摘  要： 疲勞駕駛是導(dǎo)致交通傷亡事故的重要原因之一，因此采取相應(yīng)的預(yù)防措施是很有必要的。針對兩種不同程度的警覺度（清醒和睡眠），采用公共空間模式CSP(Common Spatial Pattern)算法對所采集到的腦電數(shù)據(jù)進行特征提取，用基于徑向基函數(shù)(RBF)的支持向量機(SVM)對提取的特征進行分類，通過網(wǎng)格搜索法獲得最優(yōu)參數(shù)。與頻帶能量作為特征的已有方法相比，該算法測試準確率較高，能夠達到較好的識別效果。
關(guān)鍵詞： 腦電信號；警覺度；公共空間模式；支持向量機

　疲勞駕駛是造成交通死亡事故的重要原因之一，而疲勞又與人的警覺程度密切相關(guān)。因此，對警覺度進行分析和評價，并及時提醒駕駛員，可以有效避免事故的發(fā)生，對改善我國交通安全狀況具有重要意義。
    從上世紀80年代以來，國內(nèi)外對警覺度進行了很多研究。參考文獻[1]采用眼睛閉合程度、閉合時間、眨眼頻率、點頭頻率、人臉的朝向、人眼注視方向以及嘴的張開程度來估計警覺度。然而上述的特征需較長的時間才能給出一個穩(wěn)定準確的結(jié)果，并且易受外部環(huán)境影響。相較而言EEG信號能更快更準確地反映大腦的活動，并且有更高的時間分辨率。目前，常用的基于EEG的警覺度特征提取方法有功率譜[2-4]和小波變換[5]。但是，功率譜估計是盲相的，只包含信號的幅度信息不包含相位信息，所以在提取特征時有一定的局限性；用小波變換提取腦電節(jié)律，所提取的節(jié)律的通帶信息不全，邊緣特性不好，并且這兩種方法都在空間特征提取上存在不足。目前對腦電特征提取的分類的方法主要有線性判別分析[7]、模糊神經(jīng)元網(wǎng)絡(luò)[8]以及支持向量機[9]等。線性判別函數(shù)局限性很大；神經(jīng)網(wǎng)絡(luò)的學習過程存在局部極小、推廣能力差、容易出現(xiàn)過擬合等問題；SVM是一種基于結(jié)構(gòu)風險最小化準則的學習方法，在解決小樣本、非線性及高維模式識別問題中有許多特有的優(yōu)勢，其推廣能力明顯優(yōu)于一些傳統(tǒng)的學習方法。
    公共空間模式CSP(Common Spatial Pattern)[6]是一種空間濾波方法，能夠抽取測試者特殊、有差別的腦部空間模型，提取人的EEG的有效特征。本文通過CSP提取特征，再結(jié)合支持向量機模型進行預(yù)測。與頻帶能量作為特征的已有方法進行比較，本文算法測試準確率較高。
1 基于CSP與SVM的警覺模型
    信號處理的基本框圖如圖1所示。

    核參數(shù)r和誤差懲罰因子C是影響SVM性能的主要參數(shù)。r的取值影響數(shù)據(jù)變換后在特征空間里的分布，懲罰因子C則決定支持向量機的收斂速度及泛化能力。因此，對r和C的選擇很大程度上決定了腦電信號的識別率。
2 實驗設(shè)計
2.1 實驗平臺
    本實驗采用奧地利公司的g.tec腦電信號采集設(shè)備，記錄駕駛員駕駛過程中的腦電波形。該設(shè)備屬于便攜式EEG放大器，可以采集16導(dǎo)EEG數(shù)據(jù)。用3D駕駛學校軟件模擬現(xiàn)實駕駛，實驗場景如圖2所示。

2.2 參數(shù)設(shè)置
    為了確定哪個區(qū)域更能反映警覺度的特征，本文參考在警覺度的研究中比較常見的電極安放位置。按照國際腦電圖學會標定的10～20電極導(dǎo)聯(lián)定位標準，選擇FP1、FP2、F3、FZ、F4、C3、CZ、C4、P3、PZ、P4、O1、O2通道的腦電數(shù)據(jù)作為實驗數(shù)據(jù)(電極位置如圖3，用正方形標注的為所選電極)，覆蓋了大腦的額葉區(qū)、頂區(qū)、枕區(qū)和中央?yún)^(qū)的活動。采樣率為512 Hz、帶通范圍為0.5 Hz～30 Hz。

2.3 實驗流程
    整個試驗在一個溫度約25 ℃的安靜且窗簾防光性能較好的實驗室中完成。受試者無任何影響睡眠的疾病，試驗前一天和試驗當天，受試者不能飲酒、喝茶和飲用咖啡。試驗時間一般在午后12：30開始。
    實驗采用3D駕駛學校軟件模擬現(xiàn)實駕駛，根據(jù)顯示器上顯示的道路，進行相應(yīng)的按鍵操作調(diào)節(jié)行駛中車輛的方向。進行模擬駕駛實驗前，先將腦電電極放置在駕駛員頭部的相應(yīng)位置，打開設(shè)備并測量各個電極的阻抗。本文實驗要求阻抗值不超過5 kΩ，如果某個電極的阻抗超過5 kΩ，就要取下該電極重新涂導(dǎo)電膏直至阻抗達到要求。參數(shù)設(shè)好后開始進行模擬駕駛，每個駕駛員連續(xù)駕駛1 h。
3 實驗結(jié)果
    采用CSP對濾波后的腦電信號進行特征提取，將訓練特征歸一化后作為輸入樣本，用SVM(采用LIBSVM工具包)訓練模型，通過網(wǎng)格搜索法獲得最佳參數(shù)C與r，得到最佳模型，并用所得模型對測試樣本進行分類。對相同的樣本數(shù)據(jù)進行不同的通道組合，都采用CSP與SVM結(jié)合的方法進行對比驗證，得到各個通道組合測試的準確度如表1所示。通過表1可以看出O1與O2的組合是最好的，僅用這兩個通道的數(shù)據(jù)就能較好地鑒別出人的警覺程度。

    另一方面，作為與本文方法的對比，對O1、O2這兩個通道的腦電數(shù)據(jù)采用頻帶能量為特征并用SVM分類[12]。首先對這兩個通道的EEG信號進行0.5 Hz～30 Hz的濾波，然后利用快速傅里葉變換得到信號的頻譜值，再將其分成4個標準頻段δ(0.5 Hz~4 Hz)，θ(4 Hz~8 Hz)，α(8 Hz~13 Hz)，β(13 Hz~30 Hz)，分別計算這4個頻段的平均頻譜能量以及其頻譜能量的比值（θ+α）/（α+β）、θ/β，對這6個特征分別用SVM加以分類，得到受試者測試集的分類結(jié)果如表2所示。由表2可以看出以α、β的頻帶能量為特征的分類精度更高，表明了α、β在兩種狀態(tài)的轉(zhuǎn)變中變化比較明顯，而且用CSP方法提取特征的效果更好，證明了該方法相對于直接用頻帶能量預(yù)測有著一定的優(yōu)勢和可行性。

    本文使用共同空間模式濾波提取腦電數(shù)據(jù)的特征，結(jié)合支持向量機進行預(yù)測，并利用網(wǎng)格搜索法選擇合適的參數(shù)，結(jié)果顯示可以有效地鑒別出駕駛員的警覺狀態(tài)，這種方法比利用腦電的頻帶能量作為特征的方法有更好的泛化能力。同時本文還對采集通道的選擇進行了研究，分析實驗結(jié)果得出用O1和O2這兩個通道的數(shù)據(jù)進行特征提取和分類能較好地鑒別出人的警覺程度。但是由于實驗是在實驗室內(nèi)模擬現(xiàn)實環(huán)境的條件下完成的，而在現(xiàn)實駕駛中駕駛員還會受到更多因素的影響，因此對于這兩個通道是不是普遍有效，有待于進一步的研究。本文只對兩種狀態(tài)的數(shù)據(jù)進行離線分析，對中間狀態(tài)沒有給出合理的判據(jù)，在今后的研究中將進一步改進算法，使中間狀態(tài)能有效地識別出來。
參考文獻
[1] Ji Qiang, Yang Xiaojie. Real-time eye,gaze and face  pose tracking for monitoring driver vigilance[J]. Real-Time Imaging,2002,8(5):357-377.
[2] Chang Byung-Chan, Lim Jung-Eun. A study of classification of the level of sleepiness for the drowsy driving prevention[C],SICE Annual Conference,2007,Kagawa University, Japan.2007：17-20.
[3] 胡淑燕.基于EEG頻譜特征的駕駛員疲勞監(jiān)測研究[J].中國安全生產(chǎn)科學技術(shù)，2010,6(3)：90-94.
[4] LIN C T, WU R C, lUNG T P, et al.Estimating driving performance based on eeg spectrum analysis[J].EURASIP Journal on Applied Signal Processing,2005:3174.
[5] Yu Hongbin, Lu Hongtao,Ouyang Tian, et al. Vigilance  detection based on sparse representation of EEG[C]. 32nd Annual International Conference of the IEEE, EMBS, Buenos Aires, Argentina, August 31- September 4, 2010.
[6] 于洪.基于腦電信號的警覺度估計[D].上海: 上海交通大學, 2007.
[7] LIANG S F，LIN C T，WU R C，et al.Monitoring driver's alertness based on the driving performance estimation and the eeg power spectrum analysis[J].In Conference proceedings:Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society.Conference，2005，6(9)：5738-5741.
[8] LIN C T, CHUNG I F, KO L W, et al.Eeg-based  assessment of driver cognitive responses in a dynamic virtual-reality driving environment[J]. IEEE Transactions on Biomedical Engineering, 2007,54(7):1349.
[9] YEO M V M, LI X, SHEN K. Wilder-Smith,Can svm be used for automatic eeg detection of drowsiness during car driving[J].Safety Science, 2009,47(1):115-124.
[10] RAMOSER H, MULLER G J, PFURTSCHELLER G. Optimal spatial  filtering of single trial EEG during imagined hand movement[J]. IEEE Transactions on Rehabilitation Engineering, 2000, 8(4): 441-446.
[11] 劉沖.基于CSP與SVM算法的運動想象腦電信號分類[J]. 東北大學學報(自然科學版), 2010,31(8):1098-1101.
[12] Cao Lei,Li Jie,Sun Yaoru. EEG-based vigilance analysis by using fisher score and PCA algorithm[C].  Progress in  Informatics and Computing(PIC),  2010 IEEE International Conference, 2010(1):175.