基于多模态特征组合的真实驾驶疲劳状态识别.pdf

2023年10 月Chinese Journal of Biomedical EngineeringOctober2023中42卷5期医国No.5生Vol.42报程物学学基于多模态特征组合的真实驾驶疲劳状态识别王琳*王宏付荣荣3尹晓伟！刘劲涛1（沈阳工程学院机械学院，沈阳110136)2（东北大学机械工程与自动化学院，沈阳110819)3（燕山大学测控技术与仪器河北省重点实验室，河北秦皇岛066004)摘要：对驾驶员在驾驶过程中的疲劳状态进行实时准确的预判，可减少由于驾驶疲劳引发的交通事故。首先，通过无线体域网采集了12 名驾驶员在真实驾驶过程中的多模态特征，提取了脑电、肌电、呼吸等3种生理信号的特征参数近似熵，其中基于畸变能密度理论（DED）确定肌电信号的采集位置为颈6 棘突旁开2 cm处的上斜方肌；然后，通过模糊C聚类方法分析了3种特征参数组合对疲劳状态的反映效果；最后，建立基于马氏距离理论的真实驾驶疲劳判别模型。研究结果表明，驾驶员颈6 部位比颈7 部位肌电信号的ApEn值显著下降（P0.05），表明颈6处肌肉比颈7 处肌肉对驾驶员的疲劳状态反映更为敏感，实际检测结果与畸变能密度理论计算结果一致，证明了该位置提取肌电信号的正确性和准确性；脑、肌、呼吸这3种生理信号的ApEn值均随驾驶时间的延长呈递减变化，驾驶约90 min时递减趋势变缓，表明驾驶员进入疲劳状态；通过模糊C聚类分析可知，当脑电与肌电ApEn组合时，清醒与疲劳的概率分布界限清晰，可有效反映驾驶疲劳状态；以脑电和肌电近似为自变量，基于马氏距离理论建立真实驾驶过程的疲劳判别模型，其测试集准确率达90.92%，表明该模型能够比较准确的判别出驾驶员的疲劳状态。关键词：驾驶疲劳判别模型；脑电信号；肌电信号；呼吸信号；近似中图分类号：R318文献标志码：A文章编号：0 2 58-8 0 2 1（2 0 2 3）0 5-0 554-0 9Investigation on Actual Driver Fatigue Based on Combination of Multi-CharacteristicsWang Lin*Wang HongFu RongrongYinXiaoweil23Liu Jintao(Department of Mechanical Engineering,Shenyang Institute of Engineering,Shenyang 110136,China)2(School of Mechanical Engineering and Automation,Northeastern University,Shenyang 110819,China)(Measurement Technology and Instruction Key Lab of Hebei Province,Yanshan University,Qinhuangdao 066004,Hebei,China)Abstract:In order to discriminate driver fatigue accurately in real-time and reduce the traffic accidents causedby driver fatigue,physiological signals of 12 subjects in actual driving were recorded by wireless body areanetwork（W BA N），a n d a p p r o x i ma t e e n t r o p y（A p En）o f e l e c t r o e n c e p h a l o g r a p h（EEG)，e l e c t r o my o g r a p h y(EMG)and respiration(RESP)signals were extracted.The upper trapeziuses at 2 cm of both sides of 6thspinous process were determined as the data acquisition positions of EMG based on distortion energy density(DED)theory.Then the discriminant degree of their combination was analyzed by the fuzzy C-clusteringmethod.Finally,a discriminant model on driver fatigue was built based on Mahalanobis distance theory.Theexperimental results showed that the decreasing trend of the upper trapezius at 6 spinous process was moreobvious than that at 7 spinous process,and the significant index P0.05,indicating the muscles at 6 spinousprocess were more sensitive for driver fatigue.The actual testing result was consistent with the calculation resultof DED theory,and verified the correctness of acquisition position of EMG.During the actual driving,theApEns of EEG,EMG and RESP signals decreased.After about 90 min,the decreasing trend slowed down,doi:10.3969/j.issn.0258-8021.2023.05.005doi:10.3969/j.issn.0258-8021.2023.05.005收稿日期：2 0 2 1-10-18，录用日期：2 0 2 2-11-2 8基金项目：国家自然科学基金（6 2 0 0 1312,6 2 0 7 32 8 2）；辽宁省科学技术计划项目（2 0 2 1-MS-269）*通信作者（Correspondingauthor），E-ma i l：w a n g l i n s i e.e d u.c n5555期琳，等：基于多模态特征组合的真实驾驶疲劳状态识别indicating the deeper fatigue.By the fuzzy C-clustering analysis,in the case of the combination of EEC-EMG,obvious discrimination of the probability distribution between normal and fatigued state were detected,and theywere selected as independent variables.Finally,a discriminant model on driver fatigue based on Mahalanobisdistance theory was built,and its accuracy was up to 90.92%,which effectively discriminated the driverfatigue.Key words:discriminant model on driver fatigue;electroencephalograph(EEG);electromyography(EMG);respiration（RESP）s i g n a l s;a p p r o x i ma t e e n t r o p y（A p En)引言驾驶疲劳问题已引起全球各国研究人员的关注1-2 ,针对驾驶疲劳进行检测和判别具有重要的现实意义。大量研究表明，通过生理特征来判别驾驶员的疲劳状态，可靠性和准确性较高，因为生理特征不受驾驶人的主观意识而变化，是驾驶过程中最为客观的数据信息3-18 生理特征测试法即是通过测量人体的生理信号来判别其疲劳程度，选用不同的测量方法3-41、不同的生理信号5-6 、不同的特征参数7-9，都可以判别驾驶人的疲劳状态。Zhang等10 1认为脑电信号是反映驾驶员疲劳的有效生理特征,其通过一种新式的脑电信号收集方法建立了基于脑电信号特征参数的驾驶疲劳判别模型。肌肉疲劳也是疲劳状态的一个显著特征1，是驾驶员最易产生感性认识的生理特征。对此，Hostens等12 评估了驾驶过程中驾驶员的肌肉状态，并通过肌电信号来识别疲劳状态。Zou等13 和Luo等14 建立了基于多模态焰和经验模态分解的驾驶疲劳判别方法，认为近似熵可有效表征驾驶员的疲劳状态以上研究均为驾驶疲劳的判别提供了十分重要的指导。但是，合理标定肌电信号的疲劳易感位、基于多模态特征的组合分析、将实验范式用于真实驾驶过程等，在已公开发表的论文中涉及较少。本研究以前期研究为基础，将可穿戴传感器及无线体域网的在线检测方法191应用于真实驾驶过程，基于生物力学畸变能密度理论（distortion energydensity，D ED）合理标定驾驶员颈部肌肉的疲劳易感位，提取真实驾驶过程中驾驶员的多模态特征，并利用模糊C聚类算法确定能够反映驾驶疲劳状态的最优特征组合，以此来建立以马氏距离理论为判别准则的真实驾驶疲劳判别模型，最后采用十折交叉验证的方法检验模型的有效性，并分析该模型判别准确率高的原因。1材料和方法1.1驾驶实验设计本实验得到秦皇岛第一医院伦理委员会的批准。选取12 名年龄在2 2 35岁之间的志愿者作为被试者，被试者在参加实验前均签署了知情同意书。所有被试者身高为158 18 0 cm，体重为5585kg，无肌肉骨骼系统疾病史，且均有两年以上驾龄。实验前，被试者2 4h内不允许饮用酒精、咖啡等刺激性饮料。实验过程中，要求12 名被试者驾驶汽车在丹阜高速公路沈阳至丹东段连续驾驶12 0min，控制车速10 0 km/h以内，对驾驶员的多模态特征进行实时监测（见图1），包括脑电信号、肌电信号、呼吸信号等。生理信号由便携式可穿戴设备-生物反馈仪（Biofeedback2000）进行记录，其为戴在被试者身上的3个传感器模块，处理器为2 4bit，采样频率2 0 0 Hz。通过无线体域网来实现数据接收，采集到的数据直接发送到处理系统。同时，驾驶过程中辅助人员协助驾驶员每10 min填写SOFI-25（Sw e d i s h O c c u p a t i o n a l Fa t i g u e In v e n t o r y-2 5）主观调查表，该表能够反映驾驶员的以下5种感觉：精力不足、体力耗尽、身体不舒适、缺乏动力、困倦等，0 分表示无这5种感觉，10 分表示感觉强烈。该表是被试者根据自身感觉对当前疲劳程度的主观判断，以此来辅助确定驾驶员是否达到疲劳状态图1真实驾驶实验设计Fig.1Experimental design of actual driving42卷556中报程生学医学国物真实驾驶实验过程及数据处理流程如下：1）采集12 名驾驶员连续驾驶12 0 min的脑电、肌电、呼吸信号；2)采用经验模态分解EMD预处理方法去除肌电信号产生的基线噪声2 0 ，再对各驾驶员每10 min截取30 s数据计算其特征近似熵（若该30 s内有猛踩油门、刹车、急转弯等操作造成的信号突变，则将提取数据的时间点前移至该突变前的30 s）；3）根据模糊C聚类分析，选取能够有效表征驾驶疲劳的特征参数组合；4)构建基于马氏距离理论的驾驶疲劳判别模型，数据采集过程如下：清醒状态选取10 15min，疲劳状态选取10 0 10 5min，每30 s提取一组特征参数，则共有“两种状态（5min/0.5min）12 名被试者=2 40 组特征参数”，其中清醒状态和疲劳状态数据各为12 0 组。1.2基于畸变能密度理论确定肌电信号采集位置驾驶过程中驾驶员颈肌疲劳易发生在颈部低节段的颈6 和颈7 部位，首先对颈6 和颈7 节段肌肉进行受力分析，再基于畸变能密度理论建立颈部生物力学模型，分析颈部肌肉的受力情况，以此来为合理确定颈部肌电信号的采集位置提供理论依据。依托生物力学理论，根据驾驶员的实际驾驶姿势，按照人体头颈部构造及受力情况，将其简化为图2 所示的变截面悬臂梁。图中,G为颈部外载（主要为头部重量），X为颈部阻力臂，L为颈部均部载荷长度，q为载荷系数，0 为屈颈角度。式（1）为复杂应力状态下畸变能密度方程。根据图2 给出的驾驶姿态受力分析可知，颈部受力符合单向拉伸屈服，则由式（1）可推导出式（2）所示的驾驶员颈部生物力学模型，据此可计算得到颈部任意垂直于颈部棘突的截面肌肉的正应力。由颈部构造可知，DA额。DA预7,DB额6 0），对每一个矢量X(i)值,统计距离小于的数目,并计算该数目与总距离N-m的比值，记为Ci（m）（r），即1Cim)(dX(i),X(j)r 的数目N-m(5)步骤4:将Ci(m)（r）取对数,再求所有i的平均值，即1N-m+1d(m)InC(m)(r)(6)N-m+1步骤5：将矢量增加为m+1维，重复步骤1 步骤4,得到Ci(m+1)(r）及(m+1)（r）。步骤6：计算近似熵值：ApEn(N,m,r)=(m)(r)-(m+1)（r）(7)1.4.2模糊C聚类采用模糊C聚类将多模态生理信息ApEn组合进行分析，即通过计算样本对类别的隶属度来达到自动对样本进行分类的目的。其优化目标函数为2 6 NCJ=(8)算法如下：步骤1：初始化；(9)步骤2:利用Uck计算矢量中心点C(h)=c(第步）,式中，N=1(10)=步骤3:更新Uc）和Uk+11(11)Ck=1步骤4:若U(k+1）-U（k），则停止；否则回到步骤2。1.4.3马氏距离算法根据马氏距离（Mahalanobisdistance）理论来建立驾驶疲劳判别模型，其能考虑到数个特征与样本集之间的关系。即根据式（12)分别计算特征样本x至总体Q和Q，的马氏距离D,（x，Q,）和D,（x，Q）。若D,0,xEQ(18)H(x)0,xEQ1.5统计学分析为了考察不同特征参数在表征清醒与疲劳两种状态时的差异性，对提取的生理信号的特征参数ApEn进行了配对t检测，检测方法是采用SPSS统计分析软件对数据样本进行统计学分析。当计算得到的显著性P0.05时，表明其在表征清醒与疲劳状态时差异不明显2 8 2结果2.1特征参数近似熵的提取结果所采集的12 名驾驶员在丹阜高速公路连续驾驶12 0 min的脑电、肌电、呼吸信号近似熵ApEn平均值变化趋势如图5所示。由图可见，3种信号的ApEn均随时间的增加呈递减型变化，表明被试者疲劳程度呈上升趋势。约8 0 90 min后ApEn值下降程度减缓，表明驾驶员进人疲劳状态。虽然驾驶情况具有差异性，反映驾驶疲劳的各特征参数略有波动，但整体递减型变化趋势保持一致，具有规律性。其中，脑电及肌电信号近似摘在各时间节点处的标准差较小，说明其近似嫡对识别驾驶员疲劳有较高的区分度及稳定性。基于以上真实驾驶的检测结果，根据图5的多模态信息数据、驾驶员主观调查结果、文献调研2 9 相结合的方式定义：驾驶初期的0 30 min为清醒状态,90 12 0 min为疲劳状态。2.2基于模糊C聚类的特征参数组合分析利用模糊C聚类对多模态特征近似熵组合实1.71.61.51.41.31.2肌电信号0.4脑电信号一呼吸信号0.30.20.1020406080100120驾驶时间/min图5所有被试者生理信号ApEn的近似熵均值Fig.5Averaged value of ApEns of physiological signalsofall subjects施分析，其目的是淘汰对驾驶疲劳反映不灵敏的特征参数，从而获取能够有效反映疲劳状态的最优特征组合。脑电-肌电、脑电-呼吸、肌电-呼吸近似熵的聚类分析结果分别如图6-8 所示，图中给出的是清醒状态的概率分布。由图6 可见，当脑电、肌电ApEn值都较大时，清醒状态的概率较大（达8 0%以上）；当脑电、肌电ApEn都较小时，清醒状态的概率较小（不足2 0%），即疲劳状态的概率大。图中所示的脑电-肌电组合，清醒与疲劳的概率分布界限明显，即一个脑电ApEn与一个肌电ApEn可反映驾驶员的一个状态（清醒或疲劳），这是此种组合的优势所在，可有效识别驾驶员的状态。但是，脑电、呼吸特征组合时（见图7），在脑电ApEn的坐标轴上具有一定的界限，而在呼吸ApEn的坐标轴上没有清晰的界限，在划分上存在两种状0.91.00.80.80.70.6元0.60.40.50.2、0.40.31.00.80.20.61.00.40.80.10.60.20.4ApenEEG000.2ApenEMG图6脑电信号与肌电信号特征近似焰聚类结果Fig.6Clustering results of ApEns of EEG and EMG5595期琳，等：基于多模态特的真实驾驶疲劳状态识别Z1.00.90.80.80.70.60.60.40.50.40.20.31.00.20.51.00.10.60.80.4ApenEEG000.2ApenRESP图7脑电信号与呼吸信号特征近似聚类结果Fig.7Clustering results of ApEns of EEG and RESP0.91.00.80.80.70.60.60.40.50.20.400.31.00.80.20.61.00.40.80.10.60.20.40.2ApenRESP00ApenEMG图8肌电信号与呼吸信号特征近似焰聚类结果Fig.8Clustering results of ApEns of EMG and RESP态的混叠，因此该组合不能有效识别驾驶员状态。同样，肌电、呼吸特征组合时（见图8），也无法有效判别驾驶员的状态2.3基于马氏距离理论的驾驶疲劳判别模型建立与验证根据以上模糊C聚类分析，本研究选取脑电信号和肌电信号的近似熵ApEn作为表征驾驶疲劳的特征参数组合。基于马氏距离理论构建的驾驶疲劳判别模型如式（19）所示H=-0.858 9+1.223 9 APEEC-0.562 3 APPEMC(19)式中，APEEc代表驾驶员脑电信号的近似熵，APEMG为肌电信号的近似熵，式中的系数是根据式（17）的系数矩阵计算得到的。为评价该判别模型的准确性，将12 0 组数据集分成10 份，分别将9份作训练集，1份作测试集，做十折交叉验证，结果如表1所示。可见，测试集的平均正确率达90.92%，正确率较高。2.4配对t检测结果为进一步解明本研究建立的驾驶疲劳判别模型准确率高的原因,对3种特征ApEn进行了配对t检测，检测结果列于表2。由表可见，脑电信号和肌电信号的ApEn显著性P值较小（P0.05），表明其在表征清醒与疲劳状态时差异不明显。3讨论本研究的主要创新之处为：基于生物力学畸变能密度理论和真实驾驶实验，合理标定了驾驶员颈部肌肉的疲劳易感位，为驾驶疲劳判别领域确定颈部肌电信号提取的国际标准位奠定了理论基础；分析了真实驾驶过程中多模态特征近似熵的变化规律，利用模糊C聚类算法确定能够反映驾驶疲劳状态的最优特征组合；建立了以马氏距离理论为判别准则的真实驾驶疲劳判别模型，准确率达90.92%。以往关于肌电信号的研究主要是根据驾驶员的主观感受来选择易疲劳的肌肉部位，据此来确定肌电信号的采集位置，而且多是针对某一部位肌肉展开的，对于不同部位的肌肉疲劳程度的分析和比较鲜有报道30 3。本研究在前人研究的基础上，基于畸变能密度理论确定了颈部肌肉疲劳易感位，即颈6 棘突旁开2 cm处的上斜方肌为肌电信号的提取位置。相比于同类研究33-34,结合生物力学理论正确捕捉生理信号的疲劳易感位，科学合理地确定检测电极位置，可有效提高疲劳判别模型的准确性。众所周知，驾驶员座椅角度及靠背位置改变会使图2 所示的角发生变化，从而影响颈部肌肉组织的受力情况。但角的改变虽然能够改变颈6、颈7 处的应力值，但并不能改变二者的大小关系，即无论6 角增加或减小，颈6 处的应力值恒大于颈7处。以往的驾驶疲劳研究主要是采用模拟驾驶实验进行的，且多是针对单一生理信号或特征参数展开研究。例如，对驾驶员模拟驾驶状态下的脑电信号进行实时监测，分析比较传统分类器支持向量机（s u p p o r t v e c t o r m a c h i n e，SVM）、K 近邻算法（Knearest neighbor，K NN）、分层极限学习机(hierarchical extreme learning machine,H-ELM）、人工鱼群算法（artificialfish-swarmalgorithm，A FSA）等56042卷中生报学程医国学物表1十折交叉验证驾驶疲劳判别模型的正确率(%)Tab.1The accuracy(%)of 10-cross validation for discriminant model of driver fatigue第1次第2 次第3次第4次第5次第6 次第7 次第8 次第9次第10 次平均训练集92.4293.7791.8389.7194.6193.8691.8792.4388.5694.2292.33测试集90.3191.2288.6591.2691.5290.1292.7493.2988.4591.6390.92表2 生理信号近似熵的配对1检测结果Tab.2Paired-t test results for ApEns of physiologicalsignals生理信号状态个数均值土标准差值P值正常1201.42770.0262脑电信号6.4760.001疲劳1201.221.40.018 4正常1201.59650.0391肌电信号7.8290.002疲劳1201.376 80.023.0正常1200.31920.0877呼吸信号0.5720.116疲劳1200.25030.1042对疲劳的识别效果，并通过ASFA算法对H-ELM算法的隐含层惩罚因子C和隐含层层数K进行了优化（AFSA-H-ELM），为驾驶疲劳判别提供了新的研究途径35-36虽然利用模拟驾驶实验及单一参数能够反映驾驶员的一部分疲劳状况，但存在一定的局限性。如模拟驾驶实验采集数据为模拟数据，虽然脑电信号反映的信息比较多，但目前真正提取出的深层脑电信息量并不是很丰富。近年来，多模态生理信息的融合技术逐渐成为驾驶疲劳判别的研究热点之_2 9,37-40 本研究采用真实驾驶实验数据，利用模糊C聚类算法将脑电、肌电等生理信号进行有效融合，实现了信息互补，获取了能够有效反映驾驶疲劳状态的最佳特征组合。由图5的生理信号检测结果可知，驾驶员生理信号的ApEn值均随时间的增加呈递减型变化，表明被试者疲劳程度呈上升趋势。其原因如下：脑电ApEn反映了神经系统相互调节的有序程度，其随驾驶时间增加呈现递减型变化，表明伴随疲劳的累积，大脑的处理能力减弱，传递信息的速度变慢，即处理随外界环境变化调控自我状态的效率降低41；类似地，颈肌信号ApEn随驾驶时间延长也呈明显的递减型变化，表明颈部肌肉筋膜组织受到持续牵拉，颈肌僵硬，活动受限42 。在此基础上，本研究利用模糊C聚类算法证明了脑电与肌电信号ApEn为反映驾驶疲劳状态的最佳特征组合，由表2 所示的配对t检测结果进一步验证了该结论。综上，相较于同类模型33.43，本研究基于多模态特征组合建立的真实驾驶疲劳判别模型准确率较高，原因有二：一是根据生物力学畸变能密度理论合理确定了对疲劳状态反映最灵敏的肌电信号采集位置，即数据采集更加科学化；二是通过模糊C聚类分析选择了对驾驶疲劳状态具有良好辩识度的特征参数及其组合，即特征选择更加科学化。可见，本研究的建模方法可为未来的驾驶疲劳研究领域提供一定的借鉴和参考意义。驾驶操作和疲劳状态的形成机理复杂，对驾驶员疲劳状态的识别涉及的内容和研究领域也比较广泛，提出的识别方法离实际应用还有一定工作要做。本研究所建立的驾驶疲劳判别模型和识别技术比较容易应用于实际驾驶过程，未来在实际应用中可采用穿戴型传感器及无线体域网在线提取和传输驾驶员生理信号，不会对正常驾驶造成干扰；数据处理与模型计算可同步在车内进行；当模型识别出疲劳状态时，可进一步开发疲劳报警系统，从而实现有效检测及预防疲劳驾驶的目的。4结论本研究采用无线体域网在线检测的方式采集了驾驶员在真实驾驶时的多生理信号。根据畸变能密度理论和实验结果科学合理地确定了驾驶员肌电信号采集位置，为颈6 棘突旁开2 cm处的上斜方肌。通过模糊C聚类方法选择了对驾驶疲劳辨识度较高的脑电与肌电ApEn组合为特征参数。最后建立了基于马氏距离理论的真实驾驶疲劳判别模型，十折交叉验证结果表明测试集的平均准确率达90.92%。研究结果可为驾驶疲劳判别领域确定颈部肌电信号提取的国际标准位提供参考依据，为预防真实驾驶过程中的驾驶疲劳及其引发的交通事故提供一种实时监测方法。参考文献Davidovic J,Pesic D,Lipovac K,et al.The significance of thedevelopment of road safety performance indicators related to driverfatigue J.Transportation Research Procedia,2020,45:333-342.2付荣荣，鲍甜恬，田永胜，等.基于子成分分解的脑电信号去噪方法比较研究J】.计量学报，2 0 19,40（4）：7 0 8-7 13.3Schneider L,Frings K,Rothe S,et al.Effects of a seat-integrated5615期琳，等：基于多模态特征组合的真实驾驶疲劳状态识别mobilization system during passive driver fatigue J.AccidentAnalysis.and Prevention,2021,150:105883.4Hu Xinyun,Lodewijks G.Detecting fatigue in car drivers andaircraft pilots by using non-invasive measures:the value ofdifferentiation of sleepiness and mental fatigue J.Journal ofSafetyResearch,2020,72:173-187.5Zhou Feng,AlsaidA,Blommer M,et al.Driver fatiguetransitionpredictionninhighlyaautomateddrivingusingphysiological features J.Expert Systems with Applications,2020,147:113204.6Ahmadi A,Bazregarzadeh H,Kazemi K.Automated detection ofdriver fatigue from electroencephalography through wavelet-basedconnectivity J.Biocybernetics and Biomedical Engineering,2020,41(1):316-332.7李昕，李红红，李长吾.基于复杂度嫡特征融合的高压力人群情感状态评估J】.中国生物医学工程学报，2 0 13,32（3）：313-320.8王波，唐先智，王连东，等.基于EEMD和理论的电动汽车制动意图识别方法J.汽车工程，2 0 18,40（8）：935-941.9Patel M,Lal SKL,Kavanagh D,et al.Applying neural networkanalysis on heart rate variability data to assess driver fatigue J.Expert Systems with Applications,2011,38(6):7235-7242.10Zhang Chi,Sun Lina,Cong Fengyu,et al.Optimal imaging ofmulti-channel EEC features based on a novel clustering techniquefor driver fatigue detection J.Biomedical Signal Processing andControl,2020,62:102103.11张启忠，席旭刚，马玉良，等.基于表面肌电信号的手腕动作模式识别J.中国生物医学工程学报，2 0 13,32（3）：2 57-2 6 5.12Hostens I,Ramon H.Assessment of muscle fatigue in low levelmonotonous task performance during car driving J.Journal ofElectromyography and Kinesiology,2005,15(3):266-274.13Zou Shuli,Qiu Taorong,Huang Peifan,et al.Constructingmulti-scale entropy based on the empirical mode decomposition(EMD)and its application in recognizing driving fatigue J.Journal of Neuroscience Methods,2020,341:108691.14Luo Haowen,Qiu Taorong,Liu Chao,et al.Research on fatiguedriving detection using forehead EEG based onadaptive multi-scale entropy J.Biomedical Signal Processing and Control.2019,51:50-58.15Zhang Chi,Ma Jinfei,Zhao Jian,et al.Decoding analysis ofalpha oscillation networks on maintaining driver alertness J.Entropy,2020,22(7)：2 2 0 7 0 7 8 7.16张明恒，刘朝阳，郭政先，等.基于CM-HMM的驾驶人疲劳状态检测J.大连理工大学学报，2 0 2 1,6 1（4）：399-40 7.17Wang Haijie,Liu Xintian,Wu Que,et al.An improved fatiguelife prediction model for shock absorber cylinder with surfaceroughness correction J.Engineering Computations,2021,38(6):2713-2732.18Xiao Cangyan,Han Liu,Chen Shuzhao.Automobile driverfatigue detection method based on facial image recognition undersingle sample condition J.Symmetry,2021,13(7):1195-1195.19Fasee U,Zaka U,Sheeraz A,et al.Traffic priority based delay-aware and energy efficient path allocation routing protocol forwireless body area network J.Journal of Ambient IntelligenceandHumanized Computing,2019,10(10):3775-3794.20樊风杰，白洋，纪会芳.基于EEMD-ICA的脑电去噪算法研究J】.计量学报，2 0 2 1,42（3）：395-40 0.21付荣荣，王宏，王琳，等.基于无线体域网中多生理信号驾驶疲劳检测J.东北大学学报（自然科学版），2 0 14,35（6）：8 50-853.22谢宏，周笑丽，夏斌，等.疲劳驾驶识别中的脑电信号特征选择算法和支持向量机模型研究J.中国生物医学工程学报，2014,33(4):482-486.23Richman JS,Moorman JR.Physiological time-series analysisusing approximate entropy and sample entropy J.AmericanJournal of Physiology Heart&Circulatory Physiology,2000,278(6):2039-2049.24Sabeti M,Katebi S,Boostani R.Entropy and complexitymeasures for EEG signal classification of schizophrenic andcontrol participants J.Artificial Intelligence in Medicine,2009,47(3):263-274.25王琳，化成城，姜鑫，等.基于颈腰部肌电及脑电信号的疲劳驾驶检测J】.东北大学学报（自然科学版），2 0 18，39（1）：10 2-107.26Askari S.Fuzzy C-means clustering algorithm for data withunequal cluster sizes and contaminated with noise and outliers:review and development J.Expert Systems with Applications,2021,165:113856.27Kobayashi Y.Improved method for correcting sample Mahalanobisdistance without estimating population eigenvalues or eigenvectorsof covariance matrix J.International Journal of Data Science&Analytics,2020,10(2):121-134.28Wang Hong,Zhang Chi,Shi Tianwei,et al.Real-time EEC-based detection of fatigue driving danger for accident predictionJ.International Journal of Neural Systems,2015,25(2):155-164.29Zhang Chi,Wang Hong,Fu Rongrong.Automated detection ofdriver fatigue based on entropy and complexity measures J.IEEE Transa