0 引言

    无人驾驶技术成为社会关注的焦点，如何有效地利用ADAS系统对提高行车安全以及人体操纵舒适性显得尤为关键。安全，是首当其冲的指标。目前主流ADAS系统采用融合摄像头和多种传感器的感知层，结合运动评估系统和可视/非可视系统的判断层，达到实现导航、防碰撞、自动泊车等功能。ADAS系统高复杂性提高了行车安全性，但是目前主要应用于一些高档车型，不利于ADAS系统在普通车型的推广和应用。

    人-车-交通安全中最重要是驾驶员安全，目前ADAS系统涉及行车安全两方面。一方面通过ADAS系统中车道侦测和预警对当前路面的客观环境的判断达到提前预警；另一方面通过ADAS系统中疲劳驾驶探测对驾驶员本人疲劳情况判断，避免疲劳驾驶。

    疲劳驾驶探测也是ADAS系统发展重要环节。一方面Chai R等人提出基于脑电图贝叶斯神经网络与自回归建模提取来区分驾驶员的疲劳状态，但是提取特征较为单一化^[1]；另一方面Craye C等人提出融合音频、视频、心率等特性通过贝叶斯网络提供疲劳和分心的区别，使得准确率高达98.4%，但是没有提出人的其他情绪的判别，而且设备成本大大增加^[2]。

    为了解决提取特征单一化、驾驶员状态判断趋单一的疲劳检测以及设备成本过高等不足，本文设计了一种耳戴式多特征融合驾驶员状态检测的穿戴设备。通过融合B、K、姿态角、加速度、角速度等特征实现对驾驶员状态的状态良好、疲劳、分心以及紧张判断。该设备具有便于携带，同时将预留WiFi、蓝牙等无线技术接口与ADAS系统通信或将数据传输云端服务器。

1 系统设计

    基于多特征融合驾驶员状态检测系统由多信号输入的采集模块、内置DSP的STM32L4测控模块以及含有蓝牙、WiFi等通信模块组成，系统整体框图如图1所示。

    信号采集模块使用MPU6050、脉搏分别采集人体姿态角、运动加速度、运动角速度以及脉搏参数。传感器采集到的多参数信号进入测控模块STM32L4中进行信号的特征提取以及信号的处理，将处理完的信号通过通信模块无线WiFi、蓝牙技术传到ADAS系统或者云端服务器。如果出现指标异常，系统就会通过提醒驾驶员，提醒相关人员采取措施，防止意外情况的二次伤害、抢救时间不及时等。

2 系统硬件实现

2.1 主控制器

    为了达到低成本、低功耗以及高性能的要求，主控芯片STM32L4基于ARM系列Cortex-M4内核，内置集成CAN控制器、USART通信接口等丰富资源。同时，在特征提取频谱可以调用ST官方汇编DSP库的应用实现快速傅里叶变换（FFT）与数字滤波器功能。

2.2 光电脉搏传感器

    光电式脉搏法是借助活体组织毛细血管在血管容积收缩导致透光率改变达到测量脉搏的检测方法。本系统使用的传感器包括光源发射和光电接收，光源一般选用对人体毛细血管中氧和血红蛋白有选择吸收的一定波长的发光二极管。当光束透过血管被反射的光被光敏接收器接收，此时可以测出人体动脉搏动充血容积变化^[3]。

    本系统传感器采用了发光源峰值波长相近灵敏度高的绿光LED以及光电接收器的SON1303。为了提高信噪比在传感器后面使用了低通滤波器和运算放大电路，使放大后的信号可以很好地被MCU的AD采集到。

2.3 姿态检测传感器

    姿态采用由3轴角速度、3轴加速器和内置DMP处理器组成6自由度运动的MPU-6050传感器,可以测三轴的角速度和加速度。通过IIC接口与MCU通信，使用内置运动处理资料库实现姿态解算，降低了运动处理运算对CPU的要求^[4]。

    MPU-6050的加速度传感器设置为±2 g的满量程范围，因为加速传感器的ADC为16位分辨率。同理，设置陀螺仪的满量程范围：±2 000°/s，陀螺仪的ADC为16位分辨率，根据姿态传感器只能反应人体状态而不能检测突变的情况，通过融合重力加速度、角加速度可以很好解决人体突变时的分析，结构图如图2所示。

3 系统软件设计

    系统流程图如图3所示。系统首先设定脉搏、姿态传感器的A/D采样初始化，然后定时器中断开始，完成脉搏、姿态、加速度等状态参数采样，通过调用内置DSP的256点的FFT子函数对所采集的脉搏信号进行频谱分析；最后，融合加速度、角速度、姿态角等信息来判定人的疲劳状态、分心等不同情绪的状态。

3.1 脉搏的算法设计

    脉搏计算任务周期地采集、滤波、计算心率值。为了避免因采集干扰，采用防脉冲干扰10点平均滤波法进行原始信号预处理。通过采样设定选用时间序列为X(n)，n=0，1，…，N-1脉搏信号，设X(n)的FFT变换为X(ω)，再利用FFT计算各频率段的功率谱为P(ω)。选用调用STM32L4官方提供的DSP库中的FFT函数，可以高效执行计算各频率段的脉搏信号的幅值谱。程序设计中调用cr4_fft_256_stm32函数，可实现对256个数据点的FFT运算，运算得到各次频率分量的幅值、实部、虚部等信息将保存在IBufMagArray[i]数组中。上述N=256点快速傅里叶变换k=0，1，…，N-1，然后对各频率段幅值平方为频谱能量S_i(k)=|X_i(k)|²。

    通过实验可知99%以上的能量集中在10 Hz之内，利用切比雪夫窗口设计数字滤波器^[5]。通过工具箱fdatool获得数字滤波器系数后在STM32L4运行arm_fir_f32函数，完成数字滤波。

3.2 姿态的算法设计

    本系统首先建立以人体正前方为Y轴，正左方为X轴，上方为Z轴的坐标系，如图4所示。

    四元数和欧拉角的转换公式^[6]：

其中，T为周期，K₁为初始时刻的斜率，K₂为T时刻后的终点斜率，p(t)为初始时刻的四元数，p(t+T)为T时刻后的四元数。

    姿态矩阵的实时计算，确定姿态矩阵C_E^[8]：

    通过mpu_dmp_get_data函数读取上述俯仰角、横滚角、偏航角。

4 系统测试与数据分析

    数据样本来源于20名驾驶员志愿者，年龄在24-65岁，对采集系统熟悉的情况下进行测试，为了保证样本可靠性，选取不同时间点、不同状态进行分别测试得到姿态以及脉搏的采样样本。

4.1 驾驶员良好状态测试与数据分析

    由于实验者测得脉搏状态存在差异，系统初始化完成后进行一次基准值采样，用于后期判断的基础，对基准状态下脉搏时域进行FFT变换为各次频谱、频谱能量等信息如图5所示，主峰频率为1.225 Hz，心率即为73.5次/min。其他主峰都是心率高次频谱，通过分析第一主峰与其他峰的关系以及各频谱能量的关系可以得知驾驶员不同状态。

4.2 驾驶员疲劳和分心状态测试与数据分析

    汽车行驶过程中，驾驶员会表现出分心、疲劳等状态，通过疲劳驾驶者测试得到时域脉搏信号，STM32L4的DSP库FFT变换频谱幅值和能量如图6所示，主峰频率为1.13 Hz，心率即为67.8次/min。通过对比图5和图6，得知人在疲劳状态时各次频谱的幅值和频谱能量呈现下降趋势，脉搏也呈现下降趋势。

4.3 驾驶员紧张状态测试与数据分析

    当驾驶员遇到突发情况，紧急制动或急转弯，会造成驾驶员的紧张。通过多次实验可知，查看左右后视镜等正常生活不会引起加速度和角速度突变，所以本实验重点对紧张时表现特征如表1所示。

    对于融合多特征综合分析，下面具体分析以急刹向前为例。从图7可以看出，在采样时间2 s时向前急刹，此时脉搏受到干扰，可以看出Y轴的角速度G_y、X轴加速度A_x以及Z轴加速度A_z对于脉搏的影响较大，可以得知第一条主峰频谱为1.41 Hz，此时人的心率为84.6次/min，第二主峰频谱2.97 Hz，这个频谱的能量主要是由于外界提供，此时不能通过数字滤波器将此频率段滤波，便于后面疲劳以及分心分析。

4.4 多特征融合分析

    为了避免单一特征造成数据不准确以及突发情况造成系统的误判，本文通过融合脉搏、姿态角加速度、加速度等多特征信息更准确反馈信息。实验可知正常的人的脉搏60-100次，所以合理的基频在1-1.67 Hz之间，本文定义基频为第一主峰符号B，不同状态，主峰不一致；本文定义频谱量比为高次频谱能量能量和与第一主峰的频谱能量比值K来确定驾驶员的状态。具体如表2多特征融合所示。

4.5 单一特征与多特征融合的对比分析

    为了更加客观的评价本文中所提出多特征融合的优越性，本文设计了对比试验。为保证测试样本的多样性与可靠性，测试时间与测试环境均为不固定的，总共进行了6组测试，为保证对比试验产生的误差最小，将穿戴设备同时分别夹在被试者的左右耳同时进行测试。得到单一脉搏测试与多特征融合测试各为120组，如表3所示。

    实验表明，多特征融合的识别驾驶员状态时的成功率90.83%比单一脉搏特征信号的识别率62.5%效果更好。

5 结语

    本系统通过实验表明，采集到脉搏信号进行FFT以及切比雪夫滤波对频谱的提取，通过频谱分析可以很好判断驾驶员疲劳驾驶状态，同时定义的第一主峰B以及频谱能量比K可以很好判别驾驶员紧张的状态，融合姿态、加速度以及角速度等多特征可以对驾驶员分心、疲劳、紧张情况综合判断，通过测试多特征融合判断比单一特征提高达28%，同时，系统预留无线接口方便与ADAS系统通信，根据驾驶员的不同状态，辅助驾驶员操作，极大提高行车安全。该系统集成度高、低功耗，便于人体携带，且可以应用于普通汽车驾驶者使用，具有应用和推广价值，便于ADAS技术的实现与推广。

参考文献

[1] CHAI R，NAIK G，NGUYEN T N，et al.Driver fatigue classification with independent component by entropy rate bound minimization analysis in an EEG-based system[J].IEEE Journal of Biomedical & Health Informatics，2016(99)：1-1.

[2] CRAYE C，RASHWAN A，KAMEL M S，et al.A multimodal driver fatigue and distraction assessment system[J].International Journal of Intelligent Transportation Systems Research，2016(3)：1-22.

[3] 高小鹏，庞宇，黎圣峰，等.耳夹式可穿戴体征参数感测装置的设计[J].电子技术应用，2016，42(12).

[4] 张承岫，李铁鹰，王耀力，等.基于MPU6050和互补滤波的四旋翼飞控系统设计[J].传感技术学报，2016，29(7)：1011-1015.

[5] 何成.基于多生理信号的情绪识别方法研究[D].杭州：浙江大学，2016.

[6] 叶锃锋，冯恩信.基于四元数和卡尔曼滤波的两轮车姿稳定方法[J].传感技术学报，2012，25(4)：524-528.

[7] 樊炳辉，张凯丽，王传江，等.基于四元数的前臂假肢手部自平衡的设计[J].电子技术应用，2016，42(5)：78-81.

[8] 何川，李智，王勇军，等.基于STM32的四旋翼飞行器的姿态最优估计研究[J].电子技术应用，2015，41(12)：61-64.

作者信息:

许鹏程，李志斌，黄启韬，周奕轩，吴文峰

（上海电力学院 自动化工程学院，上海200090）