基于腿部sEMG的驾驶疲劳状态判别方法

doi:10.19562/j.chinasae.qcgc.2025.05.015

摘要/Abstract

摘要：

基于驾驶员腿部的表面肌电信号提出一种非侵入式的驾驶疲劳状态判别方法。首先，通过模拟驾驶疲劳实验采集驾驶员右腿胫骨前肌的肌电信号，并通过主观评价量表进行疲劳状态的标注。其次，采用变分模态分解算法对表面肌电信号进行噪声滤除，并从分解得到的5个IMF分量中提取12个时频域特征值。最后，构建基于鲸鱼算法优化支持向量机的驾驶疲劳状态判别模型。结果表明：该方法对于3种疲劳状态具有较好的判别效果，其准确率可达84%以上。

关键词: 驾驶疲劳, 表面肌电信号, 疲劳状态判别

Abstract:

A non-invasive driving fatigue state identification method based on the surface electromyographic signals of the driver's legs is proposed. Firstly， the electromyographic signal of the tibialis anterior muscle of the driver's right leg is collected through a simulated driving fatigue experiment， and the fatigue status is marked through a subjective evaluation scale. Secondly， a variational mode decomposition algorithm is used to filter out noise on the surface electromyographic signal， and 12 time-frequency domain eigenvalues ??are extracted from the five IMF components obtained by decomposition. Finally， a driving fatigue state discrimination model based on whale algorithm optimized support vector machine is constructed. The results show that this method has a good discrimination effect on three fatigue states， with an accuracy of more than 84%.

Key words: driving fatigue, surface electromyographic signals, fatigue state classification

俞宁,罗晓茗,舒梓荣,李博远,张颜. 基于腿部sEMG的驾驶疲劳状态判别方法[J]. 汽车工程, 2025, 47(5): 951-962.

Ning Yu,Xiaoming Luo,Zirong Shu,Boyuan Li,Yan Zhang. A Discriminative Method for Driving Fatigue State Based on Leg sEMG[J]. Automotive Engineering, 2025, 47(5): 951-962.

图/表 20

图1

图2

表1

图3

图4

表2

表3

图7

图8

图9

图10

图11

图12

图13

图14

图15

图16

图17

表4

参考文献 26

1	JIANG K， LING F， FENG Z， et al. Why do drivers continue driving while fatigued？ an application of the theory of planned behaviour［J］. Transportation Research Part A： Policy and Practice， 2017， 98： 141-149.
2	ZHANG X， WANG X， YANG X， et al. Driver drowsiness detection using mixed-effect ordered logit model considering time cumulative effect［J］. Analytic Methods in Accident Research， 2020， 26： 100114.
3	周继红，杨傲，袁丹凤，等.疲劳驾驶及其评估方法进展［J］.伤害医学（电子版）， 2021， 10（3）：45-50.
	ZHOU J， YANG A， YUAN D， et al. Fatigue driving and evaluation methods［J］. Injury Medicine （Electronic Edition）， 2021， 10（3）：45-50.
4	LI Z， CHEN L， NIE L， et al. A novel learning model of driver fatigue features representation for steering wheel angle［J］. IEEE Transactions on Vehicular Technology， 2022， 71：269-281.
5	WANG Y， JIN L， LI K， et al. Drowsy driving detection based on fused data and information granulation［J］. IEEE Access， 2019， 7： 183739-183750.
6	SUN Z， MIAO Y， JEON J Y， et al. Facial feature fusion convolutional neural network for driver fatigue detection［J］. Engineering Applications of Artificial Intelligence， 2023， 126： 106981.
7	YI Y， ZHOU Z， ZHANG W， et al. Fatigue detection algorithm based on eye multifeature fusion［J］. IEEE Sensors Journal， 2023， 23（7）： 7949-7955.
8	MATEUSZ K， BOGUSLAW C. Driver’s fatigue recognition based on yawn detection in thermal images［J］. Neurocomputing， 2019， 338： 274-292.
9	LIU Y， XIANG Z， YAN Z， et al. CEEMDAN fuzzy entropy based fatigue driving detection using single-channel EEG［J］. Biomedical Signal Processing and Control， 2024， 95：106460.
10	SUN W， JIANG W， LI C， et al. Study on identification method of driver fatigue considering individual ECG differences［J］. Cognition， Technology & Work， 2024， 26（2）：301-312.
11	LU J， ZHENG X， ZHANG T， et al. Can steering wheel detect your driving fatigue？［J］. IEEE Transactions on Vehicular Technology， 2021， 70（6）： 5537-5550.
12	王琳，罗旭，姜鑫，等. 基于生物力学和颈腰部EMG判别驾驶员疲劳状态［J］. 汽车工程， 2017， 39（8）： 955-960，967.
	WANG L， LUO X， JIANG X， et al. Detection on driver fatigue based on biomechanics and EMG of cervical and lumbar muscles［J］. Automotive Engineering， 2017， 39（8）： 955-960，967.
13	杨巨成，魏峰，林亮，等. 驾驶员疲劳驾驶检测研究综述［J］. 山东大学学报（工学版）， 2024， 54（2）： 1-12.
	YANG J， WEI F， LIN L， et al. A research survey of driver drowsiness driving detection［J］. Journal of Shandong University （Engineering Science）， 2024， 54（2）： 1-12.
14	苏瑞芝，唐巾卜，阿地力·吐合提，等. 基于生理参数的驾驶疲劳检测方法综述［J］. 复旦学报（自然科学版）， 2023， 62（4）： 419-427.
	SU R， TANG J， ADILI T， et al. A review of physiological signals-based driving fatigue detection algorithms［J］. Journal of Fudan University （Natural Science）， 2023， 62（4）： 419-427.
15	SUN J， LIU G， SUN Y， et al. Application of surface electromyography in exercise fatigue： a review［J］. Frontiers in Systems Neuroscience， 2022， 16： 893275.
16	NA L， RUI Z， BHARATH K， et al. Non-invasive techniques for muscle fatigue monitoring： a comprehensive survey ［J］. ACM Computing Surveys， 2024， 56（9）： 40.
17	ZHANG C， WANG H， FU R. Automated detection of driver fatigue based on entropy and complexity measures［J］. IEEE Transactions on Intelligent Transportation System， 2014，15（1）：168-177.
18	FU R， WANG H， ZHAO W. Dynamic driver fatigue detection using hidden Markov model in real driving condition［J］. Expert Systems with Applications， 2016， 63：397-411.
19	WANG L， WANG H， LIU J. Discrimination of driver fatigue based on distortion energy density theory and multiple physiological signals［J］. IEEE Access， 2021， 9：151824-151833.
20	王琳，张陈，尹晓伟，等. 一种基于驾驶员生理信号的非接触式驾驶疲劳检测技术［J］. 汽车工程， 2018， 40 （3）： 333-341.
	WANG L， ZHANG C， YIN X， et al. A non-contact driving fatigue detection technique based on driver’s physiological signals［J］. Automotive Engineering， 2018， 40 （3）： 333-341.
21	FRASIE A， BERTRAND-CHARETTE M， COMPAGNAT M， et al. Validation of the Borg CR10 Scale for the evaluation of shoulder perceived fatigue during work-related tasks［J］. Applied Ergonomics， 2024， 116： 104200.
22	ZHOU Q， CHEN Y， MA C， et al. Evaluation of upper limb muscle fatigue based on surface electromyography［J］. Science China Life Sciences， 2011，54：939-944.
23	董洋，王琳，张娜娜，等. 基于变分模态分解与小波阈值结合的表面肌电信号去噪分析与研究［J］. 沈阳工程学院学报（自然科学版）， 2023， 19（2）： 79-84.
	DONG Y， WANG L， ZHANG N， et al. Analysis and study of SEMG based on variational mode decomposition and wavelet threshod［J］. Journal of Shenyang Institute of Engineering （Natural Science）， 2023， 19（2）： 79-84.
24	QIN P， SHI X. Evaluation of feature extraction and classification for lower limb motion based on sEMG signal［J］. Entropy， 2020， 22（8）： 852.
25	曹昂，张珅嘉，刘睿，等. 基于表面肌电信号的肌肉疲劳状态分类系统［J］. 计算机应用， 2018， 38（6）： 1801-1808.
	CAO A， ZHANG S， LIU R， et al. Muscle fatigue state classification system based on surface electromyography signal［J］. Journal of Computer Applications， 2018， 38（6）： 1801-1808.
26	MIRIALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016， 95： 51-67.

类别	均值	标准差
年龄/岁	24.6	1.56
驾龄/年	3.3	1.42
身高/cm	173.7	5.62
体质量/kg	70.8	10.38

评分	描述	分级
0	没有任何感觉	不疲劳
0.5	极微弱（仅能被察觉）	不疲劳
1	非常微弱	轻度疲劳
2	轻度	轻度疲劳
3	中度	中度疲劳
4	稍重度	中度疲劳
5	重度	重度疲劳
6
7	很重度
8
9	极重度（几乎最大）
10	最大

实验员	轻度疲劳起点	轻度疲劳终点	中度疲劳起点	中度疲劳终点	重度疲劳起点	重度疲劳终点
A	1 813	5 108	5 417	6 862	7 145	7 809
B	1 925	5 122	5 199	7 006	7 104	7 788
C	1 924	5 222	5 520	7 674	7 822	8 145
D	1 807	5 108	5 404	6 804	6 850	7 208
E	1 864	5 409	5 742	7 969	8 168	9 308
F	1 837	5 136	5 438	7 125	7 177	8 104
G	1 785	5 107	5 413	7 144	7 206	7 811
H	1 814	5 145	5 410	6 969	7 110	7 541
I	1 811	5 117	5 406	7 108	7 179	7 803
J	1 810	5 108	5 430	6 881	7 020	7 850

分类预测算法	训练/%	测试/%	轻度/%	中度/%	重度/%
SVM	86.94	82.89	97.72	81.12	40.53
WOA-SVM	96.30	84.39	98.88	88.59	82.75