基于 KC的生理性精神疲勞分級的可行性研究

張連毅

(上海電機學院電子信息學院,上海200240)

基于 KC的生理性精神疲勞分級的可行性研究

張連毅

(上海電機學院電子信息學院,上海200240)

研究了不同精神疲勞狀態下腦電信號的柯爾莫哥洛夫復雜度(KC),通過對8例不同精神疲勞狀態下腦電信號 KC的分析后發現:腦電信號柯爾莫哥洛夫熵的波動范圍與精神疲勞的狀態有著明顯的對應關系;利用 KC對生理性精神疲勞進行分級具有一定的可行性。

精神疲勞;腦電信號;柯爾莫哥洛夫復雜度;前額葉皮層;顯著性差異

Abstract：In this paper,the Kolmogorov complexity(KC)of EEG under different mental fatigue statuses was measured.By analyzing the relationship between different mental fatigue statuses and the corresponding KC of EEG,we show that 1)the value of KC is strongly correlative with the mental fatigue state,and the value of mean KC corresponding to a special mental status fluctuates within the special range;and 2)it may be possible to differentiate different mental fatigue level objectively according to the KC value.

Key words:mental fatigue;electroencephalogram(EEG);Kolmogorov complexity(KC);prefrontal cortex;significant difference

疲勞是一種自我感覺[1]。生理性精神疲勞是一個包括由精神和體力活動引起的思維活動性能衰退的專業術語[2]。Linden等[3]人將精神疲勞定義為由于維持某一性能而引起的生理與心理狀態的變化,這些變化中有主觀方面的,也有客觀方面的,包括繼續努力時難度的增加、信息分析能力下降趨勢的增強,以及心情的變化等。按照上述的精神疲勞定義,所維持的某一性能并不一定局限在同一任務中,還可在需要付出精神勞動的不同任務中,如在辦公室工作而引起的精神疲勞。在有認識要求的任務中,工作一定時間常常導致精神疲勞,而精神疲勞會影響人們的思維活動。在現代工業中,尤其是實時監控、車輛駕駛、航空航天、高風險作業等行業,許多事故的發生都與精神疲勞有關。因此,認識精神疲勞的本質及精神疲勞對人們精神活動的影響,對于預防由精神疲勞引發的事故是十分重要的。人的生理性精神疲勞是非常復雜、非常難以客觀檢測的。近年來,有關生理性精神疲勞的研究已取得了一定的進展[4-6]。

腦電信號復雜度測量是近年來發展起來的一種新方法,它可以定量評價直觀的信號曲線變化的復雜性,有效地反映大腦在生理、病理和不同藥物作用下的某些變化特征[7-8],便于各種大腦活動間的比較和區分。算法復雜度又稱柯爾莫哥洛夫復雜度(Kolmogorov Complexity,KC)是常用的信號復雜度計算方法之一,該方法的計算結果與信號幅值的大小無關。本文旨在研究各種疲勞狀態及與其對應腦電信號的 KC之間的關系,利用KC復雜度研究精神疲勞狀態變化過程的一些特征及規律,以期有助于對精神疲勞的認識與了解。

1 Kolmogorov復雜度

Kolmogorov認為,波形的復雜性可以用一串符號的復雜性替代,而一個符號序列的復雜性可定義為能夠重現這一序列的程序的最短長度。一般認為描述事物的計算機語言的長度越長,則該事物越復雜;但從動力學的觀點來看,穩態、周期或準周期運動都是有序的,并不復雜,而當動力系統的運動進入混沌時就變得復雜了。這種復雜程度的定量刻畫十分重要,根據 Kolmogorov熵理論,給定[0,1]序列的復雜性是由產生該序列的最短計算機程序的比特數決定的,1976年,Lempel等[9]人在信息理論的研究中對隨機序列的復雜性給出了定義。1987年,Kaspar等[10]人對于隨機序列Lempel-Ziv意義下的復雜性進行了研究,并提出了隨機序列復雜性測度的算法。該算法的實質是不斷比較某一字符串是否為另一字符串的子串,若是,則復雜性測度維持不變;若不是,則復雜度測度加1。本文采用了Lempel-Ziv算法,具體使用過程如下:

(1)采用二值化法對預處理后的腦電時間序列信號進行粗粒化處理;

(2)對重構形成的[0,1]序列 S={S1,S2,…,Sn},按Lempel-Ziv算法進行比較和添加,得到各個子串的界定;

(3)計算重構序列的復雜度c(n);

(4)進行歸一化。

為獲得不依賴于序列長度的復雜度,需將c(n)歸一化,用 C(n)來測度時間序列的復雜性變化,C(n)為反映被測信號復雜程度的歸一化度量。Lempel和Ziv對屬于[0,1]的序列進行了研究,發現幾乎所有的c(n)都會趨向于某一定值。設序列P的長度為n,字符串中不同種類字符的個數為α,則c(n)的上限確定為[10]

式中,εn為由因長度有限的數據串粗粒化而引起的誤差。εn很小,當 n→∞時,εn→0。故 c(n)的上限為 n(logαn)-1,即

用 b(n)對 c(n)歸一化,得

有規律序列的復雜度應該是0,而白噪聲的復雜度最大,定義為1。對于[0,1]序列,α=2。

2 精神疲勞實驗

學習或腦力勞動的持續時間、休息時間、心理因素,工作能力、勞動技巧、學習方法,營養狀況及飲食情況,體質、氣質、健康狀況及年齡等因素,都會對生理性精神疲勞程度產生影響。環境也能夠影響人們的心情和注意力,進而對疲勞產生影響。因此,生理性精神疲勞實驗必須同時盡可能多地考慮上述因素對實驗的影響,這涉及到受試人群的選擇、導致生理性精神疲勞的原因等問題。鑒于上述考慮,本文挑選了8位受試者進行生理性精神疲勞試驗,選擇了安靜、密閉、有電磁屏蔽、窗簾防光性能較好的實驗室,在室溫下(20℃左右)進行實驗。

受試者均為男性,在校(住校)大學生,右利手,年齡為21～25歲;受試者均無重大腦部疾病史,參加測試的近幾天內未服過任何藥物與保健品。學校工作時間為9∶00～12∶00,13∶00～17∶00;學校所在地氣候地理環境為熱帶城市。實驗中只選用FP1與FP2兩通道用來同步記錄實驗中的腦電數據。電極位置如圖1所示。采用10～20導聯頭皮電極系統,電極放置于頭部 FP1與 FP2處,各導聯阻抗均小于5 kΩ,參考電極粘貼在喉結右下方的鎖骨管處。腦電數據記錄儀選用PL-EEG Wavepoint系統。采樣間隔為6 ms。

圖1 電極位置分布圖Fig.1 Electrode placement

本實驗通過對3組不同生理性精神疲勞狀態的腦電信號分析,探討利用腦電圖信號對各不同生理性精神疲勞狀態進行分級的可行性。實驗過程中受試者一直坐在比較舒適的椅子中,且要求受試者盡可能放松。各疲勞狀態具體如下:

狀態1 被試者自我感覺非常清醒。實驗在室內正常照明燈光、受試者閉眼狀態下進行。數據采集實驗持續時間為15∶50～15∶55。

狀態2 被試者自我感覺比較清醒。實驗在室內正常照明燈光、受試者閉眼狀態下進行。數據采集實驗持續時間為17∶15～17∶20。

狀態3 被試者顯得有些疲勞,并偶爾打哈欠。實驗時關閉室內正常照明燈光。數據采集實驗持續時間為18∶52～18∶57。

3 EEG數據計算及分析

為去除腦電信號中的噪聲干擾,選用了帶通為0.5～30 Hz的 FIR濾波器。開始逐段計算腦電信號的 KC值時,選取2 500個采樣數據(15 s內的采樣數據)為分析窗長(15 s),隨時間采樣點不重疊地平移,計算各數據段長度(窗長)的 KC值。為減少 KC值波動的影響,先分別計算FP1與FP2兩通道各數據段長度(窗長)的 KC值,再計算各時間段(窗長)內兩通道的 KC值的平均值,最后取各受試者 KC的平均值,并作統計處理。

對于實驗中的每一種疲勞狀態,隨機選取了兩通道對應時間段的一段數據來分析,分別計算出每個分析窗長為15 s、連續15個窗長的 KC值。表1是3種疲勞狀態下 KC值的平均值。

表1 3種疲勞狀態下KC值的平均值Tab.1 Average KC under three different fatigue statuses

實驗中,各生理性精神疲勞狀態下 FP1與FP2兩通道的 KC值的平均值隨時間的變化曲線如圖2所示。統計分析表明,3種疲勞狀態間存在顯著性差異(方差分析 F2,28=22.844 3,概率 P<0.01)。多重比較結果如表2所示。

圖2 各疲勞狀態下 KC隨時間的變化曲線Fig.2 Change of KC over time

表2 3種狀態 KC的q檢驗比較Tab.2 Comparison between KCs of three q tests

4 結 論

從電生理學的角度來看,腦神經細胞的活動是興奮與抑制互相作用、互相轉化、互相誘導的過程。大腦在工作時,神經細胞活動相對處于比較有序的狀態,隨著精神疲勞程度的增加,神經對細胞活動的控制能力減弱,神經細胞活動興奮程度增加,神經細胞活動的無序化漸趨加劇,其 KC值將會增加。

由圖1與表1可以看出,主述疲勞的狀態3的 KC值最大,被試者自我感覺非常清醒的狀態1的 KC值最小,而被試者自我感覺比較清醒的狀態2的 KC值介于狀態1與由狀態3之間,這與有關電生理學的先驗知識相吻合;在不同生理性疲勞狀態下,前額區神經電活動的復雜度各有其相應的變化范圍。

從上述實驗及分析中可得出以下結論:①對應于特定的生理性精神疲勞狀態,其 KC值在相應的一定范圍內變化,大腦思維的無序程度有特定的變化范圍;隨著生理性精神疲勞程度的增加,腦細胞活力下降,其KC值將隨之減小。②利用 KC對生理性精神疲勞進行分級具有一定的可行性。

本文的研究結果與利用 Kolmogorov熵對其進行分級可行性的探討性文章[3]具有很好的一致性。本文的研究方法有助于客觀評估精神疲勞水平,同時也為進一步認識精神疲勞的過程、研究精神疲勞對中樞神經系統的影響提供了一種新的工具,在交通運輸業及其他行業中將會有廣闊的應用前景。

本文的研究方法也存在不足:精神疲勞是多因素相互作用的產物,但本方法只涉及同一腦區兩對稱通道的腦電數據及單一參數(KC),對于那些精神疲勞水平接近的疲勞狀態,利用本方法進行識別是比較困難的;同時,由于本方法是一種非線性定性方法,在粗粒化過程中既可能忽略信號彼此之間的差異,也可能犧牲復雜信號本身的外在特征,在定量分析中會產生誤差。這些都是今后研究中有待改進之處。

[1]韓紹安,許華芳.疲勞與休息[M].上海:上海科技教育出版社,1998.

[2]Meijman T F.Mental fatigue and the efficiency of information processing in relation to work times[J].International Journal of Industrial Ergonomics,1997,20(1):31-38.

[3]張連毅,鄭崇勛,李小平,等.EEG柯爾莫哥洛夫熵測度用于精神疲勞狀態的研究[J].中國生物醫學工程學報,2007,26(2):170-176.

[4]Zhang Lianyi,Zheng Chongxun.Lempel-Ziv complexity changes and physiological mental fatigue level during differentmental fatiguestate with spontaneous EEG[J].Health,2009(1):35-38.

[5]Zhang Lianyi,Zhang Zhe,Zheng Chongxun.Study on physiological mental fatigue with nonlinear dynamics[C]//Proceedings of the 2008 Fourth International Conference on Natural Computation,4.Washington,D C.USA:IEEE Computer Society,2008:670-673.

[6]Linden D V D,Frese M,Meijman T F.Mental fatigue and the control of cognitive processes:effects on perseveration and planning[J].Acta Psychologica,2003,113(1):45-65.

[7]Grandori F,Ravazzani P.Magnetic stimulation of the motor cortex-theoretical considerations[J].IEEE Transactions on BiomedicalEngineering,1991,38(2):180-191.

[8]Esselle K P,Stuchly M A.Neural stimulation with magnetic fields:analysis of induced electric fields[J].IEEE Transactions Biomedical Engineering,1992,39(7):693-700.

[9]Ziv L J.On the complexity of finite sequences[J].IEEE Transactions on Information Theory,1976,22(1):75-81.

[10]Kaspar F,Schuster H G.Easily calculable measure for complexity ofspatiotemporal patterns[J].Physical Review:A,1987,36(2):842-848.

Feasibility of Mental Fatigue Grade Based on Kolmogorov Complexity

Z HA N G L ianyi
(School of Electronics and Information,Shanghai Dianji University,Shanghai 200240,China)

R 318.04

A

2010-05-26

國家自然科學基金項目(30670534)

張連毅(1963-),男,副教授,博士,專業方向為腦電信號分析,E-mail:zhangly@sdju.edu.cn

2095-0020(2010)04-0197-04