一种基于软集合的疲劳驾驶检测方法与流程

本发明涉及一种基于软集合的疲劳驾驶检测方法，属于智能交通领域。

背景技术：

疲劳作为一种常见而复杂的生理现象将直接导致驾驶员的警觉性降低、反应迟缓，很容易造成交通事故，对驾驶员的生命安全造成了很大的威胁。但是，疲劳和非疲劳的分界点难以确定，在某种程度上可以说是不确定的，因人而异的。从这一点来说，疲劳检测比其他的经典模式识别问题如人脸检测等问题更加困难。除此之外，疲劳程度到底如何也难以确定，使得疲劳状态难于分类和度量。

目前对疲劳驾驶检测的研究中，主要都是基于驾驶环境下人体生理信号的变化进行的，其主要目的是对驾驶员的清醒、疲劳、困倦等生理状态进行测量。表面肌电信号是人体运动时神经肌肉活动产生的生物电信号，可以在一定程度上反映人体的生理活动状态和功能状态。但是，当前疲劳驾驶检测技术的难点在于：采集到的信号具有一些不确定的因素，而当前的理论(比如概率论、盲数理论、模糊集理论、粗糙集理论、区间数学理论等都是用来处理不确定性的数学工具)中用于确定参数的工具非常少，导致大量参数无法确定，这一问题是使用这些理论的瓶颈。

技术实现要素：

本发明的目的在于，提供一种基于软集合的疲劳驾驶检测方法，他可以解决当前技术中存在的问题，实现在保证关键信息保留的情况下，对数据进行分析、简化和决策，能够大大降低对象的知识表达空间维数。对参数的选择无限制性。

为解决上述技术问题，本发明采用如下的技术方案：一种基于软集合的疲劳驾驶检测方法，包括以下步骤：

S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；

S2，提取并分析所述表面肌电信号的肌肉状态特征；

S3，根据提取出来的肌电信号建立基于软集合的疲劳量化模型；

S4，根据所述基于软集合的疲劳量化模型计算得出疲劳驾驶判定值。

优选的，所述步骤S1中，所述预设肌肉部位包括颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌和腓肠肌。

优选的，所述步骤S1中，利用小波去噪方法和经验模态分解阈值去噪方法对采集到的所述表面肌电信号进行预处理，从而去掉在信号的的采集、拾取、调理过程中因受外界的噪音干扰而产生的无效信息。

优选的，所述步骤S2包括：采用均方根法、中位频率法或者模糊近似熵算法对所述表面肌电信号进行分析，得到表面肌电信号的肌肉状态特征。

优选的，所述步骤S3包括：设定第一软集合(F，E)表征驾驶者的疲劳状态，其中，论域U是驾驶者在不同时刻的肌肉状态特征的集合，即U＝{h₁,h₂,h₃,h₄...h₂₅}，E是参数集，参数为所述表面肌电信号的模糊近似熵值，熵算法统计值稳定，抗干扰能力强，对混合信号的适应能力强，而且结果曲线的变化与人体状态变化有较好的一致性。

更优选的，所述步骤S3还包括：根据E中各参数与人体状态的相关度分别设置各参数的权重，根据所述各参数的权重和所述第一软集合得到第二软集合(T，E)。

更优选的，采用直线拟合方法计算E中各参数与人体状态的相关度。

更优选的，所述步骤S3还包括：判定所述第二软集合(T，E)中的异常数据，并对所述异常数据进行处理。

更优选的，判定所述第二软集合(T，E)中的异常数据的公式为：并令所述异常数据h_ij＝*，得到第三软集合{T,E^*}，从而避免使用一些超出正常范围的异常数据，导致决策失误或者应用错误等后果。

更优选的，将所述第三软集合{T,E^*}中的异常数据采用前后两组数据的平均值进行替换，得到第四软集合{G,E}，利用第四软集合{G,E}，得到最终的判定值，从而使用较少的数据得出期望的替换值，简化了算法。

更优选的，所述步骤S4中：所述判定值的具体计算方法为：d_i＝e₁′+e₂′+e₃′+e₄′+e₅′+e₆′，根据所述判定值设置疲劳预警阈值，当判定值达到所述疲劳预警阈值时，输出报警信息，从而可以以分析出身体的疲劳下降的速度，建议驾驶员及时休息，可有效避免交通事故的发生。

与现有技术相比，本发明通过采集驾驶者六种表面肌电信号，并对表面肌电信号进行分析预处理后，利用软集合方法分析信号中的异常数据，对驾驶者的表面肌电信号进行决策分析，得出各时间段驾驶者的疲劳程度，从而可分析出驾驶者的疲劳下降速度。它实现了在保证关键信息保留的情况下，对数据进行分析、简化和决策，能够大大降低对象的知识表达空间维数；对参数的选择无限制性，即我们检测疲劳驾驶的参数可以是任意的，体现在参数的选择形式上不拘泥于对象的某一特征，如本发明中我们选择的六个参数，参数值为表面肌电信号的一个归一化处理的值，从而检测的手段可以根据实际情况适当调整，更多样实用。

附图说明

图1是本发明实施例所测量的表面肌示意图；

图2是本发明实施例提供的的背阔肌、股直肌和上斜方肌相关度的直线拟合图，其中圆形表示背阔肌、五角星表示上斜方肌、三角表示背阔肌；

图3是本发明实施例的流程示意图；

图4是驾驶状态中人体肌肉受力示意图；

图5是驾驶状态中人体肌肉受力分析示意图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例：一种基于软集合的疲劳驾驶检测方法，如图3所示，包括以下步骤：

S1，采集驾驶者的预设肌肉部位在预设时刻的表面肌电信号；包括颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌和腓肠肌，并利用小波去噪方法和经验模态分解阈值去噪方法对采集到的所述表面肌电信号进行预处理。在驾驶过程中，人的头部、手臂、颈部以及上部躯干的重量都是由背部隆起、坐骨部位及其附着的肌肉承受的，如图4和图5所示。臀部肌肉及大腿区域位于坐骨下方，在驾驶时，臀部及大腿周围肌肉由于受到静态负荷压力而变形，循环系统的营养输入及代谢物的排除受到影响，随着驾驶时间的增加乳酸集聚，导致肌肉疲劳和酸痛。驾驶过程中，颈部的运动最为频繁，颈部的运动性及稳定性的维持主要靠肌肉和关节韧带完成，颈部关节主要起支撑作用，因此对颈部肌肉进行检测是极为必要的。三角肌位于肩部和上肢的连接处，可以使肩关节外展，其前部肌纤维收缩可使肩关节前屈并略旋内；后部肌纤维收缩可使肩关节后伸并略旋外。驾驶时，人体双臂外展控制方向盘，三角肌时刻处于工作状态，三角肌的疲劳程度对驾驶员的状态有较大影响，所以三角肌是sEMG采集的目标部位之一。

本实施例共选取六个强相关部位的肌肉用来采集表面肌电信号，分别为颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌及腓肠肌，肌肉分布情况如图1所示。通过融合信息的方法，评估人体的一个整体状态，这样得出的结论比较精确可靠，不容易受外界环境影响，鲁棒性强。由于表面肌电信号是一种非线性非稳定、具有较高复杂度且自然混沌的信号。基于小波分解的去噪方法可以较好保持原信号的能量特征，通过阈值设定可以消除一定的高频干扰和低频干扰，但仍然存在许多毛刺，说明高频噪声有一定残留。经验模态分解滤波后去除了固定噪音，信号对高频噪声去噪效果较为明显，但是EMD(Empirical Mode Decomposition经验模态分解)存在一定的模式混叠现象。两个方法同时使用，进行预处理，同时用的话，对高频和低频噪声都有过滤效果。就是一种权衡，结合使用效果更好。

S2，提取并分析所述表面肌电信号的肌肉状态特征，包括：采用均方根法、中位频率法或者模糊近似熵算法对所述表面肌电信号进行分析，得到表面肌电信号的肌肉状态特征。

S3，根据提取出来的肌电信号建立基于软集合的疲劳量化模型，即设定第一软集合(F，E)表征驾驶者的疲劳状态，其中，论域U是驾驶者在不同时刻的肌肉状态特征的集合，即U＝{h₁,h₂,h₃,h₄...h₂₅}，h₁-h₂₅是代表不同时刻，E是参数集，参数为所述表面肌电信号的模糊近似熵值，采用直线拟合方法计算E中各参数与人体状态的相关度，E中各参数与人体状态的相关度分别设置各参数的权重，并根据所述各参数的权重和所述第一软集合得到第二软集合(T，E)，并且判定所述第二软集合(T，E)中的异常数据，判定所述第二软集合(T，E)中的异常数据的公式为：并令所述异常数据h_ij＝*，得到第三软集合{T,E^*}，将所述第三软集合{T,E^*}中的异常数据采用前后两组数据的平均值进行替换，即*_ij＝(h_i-1,j+h_i+1,j)/2，得出第四软集合{G,E}，最终利用软集合决策方法根据第四软集合{G,E}，得到判定值。异常数据是某一时刻，某些肌肉信号超出了预期或者采集的数据直接出现了异常，通过一定方法判断出来，当做异常数据进行处理。判定异常数据是比较重要的步骤，它可以让结果更可靠精确，替换异常数据时采用前后两组数据的平均值进行替换，只需使用较少的数据得出期望的替换值，简化了算法。

S4，根据所述基于软集合的疲劳量化模型计算得出疲劳驾驶判定值，所述判定值的具体计算方法为：d_i＝e₁′+e₂′+e₃′+e₄′+e₅′+e₆′，根据所述判定值设置疲劳预警阈值，当判定值达到所述疲劳预警阈值时，向驾驶者输出报警信息。通过本发明的方法实现了在保证关键信息保留的情况下，对数据进行分析、简化和决策，能够大大降低对象的知识表达空间维数；对参数的选择无限制性，即我们检测疲劳驾驶的参数可以是任意的，体现在参数的选择形式上不拘泥于对象的某一特征，如本发明中我们选择的六个参数，参数值为表面肌电信号的一个归一化处理的值，从而检测的手段可以根据实际情况适当调整，更多样实用。

本发明人还做了如下工作，通过另外一个实施例验证了本发明，具体如下：

测量人体的三角肌、背阔肌、上斜方肌、股直肌、股外侧肌以及腓肠肌六种表面肌电信号，利用软集合方法分析不同时刻的表面肌电信号信息，从而分析驾驶者的疲劳程度。

A1表面肌电信号的采集与处理

(1)表面肌电信号采集：采用津发科技生产的生理信号采集平台，可同时采集16导生理信号，通过无线的方式接收和发送信号。本实验共选取六个部位的肌肉用来采集表面肌电信号，分别为颈部上斜方肌、肩部三角肌、背部背阔肌、下肢股直肌、股外侧肌及腓肠肌，肌肉分布情况如图1所示。由于人体骨骼肌的数量非常多并且连接紧密，如果肌电电极的放置位置选择不当，将会使采集到的数据失去准确性。因此，通过根据实验的测量结果有针对性地确定电极摆放位置以获得质量可靠的信号。当将测量电极沿肌纤维方向放置在相关肌肉的肌腹处，参考电极放置在SEMG(surface electromyogram，表面肌电图)信号比较微弱的肌腱处时，能采集到质量可靠的SEMG信号。

表面肌电信号是通过贴附在皮肤表面的电极片采集到的微弱的生物电信号，在信号的的采集、拾取、调理过程中常常受到外界的噪音干扰，使得采集到的表面肌电信号包含一些无用信息，利用小波去噪方法和经验模态分解阈值去噪两种方法对信号进行预处理。

(2)特征提取：采用均方根法对表面肌电信号进行时域分析，发现随着肌肉疲劳程度增加，均方根曲线幅值下降，采用中位频率法对表面肌电信号进行频域分析。采用模糊近似熵算法对表面肌电信号进行非线性特征分析，该方法统计值稳定，抗干扰能力强，对混合信号的适应能力强是熵算法的优势，结果曲线的变化与人体状态变化有较好的一致性。

(3)软集合理论在疲劳驾驶检测技术中的应用

人体表面肌电信号是神经肌肉活动时各肌肉纤维产生的微弱复杂的生物电信号，是许多肌纤维的电场在空间和时间分布上的综合叠加，其状态特征也具有随机性、复杂性和易受干扰的特点。通过对驾驶员六个部位的表面肌电信号进行了采集和处理，然后采用时域分析、频域分析等方法对各部位的肌肉状态特征进行分析和提取后，本发明建立了基于软集合的疲劳量化模型将人体多个信息进行融合，对出现的异常信息进行处理，然后进行综合评判。

A2问题描述

论域U是驾驶员不同时刻肌肉状态的集合，即U＝{h₁,h₂,h₃,h₄...h₂₅}，E是参数集，分别为三角肌、背阔肌、上斜方肌、股直肌、股外侧肌以及腓肠肌的模糊近似熵值，即E＝{e₁,e₂,e₃,e₄,e₅,e₆}，现在设定模糊软集合(F，E)表征驾驶员的疲劳状态，可得到式(1)，其中，式(1)的值是将采集到的表面肌电信号，按上述各种预处理方法处理后，各部位模糊近似熵值归一化后的结果。

{F,E}＝{(e₁,{h₁/0.8772,h₂/1,h₃/0.9908,h₄/0.9931...h₂₅/0.2687}),

(e₂,{h₁/1,h₂/0.9230,h₃/0.9136,h₄/0.8144...h₂₅/0.3031}),

(e₃,{h₁/0.8902,h₂/1,h₃/8498,h₄/0.8197...h₂₅/0.2917}),

(e₄,{h₁/0.9678,h₂/0.9465,h₃/0.9379,h₄/1...h₂₅/0.5071})

(e₅,{h₁/0.9634,h₂/0.9241,h₃/0.9501,h₄/0.9526...h₂₅/0.5283}),

(e₆,{h₁/0.9930,h₂/1,h₃/0.8998,h₄/0.8244...h₂₅/0.5171})} (1)

将软集合用表格形式表示，如表1所示。

表1软集合(F，E)的表格形式

A3.参数权重的确定

从表1中可以看出，腿部肌肉的模糊近似熵值容易波动，而且随着时间的增加，熵值下降的速度较慢，而三角肌和背阔肌下降速度较快幅度较大。由于这种生理上的差异，我们需要对不同参数进行调整，根据参数与人体状态的相关度设置参数的权重，从而尽可能消除参数间的差异对决策结果造成的干扰。

相关度的计算采用直线拟合方法，以拟合直线斜率的绝对值为标准，以背阔肌、股直肌和上斜方肌为例如图2所示，其中圆形表示背阔肌、五角星表示上斜方肌、三角表示背阔肌。代表三角肌、股外侧肌、腓肠肌、背阔肌、股直肌和上斜方肌的直线斜率绝对值分别为：0.0325，0.0205，0.0198，0.0283，0.0237，0.0317。设斜率为k，各参数权重为w，则权重按式(2)计算。

得出的权重分别为w_i＝[1.000,0.871,0.975,0.729,0.631,0.609]。权重设置后软集合的表格形式如表2所示。

表2权重设置后的软集合(T，E)的表格形式

A4.异常数据的处理

在实验采集过程中，往往会受到各种干扰，导致数据处理后的结果超出正常值的范围，如果直接使用这些异常数据去分析和决策，可能会得到与实际状态不相符的结果，导致决策失误或者应用错误等后果。

首先，我们需要确定一个数据是否为异常数据，由于生理信息的采集在时间上是连续的，因此，数据随着时间变化有一定规律。如果一个数据与其前后两个数据的差距过大，我们就将其看作是异常数据，由于前30分钟人体处于兴奋状态，数据波动较大属于正常生理现象，因此前三组信号不予考虑。异常数据的确定依据公式(3).

通过计算可以将表2中的斜体数据看作是异常数据，令异常数据h_ij＝*，得出有不完备信息的软集合{T,E^*}，表格形式如表3所示。

异常数据的填充我们采用前后两组数据的平均值，因为，前后两组数据时间间隔相同，而且数据呈单调下降的趋势，因此，只需要计算平均值就可以更好的表现出数据集的基本特征和隐含规律。这种方法同样采用了简化算法的思想，即尽可能使用较少的数据得出期望的替换值，而不是将所有数据通盘考虑。

表3不完备信息的软集合{T,E^*}的表格形式

将软集合{T,E^*}的异常数据进行替换，得出第四软集合{G,E}，其表格形式如表4所示。表4软集合(G，E)的表格形式

利用表4，得到评判值，其中评判值d_i＝e₁′+e₂′+e₃′+e₄′+e₅′+e₆′，从表4可以看出，随着时间的增加，评判值呈单调下降趋势，表明驾驶员身体疲劳状态的变化，越疲劳，判定值越小。从而可以分析出驾驶员的疲劳下降的速度，通过设定一个阈值(比如一般来说连续开车不能高于4小时，超过4小时就比较疲劳了，容易发生危险，可以采集多组四小时处的肌电信号得出平均的疲劳值，将这个作为预警阈值)，判断驾驶员的身体疲劳程度，及时建议驾驶员休息，可有效避免交通事故的发生。