基于方向盘握力的疲劳驾驶检测研究_张明明.docx

《基于方向盘握力的疲劳驾驶检测研究_张明明.docx》由会员分享，可在线阅读，更多相关《基于方向盘握力的疲劳驾驶检测研究_张明明.docx（71页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 基于方向盘握力的疲劳驾驶检测研究 独 创 性 声 明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研宄 工作所取得的成果。除文中已注明引用的内容以外，本论文不包含任何其他个人 或集体已经发表或撰写过的作品成果，也不包含为获得江苏大学或其他教育机构 的学位或证书而使用过的材料。对本文的研宄做出重要贡献的个人和集体，均已 在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名 : 年月曰 学位论文版权使用授权书 江苏大学、中国科学技术信息研究所、国家图书馆、中国学术期刊（光盘版） 电子杂志社有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、

2、 缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致， 允许论文被查阅和借阅，同时授权中国科学技术信息研宄所将本论文编入中国 学位论文全文数据库并向社会提供查询，授权中国学术期刊（光盘版）电子杂 志社将本论文编入中国优秀博硕士学位论文全文数据库并向社会提供查询。 论文的公布（包括刊登）授权江苏大学研究生处办理。 本学位论文属于不保密口。 学位论文作者签名 : 指导教师签名 : 年月曰 年月曰 江 苏 大 学 硕 士 学 位 论 文 虽然近年来我国的交通事故发生起数有所下降，但在事故中死亡的人数却逐 年大幅增加。其中疲劳驾驶是导致交通事故的一个重要原因，因此对疲劳驾驶的 监测是

3、一个重点研宄课题。分析当前国内外的研宄现状，并比较了各类检测疲劳 驾驶方法的特点。发现以往的驾驶疲劳监测研宄中，通常是通过机器视觉检测驾 驶员疲劳时的个人特征，还有利用生理设备检测驾驶员的脑电、心电等生理信号， 或者是设计车载设备检测疲劳驾驶时的车辆信息，以这三种方式来进行疲劳驾驶 的监测。本课题提出利用方向盘握力信号来检测疲劳驾驶，相比较于以上的检测 方式，基于握力的方法具有以下优点：信号易采集，信号的信噪比高，设备成本 低廉，监测的过程中不会影响到正常的驾驶操作。然而此方法精准度却相对不高， 效果不理想，而利用检测脑电信号判断疲劳驾驶具有非常高的精准度，但此方法 只 在实验中应用较为广泛，

4、因此本课题的研宄是通过同步检测脑电信号和握力信 号，利用 BP神经网络方法建立基于握力信号的疲劳特征参数与基于脑电信号的 疲劳程度值之间的联系。 文中首先搭建能够测量脑电信号与握力信号的实验平台，然后安排 6名驾驶 员都分别进行正常和疲劳两组实验，为保证真实环境下驾驶实验的安全性，每人 每次只进行 30mm的驾驶实验 。一 方面，针对获取的脑电数据，进行预处理，设 置时长 10s的时间窗口，然后利用小波包分析法提取脑电信号中与疲劳驾驶相关 的时频域特征，计算每个样本的平均功率后再计算反映疲劳状态的 脑电指标 R 值，从而判断驾驶员是否处于疲劳状态。另一方面，针对获取的握力数据，提取 握力信号的

5、时域特征和时频域特征，设置相同的时间窗口长度，计算各个特征参 数在组内的平均数值，利用独立样本 T检验分析并筛选出正常驾驶和疲劳驾驶 之间存在显著差异的特征参数，以这些握力特征参数来表征疲劳状态，接着对特 征进行平滑处理。最后，建立 BP神经网络模型预测疲劳驾驶状态，以筛选出的 可以表征疲劳的方向盘握力相关参数作为输入层，以对脑电信号进行处理和计算 后得到的 R值作为输出层，对模型进行训练并验证准确率。 关键词：疲劳驾驶，脑电，方向盘握力， BP神经网络 I 基于方向盘握力的疲劳驾驶检测研究 ABSTRACT In china, the number of traffic accidents

6、decreased in the past few years, but the deaths caused by the accidents has been increasing year by year. Fatigue driving was contributed to the traffic accidents, and fatigue driving is a key research topic. By analyzing the research status of fatigue detecting at home and abroad and comparing the

7、characteristics of different fatigue detecting methods, the fatigue detecting methods were mainly divided into three categories: detecting the drivers face character by computer vision, detecting the drivers9 physiological signals by using the physiological equipment, or detecting vehicle informatio

8、n by using car equipment. Compared with the other fatigue detecting methods, this paper takes advantage of steering wheel grip signal to detect driver fatigue, which has the following advantages, like easy signal acquisition, high signal noise ratio, low cost, and not affect the normal driving opera

9、tion. However, the detecting accuracy of this method was relatively low, and the use of EEG to detect driver fatigue shows highly accuracy, which only widely used in the experiment So this paper simultaneously detected the drivers EEG signal and grip strength signal, and then used the BP neural netw

10、ork to establish the relationship of fatigue characteristic parameters based on two different signals. Firstly, the experiment was conducted to monitor the EEG and grip strength signal, and then six drivers respectively performed 30 minutes normal driving and fatigue driving for the sake of drivers

11、safety. Secondly, on the one hand, this paper preprocessed the raw EEG signal by setting 10s time window, then extracted the time-domain fatigue feature by wavelet packet analysis method, and computed the average power to reflect EEG fatigue index R, and determined the drivers fatigue state. On the

12、other hand, in terms of grip strength signal, the time-domain feature and the frequency-domain feature were extracted and computed the average in the same time window. Using the independent sample t-test analysis to screen characteristic parameters of significant differences exist between the normal

13、 driving and fatigue driving, the grip strength characteristic parameters were smoothed to represent the fatigue state. Finally, BP neural network model was used to predict the driver fatigue state, taking the steering wheel grip strength as input layer and R values as output layer, and this paper t

14、rained the prediction model and verified its accuracy. KEY WORDS: Fatigue driving, EEG, grip force, BP neural network 江 苏 大 学 硕 士 学 位 论 文 目 录 第一章绪论 .1 1.1研宄背景和意义 . 1 1.2疲劳驾驶的影响 . 3 1.3疲劳驾驶检测的国内外研宄现状 . 3 1.3.1基于生理信号的检测方法 . 3 1.3.2基于个人特征的检测方法 . 5 1.3.3基于车辆信息的检测方法 . 6 1.4研宄现状分析 . 7 1.5主要研宄内容及安排 . 9 1.5

15、.1主要研宄内容 . 9 1.5.2研究内容安排 . 10 第二章疲劳驾驶检测的实验设计 . 12 2.1疲劳驾驶的脑电检测系统 . 12 2.1.1生理反馈仪 . 12 2.1.2生理仪脑电电极 . 13 2.1.3脑电数据分析软件 . 14 2.2方向盘握力检测系统 . 14 2.2.1压力传感器 . 15 2.2.2数据采集开发板 . 16 2.2.3信号转换电路设计 . 17 2.3驾驶实验 . 18 2.3.1实验设计 . 18 2.3.2实验对象 . 19 2.3.3实验道路 . 19 2.3.4手握方向盘姿势 . 19 2.4本章小结 . 22 第三章疲劳特征提取和处理 . 23

16、 III 基于方向盘握力的疲劳驾驶检测研究 3.1脑电疲劳特征 . 23 3.1.1脑电数据预处理 . 24 3.1.2时间窗划分 . 26 3.1.3脑电时频域特征提取 . 27 3.1.4疲劳程度量化 . 31 3.2握力特征 . 32 3.2.1方向盘握力特征提取 . 32 3.2.2握力特征参数显著性分析 . 36 3.2.3握力特征平滑处理 . 37 3.3本章小结 . 40 第四章神经网络模型预测疲劳 . 42 4.1神经网络概述 . 42 4.1.1神经网络定义 . 42 4.1.2神经元模型 . 42 4.2 BP神经网络 . 43 4.2.1 BP神经网络结构 . 43 4.

17、2.2 BP神经网络求解步骤 . 44 4.3 BP神经网络模型的设计 . 45 4.3.1数据预处理 . 46 4.3.2神经网络构建 . 47 4.3.3神经网络训练 . 49 4.4神经网络预测 . 50 4.5本章小结 . 53 第五章论文总结与展望 . 55 5.1总结 . 55 5.2展望 . 55 参考文献 . 57 $ 谢 . 62 攻读硕士学位期间发表的论文及参与课题研宄 . 63 IV 江 苏 大 学 硕 士 学 位 论 文 第一章绪论 1.1研究背景和意义 人们的生活水平随着经济的发展而不断地提高，汽车渐渐成为了现代人出行 不可缺少的交通工具。根据我国公安部交通管理局发布

18、的数据显示， 2010 2015 年之间机动车以每年 1500多万辆的数量在增长，每年更是有 2000多万新增驾驶 员。根据国家统计局 2014年发布的统计公报显示，到 2014年末全国机动车的保 有量达到 26400多万辆，其中居民汽车的保有量已经达到 15447万辆，与上年末 相比较快速增长了 12.4%，全国居民汽车每千人保有量则首次超过一百辆，达到 105.83 辆 /千人 1。 虽然随着科技水平的提高和人们危险意识的加强，最近几年道路交通事故的 发生量呈现逐年递减的趋势，如图 1.1所示为 20082014年中国机动车交通事故 的发生起数。 机动 车交通 故发生教（起） 图 1.1

19、2008 2014年中国机动车交通事故的发生起数 Fig. 1.1 Number of motor vehicle traffic accidents in China from 2008 to 2014 然而，在交通事故中死亡的总人数却不减反增，而且增长的幅度较大，值得 我们深度关注，如图 1.2所示为 20112014年中国道路交通事故死亡人数。我国 道路交通事故中每万车的死亡人数为 2.22人，比 2013年有 8.5%的增长，在 2014 年全年中，涉及人员伤亡的交通事故达到 16万起左右，造成的直接财产损失有 约 8亿元。在我国，交通类事故也是重特大事故中的高发类型。据统计在 201

20、4 1 基于方向盘握力的疲劳驾驶检测研究 年中，全国共发生重特大事故 41起，死亡 708人，其中交通类事故共有 16起， 造成285人死亡，占到重特大事故发生总量的 39%和总死亡人数的 40%。另据 不完全统计，全世界每年因为交通事故而死亡的人数超过 60万人，伤亡人数更 是达到约 1000万人 2。因此道路交通事故是我们需要面对的严重问题。 通路交 1革故死亡人数（人 图 1.2 2011 2014年中国道路交通事故死亡人数 Fig.1.2 Death toll from road traific accidents in China from 2011 to 2014 导致交通事故频发

21、的原因有很多，其中一个非常重要的原因是疲劳驾驶。国 内外有许多调查和研宄显示，经常有驾驶员在驾驶过程中产生精神疲劳。根据美 国国家公路交通安全管理局 （ NHTSA)的统计显示，在美国每年因为驾驶员在 驾驶中陷入疲劳而导致大约有 10万起交通事故，其中有约 1500起事故直接导致 驾驶员死亡，另有约 7.1万起事故导致驾驶员受伤。其中在 2013年由于疲劳驾 驶就造成大约7.2万起的交通事故，这大约有 800人死亡和大约 44000人受伤 3。 2009年美国国家睡眠基金会的一份调查报告显示，有 54%的人在驾驶过程中存 在过疲倦感，其中有28%的人甚至发生过短暂入睡的情况 4。法国国家警察总

22、署 做出的报告显示，在法国伤害事故中的 14.9%是由于疲劳驾驶而引发的车祸所导 致的 5。德国保险公司协会的报告估计在德国有 25%的高速公路交通事故是由疲 劳驾驶所引起。澳大利亚国家公路交通安全管理局的调查发现，至少有 4%的重 大交通事故是与疲劳驾驶存在着直接关系的 6。在我国，疲劳驾驶也是十分常见 的现象，有调查结果显示，在交通事故中有约 20%是由于驾驶员的疲劳驾驶所引 起的 7。由于疲劳驾驶的实际情形很难明确断定，因此，在我们的实际生活中， 因疲劳所引发的交通事故通常要比统计上的数字更加大。我们发现不论是在国外 2 江 苏 大 学 硕 士 学 位 论 文 或者是在国内，疲劳驾驶都是

23、造成道路交通事故频发的主要因素之一。 据统计，如果能够在交通事故发生前提醒驾驶员，使其反应的时间提高 0.5s， 则事故发生的可能性会减小 60%左右 8。因此，通过准确有效地实时监测驾驶员 的疲劳状态并及时地对驾驶员进行预警，可以有效地降低或避免交通事故的发生。 然而，现今还没有关于疲劳驾驶检测的标准方法，我们很难在实际的驾驶过程中 对驾驶员的疲劳状态进行实时且准确地辨别。因此，研宄检测设备对驾驶过程中 驾驶员的疲劳状况进行实时检测，并对驾驶员的疲劳状态进行定量判断，从而对 驾驶员进行及时必要地提醒，可以有效减少或避免交通事故的发生。这个方面也 是近年来国内外的研宄热点。 1.2疲劳驾驶的影

24、响 当驾驶员处于疲劳的状态下，驾驶员的感知、判断、控制等能力会有不同程 度的下降，从而造成对车辆控制的不稳定，易引起交通事故的发生。疲劳驾驶具 体对安全的影响如下：驾驶员的反应速 度会降低，使得其对灯光、信号灯、鸣笛 等信号的反应时间增长，从而面对突发状况时不能及时地做出合理的反应；驾驶 员对车辆的控制能力也会下降，动作的保持性、准确率也会有一定地下降，尤其 是在制动、加减速、转向和方向盘保持等操作动作上；驾驶员对车距、路况和车 内环境等的感知能力下降，从而无法感知危险的来临。 驾驶过程中驾驶员处于疲劳的状态，会对驾驶的安全性产生不可估量的危险， 极易造成交通事故的发生。 1.3疲劳驾驶检测的

25、国内外研究现状 实现对疲劳驾驶的检测，其重点在于通过实时高效的手段可以准确地判断疲 劳的状态。目前，国内外的研宄针对疲劳驾驶的检测主要是采用客观检测的方法。 此方法是通过各种检测设备对疲劳状态下驾驶员的特殊反应特征进行识别 9。从 实际应用方面进行的研宄开发则主要是采用客观方法，已有一些疲劳驾驶检测相 关的系统面向市场。疲劳驾驶的客观检测方法主要又分为以下三类：基于生理信 号的方法、基于驾驶员行为的方法和基于车辆信息的方法 1()。 1.3.1基于生理信号的检测方法 基于生理信号检测是通过分析驾驶过程中驾驶员的个体生理信号来辨别驾 3 基于方向盘握力的疲劳驾驶检测研究 驶员的精神状态。生理信号

26、检测方法的优点是结果客观性强，测量的精确度高， 从而可以准确地反映驾驶员的疲劳状态，其缺点是需要在身上不同部位粘贴用于 信号采集的电极，对驾驶员的正常驾驶造成一定的影响，并且采集生理数据需要 特定的设备和技术，成本较为昂贵，市场化推广较难。已有研宄中比较常用的几 个生理测量指标有：脑电丨 号、心电丨 号、呼吸频率等。 (1) 基于脑电信号的检测方法 基于脑电信号的检测方法，其主要思想为：通过对脑电信号进行特征提取， 主要是从脑电波的时域、频域和时频三个方面提取如下等特征：幅值、功率谱、 能量、功率等，分析正常阶段和疲劳阶段之间这些特征的差异，从而有效的识别 清醒状态和疲劳状态。 在国外， 20

27、03年 8& )等 1 1 研宄发现 5和四种脑电波信号的振幅 与疲劳驾驶是密切相关的，可以利用布尔逻辑算法建立能够准确反映疲劳状态的 模型。 &12通过模拟驾驶实验利用脑电信号的功率分析驾驶员的精神状态， 实验发现脑电信号受到驾驶员疲劳状态的影响 。 Christos Papadelis等 13研宄发现 在疲劳驾驶时脑电信号中 a波 增加，并且 y波减少，从而证明利用脑电信号来判 断疲劳驾驶的状态是可行的方法。 Yeo等 14根据在清醒时卩波占优势而在疲劳时 a波占优势的特点，采用支持向量机的方法分类各种状态，从而提高疲劳驾驶的 识别率。 在国内，吴绍斌等 15通过建立脑电信号不同波段的功率

28、谱值与驾驶员主观 评测之间的关系，发现脑电功率谱比 + ”/? 可以很好反映疲劳驾驶状态。毛 科俊等 16采用功率谱估计方法分析在正常与疲劳两种状态下的脑电数据，发现沒 波和 a波的能量分布在这两种状态下存在显著性差异，可以以此来判断驾驶员的 疲劳状 态。房瑞雪等 17分析发现脑电波不同频带的平均功率与驾驶时长紧密相 关，表明利用脑电信号功率作为疲劳驾驶的预测指标是非常合理的。 2015年于 晓东 18利用模拟驾驶实验研宄发现脑电功率谱比值 + 能够较为精确地量 化疲劳驾驶的程度，从而可以有效辨别清醒、中度疲劳和重度疲劳三种状态。 (2) 基于心电信号的检测方法 基于心电图的检测是通过分析心电

29、图中所提取的心率、心率变异性、功率等 几个特征参数的变化来判断疲劳驾驶状态。 4 江 苏 大 学 硕 士 学 位 论 文 在国外， &1 &111111等 19研宄发现心电的低频功率、超低频功率、高频功率 和低频与高频功率的比值等特征值能够辨别驾驶员的清醒和疲劳状态 。 Wilson 等 2()研宄发现心率变异性能够有效反映人的精神负荷水平。 在国内，杨渝书等 21通过研宄模拟驾驶中被试的心电信号，发现 4项心电 信号的时频域指标与疲劳的程度有着明显的关系。郭玮珍等 22发现驾驶员在疲 劳状态下，心率的时域指标中的标准差，频域指标中的总功率值、低频功率值、 高频功率值，都有不同速率的升降，以此

30、可以划分疲劳等级。 (3) 基于其它的检测方法 其它检测方法包括肌电、眼电、皮电、脉搏、血压等， 11 5仿 113等 23发现在 长途驾驶中，随驾驶时间变长，驾驶员肌电信号的平均频率会呈现明显下降趋势， 而其幅值则会大幅增加。 Rogado等 24根据眼电波形变化分析出眼睛开合状态， 从而可以判断驾驶员是否处于疲劳驾驶状态下。任亚莉发现脉搏信号的功率谱的 第一主峰峰值、峰值频率和功率谱信号谐波与基波之比都是判断疲劳驾驶状态的 有效指标 25。 1.3.2基于个人特征的检测方法 基于个人特征的检测是指通过机器视觉的方法跟踪和提取驾驶员的神态或 动作行为来 判断驾驶员的疲劳状态。当驾驶员处于疲劳

31、状态下，驾驶员的眼脸活 动、面部表情和肢体动作等都会产生与疲劳状态相应的变化或表征，例如频繁的 眨眼、点头或歪头、打哈欠等其它一些无意识的动作。利用机器视觉方法能够实 时监测驾驶员的异常行为，从而确定驾驶员的困倦程度。这是一种非接触式的测 量方法，对驾驶员的正常驾驶不会造成影响，但是疲劳判断容易受到个人行为、 图像采集的角度和车内环境等条件的影响，检测系统不能始终准确地判断驾驶员 的疲劳状态。已有研宄中常常采用的个体特征测量指标有：瞳孔直径、眼睑活动、 眼睛闭合状态、面 部表情、头部移动等。 (1)基于眼睛的检测方法 在国外， Anneke等 26研宄发现驾驶员瞳孔直径大小与疲劳程度有着密切关

32、 系，当清醒状态时瞳孔直径保持相对稳定，而在疲劳状态时瞳孔的直径大小变化 明显。 Kmplmg#27人通过测量驾驶员眼睛的开闭状态，眼睛的运动作为判断疲 劳驾驶的指标，结果表明其是恰当且有效的方法。 5 基于方向盘握力的疲劳驾驶检测研究 在国内，王荣本等人 28利用机器视觉实时跟踪驾驶员眼睛特征的变化，来 辨别驾驶员是否处于疲劳状态。刘刚 29基于 LBP算法跟踪检测眼睛的状态和头 部的姿态，根据与疲劳相关的特征所持续时间来判断人员的疲劳状态。 基于眼睛检测的实际应用产品： SmartEyeAntiSleep是一个智能远程眼动跟 踪系统，通过非侵入性地检测眼皮闭合、视线方向与头部姿态这三个指标

33、来反映 驾驶员的疲劳状态。 (2)基于面部表情的检测方法 Wang等 3()利用机器视觉方法监测并提取驾驶员的嘴部形状作为判断疲劳的 特征参数，并利用 BP神经网络算法来识别疲劳状态。童兵亮等 31以驾驶员疲劳 状态下打哈欠时嘴巴开闭大小来作为判断驾驶 员是否处于疲劳状态的指标。 基于驾驶员行为检测的实际应用产品：国产比亚迪汽车设计有称为 “ 疲劳驾 驶预警系统 （ BAWS)” 的疲劳监测系统，基于机器视觉方法检测驾驶员的面部 特征、眼部特征、头部运动等判断驾驶员的疲劳状态，并进行预警和采取相应保 护措施。 1.3.3基于车辆信息的检测方法 基于车辆信息的检测方法，是指利用相关传感器检测驾驶

34、过程中车辆相关参 数来判断驾驶员的疲劳状态。此种测量方法一般可以将传感器直接集成到车辆上， 获取数据较为方便，并且数据的可靠性高，而且检测是直接针对驾驶员驾驶过程 中车辆行驶的 质量，可以直接反映驾驶的危险状况。通过传感器测量测量的主要 指标有：方向盘的运动幅度、频率，手握方向盘的压力，车辆偏离车道的位置， 脚踩加速和制动踏板的速度、频率，车辆行驶的横向和纵向的速度、加速度等。 当这些指标超过规定阈值范围或者发生特定的变化，都能够有效反映驾驶员的疲 劳状态。 (1)基于方向盘的检测方法 在国外 ， Yoshihiro Takei等通过米集驾驶员弯道行驶时方向盘的转角信号， 采用混沌理论的方法研

35、宄驾驶员在弯道行驶时的方向盘转角信号，得出不同疲劳 状态下转角的变化规律 32。 在国内，牛 清宁等人通过模拟实验采集驾驶过程中转向盘转角信号，以提取 的四个转角特征通过支持向量机的方法建立基于方向盘转角的疲劳驾驶判断模 6 江 苏 大 学 硕 士 学 位 论 文 型 3李凡 pq通过测量被试参加听觉任务的反应时间来实现警觉度的自动标注， 并以方向盘握力建立的模型进行警觉度检测。李伟等人将方向盘的转动参数及行 驶时车辆的横向位置偏移量作为检测驾驶员疲劳的特征参数，建立神经网络模型 检测驾驶员的疲劳状态 35。谷也 36通过模拟驾驶采集脑电信号，方向盘转角相 关变量作为神经网络的输入层、脑电信号

36、处理后得到的疲劳监测指标作为神经网 络的输入层，来建立预测驾驶员的疲劳状态神经网络模型。 基于方向盘检测的实际应用产品：日产和雷诺等汽车公司采用 SWMs， 可以 利用分析小范围的方向盘运动来判断驾驶员的疲劳状态，并及时进行警报。 (2)基于车辆行驶状态的测量方法 Sandberg通过测量多个反映车辆运行状态的参数，包括车速、加速度等，然 后建立 BP神经网络模型判断驾驶员的精神驾驶状态 371胡鸿志以制动、油门和 离合器三者踩踏的行程以及转向盘转角等作为检测疲劳驾驶的特征参数 ，通过 BP神经网络算法建立检测疲劳驾驶的模型 38。 实际应用：沃尔沃汽车公司设计的称为 “ 驾驶员安全警告系统

37、（ DAC)” 的 疲劳监测系统，通过摄像头不断测量汽车与车道标志之间的距离，以及利用方向 盘运动的数据监测车辆行驶的路线，来判断疲劳状态并发出警示。奔驰汽车公司 设计的称为 “ 注意力辅助系统 ” 的疲劳监测系统，系统会在一定的车速范围内检 测纵向与横向的速度、加速度和方向盘转动来判断驾驶员的精神状态。 1.4研究现状分析 检测疲劳驾驶存在着多种多样的方式。主要是从基于生理信号、个人特征和 车辆信息等三个方面进行。然而每种方法都有各自的优势和劣势。总结三种疲劳 检测方法的特点如下表 1.1所示： 表 1.1常用的疲劳驾驶检测方法对比 Table LI Comparison of fatigu

38、e driving detection methods 检测方法 参量 优势 劣势 基于生理信号 生理设备检测 EEG、 ECG、 EOG等特征 精准性高 干扰驾驶、 成本高 基于个人特征 机器视觉检测面部表情、 成本低、 易受环境影响、 头部运动等特征 不干扰驾驶 精确度低 基于车辆信息 传感器检测车道偏离、方向 盘运动等特征 不干扰驾驶、 数据易采集 精确度较低 通过上述的对比分析发现，检测方法虽然多样，但是没有近于完美的方法， 7 基于方向盘握力的疲劳驾驶检测研究 从疲劳对驾驶安全造成不利影响的特点出发，主要考虑以下 4个方面 39: 1) 预测疲劳的实时性 交通事故的发生，往往只有几秒

39、的反应时间，因此需要对驾驶员进行及时的 预警。但目前为止，现有的疲劳驾驶检测方法实时性都不是非常强，实现对疲劳 状态的快速检测，还有很大的提升空间。 2) 检测设备的干扰性 检测的过程中应当减少对正常驾驶造成不必要的干扰，三种检测方法中基于 生理信号的方法问题尤为突出。采集驾驶员的生理信号，需要粘贴电极贴片或佩 戴检测装置，从而降低了驾驶员的舒适性，甚至轻微地干扰驾驶员的正常驾驶。 3) 预测疲劳的准确性 疲劳驾驶检测应具有很高的识别疲劳状态性能，无论在什么驾驶状况下都能 够较好地检测驾驶员疲劳状态。如果检测的错误率较高，根本起不到预防事故发 生的作用。 4) 性价比 己有的疲劳驾驶检测方法很多都需要复杂的设备和高昂的成本，没有较高的 性价比，从而不利于广泛地应用。 针对 以上分析，可以发现基于脑电信号的检测方法是准确度非常高的一种方 法，但是，由于此方法干扰性较强，难以保证驾驶员驾驶的舒适度和便捷性，且 设备成本较高，只是在检测疲劳驾驶的研宄实验中获得较为广泛的应用，实际应 用中很难推广。而另外一方面，我们发现，基于方向盘握力检测疲劳方法是一种 对驾驶无干扰的方法，即对驾驶员的正常驾驶操作基本不产生影响，