摘 要： 疲劳驾驶是导致交通伤亡事故的重要原因之一，因此采取相应的预防措施是很有必要的。针对两种不同程度的警觉度（清醒和睡眠），采用公共空间模式CSP(Common Spatial Pattern)算法对所采集到的脑电数据进行特征提取，用基于径向基函数(RBF)的支持向量机(SVM)对提取的特征进行分类，通过网格搜索法获得最优参数。与频带能量作为特征的已有方法相比，该算法测试准确率较高，能够达到较好的识别效果。
关键词： 脑电信号；警觉度；公共空间模式；支持向量机
疲劳驾驶是造成交通死亡事故的重要原因之一，而疲劳又与人的警觉程度密切相关。因此，对警觉度进行分析和评价，并及时提醒驾驶员，可以有效避免事故的发生，对改善我国交通安全状况具有重要意义。
从上世纪80年代以来，国内外对警觉度进行了很多研究。参考文献[1]采用眼睛闭合程度、闭合时间、眨眼频率、点头频率、人脸的朝向、人眼注视方向以及嘴的张开程度来估计警觉度。然而上述的特征需较长的时间才能给出一个稳定准确的结果，并且易受外部环境影响。相较而言EEG信号能更快更准确地反映大脑的活动，并且有更高的时间分辨率。目前，常用的基于EEG的警觉度特征提取方法有功率谱[2-4]和小波变换[5]。但是，功率谱估计是盲相的，只包含信号的幅度信息不包含相位信息，所以在提取特征时有一定的局限性；用小波变换提取脑电节律，所提取的节律的通带信息不全，边缘特性不好，并且这两种方法都在空间特征提取上存在不足。目前对脑电特征提取的分类的方法主要有线性判别分析[7]、模糊神经元网络[8]以及支持向量机[9]等。线性判别函数局限性很大；神经网络的学习过程存在局部极小、推广能力差、容易出现过拟合等问题；SVM是一种基于结构风险最小化准则的学习方法，在解决小样本、非线性及高维模式识别问题中有许多特有的优势，其推广能力明显优于一些传统的学习方法。
公共空间模式CSP(Common Spatial Pattern)[6]是一种空间滤波方法，能够抽取测试者特殊、有差别的脑部空间模型，提取人的EEG的有效特征。本文通过CSP提取特征，再结合支持向量机模型进行预测。与频带能量作为特征的已有方法进行比较，本文算法测试准确率较高。
1 基于CSP与SVM的警觉模型
信号处理的基本框图如图1所示。
核参数r和误差惩罚因子C是影响SVM性能的主要参数。r的取值影响数据变换后在特征空间里的分布，惩罚因子C则决定支持向量机的收敛速度及泛化能力。因此，对r和C的选择很大程度上决定了脑电信号的识别率。
2 实验设计
2.1 实验平台
本实验采用奥地利公司的g.tec脑电信号采集设备，记录驾驶员驾驶过程中的脑电波形。该设备属于便携式EEG放大器，可以采集16导EEG数据。用3D驾驶学校软件模拟现实驾驶，实验场景如图2所示。
2.2 参数设置
为了确定哪个区域更能反映警觉度的特征，本文参考在警觉度的研究中比较常见的电极安放位置。按照国际脑电图学会标定的10～20电极导联定位标准，选择FP1、FP2、F3、FZ、F4、C3、CZ、C4、P3、PZ、P4、O1、O2通道的脑电数据作为实验数据(电极位置如图3，用正方形标注的为所选电极)，覆盖了大脑的额叶区、顶区、枕区和中央区的活动。采样率为512 Hz、带通范围为0.5 Hz～30 Hz。
2.3 实验流程
整个试验在一个温度约25 ℃的安静且窗帘防光性能较好的实验室中完成。受试者无任何影响睡眠的疾病，试验前一天和试验当天，受试者不能饮酒、喝茶和饮用咖啡。试验时间一般在午后12：30开始。
实验采用3D驾驶学校软件模拟现实驾驶，根据显示器上显示的道路，进行相应的按键操作调节行驶中车辆的方向。进行模拟驾驶实验前，先将脑电电极放置在驾驶员头部的相应位置，打开设备并测量各个电极的阻抗。本文实验要求阻抗值不超过5 kΩ，如果某个电极的阻抗超过5 kΩ，就要取下该电极重新涂导电膏直至阻抗达到要求。参数设好后开始进行模拟驾驶，每个驾驶员连续驾驶1 h。
3 实验结果
采用CSP对滤波后的脑电信号进行特征提取，将训练特征归一化后作为输入样本，用SVM(采用LIBSVM工具包)训练模型，通过网格搜索法获得最佳参数C与r，得到最佳模型，并用所得模型对测试样本进行分类。对相同的样本数据进行不同的通道组合，都采用CSP与SVM结合的方法进行对比验证，得到各个通道组合测试的准确度如表1所示。通过表1可以看出O1与O2的组合是最好的，仅用这两个通道的数据就能较好地鉴别出人的警觉程度。
另一方面，作为与本文方法的对比，对O1、O2这两个通道的脑电数据采用频带能量为特征并用SVM分类[12]。首先对这两个通道的EEG信号进行0.5 Hz～30 Hz的滤波，然后利用快速傅里叶变换得到信号的频谱值，再将其分成4个标准频段δ(0.5 Hz~4 Hz)，θ(4 Hz~8 Hz)，α(8 Hz~13 Hz)，β(13 Hz~30 Hz)，分别计算这4个频段的平均频谱能量以及其频谱能量的比值（θ+α）/（α+β）、θ/β，对这6个特征分别用SVM加以分类，得到受试者测试集的分类结果如表2所示。由表2可以看出以α、β的频带能量为特征的分类精度更高，表明了α、β在两种状态的转变中变化比较明显，而且用CSP方法提取特征的效果更好，证明了该方法相对于直接用频带能量预测有着一定的优势和可行性。
本文使用共同空间模式滤波提取脑电数据的特征，结合支持向量机进行预测，并利用网格搜索法选择合适的参数，结果显示可以有效地鉴别出驾驶员的警觉状态，这种方法比利用脑电的频带能量作为特征的方法有更好的泛化能力。同时本文还对采集通道的选择进行了研究，分析实验结果得出用O1和O2这两个通道的数据进行特征提取和分类能较好地鉴别出人的警觉程度。但是由于实验是在实验室内模拟现实环境的条件下完成的，而在现实驾驶中驾驶员还会受到更多因素的影响，因此对于这两个通道是不是普遍有效，有待于进一步的研究。本文只对两种状态的数据进行离线分析，对中间状态没有给出合理的判据，在今后的研究中将进一步改进算法，使中间状态能有效地识别出来。
参考文献
[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频谱特征的驾驶员疲劳监测研究[J].中国安全生产科学技术，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.基于脑电信号的警觉度估计[D].上海: 上海交通大学, 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] 刘冲.基于CSP与SVM算法的运动想象脑电信号分类[J]. 东北大学学报(自然科学版), 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.