基于心率变异性和呼吸频率的驾驶疲劳识别模型研究

作者：向洪义; 张琼敏; 王俊杰; 王思平; 廖志康; 孙丽璐; 李奎; 赵辉^*

来源：陆军军医大学学报, 2022, 44(13): 1299-1306.

DOI：10.16016/j.2097-0927.202203057

• 军用车辆
• 驾驶疲劳
• 心率变异性
• 呼吸频率
• 机器学习

目的 建立结合心率变异性(heart rate variability, HRV)和呼吸频率(respiratory rate, RESP)的驾驶疲劳识别机器学习模型并明确最优特征子集。方法 2021年6-12月，从陆军军医大学招募20名年龄在20～30岁之间的健康男性志愿者参加疲劳驾驶试验。记录正常睡眠和睡眠剥夺后驾驶员在驾驶任务中的心电信号，提取18维疲劳相关HRV特征值，选择清醒与疲劳状态下存在差异的HRV特征结合RESP作为特征集。比较支持向量机(support vector machines, SVM)、K最邻近(k-nearest neighbor, KNN)、朴素贝叶斯(naive Bayes, NB)、决策树(decision tree, DT)和逻辑回归(logistic regression, LR)这五种经典机器学习方法，筛选最优特征子集，并建立疲劳识别模型。结果 低频功率(low frequency, LF)与高频功率(high frequency, HF)的比值LF/HF、RESP、平均RR间隔(mean RR interval, Mean RR)、样本熵(sample entropy, SampEn)、去趋势波动分析(detrended fluctuation analysis, DFA)短期斜率DFAα1五个特征是疲劳识别的有效特征子集，在SVM中分类效果最好，疲劳识别的准确性、敏感性、特异性分别为87.03%、87.07%、87.13%。其中LF/HF和RESP是最为重要的驾驶疲劳识别指标，两个维度下各个模型的准确性均能达到80%以上，SVM与LR整体表现更好，准确性、敏感性、特异性分别为84.99%、85.13%、82.65%和84.43%、86.49%、82.02%。结论 LF/HF、RESP是驾驶疲劳识别的有效特征，在基于HRV特征和RESP的驾驶疲劳识别中SVM与LR的整体表现优于其他模型。

• 单位
  重庆理工大学