第４期胥川等能评估７２１风险警觉状态４６倍此外由并记录主观程采集基并从与事故速公上多速制离道数据计算２３种相关二元能对道线形敏感等特点导致事故后果严重我国由程２００７年个体一致

Size: px

Start display at page:

Download "第４期胥川等能评估７２１风险警觉状态４６倍此外由并记录主观程采集基并从与事故速公上多速制离道数据计算２３种相关二元能对道线形敏感等特点导致事故后果严重我国由程２００７年个体一致"

擂计
5 years ago
Views:

1 第 49 卷第 4 期 2014 年 8 月西南交通大学学报 JOURNAL OF SOUTHWEST JIAOTONG UNIVERSITY Vol. 49 No. 4 Aug 文章编号 : (2014) DOI: / j. issn 能评估胥川, 王雪松, 陈小鸿 ( 同济大学道与交通工程教育部重点室, 上海 ) 摘 : 准确状态, 利, 采集眼数据, 并主观程调查. 此基础上, 设计 23 种, 从与相关二元能对道线形敏感个体一致 4 面, 评估能并按综合能排序. 研究结果表明 : 眼闭合间比例与主观程 (Karolinska sleepiness scale,kss) 相关最, ; 二元能最好眼闭合间比例道偏移准差 ; 眼曲直变化幅均低 20% ; 当 KSS 7, 除中心越线间比例外, 其余均存显著个体差异 ; 综合能最依次道偏移准差闭眼间比例越线期间横向平均速. 关键词 : ; ; ; 中图分类号 :U 文献志码 :A Evaluating Performance of Nonintrusive Indicators on Drowsy Driving Detection XU Chuan, WANG Xuesong, CHEN Xiaohong (The Key Laboratory of Road and Traffic Engineering,Ministry of Education,Tongji University,Shanghai ,China) Abstract:To detect the drowsiness state of the driver more accurately,a highfidelity driving simulator was adopted to collect the driving behavior and eye movement data of drivers,and questionnaires were used to collect their subjective sleepiness scales. Based on these data,23 non intrusive indicators were developed. The indicators were evaluated from the aspects of their correlation with drowsiness,binary classification performance,sensitivity to road alignment,and individual homogeneity;and then ranked in terms of comprehensive performance. The results show that the percentage of eyelid closure time (PERCLOS)has the highest correlation (0. 443)with the Karolinska sleepiness scale (KSS). The best binary classification performance of eye movement and driving indicators lies on PERCLOS and the lateral position standard deviation (LPSD). For eye movement indicators,the difference between straight line and curve is lower than 20%. When KSS is 7,all the indicators show significant individual difference except the percentage of lane crossing time of vehicle center. The top three nonintrusive indicators with the best comprehensive performance are PERCLOS, LPSD,and the average lateral speed during lane departure. Key words:drowsy driving;nonintrusive indicator;drowsiness detection;driving simulator 道交通安全严重威胁. 研究表明, 状态下生事故或接近生事故收稿日期 : 作者简介胥川 (1987 -), 男, 博士研究生, 研究向交通心理与, xuchuan7@ gmail. com 通讯作者 : 王雪松 (1977 -), 男, 教授, 博士, 研究向交通安全交通统计分析交通规划应, wangxs@ tongji. edu. cn 引文格式 : 胥川, 王雪松, 陈小鸿. 能评估 [J]. 西南交通大学学报,2014,49(4):

运６自舱体内部去掉机并安装向盘刹力状态监控并择机干预被一种馈电子传感音响系统梅甘娜３系轿重且效防主安全手反操作完全相同觉场景主由５台其采恰当所系统开核心技术影仪组柱面沉浸式投影系统提供可范围保证准确基础可以投内３个后

2 第４期胥川等能评估７２１风险警觉状态４６倍此外由并记录主观程采集基并从与事故速公上多速制离道数据计算２３种相关二元能对道线形敏感等特点导致事故后果严重我国由程２００７年个体一致对能评估死亡１７６８人近年造事故３３４９起后对综合能排序我国已经世界上第一大汽产销国同最速公里程数也居世界第一此减少因法引起交通事故对当前我国具特殊重１效与酒后不同目前还没能作１１但采同济大学如庭审证据客观法因此利本该图１所示运系统８自由法律手解决问题条件还不熟由支架２０ｍ５ｍＸＹ运导轨开载预警系统对或辆运６自舱体内部去掉机并安装向盘刹力状态监控并择机干预被一种馈电子传感音响系统梅甘娜３系轿重且效防主安全手反操作完全相同觉场景主由５台其采恰当所系统开核心技术影仪组柱面沉浸式投影系统提供可范围保证准确基础可以投内３个后镜均被ＬＥＤ显示屏分达２５０４０代效通过系统该包括脑电心等虽然以往研究表替可以满足研究需明它们与关联密切但此类式对正常干扰常研究而包括眼头部面部不含眼状态以及心等对这些技术已经做到不对正常形干扰更适合际应目前利已很多图１同济大学研究文献５现主道偏Ｆｉｇ１ＨｉｇｈｆｉｄｅｌｉｔｙｄｒｉｖｉｎｇｓｉｍｕｌａｔｏｒａｔＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ移准差向盘角速分布献６研究表文明道位置波向盘角波分最主１２受人献７认平均眨眼间眼受人共１５人文包括１３位男２位女中重献８通过闭眼文年龄３３９ ± ４９岁平均值± 准差下同间比例ｐｅｒｃｅｎｔａｇｅｏｆｅｙｅｌｉｄｃｌｏｓｕｒｅｐｅｒｃｌｏｓ累计里程１８ ± ７１万ｋｍ龄７５ ± ２１ａ平均每次闭眼间闭眼间与眨眼次数之比求所受人持效照身体状况良好来程献９文前一个月内药物服史前２４ｈ内不中加点间分布来提允许饮酒前１２ｈ内不允许饮咖啡功能精头面部文献１０利频饮对料人前都需填写描述求受现打哈欠意识点头识别心权利知情同意书整个中除一位面文献１１利安装向盘上传感因睡着而导致中断外中断前数据脉搏频提取心变异依然本研究中分析其余均正常完根据型输类型数可以分单类多类１３设计但由能未被充分认道一条环形双向６道郊区单调识选取缺乏依据认识等级公道宽３７５ｍ道全长能探索能评价法本研究通２０ｋｍ每圈由６条长２ｋｍ直线编号过采集１３５９１１１３２条长２ｋｍ曲线两种重即眼编其他连接曲线组如图２所示号７５１２３４８１１１２７９１３１４

3 722 西南交通大学学报第 49 卷增加环境感, 道两旁设置绿草地树木道, 天气变化 ); 少其他交通辆, 但不会阻挡少村落建筑. 所道流程 15 位受人被随机分配两种情况 : 值夜班后 9 位午饭后 6 位. 两种情况间如图 3 所示. 值夜班后一图 2 道线形编号夜未睡眠情况下, 早上 8 点到达室 Fig. 2 The experiment road alignment and segment ID ; 而午饭后前一夜正常让受人限间内达到较睡 8 h, 中午 12 点, 工作人陪同下准程, 求每位道上连续午餐, 然后下午 1 点. 两种情况 6 圈 ( 约 1 h), 速需保持 120 km / h 左都经历完全相同流程, 前先填写右 ; 期间不需变换道 ; 使自挡, 基础信息调查表前状态调查表 ; 之后需变换档位 ; 期间不允许使, 先 5 min 熟悉手机收音机 CD 机等设备 ; 环境干扰 ( 例如道, 然后开始 1 h 正式 ; 结束后, 求横风 ); 不需切换灯光 ( 白天, 隧填写后状态调查表. Fig 数据采集客观数据采集包括 : 参数包括速道位置向盘转角, 通过数据输输出系统以 10 Hz 采样频记录 ; 面部频通过内部监控摄像头记录 ; 眼参数通过 Smart eye 眼仪记录, 采样频 60 Hz. 过程中, 每圈固定位置需向工作人报告主观等级 (Karolinska sleepiness scale,kss). 便尽可能准确地判定状态, 先将 9 级分 3 种状态, 清醒 (1 ~ 4 级 ), 中间状态 (5 级 ) 状态 (6 ~ 9 级 ). 先让判断属哪种状态, 然后再评估属该状态中哪一级, 以提评估精. 2 及其能评估 2. 1 以道中 2 km 长直线曲线分析单元, 计算每个单元内非, 主包括眼, 共计 23 个. 包括道向盘图 3 值夜班后午饭后间表 Time schedule of test for the period of night shift and after lunch 速. 其中道主提取道偏移统计道越线特征 ; 向盘主提取向盘角角速统计及反转特征 ; 速主提取速统计及超速间比例. 而眼特征主提取眨眼特征闭眼间比例瞳孔大小. 统计信息如表 1 所示能评估本文通过 4 个角对非能评估, 分别与 KSS 相关单 Binary Logit 型 ROC 面积对道线形敏感以及差异, 并对综合能排序. 除涉及到线形对比分析外, 其余分析均采直线分析单元数据. (1) 相关表征程 KSS 序变, 连续变或等间距离散变, 因此, 采 Spearman 等级相关系数计算其相关, 其绝对值越大, 说明变与程相关越强. 各与 KSS Spearman 相关系数如图 4 所示.

4 第 4 期胥川等 : 能评估 Tab. 1 表 1 描述统计 Descriptive statistics of nonintrusive indicators 编号符号描述直线均值准差曲线均值准差 1 LP_stdev 道偏移值准差 / m LP_avg 道偏移值平均值 / m LD_Area 越线空面积 1 A /(m s) LD_TArea 越线间加权越线空面积 2 T /(m s) LD_Frequency 单个越线次数 LD_Speed 越线期间横向平均速 /(m s - 1 ) LD_Tc 辆中心越线间比例 LD_Te 辆边缘越线间比例 SW_Speed_stdev 向盘角速准差 /(( ) s ) 向盘角值与自回归滑均值 10 SW_Area_MA 面积之 M /(rad s) 11 SWM_Re 单个向盘反转 4 / 次 SW_Range_1 向盘角速 0 ~ 2. 5( )/ s 间比例 SW_Range_2 向盘角速 2. 5 ~ 5( )/ s 间比例 SW_Range_3 向盘角速 5 ~ 7. 5( )/ s 间比例 SW_Range_4 向盘角速 7. 5 ~ 10( )/ s 间比例 SW_Range_5 向盘角速大 10( )/ s 间比例 Speed 平均速 /(km h ) Speed_stdev 速准差 /(km h ) 超速间比例 ( 即速 > 120 km / h 19 Speeding_T 间比例 ) 20 Blink_Frequency 平均眨眼频 /( 次 s ) Blink_duration 平均眨眼间 / s PERCLOS 闭眼间比例 Pupil 平均瞳孔直径 / mm 注 :1 A = n i = 1 2 T = n A i, 其中 A i = d i (τ)dτ,d i (τ) 第 i 次越线刻 τ 辆越线距离 ; T i, 其中 T i = τ i d i(τ)dτ,τ i 第 i 次越线中辆越线持续间 ; i = 1 3 M = S(τ)- S MA (τ) dτ, 其中 S(τ) 刻 τ 向盘转角,S MA (τ) 刻 τ 向盘转角自回归滑均值, 且 S MA (0)= S(0),S MA (τ + Δτ)= αs MA (τ)+(1 - α)s(τ + Δτ); 4 SWM_Re, 即向盘反转, 单位间内向盘转向 ( 顺针变逆针或相反 ) 改变次数. 图 4 与 KSS Spearman 相关系数 Fig. 4 The Spearman correlation coefficients between nonintrusive indicators and KSS 723 图 4 表明 : 所变中与 KSS 相关最大变 PERCLOS( 相关系数 r S = ; 显著 p = ). 中,LP_stdev 与程相关最 (r S = ;p = ;); 同表征辆越线特征 (LD _ Area LD _ Tarea LD _ Frequency LD_Speed) 以及 SWM_Re 与 KSS r S 相对较. 但从总体来看, 与 KSS 相关都较低, 其原因可能 : 与程相关可能本来就相对较低. 因大脑密切直接联系, 大脑相应观察 ( 脑电 ) 最直接观, 但因法

5 724 际应. 本文中都对间接观, 其相关可能弱大脑观. (2) 二元能 ROC(receiver operating characteristic) 曲线由表征正 y 轴假正 x 轴构, 描述评价法准确, 适二元分类情况. 根据 KSS 描述, 把问题简化二元分类问题, 即将 KSS 大 7 状态定义状态 ( 正类 ), 将 KSS 小 7 状态定义非状态 ( 负类 ). 正表示处际状态被识别状态概, 假正表示际处状态而被识别非状态概. ROC 曲线下面积 (area under curve,auc) 提供评价算法平均能参数, 它理论取值范围 0. 5 ~ 1. 0 之间. ROC 越快速逼近左上角,ROC 曲线下面积就越大, 识别算法能也越好. 画出每个 ROC 曲线基础上, 计算每个 AUC, 如图 5 所示. 图 5 AUC Fig. 5 The area under curve (AUC) for nonintrusive indicators 由图 5 可见, 眼 AUC 值差异很大, 其中 PERCLOS AUC 值最, ; 而中, 越线特征向盘均呈现一定相似特征, 并存与其他差异较大, 如 LD_Tc SW_Range_1 等. LP_Stdev AUC 值最, ; 速 AUC 普遍较低. (3) 道线形敏感际过程中, 道线形一直生变化. 如果某对道线形变化敏感, 那它能容易受到道线形干扰, 可以推断其可靠较低. 而对道线形变化不敏感才可能更可靠. 本文通过配对 t 各对道线形敏感, 即将每圈通过 5( 直线 ) 西南交通大学学报第 49 卷 7( 曲线 ) 13( 直线 ) 15( 曲线 ) 分别配对. 配对样本 t 基本步骤如下 : 步骤 1 设 (x q j,x z j ) 一组配对观值, x q j 表示曲线上第 j 个观值,x zj 表示直线上第 j 个观值,j = 1,2,,n. 计算配对数据差值 d j = x q j - x zj. 步骤 2 μ d 两配对样本之差值总体均值, 提出 0 假设 μ d = 0, 对立假设 μ d 0. 步骤 3 由式 (1) 计算 t 统计, 珔 d 珔 d 珔 d t = = = S 珔 d S d, (1) (d - 珔 d) 槡槡 2 n n(n - 1) 式中 : 珔 d d j 均值 ; S 珔 d 珔 d 样本准差. t 自由 d f = n - 1. 步骤 4 根据 d f = n - 1, 确定临界值 t α (n - 1), 取 α = 反映道线形变化对影响, 曲线上相对直线变化幅 C 由式 (2) 计算, 珔 d C = x珋 z, (2) 式中 : x珋 z 该所直线上平均值 ; 配对 t 结果表明, 除 LD_Tc,LD_Te, Speed_stdev,Blink_duration 配对 t 结果不显著外, 其余变均显著. 从图 6 可见, 大多数会受到线形变化影响, 其中眼变化幅相对较低, 均低 20% ; 道偏移准差变化幅也相对较低, 23% ; 9 种变化值超过 100%, 包括 4 种越线特征 3 种向盘角速, 可见曲线越线更严重频繁, 且向盘角速更多地分布速较大区间. (4) 个体一致个体差异造算法适应低重原因, 因此, 不同之间一致也评价能重面. 排除其他因素干扰, 本研究选取每位 KSS 7 条件下直线作对象, 采 k 个独立样本法中 KruskalWallis(KW). 针对某一, 其 0 假设不同该总体分布相同 ; 对立假设不同该总体分布不同. 23 个中, 只 LD_Tc 0 假设立, 即所 LD_Tc 可以认相同分

6 第 4 期胥川等 : 能评估布 ; 而对其余都必须拒绝 0 假设, 即不同表 2 Tab. 2 总体分布不同, 存较大个体差异. H 统计比较之间个体差异, 即 H 统计越大, 说明个体差异越大, 反之亦然. 由编号图 7 可以看出, 道越线 H 统计相对较小, 而向盘 H 统计值接近且相对较大, 眼中 H 统计最小值 PERCLOS. 道线形敏感图 6 Fig. 6 The sensitivity of nonintrusive indicators to road alignment KW H 统计图 7 Fig. 7 The H statistics of KW test for nonintrusive indicators (5) 综合能排序获取 4 个面综合能, 按照以下法对综合能排序. 1 确定各评价值与状态关系. Spearman 相关系数越大,AUC 越大, C 越小,H 统计越小, 则该中能越好 ; 2 将各面能按照由优到劣排序 ( 例如,Spearman 相关系数按降序排列, C 按升序排列 ), 获得每个 4 个面能排序 ; 3 将每个 4 个面能排名之从低到排序. 排序越靠前, 综合能越好. 综合能排序见表 2. 综合能排序 Ranking of nonintrusive indicators in terms of comprehensive performance 排序综合相关系数 AUC C H 由表 2 可以看出, 中综合能最好 3 个 LP_Stdev PERCLOS LD_Speed, 它们道线形敏感个体一致能并不突出, 但与程相关二元能排名都前 3 名以内 ; 越线特征综合排序较靠前, 均前 10 名以内 ; 描述向盘特征, 其综合能排序相对靠后 ( 均前 10 名以后 ), 这说明越线比向盘中综合能更好. 3 结束语本研究通过, 采集眼信息数据, 调查主观程, 从与程相关二元能对道线形敏感个体一致 4 面, 对评估, 得出以下结论 : (1) 与程相关普遍较低, 所中,PERCLOS 与 KSS 相关最 ; (2) 眼中 PERCLOS AUC 值所

7 726 西南交通大学学报第 49 卷中最, 中 LP_Stdev AUC 值最 ; (3) 多数会受到线形变化影响. 比较各直线曲线变化结果表明 : 眼变化幅相对较低, 均低 20%, 多数变化超过 100%, 而道偏移准差变化幅相对较低, 仅 23% ; (4) KSS 7 条件下, 除 LD_Tc 外其余均存显著个体差异 ; (5) 中, 综合能最好 LP_Stdev PERCLOS LD_Speed. 本文中, 结论效还需通过证. 个体一致评价, 现 22 个不能接受不同总体分布相同假设, 因此, 需增加被数, 对结果证. 致谢 : 同济大学道与交通工程教育部重点室开放基金资助课题 ( ) 参考文献 : [1] KLAUER S G,DINGUS T A,NEALE V L,et al. The impact of driver inattention on nearcrash / crash risk:an analysis using the 100car naturalistic driving study data[r]. Washington D. C.:National Highway Traffic Safety Administration,2006. [2] 公安部交通管理局. 中华人民共国道交通事故统计资料汇编 [R]. 北京 : 公安部交通管理局,2009. [3] LI W,HE Q C,FAN X M,et al. Evaluation of driver fatigue on two channels of EEG data[j]. Neuroscience [4] Letters,2012,506(2): PATEL M,LAL S K L,KAVANAGH D,et al. [5] Applying neural network analysis on heart rate variability data to assess driver fatigue[j]. Expert Systems with Applications,2011,38(6): LIU C C,HOSKING S G,LENN? M G. Predicting driver drowsiness using vehicle measures: recent insights and future challenges[j]. Journal of Safety Research,2009,40(4): [6] FORSMAN P M,VILA B J,SHORT R A,et al. Efficient driver drowsiness detection at moderate levels of drowsiness[j]. Accident Analysis and Prevention, 2013,50: [7] INGRE M, KERSTEDT T, PETERS B, et al. Subjective sleepiness, simulated driving performance and blink duration: examining individual differences[j]. Journal of Sleep Research, 2006, 15(1):4753. [8] JO J,LEE S J,PARK K R,et al. Detecting driver drowsiness using featurelevel fusion and userspecific classification[j]. Expert Systems with Applications, 2014,41(4): [9] ZHU Z,JI Q. Real time and nonintrusive driver fatigue monitoring[c] The 7th International IEEE Conference on Intelligent Transportation Systems Proceedings. Washington D. C.:IEEE,2004: [10] JI Q,YANG X. Realtime eye,gaze,and face pose tracking for monitoring driver vigilance[j]. RealTime Imaging,2002,8(5): [11] HU S,BOWLDS R L,GU Y,et al. Pulse wave sensor for nonintrusive drivers drowsiness detection[c] Engineering in Medicine and Biology Society. [S. l.]:ieee,2009: [12] NODINE E. The detection of drowsy drivers through driver performance indicators[m]. Ann Arbor:UMI Dissertation Publishing,2008:6576. [13] 张丽雯, 杨艳芳, 齐美彬, 等. 基面部特征 [J]. 合肥工业大学学报 : 自然科学版, 2013,36(4): ZHANG Liwen,YANG Yanfang,QI Meibin,et al. Detection of fatigue driving based on facial features[j]. Journal of Hefei University of Technology:Natural Science,2013,36 (4): [14] 朱淑亮. 基频图像分析与信息融合技术研究 [D]. 济南 : 山东大学,2011. ( 中文编辑 : 秦萍玲英文编辑 : 兰俊思 )

何秋琳张立春视觉学习研究进展视觉注意视觉感知

何秋琳张立春视觉学习研究进展视觉注意视觉感知第卷第期年月开放教育研究何秋琳张立春华南师范大学未来教育研究中心广东广州随着图像化技术和电子媒体的发展视觉学习也逐步发展为学习科学的一个研究分支得到研究人员和教育工作者的广泛关注基于此作者试图对视觉学习