1、申请上海交通大学硕士学位论文 基于脑电信号的在线疲劳监测算法研究 论文作者 孙 珲 学 号 1100339028 指导教师 吕宝粮教授 专 业 计算机软件与理论 答辩日期 2013 年 1 月 7 日 Submitted in total fulfilment of the requirements for the degree of Masterin Computer Software and TheoryA Study on EEG based On-line FatigueMonitoring Algorithms H S Supervisor Prof. B -L L D C S ,
2、S E E E S J T U S , P.R.C Jan. 7th, 2013 大学硕士学位论文 ABSTRACT A Study on EEG based On-line Fatigue Monitoring Algorithms ABSTRACT Because traffic accidents caused by fatigue driving occur frequently in recen- t years, fatigue monitoring has become an important research topic. In the past re- searches o
3、ften use the facial video signal, blood pressure, body temperature or other physiologicalsignals. Comparedtothesesignals,theelectroencephalogram(EEG)can reflect the brains activities more directly and objectively, has a higher temporal reso- lution, and can not be artificially controlled and faked,
4、therefore, we use EEG signal to study fatigue monitoring in this article. In the first half of the article, we mainly introduce the common EEG processing processes, and in the second half we introduce the methods used in our research. Firstly, subjects are asked to complete task which will induce su
5、bjects fatigue, and at the same time we record subjects EEG signal and performance. Then we use fast Fourier transform (FFT) to obtain the power spectral density (PSD) features of the original EEG signal in the respective frequency bands. In order to remove the fatigue-unrelated noise, we use linear
6、 dynamic system (LDS) to smooth features. Then we use principal component analysis (PCA) to reduce fea- tures dimension and discard those features which have bad correlations with fatigue labels. Finally, we extend the remaining features to dynamic feature groups, use par- allel hidden Markov model
7、(PHMM) and fuzzy integral to train and fuse classifiers. Experimental results indicate that the accuracy of classification obtained by using our new method are 88.85 % for classifying 3 states and 83.09 % for classifying 4 states, respectively. KEY WORDS: EEG, Fatigue Monitoring, LDS, PHMM, Fuzzy In
8、- tegral iii 线疲劳监测算法研究 上海交通大学硕士学位论文 2.5 基于脑电信号疲劳监测的主要步骤和相关技术 . . . . . . . . . . . 13 2.5.1 降噪去伪迹 . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.5.2 特征提取 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.5.3 特征过滤 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.5.4 特
9、征降维与选择 . . . . . . . . . . . . . . . . . . . . . . . . 17 2.5.5 疲劳监测算法 . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.5.6 疲劳标记 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.6 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 第三章 基于脑电信号的疲劳监测算法研究 19 3.1 实验设
10、计及数据采集 . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.1.1 实验设备 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.1.2 实验流程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1.3 实验数据 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2 数据处理流程 . . . . . . . . . .
11、 . . . . . . . . . . . . . . . . . . . 22 3.3 预处理及脑区选择 . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.3.1 去噪预处理 . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3.2 脑区选择 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4 特征提取 . . . . . . . . . . . . . . . . . . . . .
12、. . . . . . . . . . . 26 3.4.1 基于傅里叶变换的特征提取方法 . . . . . . . . . . . . . . 26 3.4.2 对数功率谱密度与微分熵 . . . . . . . . . . . . . . . . . . 27 3.4.3 倍数化特征 . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.5 特征平滑过滤 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.5.1 滑动平均方法 . . . . . . .
13、. . . . . . . . . . . . . . . . . . 29 3.5.2 线性动力系统 . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.6 特征选择 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6.1 基于主成分分析的特征降维 . . . . . . . . . . . . . . . . . 32 3.6.2 基于相关系数的特征选择 . . . . . . . . . . . . . . . . . . 32 3.7 动态
14、特征提取 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 vi 大学硕士学位论文 目录 目 录 摘要 i ABSTRACT iii 目录 v 表格索引 ix 插图索引 xii 主要符号对照表 xiii 第一章 绪论 1 1.1 研究意义及目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 国内外研究现状 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.1 基于表情特征
15、. . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.2 基于生理特征 . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.3 基于行为特征 . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 主要工作及创新 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4 论文安排 . . . . . . . . . . . . . . . . . . . .
16、 . . . . . . . . . . . . 5 1.5 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 第二章 脑电信号与疲劳 7 2.1 脑电信号简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2 脑电信号基本特征 . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.3 脑电信号的采集 . . . . . . . . . . . . . . . .
17、. . . . . . . . . . . . 10 2.4 脑电信号与疲劳的关系 . . . . . . . . . . . . . . . . . . . . . . . . 12 v 基于脑电信号的在线疲劳监测算法研究 摘 要 由于近年来因疲劳驾驶导致的交通事故频发，疲劳监测已经成为了一项重 要的研究课题。过往的疲 劳监测研究中，常常使用驾驶员脸部视频信号、血 压、体温等生理信号。相比于这些信号，脑电信号能更加直接、客观地反映大 脑的活动情况，有着更高的时间分辨率，且无法人为控制和伪造，因此本文中 我们采用脑电信号来进行疲劳监测的研究。在文章的前半部分中我们主要介绍 常用的脑电处理流程与
18、方法，并在后半部分中介绍我们提出的数据处理流程及 使用到的方法。我们首先通过实验，在被试完成指定任务的过程中，诱发出被 试的疲劳状态，并同时记录被试的脑电信号以及任务完成情况。然后我们使用 快速傅里叶变换，获得原始脑电信号在各个频带上的 功率谱密度特征。为了去 除特征中与疲劳无关的噪音，我们使用线性动力系统中的相关算法对特征进行 平滑降噪，并将所有特征通过主成分分析提取出主要成分，从中去除与疲劳标 记值相关性较差的特征。最后我们扩展剩余特征为动态特征组，使用并联隐马 尔科夫模型进行分类，并通过模糊积分进行分类器融合。实验结果显示，该方 法可以在三类问题中获得 88.85 % 的分类精度，在四类
19、问题中获得 83.09 % 的 分类精度。 关键词： 脑电信号 疲劳监测 线性动力系统 隐马尔科夫 模型 模糊积分 i 大学硕士学位论文 表格索 引 表格索引 4 1 不同频带划分方式下不同倍数化特征的有监督方法测试精度 . . . 46 4 2 不同频带划分方式下不同倍数化特征的半监督方法测试精度 . . . 46 4 3 不同动态特征在不同类别数下的分类精度 . . . . . . . . . . . . . 47 4 4 不同的分类器融合算法在不同类别数中的分类精度 . . . . . . . . 50 4 5 不同类别数中的隐马尔科夫模型方法与支持向量机方法的分类 精度 . . . .
20、 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 ix 大学硕士学位论文 插图索引 插图索引 2 1 脑电产生原理以及脑电图示意图 . . . . . . . . . . . . . . . . . . . 7 2 2 脑地形图示意图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2 3 自发脑电示意图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2 4 诱发电位示意图 .
21、 . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2 5 功能核磁共振成像设备示意图 . . . . . . . . . . . . . . . . . . . . 10 2 6 湿电极和干电极采集技术示意图 . . . . . . . . . . . . . . . . . . . 11 2 7 Neroscan 放大器设备 . . . . . . . . . . . . . . . . . . . . . . . . . 11 2 8 被试 b8 的错误率和脑电功率谱示意图 . . . . . . . . . . . . .
22、. . 12 2 9 不同节律在不同疲劳状态下的脑地形图示意图 . . . . . . . . . . . 13 2 10 基于脑电信号的疲劳监测的一般步骤示意图 . . . . . . . . . . . . 14 2 11 含有伪迹的原始脑电信号 . . . . . . . . . . . . . . . . . . . . . . 14 2 12 8Hz 附近未经过滤的脑电能量对数特征 . . . . . . . . . . . . . . . 16 3 1 Neuroscan 脑电采集系统 . . . . . . . . . . . . . . . . . . . . . . . 19
23、 3 2 64 导电极帽电极分布图 . . . . . . . . . . . . . . . . . . . . . . . . 20 3 3 实验场景示意图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 4 刺激序列示意图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 5 部分刺激图片示意图 . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 6 数据处理流程 . . . . . .
24、 . . . . . . . . . . . . . . . . . . . . . . . 23 3 7 眼电、肌电信号的干扰 频带分布示意图 . . . . . . . . . . . . . . . 25 3 8 被试 S3 的三个典型频带上基于 CSP 算法得到的关键脑区疲劳相 关性示意图 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 9 线性动力系统模型结构示意图 . . . . . . . . . . . . . . . . . . . . 29 3 10 基于线性动力系统模型的脑电特征平滑过滤
25、效果图 . . . . . . . . 31 3 11 二维样本集上主成分分析的投影方向示意图 . . . . . . . . . . . . 33 xi 线疲劳监测算法研究 上海交通大学硕士学位论文 3 12 动态特征提取过程示意图 . . . . . . . . . . . . . . . . . . . . . . 34 3 13 DIF 模块运算过程示意图 . . . . . . . . . . . . . . . . . . . . . . . 34 3 14 Huber， Bisquare， Geman-McClure， L2-Norm 函数及其一阶导函 数的曲线图 . . . .
26、 . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3 15 基于隐马尔科夫模型的分类模型流程示意图 . . . . . . . . . . . . 39 3 16 包含三个状态的隐马尔科夫模型状态转移示意图 . . . . . . . . . 40 3 17 疲劳标记值计算流程图 . . . . . . . . . . . . . . . . . . . . . . . . 43 4 1 不同频带划分方式下不同倍数化特征的有监督方法精度对比图 . 45 4 2 不同频带划分方式下不同倍数化特征的半监督方法精度对比图 . 47 4
27、 3 不同动态特征在不同类别数下的分类精度对比图 . . . . . . . . . 48 4 4 不同参数的 RMSE 曲线： a 中为混合高斯数， b 中为状态数， c 中为分段序列长度， d 中为动态特征组数 . . . . . . . . . . . . . . 49 4 5 一个包含三个疲劳类别的分类样例 . . . . . . . . . . . . . . . . . 49 4 6 不同的分类器融合算法在不同类别数中的分类精度柱状图 . . . . 50 4 7 不同类别数中的隐马尔科夫模型方法与支持向量机方法的分类 精度柱状图 . . . . . . . . . . . . .
28、 . . . . . . . . . . . . . . . . . . 51 xii 大学硕士学位论文 主要符号对照表 主要符号对照表 EEG 脑电图 (Electroencephalogram) ECG 心电图 (Electrocardiogram) EOG 眼电图 (Electrooculogram) BEAM 脑地形图 (Brain Electrical Activity Mapping) F MRI 功能核磁共振成像 (Functional Magnetic Resonance Imaging) ICA 独立成分分析 (Independent Component Analysis)
29、LDS 线性动力系统 (Linear Dynamic System) EM 最大期望算法 (Expectation-Maximization) P CA 主成分分析 (Principle Component Analysis) CSP 共同空间模式 (Common Spatial Pattern) ST F T 短时傅里叶变换 (Short-Time Fourier Transform) F F T 快速傅里叶变换 (Fast Fourier Transform) P SD 功率谱密度 (Power Spectral Density) IRLS 重复再加权最小平方法 (Iteratively
30、Reweighted Least Squares) P HMM 并联隐马尔科夫模型 (Parallel Hidden Markov Model) xiii 大学硕士学位论文 目 录 3.8 疲劳监测算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.8.1 鲁棒最小二乘模型 . . . . . . . . . . . . . . . . . . . . . . 36 3.8.2 基于马氏距离的半监督回归模型 . . . . . . . . . . . . . . 38 3.8.3 基于 并联隐马尔科夫模型及模糊积分
31、的分类模型 . . . . . 39 3.9 疲劳标记 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.10 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 第四章 结果及分析 45 4.1 特征提取算法对比分析 . . . . . . . . . . . . . . . . . . . . . . . . 45 4.1.1 倍数化特征的对比分析 . . . . . . . . . . . . . . . .
32、. . . . 45 4.1.2 动态特征的对比分析 . . . . . . . . . . . . . . . . . . . . . 47 4.2 疲劳监测算法对比分析 . . . . . . . . . . . . . . . . . . . . . . . . 48 4.2.1 隐马尔科夫模型的对比分 析 . . . . . . . . . . . . . . . . . 48 4.2.2 分类器融合算法 . . . . . . . . . . . . . . . . . . . . . . . . 50 4.2.3 与现有算法的比较 . . . . . . . . . . . . .
33、 . . . . . . . . . 51 4.3 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 第五章 总结与展望 53 5.1 主要结论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.2 研究展望 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 参考文献 57 致谢 63 攻读学位期间发表的学术论文目录 65 vii
34、大学硕士学位论文 第一章 绪论 第一章 绪论 1.1 研究意义及目的 疲劳是一种精神状态和身体状态，较低的疲劳往往意味着警惕性降低 、注 意力不集中、身体反应力下降等。随着近几年交通事故频发，疲劳驾驶这一隐 形杀手逐渐走入大众的视野，受到大众的关注 1 5。北京市在 2003 年公布的 驾驶员警觉度测试结果中提到，根据问卷调查， 24 % 的驾驶者感觉有疲劳驾 驶，其中 10 % 的驾驶者在调查当天有瞌睡， 50 % 的被调查者回忆在驾车中曾 打过瞌睡。通过 PVT 仪器检测，发现 20 % 的被调查者反应时间延长， 24 % 的 疲劳驾驶者反应时间与没有感觉疲劳驾驶者相比明显延长（ 397m
35、s Vs 317ms, P0.01）， 50 % 的被调查者认为自己有睡眠问题，有睡眠问题的被调查者的反 应时间与没有睡眠相比明显延长（ 389ms Vs 315ms， P0.01） 6。而根据公安 部交通管理局统计， 2011 年，全国发生的 27 起一次死亡 10 人以上道路交通事 故中，涉及跨省长途客运车辆的有 8 起，在凌晨和午后疲劳驾驶多发时段发生 的有 14 起， 800 公里以上超长途客运班线营运客车肇事约占重特大事故的 27.5 %； 2012 年全国发生的 20 多起特大交通事故中，涉及在凌晨和午后疲劳驾驶 多发时段发生的有 10 多起 7。由此可见，对于夜间行车较多的长途客
36、车和长 途货车，驾驶员疲劳驾驶的现象尤其严重，而这一类汽车一旦发生交通事故， 往往会造成大量的人员伤亡。 2012 年，延安“ 8.26”特大交通事故中，一辆延 安客车与装载甲醇的罐车追尾，其中 36 人死亡，仅 3 人逃生，这无疑又一次 为我们敲响了警钟 7。因此，研究疲劳监测算法，对驾驶员的疲劳状态进行 实时监测，是辅助交通安全管理的一个重要课题，具有非常重要的现实意义。 早在 20 世纪 50 年代，人们就已经开始对疲劳进行研究，最初是研究人在 清醒和睡眠两个状态下的特征区别。随着研究的深入，研究者发现人的疲劳 过程并不能简单划分为清醒和睡眠两个状态，因此将整个过程进一步细分为 清醒、轻
37、度疲劳、瞌睡、睡眠四个等级。这些早期的研究使我们初步了解了疲 劳，但并未解答，哪些因素与疲劳有关，更未说明如何通过量化的指标来判断 人的疲劳程度。为了解决这些问题，人们在之后的研究中主要尝试了三种类型 的特征： 1）眼睛闭合程度、闭合时间、眨眼频率、点头频率、人脸朝向、人 1 线疲劳监测算法研究 上海交通大学硕士学位论文 眼注视方向以及嘴的开合程度等表情特征，这 些特征通过视频方式进行采集， 使用方便，但容易受光线影响，且疲劳监测准确度较低 8, 9； 2）皮肤阻抗、 血压、体温、脑电（ EEG）、心电（ ECG）、眼电（ EOG）等生理特征，这些特 征直接反应人体的生理变化，因此进行疲劳监测
38、时准确度较高，且信号较为准 确，但往往要求佩戴相应信号采集设备，使用较为不方便 10； 3）另外还可 以通过一些驾驶行为特征，比如车辆的车道偏离度、方向盘的非正常运动以及 手掌对方向盘的握力等 11。这类特征不会对驾驶员本身造成任何影响，但受 车辆类型、道路类型影响较大，疲劳 监测准确度较低。这三类特征各有优劣， 相比之下，由于脑电信号能更直接、客观地反映出大脑本身的活动，有着更高 的时间分辨率，而且无法人为控制、伪造，被誉为疲劳监测方法的“金标准”， 获得医学领域的广泛认可。因此本文将使用脑电信号进行在线疲劳监测算法的 研究，并尝试使用一种新的分类模型进行疲劳状态分类。 1.2 国内外研究现
39、状 目前国内外有很多科研机构和公司都在从事在线疲劳监测的研究，也有许 多商业化的疲劳监测系统面世。这些研究及产品基本基于上述三类特征，可归 纳如下。 1.2.1 基于表情特征 1998 年，卡耐基梅隆（ Carnegie Mellon）大学的驾驶研究中心研发了 PERCLOS 系统 8，其核心思想是测定眼睛闭合时间占特定时间的百分比。该 系统通过两个摄像头，利用视网膜对不同波长红外光的反射能力差异来定位 视网膜，并以此分析眼睛的大小和位置，来判断眼睛的睁闭，并在眼睛闭合度 超过 80 % 时，提醒驾驶员注意安全。 2001 年，美国纽约 Rensselaer Polytechnic 学院的 Q
40、iang Ji 对 PERCLOS 系统进行了改进，仅用一个摄像机对眼睛进行定 位 9。 2001 年同年，卡耐基梅隆大学的机器人研究所在 PERCLOS 系统的基 础上，克服了驾驶员佩戴眼镜时视频采集反光的问题，推出了 Copilot 系统 2。 2003 年，澳大利亚国立大学与沃尔沃公司合作的 Seeing Machines 公司研 发了一套 FaceLAB 系统 2。它综合了多种表情特征，包括驾驶员头部姿势、 眼睑运动、视线方向、瞳孔直径等。并解决了 PERCLOS 中暗光照、头部运动 2 大学硕士学位论文 第一章 绪论 和驾驶员佩戴眼镜等条件下的技术问题。目前这套系统已发展至第五 代，
41、已经 成为一套成熟的商业化产品。 1.2.2 基于生理特征 1994 年，日本先锋公司开发出了一套基于驾驶员心跳速率变化的疲劳驾驶 监测系统，并在确认驾驶员有睡意的时候播放音乐来予以警示 2。 2005 年，武汉理工大学的毛喆等人对不同精神状态时驾驶员的特异性生 理指标进行分析比较，采集了驾驶模拟器上被试的心率、皮电、肌电、皮温、 呼吸深度及频率等几项生理指标，并利用模糊聚类的方法实现疲劳状态的识 别 12。 2006 年，日本东京大学金子成彦教授领导的一个研究小组开发出了一种新 型的防止打瞌睡 的驾驶座。他们利用混沌信号分析法，通过分析脉搏信号的最 大 Lyapunov 指数的变化，检测出驾
42、驶员进入睡眠前出现的一种前兆信号。新 开发的带有传感器的驾驶座通过检测该信号，在驾驶员进入睡眠状态之前发出 警告。 1998 年起，眼电信号逐渐成为疲劳监测的一项新的指标 13, 14。目前 的研究已经证明从眼电中可准确提取出眼睑及眼球的运动特征，如慢速眼 动 15, 16、快速眼动 17、以及眼睑运动 18 等，这些特征涵盖了视频监测 中几乎所有眼部行为特征，且拥有不受环境干扰、较高时间分辨率、较低延迟 等特性。但传统眼电信号采集中干电极的位置位于眼睛四周，不方便穿戴，因 此通过进一步研究，前额眼电已被证明可准确还原出以上特征，可作为传统眼 电的替代，且穿戴更为方便 13, 14。但目前对于
43、眼电信号的特征分析还停留 在传统视频技术中的眼动特征上，并没有从眼电信号本身的谱特性或能量特 性上进行研究，相信随着研究的深入，前额眼电信号能够发挥其特长，往更实 用、精确的方向发展。 在基于脑电的疲劳监测方面 , 美国加州大学圣迭戈分校 Swartz 计算神经科 学中心自 1993 年起就展开了相关研究 19。该中心致力于研究大脑不同区域 功能性活动的观测和建模，分析疲劳与脑电频谱特征间的对应关系，以及相关 大脑皮层的放电方式。 2005 年，台湾新竹交通大学脑科学研究中心利用脑电 频谱特征，结合模糊神经网络等模式识别算法，进行了一系列的模拟驾驶环境 下的疲劳监测系统研究 20，同时与 Sw
44、artz 中心就干电极脑电采集技术以及脑 3 线疲劳监测算法研究 上海交通大学硕士学位论文 电信号处理技术等问题进行了合作研究，他们致力于研制便携式的 脑电采集设 备 21。 2007 年，新西兰坎特伯雷大学生物工程系，利用递归神经网络，尝试 在数秒内实时快速的完成疲劳监测 22。同样位于新西兰的范德威尔帕金森及 脑研究中心开发了一个基于传统的谱分析方法以及 ICA 算法的微睡状态监测系 统 3，通过对脑电进行分析来预测微睡状态，避免交通事故的发生。 1.2.3 基于行为特征 1995 年澳大利亚人设计开发了一套以驾驶员头部位置为监测对象的疲劳驾 驶监测系统。它的原理是通过人这个大导体的姿势变
45、化来改变电极间的电容， 进而测量头部的位置 2。 1999 年，美国的 Electronic Safety Products 公司开发了一套转向盘监视系 统 S.A.M（ steering attention monitor） 2。其原理是当人疲劳时，经常会做出 一些不正常的动作，若转向盘持续 4 秒不正常运动，系统就会发出报警声以示 警告。 2000 年，美国的 Ellison Research Labs 实验室开发出了一套 DAS2000 型路 面警告系统（ DAS2000 Road Alert System） 2。由于人在疲劳时往往会无意识 的偏 离车道，因此该系统通过对路面标志线进行实时跟踪，来判断车辆是否偏 离车道，并在确定偏离时向驾驶员发出警告。 2004 年欧盟启动了 AWAKE 计划，旨在开发和制定一套驾驶员疲劳监测和 预警系统的标准 2。它使用了驾驶员的表情、行为等多种特征，如眼睑运动、 视线方向、转向盘握力以及车道轨迹，并通过这些特征综合判定驾驶员的疲劳 状态，以此较为全面的监测和评价。 综上可见，由于视频信号采集方便，不接触人体，市场上较为成熟的商业
