摘要：驾驶疲劳检测技术是当前安全辅助驾驶技术的一个研究热点，其中基于生物电信号的检测方法最直接。本文主要介绍驾驶疲劳的生成机理、检测方法的分类和基于脑电、心电、眼电和肌电等主要生物电信号检测方法的研究现状。最后，针对当前研究领域的不足给出了建议，以供研究者参考。

    1 驾驶疲劳产生因素
    如今，疲劳驾驶和超速行驶、酒后驾驶一样，成为交通事故的主要隐患。根据交通部门的统计，我国因疲劳驾驶造成的交通事故约占总数的20%，特大交通事故的40％以及交通死亡率的83%1"。同时，疲劳驾驶又具有相当的隐蔽性和随机性，交警监督执法比较困难，虽然政府部门也制定并实施了相关的预防措施，但预防效果并不是太好。因此，如何及时有效地检测出驾驶疲劳，对于预防疲劳驾驶和降低交通事故及人员死亡率，有着十分重要的现实意义。
    驾驶疲劳的产生受许多因素影响，大体可以分为驾驶员身心状态、驾驶环境和驾驶作业3个部分。笔者归纳如图1所示。

    根据日木京都大学伊吹山教授的研究，在极端情况下驾驶员可把交通信息省略92％左右。还有专家对事故的致因分析表明：在疲劳驾驶引发的交通事故中，感知疲劳占总体事故的52%，信息处理疲劳为38%，而动作疲劳及其他仅占总体事故的10%[270驾驶疲劳的生成不仅是这3个阶段不间断的多次串联组合的产物，同时也是三者连锁反应的综合，可以看成一个复杂的动态过程。

    2 驾驶疲劳检测方法的分类
    驾驶疲劳不能被直接测量，能检测到的只是疲劳发生时产生的各种外在的、心理的和生理的异常变化的表征。迄今为止，国内外的学者提出了多种驾驶疲劳的检量方法和指标，一般可以归纳为基于机器视觉技术的间接检测方法和指标，以及基于驾驶员生理信息的直接检测方法和指标两大类。
    基于机器视觉技术的间接检测方法是通过摄像头和传感器获取驾驶员精神状态的表征、某些特定的驾驶行为和车辆行驶状态等，来间接推测驾驶员的疲劳状态。虽然国内外汽车企业对这类方法比较关注，但是市场上一直没有出现成熟的商业产品，已经面世的这类驾驶疲劳检测装置的有效性和鲁棒性也并不高。
    相比较而言，基于驾驶员生理信息的直接检测方法更加实时和客观，能够在较宽的疲劳程度范围内提供敏感性比较高的总体评价。基于驾驶员生理信息的直接检测方法又包括基于生物电信号的检测方法、基于唾液成分的检测方法、基于中医穴位理论的检测方法等。而基于驾驶员生物电信号的检测方法一般针对驾驶员的脑电、心电、肌电、眼电等生物电信号着手进行研究，是基于生理信息直接检测方法中最主要的方式。其他方法的不足之处在于测定疲劳的过程与驾驶过程不同步，容易受外界因素的干扰且个体间的生理反映差距较大，因此，目前研究得并不多。

    3 基于生物电信号的检测方法和指标
    3.1基于脑电图的检测方法和指标
    脑电图（EEG）就是电极记录下来的大脑细胞群自发性、节律性的生物电活动。人体大脑皮层垂直排列的锥体神经在活动时会产生局部的电位变化，可以透过贴附电极的方式纪录下来。研究人员很早就发现了脑电信号和大脑皮层活动的这种直接关联关系，相对于其他生理信号而言，脑电信号更直接更准确地反映大脑本身的状态。在测量脑电波时，行业一般采用国际10-20脑电波电极配置，如图2所示。

    Keeklund G等人通过模拟器和实车监测实验发现，脑电图伴随着驾驶员从清醒到磕睡有明显的变化，因此能有效地检测驾驶疲劳。昆士兰科技大学的Lal S K等人在探讨EEG和驾驶疲劳方面做了大量基础研究，他们的实验表明人体在清醒和接近疲劳时，脑电图中δ和θ波形变换不大；在疲劳和极度疲劳阶段，δ波、θ波以及a波的变化都会加深；而从疲劳状态惊醒时，J8波会有变化。他们进一步采用统计分析的方法确定了驾驶疲劳检测指标，构建了驾驶疲劳检测系统。但是受到样本量、驾驶员个体差异性等因素影响，系统的可移植性并不高。近年来，研究者通过多种方式对采集到的波段数据进行特征提取和分类，提高了驾驶疲劳的识别效果。Papadelis C等人通过实验发现人感觉疲劳渴望入睡时，a波频带相对比明显增大，月波频带相对比明显减小，香农嫡和K-L嫡的值快速降低，并提出这些EEG的定量测量参数可以有效反映出驾驶疲劳状况。
    同济大学殷燕红的研究细化了判断磕睡初期与入睡状态的脑电波波段，并发现θ/β、慢a/β、（θ＋慢a） /β和（θ＋慢a）/（中a＋快a）功率比指标同其他功率指标相比，对不同疲劳状态的反应最为明显，差异性明显，更加适合作为判定驾驶疲劳的指标。上海交通大学的吕宝粮提出用动态聚类的方法来分析EEG信号，以此来判定大脑的警觉度，这种方法可以比较准确区别驾驶人的清醒状态、两个中间状态和磕睡状态。
    尽管利用脑电图测量驾驶疲劳这方面的研究有很多，EEG也被称为驾驶疲劳检测的“金标准”而被研究者广泛关注。然而，就当前国内外的研究现状来看，大家在一些问题上并没有达成共识，研究成果之间缺少可比性，至今尚未有被广泛认可的可量化的脑电图指标出现。
    3.2基于心电图的检测方法和指标
    心电图（ECG）反映的是心脏的活动情况。心脏同时受交感神经和副交感神经的支配，共同组成自主神经系统，调节人体的唤醒水平。因此，心电图可以在一定程度上反映驾驶员的疲劳状态。通过心电图来判定疲劳驾驶，最常见的指标是心率指标（HR）和心率变异性指标（HRV ）。
    国外资料显示，在高速公路上汽车行驶速度为100 km/h时，驾驶员的心跳次数比80 km/h时增加20%。而驾驶员疲劳时，心跳减慢，如果驾驶员心跳次数低于标准值的20％时就属于疲劳驾驶。韩国延世大学的Jeong I C等人尝试通过心率变化情况来分析判断驾驶员的疲劳状况。为满足共电极心电图测试的方法，其电极分别布置在驾驶员座椅、转向盘和换档杆，见图3。

      心率变异性是指心率节奏快慢或RR间期随时间所发生的变化情况，反映心脏自主神经系统对心血管系统的调控以及该系统对各种影响因素的应答。默多克大学的Hartley L等人通过对长途货车驾驶员的研究发现，HRV与驾驶中的疲劳程度变化有潜在的关系。Lal S K的研究则表明驾驶人疲劳时ECG会明显地有规律地下降，Calcagnini等人的研究发现ECG信号的几个典型特征，如低频能量LF、超低频能量VFH、高频能量 HF及LF/HF的比率在驾驶员清醒和疲劳时有明显不同。
    上海交通大学的焦昆等人对实验数据的重复测量方差分析发现，LF、HF和LF/HF数值的改变与驾驶员的主观感受和疲劳症状之间存在着显著的正相关。他们还研究了驾驶员在汽车内经受不同频率的垂直振动的情况，并提出HRV是评价汽车驾驶员疲劳状态的一种有效、客观、定量的手段。
    心率指标和心率变异性指标相比，心率变异性指标能更精确地反映驾驶员的状态。当前，国内外的研究者并未真正研究透彻自主神经系统的活动与驾驶疲劳的关系，但是，相比EEG方法，在ECG方法测量疲劳驾驶状态实验中，电极佩戴简单，在长时间监测时可靠性更高。

    3.3基于眼电图和肌电图的检测方法和指标
    眼电图（EOG）是测量在视网膜色素上皮和光感受器细胞之间存在的视网膜静电位用图，如图4所示。

一般用放在眼睛的上方和下方或者眼睛的左边或右边的一对电极来测量。
    在这方面研究得比较多的是日本大阪技术学院的Noguchi Y等学者，他们根据EOG波形图中峰尖幅值、上升时间和下降时间这3个参数之间的关系，得出了各种精神状态下的EOG波形图，并利用隐马尔可夫模型聚类，较为清楚地表示出某时刻的眨眼类别和变化，从而判断驾驶员的警觉状况和疲劳程度。最近，他们还提出了利用二维觉醒状态转换模型来判断驾驶员的疲劳状态和运用多元线性回归分析探讨多个疲劳驾驶评定指标的融合。
    对于肌电图（EMG），医学上广泛使用的有表面肌电图和肌肉肌电图两种。在驾驶疲劳测量实验中，由于驾驶员四肢的肌肉活动受驾驶操作的影响很大，且电极放置位置受到驾驶员着装的限制，所以一般选用表面肌电图法。圣路易斯大学的PetrofskyJS等人研究一了肌肉等收缩条件下肌肉温度、肌肉疲劳及血液流动之间的关系，他们的实验结果表明肌肉和血液流动对表面EMG幅度和频率影响较小，而肌肉温度和疲劳导致表面肌电图（sEMG）频率降低，幅度增加。希腊学者Katsis C等人通过志愿者在货车、拖拉机和挂车的不同实车驾驶环境，发现当驾驶疲劳产生后，表面肌电图的幅值上升，肌电平均频率会下降。比利时科技产业研究中心的Hostens I等人采用诱发电位的方法探讨了驾驶员长途驾驶时疲劳产生的过程，也得出了类似的结论。
    上海交通大学的焦昆等人通过模拟驾驶实验就sEMG的时域和频域等指标进行了分析，发现积分肌电图（IEMG）和中值频率（MF）随时间都有明显的线性变化规律，他们认为应用sEMG信号的时域分析评估驾驶员肌肉疲劳状态是可靠且可行的。
    眼电图的测量方法比较复杂，对驾驶作业干扰较大。对于表面肌电图的方法，由于影响皮肤导电性的汗腺分泌只受交感神经活动的支配，因而表面肌电图法在理论上只对唤醒水平升高敏感。所以这两种方法的适用性并不高。

[1] [2]  下一页