基于短时心电信号的疲劳驾驶检测算法

doi:10.12068/j.issn.1005-3026.2019.07.005

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (7): 937-941.DOI: 10.12068/j.issn.1005-3026.2019.07.005

基于短时心电信号的疲劳驾驶检测算法

徐礼胜^1,2，张闻勖¹，庞宇轩³，吴承暘¹

(1. 东北大学中荷生物医学与信息工程学院，辽宁沈阳110169; 2. 沈阳东软智能医疗科技研究院有限公司，辽宁沈阳110167; 3. 东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2018-07-02 修回日期:2018-07-02 出版日期:2019-07-15 发布日期:2019-07-16
通讯作者: 徐礼胜
作者简介:徐礼胜 (1975-)，男，安徽安庆人，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(61773110，61374015)；沈阳东软智能医疗科技研究院有限公司开放课题基金资助项目(NRIHTOP1801)；中央高校基本科研业务费专项资金资助项目(N161904002).

Driver Drowsiness Detection Algorithm Using Short-Time ECG Signals

XU Li-sheng^1,2， ZHANG Wen-xu¹， PANG Yu-xuan³， WU Cheng-yang¹

1.School of Sino-Dutch Biomedical and Information Engineering， Northeastern University， Shenyang 110169， China; 2. Neusoft Research of Intelligent Healthcare Technology Co.， Ltd.， Shenyang 110167， China; 3. School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Received:2018-07-02 Revised:2018-07-02 Online:2019-07-15 Published:2019-07-16
Contact: XU Li-sheng
About author:-
Supported by:
-

摘要/Abstract

摘要： 心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而，该方法需要被检测信号时间足够长，且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先，按照30s的时长截取短时心电信号序列，利用差分阈值法确定R波位置，根据R-R间期差值大小剔除不合格的噪声样本;然后，计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后，设计了一种随机森林分类器并基于这些特征进行分类.结果表明，该算法在疲劳驾驶检测上具有良好的分类效果，平均准确率达到91%.因此，相较于心率变异性分析方法，本算法检测所需心电信号更短，且在准确率上具备显著优势.

关键词: 心电信号, 疲劳驾驶, 随机森林, 迁移学习, 神经网络

Abstract: Heart rate variability analysis is used extensively for detecting driver drowsiness based on ECG signals. However， this method is deficient in accuracy and needs long-time ECG signal. An algorithm for driver drowsiness detection based on short-time ECG signals was proposed. First， the original ECG signal is rearranged into 30s segments， after which the R-wave positions are extracted using differential threshold algorithm and the noisy segments are excluded according to the calculated R-R interval. Then， time and frequency domains’ features of R-R interval series were extracted and combined with the features obtained by the deep convolutional neural network model with pre-trained weights of ImageNet dataset. Finally， random forest classifier was employed to detect the fatigue status of drivers based on the extracted features. The results demonstrate that the proposed algorithm has good performance in detecting driver drowsiness， with an averaged overall accuracy of 91%. The proposed algorithm needs shorter ECG signals and has higher accuracy in detecting driver drowsiness.

Key words: ECG signal, driver drowsiness, random forest, transfer learning, neural network

中图分类号:

N945.14

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.

XU Li-sheng， ZHANG Wen-xu， PANG Yu-xuan， WU Cheng-yang. Driver Drowsiness Detection Algorithm Using Short-Time ECG Signals[J]. Journal of Northeastern University Natural Science, 2019, 40(7): 937-941.

参考文献

[1]Department for Transport.Reported road casualties Great Britain:2015 annual report［EB/OL］.(2016-06-30) ［2018-05-24］.https://www.gov.uk/government/statistics/reported-road-casualties-in-great-britain-main-results-2015.
[2]National Highway Traffic Safety Administration.Traffic safety facts crash stats:drowsy driving 2015［EB/OL］.(2017-10-15) ［2018-06-29］.https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/812446.
[3]Reddy B，Kim Y H，Yun S，et al.Real-time driver drowsiness detection for embedded system using model compression of deep neural networks［C］// Computer Vision and Pattern Recognition Workshops.Honolulu，2017:438-445.
[4]Berkaya S K，Uysal A K，Gunal E S，et al.A survey on ECG analysis［J］.Biomedical Signal Processing and Control，2018(43):216-235.
[5]Sannino G，Pietro G D.A deep learning approach for ECG-based heartbeat classification for arrhythmia detection［J］.Future Generation Computer Systems，2018，86(9):446-455.
[6]袁翔，孙香梅.疲劳驾驶检测方法研究进展［J］.汽车工程学报，2012，2(3):157-164.(Yuan Xiang，Sun Xiang-mei.Development of driver fatigue detection method research［J］.Chinese Journal of Automotive Engineering，2012，2(3):157-164.)
[7]Massoz Q，Langohr T，Francois C，et al.The ULg multimodality drowsiness database(called DROZY) and examples of use［C］// 2016 IEEE Winter Conference on Applications of Computer Vision.New York:IEEE，2016:1-7.
[8]Khler B U，Hennig C，Orglmeister R.The principles of software QRS detection［J］.IEEE Engineering in Medicine and Biology Magazine，2002，21(1):42-57.
[9]Bruun I H，Hissabu S，Poulsen E S，et al.Automatic atrial fibrillation detection:a novel approach using discrete wavelet transform and heart rate variability［C］// The 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Jeju Island，2017:3981-3984.
[10]Piotrowski Z，Szypulska M.Classification of falling asleep states using HRV analysis［J］.Biocybernetics and Biomedical Engineering，2017，37(2):290-301.
[11]Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks［C］// International Conference on Neural Information Processing Systems.Stateline:Curran Associates Inc，2012:1097-1105.
[12]陈炳超，洪佳明，印鉴.基于迁移学习的图分类［J］.小型微型计算机系统，2011，32(12):2379-2382.(Chen Bing-chao，Hong Jia-ming，Yin Jian.Transfer learning for graph classification［J］.Journal of Chinese Computer Systems，2011，32(12):2379-2382.)
[13]Yang Q.Transfer learning beyond text classification［C］// Asian Conference on Machine Learning:Advances in Machine Learning.Berlin:Springer-Verlag，2009:10-22.
[14]Bazi Y，Alajlan N，Alhichri H，et al.Domain adaptation methods for ECG classification［C］// 2013 International Conference on Computer Medical Applications.Sousse:IEEE，2013:1-4.
[15]庄福振，罗平，何清，等.迁移学习研究进展［J］.软件学报，2015，26(1):26-39.(Zhuang Fu-zhen，Luo Ping，He Qing，et al.Survey on transfer learning research［J］.Journal of Software，2015，26(1):26-39.)
[16]Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas:IEEE，2016:2818-2826.
[17]Donahue J，Jia Y Q，Vinyals O，et al.DeCAF:a deep convolutional activation feature for generic visual recognition［C］// The 31st International Conference on Machine Learning.Beijing，2014:647-655.
[18]Balasubramanian M，Schwartz E L.The Isomap algorithm and topological stability［J］.Science，2002，295(5552):7-8.
[19]Breiman L.Random forest［J］.Machine Learning，2001，45:5-32.

基于短时心电信号的疲劳驾驶检测算法

Driver Drowsiness Detection Algorithm Using Short-Time ECG Signals

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

[1]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[2]	张春雷，李鹤，董茂林，张圣杰. 燃料电池空气供应系统自适应神经网络滑模控制[J]. 东北大学学报（自然科学版）, 2022, 43(9): 1270-1276.
[3]	马源源，刘晏泽，刘呈隆，张甜洁. 中国投资者多角度舆情分析及其在股市预测中的作用[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1201-1209.
[4]	张禹，何楷文，李清书，巩亚东. 面向STEP-NC自由曲面特征的加工操作方法智能决策[J]. 东北大学学报（自然科学版）, 2022, 43(7): 981-987.
[5]	季策，张晓. 基于GSA-BP神经网络的OFDM系统信道估计算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 769-775.
[6]	赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.
[7]	徐礼胜，苏宇剑，谭浚宜，方喜冬. 融合粒子群与双边长短窗能量差的心电P波检测[J]. 东北大学学报（自然科学版）, 2022, 43(4): 488-495.
[8]	杨博文，霍军周，张伟，张占葛. 服役结构超前载荷实时预测方法的研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 541-550.
[9]	侯东晓，穆金涛，方成，时培明. 基于GADF与引入迁移学习的ResNet34对变速轴承的故障诊断[J]. 东北大学学报（自然科学版）, 2022, 43(3): 383-389.
[10]	李鸿儒，任子洋，黄友鹤，于霞. 基于变权重奇异谱分析的心律不齐识别方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 305-312.
[11]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[12]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[13]	井元伟，谢海修，白云. TCP/AWM网络系统的自适应有限时间漏斗拥塞控制[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1369-1375.
[14]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[15]	丁敬国，郭锦华. 基于主成分分析协同随机森林算法的热连轧带钢宽度预测[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1268-1275.