào)來(lái)辨識(shí)出駕駛?cè)司X(jué)度 狀態(tài) 的好壞，從而 實(shí)現(xiàn)對(duì) 駕駛?cè)?的 實(shí)時(shí) 疲勞 程度 監(jiān)測(cè) 。 （ 3） 基于 駕駛行為參數(shù)，主要通過(guò)車(chē)輛的 行駛 速度 ，駕駛?cè)藢?duì)方向盤(pán)的 握力、 對(duì)車(chē)道的把握 、 以及對(duì) 剎車(chē)和油門(mén)的控制來(lái)估計(jì)駕駛?cè)说木X(jué)度狀態(tài)。（ 2） 基于表情特征參數(shù)，主要通過(guò) 對(duì) 瞳孔 、嘴 、 鼻等 進(jìn)行 精確定位 。駕駛?cè)?的疲勞 程度 最常用的方法就是判斷 駕駛?cè)?集中精力執(zhí)行 駕駛 任務(wù)時(shí)所表現(xiàn)出的靈敏程度，也就 駕駛?cè)?的警覺(jué)度 狀態(tài) 。 這項(xiàng) 技術(shù)作為 車(chē)輛輔助安全 駕駛 技術(shù)的 一個(gè) 重要課題 ， 對(duì)解決交通安全問(wèn)題有著重要的 現(xiàn)實(shí) 意義。 在 美國(guó) 的 所有致命汽車(chē) 事故中 ， 57%的事故與駕駛員疲勞有關(guān) ； 英國(guó)交通研究實(shí)驗(yàn)室認(rèn)為：疲勞駕駛導(dǎo)致的交通事故占全體交通事故的 10%；法國(guó) 國(guó)家 事故 報(bào)告指出： 因 疲勞駕駛而發(fā)生的 事故占 人身傷亡事故 %，占死亡事故的%[4]。我 國(guó) 相關(guān)研究顯示：駕駛?cè)艘蛩卦斐傻墓方煌ㄊ鹿蕯?shù)、死亡人數(shù)、受傷人數(shù)占總數(shù)的 90%左右 [3]。 英國(guó) 運(yùn)輸與道路實(shí)驗(yàn)室指出： 駕駛?cè)?因素作為唯一因素 造成 的交通事故約占交通事故 總量 的 65%，與駕駛?cè)擞嘘P(guān) 的因素 造成的事故 約占 交通事故總量的95%[2]。 各個(gè) 要素 對(duì)交通安全的影響程度不同，尤 以 人為因素 的 影響程度最大。 針對(duì) 具體的一個(gè)事故進(jìn)行研究分析可以發(fā)現(xiàn)：在構(gòu)成道路交通系