基于眼动特征及的轨道交通驾驶员疲劳分析与识(3) - 临床心电学杂志杂志社投稿

一、来稿必须是作者独立取得的原创性学术研究成果，来稿的文字复制比（相似度或重复率）必须低于用稿标准，引用部分文字的要在参考文献中注明；署名和作者单位无误，未曾以任何形式用任何文种在国内外公开发表过；未一稿多投。二、来稿除文中特别加以标注和致谢之外，不侵犯任何版权或损害第三方的任何其他权利。如果20天后未收到本刊的录用通知，可自行处理(双方另有约定的除外)。三、来稿经审阅通过，编辑部会将修改意见反馈给您，您应在收到通知7天内提交修改稿。作者享有引用和复制该文的权利及著作权法的其它权利。四、一般来说，4500字（电脑WORD统计，图表另计）以下的文章，不能说清问题，很难保证学术质量，本刊恕不受理。五、论文格式及要素：标题、作者、工作单位全称(院系处室)、摘要、关键词、正文、注释、参考文献(遵从国家标准：GB\T7714-2005，点击查看参考文献格式示例)、作者简介(100字内)、联系方式(通信地址、邮编、电话、电子信箱)。六、处理流程：（1）通过电子邮件将稿件发到我刊唯一投稿信箱（2）我刊初审周期为2－3个工作日，请在投稿3天后查看您的邮箱，收阅我们的审稿回复或用稿通知；若30天内没有收到我们的回复，稿件可自行处理。（3）按用稿通知上的要求办理相关手续后，稿件将进入出版程序。（4）杂志出刊后，我们会按照您提供的地址免费奉寄样刊。七、凡向文教资料杂志社投稿者均被视为接受如下声明：（1）稿件必须是作者本人独立完成的，属原创作品（包括翻译），杜绝抄袭行为，严禁学术腐败现象，严格学术不端检测，如发现系抄袭作品并由此引起的一切责任均由作者本人承担，本刊不承担任何民事连带责任。（2）本刊发表的所有文章，除另有说明外，只代表作者本人的观点，不代表本刊观点。由此引发的任何纠纷和争议本刊不受任何牵连。（3）本刊拥有自主编辑权，但仅限于不违背作者原意的技术性调整。如必须进行重大改动的，编辑部有义务告知作者，或由作者授权编辑修改，或提出意见由作者自己修改。（4）作品在《文教资料》发表后，作者同意其电子版同时发布在文教资料杂志社官方网上。（5）作者同意将其拥有的对其论文的汇编权、翻译权、印刷版和电子版的复制权、网络传播权、发行权等权利在世界范围内无限期转让给《文教资料》杂志社。本刊在与国内外文献数据库或检索系统进行交流合作时，不再征询作者意见，并且不再支付稿酬。九、特别欢迎用电子文档投稿，或邮寄编辑部,勿邮寄私人，以免延误稿件处理时间。

基于眼动特征及的轨道交通驾驶员疲劳分析与识(3)

作者:

关键词:

摘要：

4.2 SVM疲劳识别模型

SVM基于统计学习理论的原理，较好地解决了小样本的学习分类问题，更具有实用性和推广性。选择不同的核函数可以构建不同的SVM学习机，本文采用Anaconda软件进行编程，根据瞳孔面积聚类分析的结果，对4.1提到的五个心电指标特征向量进行疲劳等级标定，然后随机选取80%的样本作为训练集，另外20%的样本作为测试集，分别选用线性核函数(Linear)、多项式核函数(Poly)和高斯核函数(RBF)分别输入到SVM进行训练，识别结果如下：

表2 SVM正确识别率核函数识别正确率%Poly72.5%RBF87.5%

三种核函数构建的SVM正确识别率在60.0%～87.5%，其中高斯核函数的正确识别率最高，达到87.5%。这表明高斯核函数构建的SVM更适合于轨道交通列车驾驶员的疲劳识别，结合瞳孔面积聚类分析的疲劳等级划分方式，该SVM模型可以做出准确的判断，可为城市轨道交通驾驶员疲劳监测与预测提供依据。

5 讨论

在进行疲劳分析的时候，同时关注眼动特征和ECG信号，计算了瞳孔面积的变化和HRV各项时域、频域指标的变化，发现两者反应的疲劳状态是基本相似的，验证了疲劳状态下瞳孔面积会出现收缩的趋势，并且验证了疲劳状态下交感神经和迷走神经的调节功能。

机器视觉领域的研究者通过摄像头采集驾驶员的头部图像，通过图像处理技术对人脸特征点进行检测，以实现获得驾驶员眼部区域[9]。随着技术的发展，未来可实现利用驾驶室摄像头精准捕捉驾驶员的眼动行为变化，本文的疲劳等级划分方法将得到实际的应用。在进行疲劳识别的时候，改变以往采用主观量表、专家评分等主观的判断方法，采用对瞳孔面积聚类分析的方法对疲劳等级进行划分，具有客观性。

在多生理信号监测与预警平台的搭建与研究中，很多专家学者从脑电、皮电等多个领域进行探索[10]，本文选择眼动行为与心电信号结合的研究方法，主要考虑轨道交通驾驶员在实际的生产生活中，对生理信号采集设备的便携性、稳定性具有一定的要求，并且综合眼动行为与心电的双信号分析与识别的方法，使得分析具有可靠性、识别结果具有准确性。

机器学习的程序可不断从经历和数据中吸取经验教训[11]，在广泛应用的监督学习模型中，神经网络和支持向量机具有广泛的应用，神经网络需要大量的样本训练以提高其可靠性，而支持向量机适用于小样本学习分类。本文共获得了72组可利用数据，利用Python语言进行支持向量机识别模型构建，分别在线性核函数、多项式核函数与高斯核函数下进行训练，找到识别效果最好的高斯核函数，为进一步的研究提供了支持。在进一步扩大样本的研究中，也将对比神经网络与支持向量机的识别效果。

本文的原始数据为自己设计实验和实施所得，是新采集到的真实、有效的数据。实验采用上海轨道交通4号线列车驾驶模拟器，场景真实，但是与司机实际的驾驶环境仍有差异，考虑到车厢内的噪音环境和空气环境会影响司机的心理，如振动、温度、噪声等环境因素的影响，打算进一步研究的被试选择上海地铁驾驶员，并从年龄、工龄等方面提高样本数量。

6 结论

(1)通过眼动特征参数和ECG信号的各项指标计算，分析疲劳趋势，为实现疲劳的实时监测与预测提供了技术支撑。

(2)提出了一种基于眼动特征的疲劳等级划分方法，该方法利用瞳孔面积数据进行聚类分析，客观、方便、实用。

(3)采用Anaconda软件构建疲劳识别模型，寻找到最适合城市轨道交通驾驶员疲劳识别的核函数为高斯核函数，正确识别率为87.5%。

[1] 郭应时,付锐,袁伟,等.通道宽度对驾驶员动态视觉和操作行为的影响[J].中国公路学报,2006,19(5):83-87.

[2] 崔健,赵建有.驾驶分心对隧道段行车安全影响分析[J].安全与环境学报,2016,16(6):174-177.

[3] Berkaya SK,Uysal AK,Gunal ES,et al.A Survey on ECG Analysis[J].Biomedical Signal Processing and Control,2018,43(2):216-235．

[4] 唐优华,郭孜政,牛琳博.驾驶疲劳状态波动性特征的识别方法[J].北京工业大学学报,2015,41(8):1225-1229.

[5] 牛琳博.基于心电信号的驾驶疲劳识别方法研究[D].成都:西南交通大学,2017.

[6] 段萌萌,唐伯明,胡旭辉,等.高隧道比路段隧道出入口驾驶员视觉负荷研究[J].交通运输系统工程与信息,2018,18(3):115-116.

[7] 张馨月.心电信号聚类算法的设计[D].南京:东南大学,2017.

[8] Malliani A,Pagani M,Lombardi F,et Neural Regulation Explored in the Frequency Domain[J].Circulation,1991,84(2):482-492.

文章来源：《临床心电学杂志》网址: http://www.lcxdxzz.cn/qikandaodu/2021/0305/457.html