摘要：文章针对驾驶员监测系统（DMS）ECG信号测量不准导致的驾驶员突发疾病预估不及时而引发的交通事故问题，提出了一种DMS结合智能手表的驾驶安全智能控制系统方案，该方案能够准确做出对驾驶员身体状况的监测（疲劳驾驶和突发疾病），实现对驾驶员和车辆的智能控制，从而避免或减少由此造成的交通事故及人员伤亡。
关键词：DMS；智能手表；驾驶安全智能控制
0引言
在社会经济快速发展、中国道路交通建设飞速发展的背景下，人们对汽车的需求量不断增加，2020年年末全国民用汽车保有量28087万辆，比上年末增加1937万辆，并且仍呈逐年上升的趋势，随之产生的道路交通事故也呈逐年上升的趋势。据中国产业信息网统计，2019年中国车祸发生次数为200114次，其中由于驾驶员身体状况异常导致的交通事故在重大交通事故诱因中一直占有较大比例。驾驶员身体状况异常主要包括：疲劳驾驶和突发疾病两大类，并且随着工作节奏加快，压力增大，驾驶员出现突发疾病导致的交通事故越来越多。驾驶员监测系统DMS[1]是一种可实现驾驶员行驶过程中，全天候监测驾驶员的疲劳状态、危险驾驶行为的信息技术系统。相比于其它疲劳驾驶监测系统（如：车道偏离报警系统和转向盘监测系统、PERCLOS系统、脑电波监测系统等）均存在一定的弊端或实现难度来说，DMS是多种疲劳驾驶判断方式的集成，主动式DMS通过视觉+近红外技术，监测驾驶员面部、眼部、头部特征，能够更有效地监测驾驶员的疲劳和注意力分散程度，通过语音灯光提示，起到警示驾驶员的作用。从2018年开始，随着L2/L3系统的量产，主动式DMS系统开始放量。但由于DMS对于PPG信号、ECG信号[2-3]的测量技术不够成熟，导致由于突发疾病引起的交通事故预警不够及时和准确。鉴于智能穿戴设备的普及率高以及可以更方便准确地监测人体关键健康指标（比如：心率、血压、体温、心电信号(ECG信号)等），尤其从2020年9月开始国内多家厂商智能手表中ECG功能的增加。因此智能穿戴设备和主动DMS的结合，将很好的弥补DMS的不足，不仅能够对疲劳驾驶，而且对一些突发疾病的情况，准确做出对驾驶员身体状况的监测。根据驾驶员身体状况实现车辆智能控制的系统是目前国内外科研的热点领域。本文提出了一种DMS结合智能手表的驾驶安全智能控制系统方案，该方案为实现车辆智能控制中驾驶员身体状况全面判定提供了一种方法。
1驾驶安全智能控制系统框图
驾驶安全智能控制系统由车辆控制模块、DMS模块、声光报警处理模块、智能手表、云端服务器组成。车辆控制模块中要集成有无线接收模块、蓝牙模块、串口模块、射频发送/接收模块以及数据判断处理模块；DMS模块要包含摄像头和红外测试装置，采集驾驶员面部、眼部、头部特征参数；声光报警模块包含蜂鸣器和显示屏，对驾驶员起到警示作用。智能手表通过蓝牙或WIFI向车辆控制模块传输监测得到的健康指标数据。车辆控制模块与云端服务器通过5G进行通信。如图1所示。
2驾驶安全智能控制系统原理
依据图1所示系统框图，驾驶安全智能控制系统原理如下：(1)智能手表监测驾驶员的心率、血压、体温以及心电信号（ECG信号）等。监测心脏活动可以预防心脏疾病的早期发病，经由测量心电图（ECG）来完成。ECG是一种经胸腔以时间为单位记录心脏的电生理活动，利用与人体皮肤表面相连的电极，侦测心脏的电位传动，通过心电图记录整个心脏的电位变化。心电图的结果通常以波型显示，基本包括有P波、QRS波组、T波。P波代表的是心房收缩，QRS波组代表的是心室收缩，T波代表的是心室舒张。有关心率变化的测量或评估，是以R波与R波的间隔时间来代表。由于驾驶安全中驾驶员突发疾病的主要来源是心脏问题，而反应心脏问题一个最有价值的指标就是心率变异性(HRV)[4]，HRV通过测量连续正常R-R间期变化的变异性来反映心率变化、规律，它是一种量化标测，临床上最常用的就是通过SDNN指标来体现。临床医学上SDNN是通过采用连续24小时监测得到的ECG信号计算得到的RR间期标准差。由于实际驾驶过程中驾驶员发病时间短，因此采用连续5分钟的ECG信号数据计算得到的SDNN指数来标测心率变异性（HRV），SDNN指数和SDNN计算公式是一样的，但24小时心率变化的范围比较大，相应的心跳间隔的离散程度比较高，而5分钟比较短时间内心率的波动也会比较小。因此，24小时长程SDNN和5分钟短程SDNN指数的参数判断范围不同，一般情况下，采集时间越短，参数值越小。均值MEAN：反映R-R间期的平均值，其计算公式为：i1MEAN=/NiRRRRN==∑总体标准差SDNN：评估5min短程HRV的总体变化，其计算公式为：()2i11SDNNNiRRRRN==∑−智能手表通过蓝牙或WIFI方式将SDNN指数传输至车辆控制模块。(2)车载主动DMS，可以通过采用基于深度神经网络DNN[5]，或者采用卷积神经网络CNN[6]、或者采用卷积神经网络CNN和循环神经网络LSTM相结合的深度学习模型[7]，监测得到驾驶员疲劳和注意力分散程度的参数（如：闭眼、眼睑距离、眨眼速度、凝视方向、打哈欠、头部运动、面部表情等相关参数）[8-10]。深度神经网络需要将驾驶员脸部、双目和嘴巴三个区域分别进行分层处理后再进行融合，深度学习模型需要使用预训练的分类器对提取的面部时空特征进行判断，这两类都需要依赖于大量的数据，采集和处理数据会耗费较长时间。考虑实际中智能汽车硬件资源有限，选择基于卷积神经网络的DMS经济可行性更高。同时，卷积神经网络广泛应用于图像特征的提取，且具有权值共享、稀疏连接、可生成多特征图，同时对于形变、几何变换、光照有一定程度的鲁棒性等优点，更适合于驾驶安全的实际应用场景。基于卷积神经网络的DMS，监测视频数据由驾驶室前端摄像头采集得到并输入监测系统。监测系统对视频帧进行稀疏采样抽取关键帧，同时为了减少卷积神经网络单帧误识别对整体识别模型的影响，将连续视频帧输入识别模型，通过卷积神经网络对每一帧进行预测，最后将多帧识别结果输入统计模型进行结果统计，最终识别模型将出现次数最多的识别结果作为识别出来的驾驶员状态。卷积过程如下式：∑式中:xyijv表示第j层第i个特征映射中(x,y)位置处的卷积结果；tanh()为激活函数；ijb为此特征映射的偏差；m为第(i-1)层中特征映射的索引；pqijmW为第k个特征映射位置(p,q)处的值；iP、iQ为卷积核的宽度和高度。卷积神经网络可采用较少参数的AlexNet模型，同时通过增加卷积层数提高模型的识别效果。卷积模型为14层结构，其中6个卷积层（1C~6C）与对应的5个池化层（1P~5P）、两个全连接层（1F~2F），最后由Softmax层进行分类输出。采用迁移学习方法[6]完成对卷积神经网络模型的预训练，然后再自行采集的驾驶员检测数据集上进行适应性训练，有效解决了标注数据复杂和训练时间较长的缺陷。通过该卷积神经网络模型的仿真实验来验证驾驶员状态识别的有效性，该系统准确率达到97�8%，且在实验设备中运行速度达到70帧/min，满足较高的准确性要求与实时性要求。将基于卷积神经网络的DMS模块计算得到的驾驶员状态参数经过统计后得出的结果通过车载总线传输至车辆控制模块。(3)车辆控制模块经蓝牙或WIFI接收智能手表发送的SDNN指数，同时经车载总线接收DMS模块发送的驾驶员状态参数，通过对两部分参数进行综合判断处理，作出对驾驶员身体状况的判定，并根据不同的判定结果实现对驾驶员和车辆的智能控制。车辆控制模块的响应处理分三种情况：①当SDNN指数在（81±24）ms正常范围内，且DMS监测得到驾驶员状态参数达到疲劳和注意力分散参数标准，车辆控制模块发送指令到声光报警处理模块，声光报警处理模块驱动蜂鸣器鸣叫，显示屏显示报警图标，提醒驾驶员疲劳，注意行车安全；②当SDNN指数在37~57ms范围内，且DMS监测得到驾驶员状态参数正常，车辆控制模块发送指令到声光报警处理模块，声光报警处理模块驱动蜂鸣器鸣叫，显示屏显示报警图标，同时车辆控制模块控制车辆开启双闪警告、车辆鸣笛等，提醒驾驶员身体异常，提示减速停车；③当SDNN指数在37~57ms范围内，且DMS监测得到驾驶员状态参数达到疲劳和注意力分散参数标准，或当SDNN指数低于37ms时，判定驾驶员身体异常，无法正常操控车辆，车辆控制模块控制车辆切换为自动驾驶模式，减速并停车，同时控制车辆开启双闪警告、鸣笛、自动呼叫救援及紧急信息（GPS定位、救援请求信息）上传至云端服务器。(4)云端服务器使用移动车联网服务平台系统，通过检测模块、通讯模块和定位模块三大硬件模块，以及软件的云计算平台来实现。云端服务器通过5G网络接收车辆控制模块上传的参数信息，实时的跟踪监控诊断故障车辆，并通过服务端的云计算平台调用车辆数据仓库信息，及时识别出故障车辆所在位置的周边车辆状况。云端服务器的响应处理包括：①接收车辆控制模块发送的GPS定位信息，请求呼叫救援信息；②通过5G网络通告周边车辆当前事故车辆的相关信息。
3结论
本文从系统框图和工作原理介绍了基于DMS和智能手表的驾驶安全智能控制系统方案，通过该设计方案能够实现及时判定驾驶员的身体状况（如疲劳驾驶和突发疾病），实现对驾驶员和车辆的智能控制，从而避免或减少由此造成的交通事故及人员伤亡。该方案中存在的不足是所采用的SDNN指数判断参数范围是用连续5分钟的数据计算得出的，实际应用时该数据采集时间对于驾驶员身体异常的判定时间偏长，如果要缩短数据采集时间，那么参数范围的变化也相应缩小，准确性也相应会降低。后续将继续探索更短时间更准确的参数指标。
作者：乔晓华 华楚霞 王芬 单位：惠州经济职业技术学院