基于机器学习的疲劳检测及预警系统设计
- 格式：pdf
- 大小：1.92 MB
- 文档页数：3
收稿日期：2019-03-12 修回日期：2019-04-16
强度的预警。图 1 所示为系统架构图。
图 1 系统架构
1 理论基础
疲劳驾驶主要表现为驾驶员在驾驶过程中出现打瞌睡、 走神、心率变快、频繁眨眼等行为，并导致操作失误或驾驶 能力丧失 [7]。 1.1 心率、脑电疲劳计算及 PERCLOS 算法
目前，基于驾驶员生理参数 [1]、驾驶员行为 [2] 与车辆特 征的检测方法 [3] 较为常见。文献 [4] 中 Brandy 等人通过为驾 驶员穿戴一件放置有 BioHarness3 生物传感器的背心（内嵌 无线生理信号传感器）来测量心率、呼吸速率等生理信号。 文献 [5-6] 中，通过计算机视觉技术检测人眼闭合状态以判 定驾驶员是否处于疲劳状态，采用的 PERCLOS 算法将眼睑 闭合度作为驾驶疲劳的度量指标，PERCLOS 值越大，疲劳 驾驶程度越大。
（1）构造预测函数
预测函数 ：
hθ
(
x)
=
1
+
1 e −θ T
x
（4）
式中：x 为输入变量；θ 为输入变量对应的权值；hθ（x）为 输入变量为 x 时，模型给出的输出值，其范围在 [0，1] 区间内。
（2）构造代价函数
代价函数可衡量模型对实际问题的拟合效果。通过对逻
辑回归每个训练样本的损失函数求和并取平均构造代价函
由于驾驶员身体差异、实际驾驶环境差异、道路差异， 所以依靠单信号源判断疲劳状态存在漏检、错检的可能性， 判定结果并不可靠。因此本文通过机器学习的方法，依靠大 量驾驶员疲劳驾驶及正常驾驶的心率、脑电、人眼数据，训 练疲劳判定模型，并以此模型进行实时判定，以提高疲劳判 定的准确性。
本系统主要包括图像采集模块、心率采集模块、脑电采 集模块、车载处理模块、预警模块。各采集模块分别采集人 眼图片、心率信号、脑电信号并传输至车载处理模块进行一 系列数据预处理，利用机器学习训练后的逻辑回归模型判定 人的疲劳状态，并根据模型判断结果控制预警模块进行相应
数，使得每个样本的损失函数通过对数运算以更好地适应二
分类问题。
损失函数 ：
Cost
( hθ
(
x),
y)
=
−log(hθ ( x))
−
log
(1
−
hθ
(
x
)
)
, ,
y =1 y=0
代价函数 ：
（5）
∑ ( ) J (θ ) = 1 m Cost
m i=1
hθ ( xi ), yi
=
( ) − 1 yT log(h) + (1− yT )log(1− h) m
摘 要 ：据统计，疲劳驾驶是交通事故发生的主要原因之一，因此本系统采用一种基于机器学习的方法来判定
驾驶员的疲劳状态。系统通过脑电采集模块、心率采集模块、图像采集模块检测驾驶员的生理参数并传输至车载处
理模块进行一系列数据预处理，再利用机器学习训练好的逻辑回归模型综合判定驾驶员的疲劳状态，最后将疲劳判
定结果传输至预警模块进行座椅振动及声光分级预警。在满足实时性及准确度的要求下，多种预警方式能够有效地
对驾驶员进行疲劳预警。
关键词 ：机器学习 ；疲劳检测 ；疲劳预警 ；逻辑回归模型 ；声光预警 ；PERCLOS 算法
中图分类号 ：TP39
文献标识码 ：A
文章编号 ：2095-1302（2019）07-0027-03
0引言
随着中国经济和社会的持续快速发展，我国机动车总数 急剧增加。截至 2018 年底，我国机动车保有量达 3.22 亿辆。 车辆的剧增也伴随着意外交通事故的频发。据我国交通部门 统计，因疲劳驾驶造成的交通事故约占总交通事故的 20%、 特大交通事故的 40% 以及交通死亡人数的 83%，因此，实 时检测疲劳驾驶并有效预警十分重要 [1]。
f = t3 − t2 ×100% t4 − t1
（3）
式中：t1 为人眼睁开 100% 至闭合 20% 的时间；t2 为人眼睁 开 100% 至闭合 80% 的时间；t3 为人眼睁开 100% 至下一次 睁开 20% 的时间；t4 为人眼睁开 100% 至下一次睁开 80% 的 时间。其中，20%，80%，100% 均为眼球占整个眼睛的比例。
（6）
式中：h 为样本的预测输出；y 为样本的人为标注输出。
（3）参数优化
参数的优化过程即为不断改变权值的取值使得代价函
数不断降低，进而得到较好的符合实际应用的模型。本文
使用随机梯度下降法来不断降低代价函数的值，以此优化
参数 θ ：
θj
:=θj
−α δ δθ j
J (θ )
（7）
∑( ) ( ) θ
DOI：10.16667/j.issn.2095-1302.2019.07.004
全面感知 Comprehensive Perception
基于机器学习的疲劳检测及预警系统设计
曾心远 1，张正华 1，韩 雪 1，胡新盛 1，周立言 2，吕允博 1
（1. 扬州大学 信息工程学院，江苏 扬州 225000；2. 扬州大学 文学院，江苏 扬州 225000）
1.2 基于机器学习的逻辑回归分析模型
机器学习可以通过大量数据来优化程序的性能，使得准
确性大大提高。通过大量训练集和验证集数据来不断优化模
型中的参数，最终利用训练过的模型预测新的数据。训练集
和验证集样本包含了输入和输出，输出由人标注。
逻辑回归的常规步骤包括构造预测函数、构造损失函数、
求损失函数最小值并优化模型参数 θ。
表征疲劳的心电信号时域指标主要有 R-R 间期，即心脏 每次搏动间期。对一段时间内的 R-R 间期取平均值，再除以 相应的系数即可求得心脏在 1 min 内跳动的次数 [8] 即为所得 心率 ：
h = 60 period
（1）
式中 period 为一段时间内的平均心跳时间间隔。
驾驶员处于疲劳状态时，β 波减少，α 波增多 ；驾驶员 处于睡眠状态时，脑电的主要频率会降至 θ 波 [9]。因此使用
公式（2）可表示驾驶员的疲劳程度 ：
r= β α +θ
（2）
式中：r 为脑电波功率谱的比值；β，α，θ 为对应的 β 波，α 波，
θ 波的功率。
PERCLOS 算法是国际公认的较为准确的人眼疲劳检测
算法，它可以检测一段时间内眼睛闭合时间所占总时间的百
分比。
2019年 / 第7期 物联网技术 27
全面感知 Comprehensive Perception
强度的预警。图 1 所示为系统架构图。
图 1 系统架构
1 理论基础
疲劳驾驶主要表现为驾驶员在驾驶过程中出现打瞌睡、 走神、心率变快、频繁眨眼等行为，并导致操作失误或驾驶 能力丧失 [7]。 1.1 心率、脑电疲劳计算及 PERCLOS 算法
目前，基于驾驶员生理参数 [1]、驾驶员行为 [2] 与车辆特 征的检测方法 [3] 较为常见。文献 [4] 中 Brandy 等人通过为驾 驶员穿戴一件放置有 BioHarness3 生物传感器的背心（内嵌 无线生理信号传感器）来测量心率、呼吸速率等生理信号。 文献 [5-6] 中，通过计算机视觉技术检测人眼闭合状态以判 定驾驶员是否处于疲劳状态，采用的 PERCLOS 算法将眼睑 闭合度作为驾驶疲劳的度量指标，PERCLOS 值越大，疲劳 驾驶程度越大。
（1）构造预测函数
预测函数 ：
hθ
(
x)
=
1
+
1 e −θ T
x
（4）
式中：x 为输入变量；θ 为输入变量对应的权值；hθ（x）为 输入变量为 x 时，模型给出的输出值，其范围在 [0，1] 区间内。
（2）构造代价函数
代价函数可衡量模型对实际问题的拟合效果。通过对逻
辑回归每个训练样本的损失函数求和并取平均构造代价函
由于驾驶员身体差异、实际驾驶环境差异、道路差异， 所以依靠单信号源判断疲劳状态存在漏检、错检的可能性， 判定结果并不可靠。因此本文通过机器学习的方法，依靠大 量驾驶员疲劳驾驶及正常驾驶的心率、脑电、人眼数据，训 练疲劳判定模型，并以此模型进行实时判定，以提高疲劳判 定的准确性。
本系统主要包括图像采集模块、心率采集模块、脑电采 集模块、车载处理模块、预警模块。各采集模块分别采集人 眼图片、心率信号、脑电信号并传输至车载处理模块进行一 系列数据预处理，利用机器学习训练后的逻辑回归模型判定 人的疲劳状态，并根据模型判断结果控制预警模块进行相应
数，使得每个样本的损失函数通过对数运算以更好地适应二
分类问题。
损失函数 ：
Cost
( hθ
(
x),
y)
=
−log(hθ ( x))
−
log
(1
−
hθ
(
x
)
)
, ,
y =1 y=0
代价函数 ：
（5）
∑ ( ) J (θ ) = 1 m Cost
m i=1
hθ ( xi ), yi
=
( ) − 1 yT log(h) + (1− yT )log(1− h) m
摘 要 ：据统计，疲劳驾驶是交通事故发生的主要原因之一，因此本系统采用一种基于机器学习的方法来判定
驾驶员的疲劳状态。系统通过脑电采集模块、心率采集模块、图像采集模块检测驾驶员的生理参数并传输至车载处
理模块进行一系列数据预处理，再利用机器学习训练好的逻辑回归模型综合判定驾驶员的疲劳状态，最后将疲劳判
定结果传输至预警模块进行座椅振动及声光分级预警。在满足实时性及准确度的要求下，多种预警方式能够有效地
对驾驶员进行疲劳预警。
关键词 ：机器学习 ；疲劳检测 ；疲劳预警 ；逻辑回归模型 ；声光预警 ；PERCLOS 算法
中图分类号 ：TP39
文献标识码 ：A
文章编号 ：2095-1302（2019）07-0027-03
0引言
随着中国经济和社会的持续快速发展，我国机动车总数 急剧增加。截至 2018 年底，我国机动车保有量达 3.22 亿辆。 车辆的剧增也伴随着意外交通事故的频发。据我国交通部门 统计，因疲劳驾驶造成的交通事故约占总交通事故的 20%、 特大交通事故的 40% 以及交通死亡人数的 83%，因此，实 时检测疲劳驾驶并有效预警十分重要 [1]。
f = t3 − t2 ×100% t4 − t1
（3）
式中：t1 为人眼睁开 100% 至闭合 20% 的时间；t2 为人眼睁 开 100% 至闭合 80% 的时间；t3 为人眼睁开 100% 至下一次 睁开 20% 的时间；t4 为人眼睁开 100% 至下一次睁开 80% 的 时间。其中，20%，80%，100% 均为眼球占整个眼睛的比例。
（6）
式中：h 为样本的预测输出；y 为样本的人为标注输出。
（3）参数优化
参数的优化过程即为不断改变权值的取值使得代价函
数不断降低，进而得到较好的符合实际应用的模型。本文
使用随机梯度下降法来不断降低代价函数的值，以此优化
参数 θ ：
θj
:=θj
−α δ δθ j
J (θ )
（7）
∑( ) ( ) θ
DOI：10.16667/j.issn.2095-1302.2019.07.004
全面感知 Comprehensive Perception
基于机器学习的疲劳检测及预警系统设计
曾心远 1，张正华 1，韩 雪 1，胡新盛 1，周立言 2，吕允博 1
（1. 扬州大学 信息工程学院，江苏 扬州 225000；2. 扬州大学 文学院，江苏 扬州 225000）
1.2 基于机器学习的逻辑回归分析模型
机器学习可以通过大量数据来优化程序的性能，使得准
确性大大提高。通过大量训练集和验证集数据来不断优化模
型中的参数，最终利用训练过的模型预测新的数据。训练集
和验证集样本包含了输入和输出，输出由人标注。
逻辑回归的常规步骤包括构造预测函数、构造损失函数、
求损失函数最小值并优化模型参数 θ。
表征疲劳的心电信号时域指标主要有 R-R 间期，即心脏 每次搏动间期。对一段时间内的 R-R 间期取平均值，再除以 相应的系数即可求得心脏在 1 min 内跳动的次数 [8] 即为所得 心率 ：
h = 60 period
（1）
式中 period 为一段时间内的平均心跳时间间隔。
驾驶员处于疲劳状态时，β 波减少，α 波增多 ；驾驶员 处于睡眠状态时，脑电的主要频率会降至 θ 波 [9]。因此使用
公式（2）可表示驾驶员的疲劳程度 ：
r= β α +θ
（2）
式中：r 为脑电波功率谱的比值；β，α，θ 为对应的 β 波，α 波，
θ 波的功率。
PERCLOS 算法是国际公认的较为准确的人眼疲劳检测
算法，它可以检测一段时间内眼睛闭合时间所占总时间的百
分比。
2019年 / 第7期 物联网技术 27
全面感知 Comprehensive Perception
