论文部分内容阅读
摘要：通过大数据的查询资料，我们发现国内外交通事故很大原因是疲劳驾驶。因此需要对疲劳驾驶进行检测，目前一般采用对驾驶员的行为分析或者对驾驶员脸部与眼睛特征进行图像分析，两种方式都不能准确地监测驾驶员的劳累状态。因此本文提出基于脑电波控制疲劳驾驶检测，该方法通过疲劳检测和疲劳消除两个方面对驾驶员在行车过程中出现的疲劳状态进行监控和干预。我们按照文中所阐述的方法进行了实际调试，可以有效地检测出驾驶员所处的疲劳状态。
关键词：脑电波;疲劳驾驶;疲劳检测;预警器
Abstract：Through the query of big data， we found that the major cause of traffic accidents at home and abroad is fatigue driving. Therefore， it is necessary to detect fatigue driving. At present， driver behavior analysis or image analysis of driver’s face and eye features are generally used， but both methods can not detect driver’s fatigue in time. Therefore， this paper proposes a fatigue driving detection method based on EEG control， which monitors and intervenes the driver’s fatigue state in the process of driving through fatigue detection and fatigue elimination.According to the method described in this paper， we have carried out the actual debugging， which can effectively detect the fatigue state of the driver.
Keywords： EEG; fatigue driving; fatigue detection; early warning device
1 引言
通過大数据的查询，疲劳驾驶对于交通事故占比非常大，比例达到40%以上。目前，对疲劳状态多采用脑电信号和心电信号来进行评估，而对于心电信号而言，它存在着敏感性不足的问题，因此不适合进行疲劳状态的检测。因为可以通过脑电信号来判断大脑的状态。所以我们常采用脑电信号来评价[1]。对于驾驶员进行脑电波数据采集时，可能会受到驾驶员微小的动作而引起脑电信号的变化。但是因人而异。同时对驾驶员的脸部和眼睛特征进行数据采集也是疲劳评估的一个发展方向，本篇文章主要采用脑电波来进行疲劳状态分析。
这个脑电波预警系统可以判断驾驶员的疲劳状态[2]。当驾驶员出现疲劳的迹象时，预警系统会有一个提醒。这个系统由检测和预警两部分组成，然后系统通过监测脑电波的幅度来判断驾驶员是否处于疲劳驾驶。如果脑电波幅度值过高，频率过低，系统会发出语音和振动，来提醒驾驶员已经处于疲劳驾驶状态，从而确保驾驶员能够安全驾车。
2 基于脑电波的疲劳驾驶监测系统
本文基于脑电波的疲劳驾驶检测系统，流程图如图1所示，首先让驾驶员戴上头盔，然后通过头盔中的传感器检测驾驶员大脑的活跃程度，来判断是否疲劳驾驶，若出现疲劳驾驶进行唤醒操作[3]。
2.1脑电波疲劳装置的设计
本文脑电波疲劳驾驶装置由硬件部分和软件部分组成。
2.1.1硬件设计
硬件构成：如图2所示，是一个头盔装置，主要完成数据的采集、结果的显示。由传感器，蓝牙，电源，夹子组成，传感器：采集脑电波信号转化为电信号。LED灯：通过脑电波的集中与否，用蓝牙传输来控制灯的亮灭[4]。数据采集：将采集到的驾驶员脑电波信号用功率谱的形式显示出来。采集模块中核心部件是Arduino控制模块。
2.1.2软件设计
软件部分主要实现对采集的脑电波进行处理，本文采用对功率谱密度进行计算，并对驾驶员行驶途中脑电波的变化规律和区间进行记录，分析规律。
功率谱密度的计算，我们将收集到的脑电信号，除去眼部肌肉的干预后记为A1。然后对A1进行傅里叶变换就可以得到功率谱密度，从而明确当前驾驶员的疲劳状态[5]。 在FFT频谱分析当中，分辨率受采样点数N和采样频率[fS]影响[6]，也就是[ΔS=fs/N]。我们所采用的脑波仪的采样频率为1000Hz，通过数据处理计算出A的值，其中n=1，2，3，...，1023。令 [P（n）=AnAn/N]’其中N=1024;则计算结果P就是估计出来的功率谱。
3 仪器调试及结果分析
首先让驾驶员戴上仪器，仪器上的电极可以检测驾驶员大脑的活跃程度。然后根据脑电波信号强弱，可以判断驾驶员注意力的强弱[7]。通过一个蓝牙模块将检测到的脑电波信号传送给另一个蓝牙模块，那么这个蓝牙模块可以对脑电波信号进行检测，如果信号过强，该蓝牙控制的LED灯就会被点亮，否则，LED灯就保持熄灭状态。同时，当驾驶员出现疲劳状态时，核心控制模块会对蜂鸣器发出指令，让其工作，发出刺耳的声音以达到让驾驶员清醒的目的。
通过调试我们所设计的装置可以成功地检测脑电波的集中与否，并且可以通过蓝牙传输来控制led灯的亮灭，该装置具有如下优点：（1）利用脑电波转化成电信号的监测，更加精确快速，并且实时检测驾驶员的状态;（2）小组设计，方便使用。（后期会优化，与帽子合在一起）;（3）传感器只能接收到大脑不断发送出的脑波而不会将信号灌入，另外，脑电波检测装置可以减少（过滤）无线信号的数量，避免它们自身干扰带脑电波的记录。但是仍然不能准确的确定驾驶员的疲劳与清醒的脑电波的脑波区间[8]。
4 结论
脑电波疲劳驾驶检测仪结构简单，功能多样，通过探测分析驾驶者的脑电波来判断驾驶者是否疲劳驾驶，当人处于疲劳时，该装置可及时提醒司机处于疲劳驾驶，从而有效防止司机在疲劳状态下继续行驶，因此能避免由疲劳驾驶造成的事故。
这是一种新型技术，能有效减少汽车出事的发生。介绍了疲劳驾驶与驾驶员大脑的联系，大概地介绍了我们对这项技术的成果。疲劳驾驶导致的交通事故的案例非常多，也新出台了许多法律条案，可见，让驾驶员保持清醒显得异常有必要。我们希望能够通过这项技术，让交通事故尽可能减少。这就是我们对于脑电波控制疲劳驾驶装置的研究。
参考文献：
[1] 李超，石向荣，黄剑华，基于脑电信号处理的疲劳驾驶预警系统的设计与实现[D]. 科学技术创新，2018.
[2] 杜秀丽，马振倩，邱少明，吕亚娜，基于卷积注意力机制的运动想象脑电信号识别[D]. 计算机工程与应用，2018.
[3] 刘宏马，王生进，基于匹配滤波器和度量学习的脑电信号分类[D]. 清华大学学报（自然科学版），2018.
[4] 许敏，基于脑波技术的疲劳驾驶的监测系统研究[D]. 电脑迷，2018.
[5] 杨锦，岳意娥，杨丽莎，一种高经济性的疲劳驾驶预警系统设计[J].汽车科技，2018（A01）：29-33.
[6] 王恁，周子敬，赵云芃，郭浩，陈俊杰，基于无线脑电信号分析的实时疲劳驾驶检测与预警研究[D]. 太原理工大学学报研究，2020-11-15.
[7] 秦鹏程，王明年，包逸帆，陈劲宇，严涛.超特长公路隧道驾驶疲劳致因及检测技术进展[J]. 现代隧道技术，2019（S02）：28-35.
[8] 霍首君，曹锐，基于深度卷积网络的运动想象脑电信号模式识别[D]. 计算机应用，2020-11-09.
【通联编辑：王力】
关键词：脑电波;疲劳驾驶;疲劳检测;预警器
Abstract：Through the query of big data， we found that the major cause of traffic accidents at home and abroad is fatigue driving. Therefore， it is necessary to detect fatigue driving. At present， driver behavior analysis or image analysis of driver’s face and eye features are generally used， but both methods can not detect driver’s fatigue in time. Therefore， this paper proposes a fatigue driving detection method based on EEG control， which monitors and intervenes the driver’s fatigue state in the process of driving through fatigue detection and fatigue elimination.According to the method described in this paper， we have carried out the actual debugging， which can effectively detect the fatigue state of the driver.
Keywords： EEG; fatigue driving; fatigue detection; early warning device
1 引言
通過大数据的查询，疲劳驾驶对于交通事故占比非常大，比例达到40%以上。目前，对疲劳状态多采用脑电信号和心电信号来进行评估，而对于心电信号而言，它存在着敏感性不足的问题，因此不适合进行疲劳状态的检测。因为可以通过脑电信号来判断大脑的状态。所以我们常采用脑电信号来评价[1]。对于驾驶员进行脑电波数据采集时，可能会受到驾驶员微小的动作而引起脑电信号的变化。但是因人而异。同时对驾驶员的脸部和眼睛特征进行数据采集也是疲劳评估的一个发展方向，本篇文章主要采用脑电波来进行疲劳状态分析。
这个脑电波预警系统可以判断驾驶员的疲劳状态[2]。当驾驶员出现疲劳的迹象时，预警系统会有一个提醒。这个系统由检测和预警两部分组成，然后系统通过监测脑电波的幅度来判断驾驶员是否处于疲劳驾驶。如果脑电波幅度值过高，频率过低，系统会发出语音和振动，来提醒驾驶员已经处于疲劳驾驶状态，从而确保驾驶员能够安全驾车。
2 基于脑电波的疲劳驾驶监测系统
本文基于脑电波的疲劳驾驶检测系统，流程图如图1所示，首先让驾驶员戴上头盔，然后通过头盔中的传感器检测驾驶员大脑的活跃程度，来判断是否疲劳驾驶，若出现疲劳驾驶进行唤醒操作[3]。
2.1脑电波疲劳装置的设计
本文脑电波疲劳驾驶装置由硬件部分和软件部分组成。
2.1.1硬件设计
硬件构成：如图2所示，是一个头盔装置，主要完成数据的采集、结果的显示。由传感器，蓝牙，电源，夹子组成，传感器：采集脑电波信号转化为电信号。LED灯：通过脑电波的集中与否，用蓝牙传输来控制灯的亮灭[4]。数据采集：将采集到的驾驶员脑电波信号用功率谱的形式显示出来。采集模块中核心部件是Arduino控制模块。
2.1.2软件设计
软件部分主要实现对采集的脑电波进行处理，本文采用对功率谱密度进行计算，并对驾驶员行驶途中脑电波的变化规律和区间进行记录，分析规律。
功率谱密度的计算，我们将收集到的脑电信号，除去眼部肌肉的干预后记为A1。然后对A1进行傅里叶变换就可以得到功率谱密度，从而明确当前驾驶员的疲劳状态[5]。 在FFT频谱分析当中，分辨率受采样点数N和采样频率[fS]影响[6]，也就是[ΔS=fs/N]。我们所采用的脑波仪的采样频率为1000Hz，通过数据处理计算出A的值，其中n=1，2，3，...，1023。令 [P（n）=AnAn/N]’其中N=1024;则计算结果P就是估计出来的功率谱。
3 仪器调试及结果分析
首先让驾驶员戴上仪器，仪器上的电极可以检测驾驶员大脑的活跃程度。然后根据脑电波信号强弱，可以判断驾驶员注意力的强弱[7]。通过一个蓝牙模块将检测到的脑电波信号传送给另一个蓝牙模块，那么这个蓝牙模块可以对脑电波信号进行检测，如果信号过强，该蓝牙控制的LED灯就会被点亮，否则，LED灯就保持熄灭状态。同时，当驾驶员出现疲劳状态时，核心控制模块会对蜂鸣器发出指令，让其工作，发出刺耳的声音以达到让驾驶员清醒的目的。
通过调试我们所设计的装置可以成功地检测脑电波的集中与否，并且可以通过蓝牙传输来控制led灯的亮灭，该装置具有如下优点：（1）利用脑电波转化成电信号的监测，更加精确快速，并且实时检测驾驶员的状态;（2）小组设计，方便使用。（后期会优化，与帽子合在一起）;（3）传感器只能接收到大脑不断发送出的脑波而不会将信号灌入，另外，脑电波检测装置可以减少（过滤）无线信号的数量，避免它们自身干扰带脑电波的记录。但是仍然不能准确的确定驾驶员的疲劳与清醒的脑电波的脑波区间[8]。
4 结论
脑电波疲劳驾驶检测仪结构简单，功能多样，通过探测分析驾驶者的脑电波来判断驾驶者是否疲劳驾驶，当人处于疲劳时，该装置可及时提醒司机处于疲劳驾驶，从而有效防止司机在疲劳状态下继续行驶，因此能避免由疲劳驾驶造成的事故。
这是一种新型技术，能有效减少汽车出事的发生。介绍了疲劳驾驶与驾驶员大脑的联系，大概地介绍了我们对这项技术的成果。疲劳驾驶导致的交通事故的案例非常多，也新出台了许多法律条案，可见，让驾驶员保持清醒显得异常有必要。我们希望能够通过这项技术，让交通事故尽可能减少。这就是我们对于脑电波控制疲劳驾驶装置的研究。
参考文献：
[1] 李超，石向荣，黄剑华，基于脑电信号处理的疲劳驾驶预警系统的设计与实现[D]. 科学技术创新，2018.
[2] 杜秀丽，马振倩，邱少明，吕亚娜，基于卷积注意力机制的运动想象脑电信号识别[D]. 计算机工程与应用，2018.
[3] 刘宏马，王生进，基于匹配滤波器和度量学习的脑电信号分类[D]. 清华大学学报（自然科学版），2018.
[4] 许敏，基于脑波技术的疲劳驾驶的监测系统研究[D]. 电脑迷，2018.
[5] 杨锦，岳意娥，杨丽莎，一种高经济性的疲劳驾驶预警系统设计[J].汽车科技，2018（A01）：29-33.
[6] 王恁，周子敬，赵云芃，郭浩，陈俊杰，基于无线脑电信号分析的实时疲劳驾驶检测与预警研究[D]. 太原理工大学学报研究，2020-11-15.
[7] 秦鹏程，王明年，包逸帆，陈劲宇，严涛.超特长公路隧道驾驶疲劳致因及检测技术进展[J]. 现代隧道技术，2019（S02）：28-35.
[8] 霍首君，曹锐，基于深度卷积网络的运动想象脑电信号模式识别[D]. 计算机应用，2020-11-09.
【通联编辑：王力】