駕駛精神疲勞腦電近似熵研究

武警工程大學 徐龍順

駕駛精神疲勞腦電近似熵研究

武警工程大學 徐龍順

為研究駕駛員精神疲勞時的腦電信號變化，用近似熵作為特征量對其精神疲勞前后腦電信號進行了分析對比。結果顯示，近似熵在駕駛員精神疲勞后腦電信號近似熵明顯減小，選擇支持向量機對疲勞前后腦電信號進行分類，平均正確率達到了93.96%；對不同區域的腦電信號分別進行分類測試，結果表明顳區腦電信號對駕駛精神疲勞較為敏感，說明近似熵可作為判別駕駛員是否精神疲勞的一個判別指標。

駕駛精神疲勞；近似熵；腦電；支持向量機

精神疲勞作為大腦在認知和行為控制過程中產生的心理生理現象，對駕駛過程中的安全有著極大的負面影響，研究駕駛疲勞檢測技術，對于降低交通事故的頻率有著極為重要的意義。

腦電信號呈現確定系統的混沌規律，具有良好的非線性特征，本文從非線性動力學的角度出發，計算對比駕駛員疲勞前后腦電信號的近似熵，分析了駕駛員精神疲勞前后腦電信號的變化，用支持向量機進行分類測試，準確率達93.96%，得出近似熵可以作為衡量駕駛員是否精神疲勞的一個指標。

1　實驗數據與方法

1.1實驗數據

論文中使用的數據在西安交通大學生物醫學工程研究所的腦電實驗室中采集，用Neuroscan32導腦電儀記錄腦電數據，采集了30通道腦電信號，采樣頻率為500Hz，文中實驗模擬的是公路枯燥的駕駛任務，模擬駕駛員精神疲勞時的狀態。十名男性志愿者進行了大概90分鐘的持續駕駛實驗，受試者均表示在進行實驗30分鐘后感覺勞累并且疲勞程度逐漸加深，實驗結束時感覺很累。采集受試者駕駛任務開始和結束時的腦電數據，各5分鐘。

首先對原始EEG進行降噪及去趨勢化處理，而后將信號采樣頻率降至250Hz，分別截取駕駛任務開始和結束時采集的前30s數據用作實驗數據，文中所有數據運算均在matlab2014a中執行。

1.2數據處理方法

近似熵(Approximate Entropy，ApEn)由Pincus首次提出，是一種測量時間序列規則的方法，已經被用來分析生物信號[1]。近似熵是用一個非負數來表示時間序列的復雜性,時間序列越復雜，其對應的近似熵就越大，因此可以用它來反映時間序列中新信息的發生率，近似熵具體計算步驟見文獻[1]。首先對腦電信號用滑動窗進行分段，窗口長為1250點，數據總長度為7500點，所以可分為251段，故每通道EEG可以得到251個ApEn樣本值。用支持向量機對腦電近似熵進行分類，選取RBF核函數，懲罰因子C取1，g取支持向量維數的倒數，程序選用臺灣大學林智仁教授開發的libsvm3.20版本程序包。

2　結果

首先對EEG進行預處理，去除眼電信號，用小波進行濾波處理，而后求ApEn并做歸一化處理。為全面分析駕駛員疲勞后EEG的變化情況，EEG選取額區（Fp1和Fp2）、中央區(Fc3和Fc4）、顳區（T7和T8）、頂區（Cp3和Cp4）、枕區（O1和O2）共十通道腦電信號。對選取的10通道數據ApEn用SPSS19.0版本進行統計分析，顯著性水平定義為0.05。分別對每通道腦電信號求10個受試者的均值和標準差，結果見圖1，得出受試者疲勞前后ApEn值有較大幅度下降（t=49.753,p＜0.001）。

將選取的10通道腦電信號ApEn送入支持向量機中進行分類，得到平均分類準確率為93.96%。為找出受試者對于疲勞比較敏感的大腦區域，分別將額區、中央區、顳區、頂區、枕區五個區域的腦電信號ApEn送入SVM進行訓練并測試，結果見表1，顳區較其它區域分類準確率較高，為92.16%。

圖1　不同電極腦電信號ApEn疲勞前后變化

表1　大腦不同區域特征值分類準確率

3　分析和討論

從ApEn計算結果可知，在模擬駕駛90分鐘后，受試者的ApEn顯著下降，這反映出受試者因為長時間駕駛感到精神疲勞后，對道路變化等刺激的注意和反應減弱，反映出大腦的注意力集中程度有較大幅度下降，大腦活動復雜性降低，具體反映為認知功能上的減弱，該差異能夠有效區分駕駛員是否疲勞。因此，近似熵的引入為判別駕駛員疲勞與否提供了一個客觀、量化的指標。

SVM分類結果顯示，顳區的特征量分類準確率比其它區域高，達92.16%，這表明顳區相較于其它部位表現更為敏感。大腦不同區域對應不同的任務，額區與規劃、推理、運動、情緒和問題的解決相關，頂區與運動、認知和感知的刺激有關，而顳區與聽覺刺激感知和認知、記憶和語音識別有關[2]。駕駛任務導致顳區腦電信號變化最為明顯，可能是駕駛任務與大腦顳區對應的功能關系最為密切，為進一步的研究提供了方向。

本文中的實驗方法還有一些不足，ApEn的均值和標準差標準差相對較大，影響判決準確率，不同的受試者ApEn差異較大。首先，疲勞信號采集時間接近中午，部分受試者由于饑餓等原因導致思維較為活躍，進而參與實驗的程度降低，致使ApEn值大于疲勞前，下一步信號采集時會予以改進；其次，由于每個人身體承受力不同，所以表現出了一定的個體差異。

[1]Pincus S.Approximate entropy(ApEn)as a complexity measure[J]. CHAOS,1995,5(1):110-117.

[2]Kar S,Bhagat M,Routray A.EEG signal analysis for the assessment and quantification of driver’s fatigue[J].Transportation Research Part F:Traffic Psychology and Behaviour,2010,13(5):297-306.