基于颈腰部肌电及脑电信号的疲劳驾驶检测

doi:10.12068/j.issn.1005-3026.2018.01.021

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (1): 102-107.DOI: 10.12068/j.issn.1005-3026.2018.01.021

基于颈腰部肌电及脑电信号的疲劳驾驶检测

王琳^1,2，化成城¹，姜鑫¹，王宏¹

(1. 东北大学机械工程与自动化学院，辽宁沈阳110819; 2. 沈阳工程学院机械学院，辽宁沈阳110136)

收稿日期:2016-07-11 修回日期:2016-07-11 出版日期:2018-01-15 发布日期:2018-01-31
通讯作者: 王琳
作者简介:王琳(1980-)，女，辽宁沈阳人，东北大学博士研究生；王宏(1960-)，女，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(NSFC 51405073).

Investigation on Driver Fatigue Testing Based on the Combination of Cervical-Lumbar EMG and EEG

WANG Lin^{1, 2}， HUA Cheng-cheng¹， JIANG Xin¹， WANG Hong¹

1. School of Mechanical Engineering & Automation， Northeastern University， Shenyang 110819， China; 2. Department of Mechanical Engineering， Shenyang Institute of Engineering， Shenyang 110136， China.

Received:2016-07-11 Revised:2016-07-11 Online:2018-01-15 Published:2018-01-31
Contact: WANG Hong
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了有效判别驾驶员的疲劳状态，结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG，并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低，通过主成分分析可实现特征参数间的合理组合.基于多元回归理论，建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明，该模型对疲劳状态判别的正确率可达95%以上.

关键词: 疲劳驾驶, 肌电信号, 脑电信号, 生物力学, 特征参数

Abstract: In order to effectively test driver fatigue， the surface electromyography (EMG) and electroencephalogram (EEG) were collected in driving processes， and the characteristic parameters were extracted and analyzed combined with biomechanics. The experimental results indicated that the sample entropy (SampEn) and complexity of EMG and EEG gradually decrease with the driving time expends. These characteristic parameters can be reasonably combined by using the principal component analysis. Based on the multiple regression theory， the characteristic parameters at different positions of the body are reasonably combined， and a mathematical model to evaluate fatigued driving is built. The accuracy of the model is up to 95% by the state validation.

Key words: driver fatigue, electromyography (EMG), electroencephalogram (EEG), biomechanics, characteristic parameters

中图分类号:

R318

王琳，化成城，姜鑫，王宏. 基于颈腰部肌电及脑电信号的疲劳驾驶检测[J]. 东北大学学报:自然科学版, 2018, 39(1): 102-107.

WANG Lin ， HUA Cheng-cheng， JIANG Xin， WANG Hong. Investigation on Driver Fatigue Testing Based on the Combination of Cervical-Lumbar EMG and EEG[J]. Journal of Northeastern University Natural Science, 2018, 39(1): 102-107.

参考文献

[1]Lal S K，Craig A.A critical review of the psychophysiology of driver fatigue ［J］.Biological Psychology，2001，55(3):173-194.
[2]Kapthick P A，Venugopal G，Ramakeishnan S.Analysis of muscle fatigue progression using cyclostationary property of surface electromyography signals ［J］.Journal of Medical System，2016，40(1):28-35.
[3]王福旺，王宏，罗旭.基于EEG与EOG信号的疲劳驾驶状态综合分析［J］.东北大学学报(自然科学版)，2014，35(2):175-178.(Wang Fu-wang，Wang Hong，Luo Xu.Comprehensive analysis of fatigue driving based on EEG and EOG ［J］.Journal of Northeastern University(Natural Science)，2014，35(2):175-178.)
[4]付荣荣，王宏，王琳，等.基于无线体域网中多生理信号驾驶疲劳检测［J］.东北大学学报(自然科学版)，2014，35(6):850-853.(Fu Rong-rong，Wang Hong，Wang Lin，et al.Detection of driver fatigue based on multi-physiological signals in wireless body area network ［J］.Journal of Northeastern University(Natural Science)，2014，35(6):850-853.)
[5]Scommerich C M，Joines S M，Hermans V，et al.Use of surface electromyography to estimate neck muscle activity ［J］.Journal of Electromyography and Kinesiology，2000，10(3):377-389.
[6]Zhang C，Wang H，Wu M H.EEG-based expert system using complexity measures and probability density function control in alpha sub-band ［J］.Integrated Computer-Aided Engineering，2013，20(4):391-405.
[7]Zhang C，Wang H，Fu R R.Automated detection of driver fatigue based on entropy and complexity measures ［J］.IEEE Transactions on Intelligent Transportation System，2014，15(1):168-177.
[8]Voerman G E，Vollenbroek M M，Hermens H J.Upper trapezium muscle activation patterns in neck-shoulder pain patients and healthy control ［J］.European Journal of Apply Physiology，2007，102(1):1-9.
[9]Sagberg F.Road accidents caused by drivers falling asleep ［J］.Accident and Prevent，1999，31(6):639-649.
[10]Richman J S，Moorman J R.Physiological time-series analysis using approximate entropy and sample entropy ［J］.American Journal of Physiological Heart and Circulatory Physiology，2000，278(6):2039-2049.
[11]Foij O，Holcik J.Applying nonlinear dynamics to ECG signal processing ［J］.IEEE Engineering in Medicine and Biology，1998，3(4):96-110.
[12]Lempel A，Ziv J.On the complexity of finite sequence ［J］.IEEE Transactions on Information Theory，1976，22(1):75-81.(上接第96页)是由气体的可压缩性及橡胶筒变形耗能等因素造成，这说明气动肌肉具有很强的非线性.4结论1) 本文设计了一种由伸长型和收缩型气动肌肉组成的新型质轻变刚度软体机器人手臂，该手臂质量轻，总重为210.6g，实现了手臂的轻量化设计.2) 对手臂进行了运动空间仿真，其单方向最大弯曲角可达90°.3) 进行了阶跃信号和正弦信号跟踪性能试验，结果表明，手臂可控性好，响应时间短，定位精度高.

[1]	王翘秀，王宏，胡佛，化成城. 基于脑区社团结构的恐高程度识别模型[J]. 东北大学学报（自然科学版）, 2021, 42(3): 381-388.
[2]	李武杰，郭立新. 不同姿势对脊椎胸腰节段爆裂骨折的影响[J]. 东北大学学报:自然科学版, 2020, 41(4): 534-540.
[3]	王斐，魏晓童，秦皞. 基于sEMG和LSTM的下肢连续运动估计[J]. 东北大学学报:自然科学版, 2020, 41(3): 305-311.
[4]	徐礼胜，张闻勖，庞宇轩，吴承暘. 基于短时心电信号的疲劳驾驶检测算法[J]. 东北大学学报:自然科学版, 2019, 40(7): 937-941.
[5]	刘闯，刘齐，颜云辉. 人工腰椎间盘置换术与椎间融合术的生物力学仿真[J]. 东北大学学报:自然科学版, 2019, 40(10): 1517-1520.
[6]	常文文，王宏，化成城，王翘秀. 基于有向网络的人物信息诱发脑电信号特征[J]. 东北大学学报:自然科学版, 2019, 40(1): 1-6.
[7]	董瑞春，郭立新，袁胜，葛伟. 基于肌电信号和加速度信号的腰部振动实验研究[J]. 东北大学学报:自然科学版, 2018, 39(2): 232-236.
[8]	张驰，卢绍文，王宏，王宏*. 磨矿过程控制中专家操作人员脑电特征分析[J]. 东北大学学报:自然科学版, 2017, 38(6): 828-833.
[9]	付彦铭，于天彪，王新，王宛山. 犁式滑雪转弯膝关节软骨有限元分析[J]. 东北大学学报:自然科学版, 2017, 38(10): 1431-1435.
[10]	黄璐，王宏. 基于盲反卷积的脑电信号盲分离研究[J]. 东北大学学报:自然科学版, 2016, 37(8): 1100-1103.
[11]	刘冲，于清文，陆志国，王宏. 基于最小二乘支持向量机的脑电信号分类[J]. 东北大学学报:自然科学版, 2016, 37(5): 634-637.
[12]	韩凌，王宏，李春胜. 基于多变量希尔伯特频域模型的癫痫发作预测[J]. 东北大学学报:自然科学版, 2015, 36(10): 1383-1387.
[13]	付荣荣，王宏，王琳，张驰. 基于无线体域网中多生理信号驾驶疲劳检测[J]. 东北大学学报:自然科学版, 2014, 35(6): 850-853.
[14]	王福旺，王宏，罗旭. 基于EEG与EOG信号的疲劳驾驶状态综合分析[J]. 东北大学学报:自然科学版, 2014, 35(2): 175-178.
[15]	叶柠;孙宇舸;. 基于EEG小波包子带能量比的疲劳驾驶检测方法[J]. 东北大学学报(自然科学版), 2012, 33(8): 1088-1092.

基于颈腰部肌电及脑电信号的疲劳驾驶检测

Investigation on Driver Fatigue Testing Based on the Combination of Cervical-Lumbar EMG and EEG

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价