基于無線體域網和復合生理信號近似熵的駕駛疲勞研究

王 琳 付榮榮 張 陳 尹曉偉 化成城 王 宏

1（沈陽工程學院機械學院，沈陽 110136）

2（東北大學機械工程與自動化學院，沈陽 110819）

3（燕山大學測控技術與儀器河北省重點實驗室，河北秦皇島 066004）

基于無線體域網和復合生理信號近似熵的駕駛疲勞研究

王 琳1，2?付榮榮3張 陳1尹曉偉1化成城2王 宏2

1（沈陽工程學院機械學院，沈陽 110136）

2（東北大學機械工程與自動化學院，沈陽 110819）

3（燕山大學測控技術與儀器河北省重點實驗室，河北秦皇島 066004）

為有效合理地評價駕駛員在駕駛過程中的疲勞程度，通過無線體域網（WBAN）采集12名被試者的3種生理信號（腦電信號、肌電信號、呼吸信號），提取并分析這些生理信號的近似熵在駕駛過程中對疲勞程度的反映效果。試驗結果表明，腦電、肌電、呼吸3種信號的近似熵均隨時間的增加而逐漸下降，約90min后下降程度變緩，表明進入比較疲勞狀態。通過主成分分析可知，前兩個主成分的貢獻率分別為47.33%和40.26%，二者之和大于85%，其中腦電信號和肌電信號的近似熵所占權重較大。而且統計分析表明，腦電信號和肌電信號的近似熵顯著性P＜0.05，表明腦電信號和肌電信號在表征正常與疲勞兩種狀態時差異明顯。在此基礎上，分析信號組合對駕駛疲勞的反映效果，結果表明在腦電-肌電信號的近似熵組合時，正常和疲勞狀態的概率分布具有明顯的界限，可以有效反映駕駛過程中的疲勞狀態。通過研究，獲得最佳的反映疲勞駕駛的信號組合，可為更加準確地檢測和避免疲勞駕駛提供理論依據。

無線體域網；復合生理信號；近似熵；疲勞駕駛

引言

疲勞駕駛易引起駕駛員的注意力下降，對外界的感知反映遲鈍，成為引起交通事故的主要原因之一。為避免該類交通事故的發生，國內外的研究人員對疲勞駕駛的檢測和分析進行了大量研究工作。通過文獻檢索可知，以往的研究主要集中在3個方面：一是選用不同的測量方法［1-4］，如離線式血液測量、有線式在線測量、無線式在線測量等；二是選用不同的生理信號［5-10］，如腦電信號（EEG）、肌電信號（EMG）、呼吸信號（RESP）、眼部信號等；三是選用不同的特征參數［11-14］，如中值頻率、積分肌電、近似熵、峰值因數等。Lal和Patel認為腦電信號和肌電信號是反映駕駛疲勞的有效生理信號［8-9］，Richman認為近似熵（approximate entropy，ApEn）是表征駕駛疲勞的有效特征參數［14］。這些研究都為評價和避免疲勞駕駛提供了非常有意義的方法。但是，對于多種生理信號測量效果的比較分析，以及相互的組合應用，在已公開發表的論文中涉及較少，且沒有得到一致結論。基于此，筆者在前人研究的基礎上，選用“無線體域網（WBAN）在線檢測的方法”和“近似熵的特征參數”來分析和評價駕駛員在駕駛過程中的3種生理信號，即腦電信號、肌電信號、呼吸信號。其目的有二：一是比較3種生理信號的近似熵在反映疲勞駕駛方面的使用效果；二是將3種生理信號進行組合，獲得最佳反映疲勞駕駛的信號組合，從而為更加準確地檢測和避免疲勞駕駛提供理論依據。

無線式在線檢測的核心裝備即無線體域網，作為無線通信網絡的一個子部分，其基本功能是利用無線鏈路來傳輸信息。無線體域網被廣泛應用在生物工程環境中［15］，通常由數據收集和數據接收兩部分組成，二者通過藍牙技術實現信息的通信。為了更好地揭示信號中所包含的特征信息，本研究采用如下分析手段：首先，分析了腦電信號、肌電信號、呼吸信號的近似熵在駕駛過程中的變化規律；其次，將提取的近似熵參數進行歸一化處理，采用“主成分分析降維”和“特征參數統計分析”的方法，分析和比較腦電信號、肌電信號、呼吸信號在反映疲勞駕駛方面的使用效果；最后，利用模糊C聚類算法，獲得能夠反映疲勞駕駛的最佳信號組合。

1 實驗方法

根據美國高速交通安全管理局NHTSA的調查報告顯示，18～35歲的年輕男性是疲勞駕駛導致交通事故的高發人群。因此，本實驗隨機選取12名年齡在18～35歲之間的健康成年駕駛員作為被試者，參加駕駛實驗，均簽署知情同意書。被試者在實驗前24 h內不得食用對神經能夠產生刺激或抑制的食品和藥品。所有被試者均自愿參與實驗，并知曉實驗流程，同意配合測量駕駛過程中的腦電、肌電和呼吸信號。實驗過程中，被試者在模擬駕駛艙內連續駕駛120min。為加速疲勞的形成，駕駛環境選擇單調乏味的高速公路場景。腦電、肌電和呼吸信號由戴在被試者身上的3個傳感器模塊同時采集，采樣頻率為200 Hz，并將采集到的信號通過藍牙通信發送到計算機中。安放傳感器模塊的位置如圖1所示［10］。其中，腦電信號主要采集人腦后枕部的O1、O2兩處的EEG；肌電信號主要采集頸部上斜方肌A1、A2處的EMG；呼吸信號的采集模塊由圍度可調的橡膠帶固定于被試者的小腹位置，測量腹式呼吸。為了減小電極與皮膚之間的接觸阻抗，在實驗過程中首先用醫用砂紙對皮膚表面進行打磨，然后用酒精對該處皮膚進行去油脂處理，并使用導電膏進一步減小阻抗。同時，在駕駛實驗過程中，要求被試者在指定時間段內填寫 SOFI-25（Swedish occupational fatigue inventory-25）主觀調查表，由此可根據駕駛員的主觀自身感覺輔助判別是否達到駕駛疲勞狀態。

圖1 模擬駕駛實驗及信號采集。（a）模擬駕駛實驗設計；（b）信號采集位置Fig.1 Simulated driving experiments and data acquisition.（a）Design on simulation experiments；（b）Positions of electrodes

2 算法原理

2.1 信號去噪

本研究測試了12名被試者連續駕駛120min的腦電、肌電、呼吸信號。為避免信號采集過程中各種噪聲（如駕駛人身體移動、皮膚流汗、50Hz工頻干擾、檢測儀器內部電子噪聲干擾等）的影響，采用經驗模態分解（empirical mode decomposition，EMD）算法對其進行預處理［16］，即先將所測得的信號分解為一系列本征模態分量IMF，再將每個IMF投影到頻域中，得到各個IMF頻譜，然后對所測的信號頻譜進行信號重構，從而保留了原信號的有用信息，去除了噪聲干擾。該預處理方法對各種生理信號都能有效地進行基線校正，去除基線漂移的影響。

在信號去噪的基礎上，對每位被試者每隔10min截取長度為30 s（6 000點的序列長度）的數據進行近似熵的計算，求得一組特征參數值（包括腦電近似熵、肌電近似熵、呼吸近似熵3個數值）；再將所有被試者的特征參數取平均值，并計算個體間標準差，即可得到這3種特征參數隨駕駛時間的變化趨勢。

2.2 近似熵

為了對生理信號進行非線性動力學分析，達到更好地識別信號特征的目的，本研究采用近似熵作為度量序列復雜性的非線性動力學參數。其大小可以反映出時間序列的復雜度，時間序列越復雜，其對應的近似熵就越大。該算法［17］如下：

1）假定長度為N的數據可表示為X＝［x（1），x（2），…，x（N）］。根據 Takens嵌入理論［18］，將X構造成一組m維矢量：X（i）＝ ［x（i），x（i+1），…，x（i+m-1）］，其中i＝1，2，…，N-m+1。

2）兩個向量對應元素之差的最大值為X（i）與X（j）的距離，即

3）計算每行與其他行的距離小于閾值r（給定值），即d［X（i），X（j）］＜r的個數，記為

式中，H（x）是Heaviside函數。

4）將Nim（r）與距離總數N-m做比，得到

5）求Cim（r）的對數和，再求其均值，即

6）將m維矢量增加為m+1維，重復以上過程，從而得到Ci（m+1）（r）和φm+1（r）。

7）得到此序列的近似熵為

可見，近似熵值是維數m、閾值r、信號長度N的函數。這里，m＝2，r＝信號標準差×n（n＝0.1～0.2）［19］。

2.3 歸一化處理

由于腦電、肌電、呼吸3種生理信號近似熵的絕對值差別較大，為方便統一比較，首先對近似熵特征參數進行歸一化處理。本研究所用的歸一化方法是對原始數據（熵值）進行線性變換，可有效保留自身熵值的特性，也就是把數據映射到0～1范圍內，使不同來源的數據統一到一個參考系下進行比較，統一了評價標準，便于對數據進行綜合測評分析。歸一化的轉換式為

式中，x、y分別為歸一化前、后的熵值，max（x）、min（x）分別為樣本的最大值和最小值。

2.4 主成分分析

為了使用較少的信號個數盡可能多地反映變量的變化規律，本研究采用主成分分析對多變量數據進行降維處理［10］。

2.5 統計分析

在本研究中，對腦電信號、肌電信號、呼吸信號疲勞前后的歸一化近似熵值進行統計分析，在符合正態分布的前提下，對數據樣本使用SPSS統計分析軟件進行配對t檢測［20］。

2.6 模糊C聚類

模糊C聚類是根據數據的隸屬程度將其分為兩類或者多類的一種聚類方法，通過逐步迭代來縮小數據點到其聚類中心的距離，以此給出數據點的類別隸屬度，其優化目標函數［21］為

算法步驟如下：

步驟1，初始化U＝ ［uij］。

步驟2，利用Uk計算矢量中心點Ck＝［cj］（第k步），其中

步驟 3，更新Uk、Uk+1，有

步驟4，若‖Uk+1-Uk‖＜ε，則停止；否則回到步驟2。

3 特征近似熵結果

3.1 近似熵的變化趨勢

圖2所示為3種特征參數隨駕駛時間的變化趨勢。由圖可見，3種信號的近似熵均隨時間的增加而逐漸下降，即隨著駕駛時間的延長，被試者疲勞程度呈上升趨勢。約90min后，近似熵下降程度變緩，表明進入比較疲勞的狀態。本研究根據圖2的實驗數據、SOFI-25主觀問卷調查結果和文獻調研［8］三者相結合的方式，定義駕駛實驗的 0～30min為“正常狀態”，90～120min為“疲勞狀態”。

3.2 特征近似熵分布

從12名被試者120min駕駛實驗的正常狀態和疲勞狀態中，分別選取5min數據進行分析（包括腦電信號、肌電信號和呼吸信號）。正常狀態選取10～15min，疲勞狀態選取105～110min。每30 s提取一個特征近似熵，則共有“2種狀態 ×5min/30 s×12名被試者×3種信號＝720”個近似熵值。

圖2 所有被試者生理信號的近似熵均值Fig.2 Average ApEn of physiological signals of participants

歸一化后的近似熵值如圖3所示。可以看出，同一狀態的近似熵值仍比較分散，無法得到客觀的評價結果。造成這種情況的原因是：3種生理信號近似熵對疲勞程度的反映不同所致，有的對疲勞反映明顯，有的對疲勞反映不明顯。因此，在本文第3.3和3.4節中，采用了不同方法分析比較了3種生理信號近似熵對疲勞的反映效果。

圖3 3種生理信號的近似熵歸一化三維分布Fig.3 3-D distribution of normalized ApEn of multiphysiological signals

3.3 主成分分析結果

本節采用主成分分析的方法，對3種生理信號近似熵對疲勞的反映效果進行比較，從而達到參數降維、簡化分析指標的目的。通過對3列特征參數進行主成分分析，計算求得3個主成分的貢獻率，如圖4所示。可見，前兩個主成分的貢獻率分別為47.33%和40.26%，累積貢獻率為87.59%，超過85%。因此，選取貢獻率大的前兩個主成分，即可有效表征駕駛員的疲勞狀態。

下面給出的是主成分的系數矩陣，有

式中：Pi表示第i個主成分，Xi表示生理信號的近似熵特征（X1、X2、X3分別表示腦電信號、肌電信號、呼吸信號）；主成分的系數表示所對應的特征參數所占權重，即X1、X2、X3對疲勞程度的反映效果。

可見，前兩個主成分（P1，P2）中，腦電信號和肌電信號的系數絕對值較大，而呼吸信號的系數絕對值較小。這說明，在選取兩種生理信號來表征駕駛員的疲勞狀態時，應選取腦電信號和肌電信號，呼吸信號可相對忽略。

圖4 主成分的貢獻率Fig.4 Contributions of principle components

3.4 統計分析結果

為進一步比較腦電、肌電、呼吸信號對疲勞駕駛的反映特性，利用SPSS統計分析軟件對3種生理信號的近似熵進行配對t檢測。在t檢測之前，首先需要保證樣本的正態分布，通過數據預處理可知，疲勞前后3種生理信號的歸一化近似熵樣本基本符合正態分布。t檢測結果如表1所示，其中：每種信號的參數（近似熵個數）為2種狀態×5min/30 s×12名被試者＝240個，正常狀態和疲勞狀態分別為120個；“均值”和“標準差”分別為12名被試者在正常或疲勞狀態時近似熵的平均值和標準差。由表1可看出，腦電信號和肌電信號的近似熵顯著性P值較小（P＜0.05），表明腦電信號和肌電信號在表征正常與疲勞兩種狀態時差異明顯；而呼吸信號近似熵顯著性P值較大（P＞0.05），表明呼吸信號在表征正常與疲勞兩種狀態時差異不明顯。因此，進一步說明，選取兩種生理信號來表征駕駛員的疲勞狀態時，應選取腦電信號和肌電信號，呼吸信號可相對忽略。

表1 生理信號的配對t檢測結果Tab.1 Results of paired-t test for physiological signals

4 模糊C聚類分析結果

這里利用模糊C聚類算法對不同的特征參數近似熵組合（腦電-肌電，腦電-呼吸，肌電-呼吸）進行分析，擬獲得能夠反映疲勞駕駛的最佳信號組合。由腦電-肌電（EEG-EMG）、腦電-呼吸（EEGRESP）、肌電-呼吸（EMG-RESP）近似熵特征參數得到聚類結果，分別如圖5～7所示。

圖5 腦電信號與肌電信號近似熵聚類結果Fig.5 Clustering results by ApEn of EEG and EMG

圖6 腦電信號與呼吸信號近似熵聚類結果Fig.6 Clustering results by ApEn of EEG and RESP

對圖5～7所示的聚類分析結果進行相關說明。當圖中給出的是兩種生理信號近似熵組合時，屬于正常狀態的概率。由圖5可見，當腦電信號和肌電信號近似熵值都較大時，屬于正常狀態的概率也較大（紅色區域，80%以上）；當腦電信號和肌電信號近似熵值都較小時，屬于正常狀態的概率也較小（藍色區域，20%以下），即屬于疲勞狀態的概率較大；當腦電信號和肌電信號近似熵值為其他時，正常狀態的概率在20% ～80%之間，屬于半疲勞狀態。而且，腦電-肌電信號組合時，正常與疲勞狀態的概率分布具有明顯的界限（見圖5）。但是，腦電-呼吸信號組合時（見圖6），概率差異呈上下分布，在以腦電信號近似熵為縱坐標上具有一定的界限，而以呼吸信號近似熵為橫坐標上卻沒有明顯界限，因此這種組合不適合判斷駕駛員的疲勞狀態。同樣，肌電-呼吸信號組合時（見圖7），也不適合判斷駕駛員的疲勞狀態。

圖7 肌電信號與呼吸信號近似熵聚類結果Fig.7 ClusteringresultsbyApEnofEMG and RESP

5 討論

腦電、肌電、呼吸3種信號的近似熵均隨時間的增加而逐漸下降，約90min后近似熵下降的程度變緩，表明進入比較疲勞狀態。近似熵反映了神經系統相互調節的有序程度，其隨駕駛時間延長呈下降的趨勢，說明此刻人體的可調控、可變化的能力減弱，即隨著外界環境的變化調整自己狀態的能力下降［22］。

由歸一化后的近似熵值（見圖3）可見：對肌電信號而言，正常狀態的點偏靠熵值較大的右側，疲勞狀態的點偏靠熵值較小的左側，表明肌電信號近似熵對駕駛疲勞的判別度較好；同樣，對腦電信號而言，正常狀態的點偏靠熵值較大一側，疲勞狀態的點偏靠熵值較小一側，表明腦電信號近似熵對駕駛疲勞的判別度也較好；但對呼吸信號而言，正常與疲勞兩種狀態點分布比較分散，沒有偏靠較大值一側或較小值一側，表明呼吸信號近似熵對駕駛疲勞的判別度較弱。

主成分分析可知，選取前兩個貢獻率大的主成分即可有效表征駕駛員的疲勞狀態。而前兩個主成分中，呼吸信號的系數絕對值較小，表明其對駕駛疲勞的反映比腦電信號和肌電信號弱。同樣，由統計分析可知，呼吸信號近似熵顯著性P值較大，表明呼吸信號在表征正常與疲勞兩種狀態時差異不明顯。

對于采用腦電信號-肌電信號這種組合時（見圖5），正常和疲勞狀態的概率分布具有明顯的界限，即一個腦電信號近似熵值與一個肌電信號近似熵值能近似對應一個狀態（正常或疲勞），這是此種組合的優勢所在，可以有效反映駕駛過程中的疲勞狀態。但是，另外兩種特征組合（見圖6、7）并不能找到清晰的分界，在劃分上都存在兩種類別的混疊，不能有效反映駕駛過程中的疲勞狀態。

6 結論

為有效合理地評價駕駛員在駕駛過程中的疲勞程度，本研究選用“無線體域網（WBAN）在線檢測方法”和“特征指標近似熵”，分析和評價了3種生理信號（腦電信號、肌電信號、呼吸信號）及其組合在駕駛過程中對駕駛員疲勞程度的反映效果，主要得到如下結論：

1）腦電、肌電、呼吸3種信號的近似熵均隨時間的增加而逐漸下降，約90min后近似熵下降程度變緩，表明進入比較疲勞的狀態。

2）通過主成分分析和統計分析可知，腦電信號和肌電信號的特征近似熵對駕駛員疲勞狀態的反映效果比較好，而呼吸信號則相對較弱。

3）腦電信號-肌電信號的特征近似熵組合時，正常和疲勞狀態的概率分布具有明顯的界限，即一個腦電信號近似熵值與一個肌電信號近似熵值能近似對應一個狀態（正常或疲勞），可以有效反映駕駛員在駕駛過程中的疲勞狀態。

綜上所述，本研究比較了3種生理信號特征近似熵在反映疲勞駕駛方面的使用效果，并獲得了最佳的能反映疲勞駕駛的信號組合，為更加準確地檢測和避免疲勞駕駛提供了理論依據。

［1］ Kumar M，Weippert M，Arndt D，et al.Fuzzy filtering for physiological signal analysis ［J］.IEEE Transactions on Fuzzy Systems，2010，18（1）：208-216.

［2］ Ye Ning，Sun Yuge，Yang Dan. Noninvasive heartrate variability detection device for fatigue driving detection system［J］.Applied Mechanics and Materials，2013，246：194-198.

［3］ Choi A，Woo W.Daily physiological signal monitoring system for fostering social well-being in smart spaces ［J］.Cybernetics and Systems，2010，41（3）：262-279.

［4］ Kwofie S，Rahbar N.A fatigue driving stress approach to damage and life prediction under variable amplitude loading ［J］.International Journal of Damage Mechanics，2013，22（3）：393-404.

［5］ 李昕，李紅紅，李長吾.基于復雜度熵特征融合的高壓力人群情感狀態評估［J］.中國生物醫學工程學報，2013，32（3）：313-320.

［6］ 張啟忠，席旭剛，馬玉良，等.基于表面肌電信號的手腕動作模式識別［J］.中國生物醫學工程學報，2013，32（3）：257-265.

［7］ 謝宏，周笑麗，夏斌，等.疲勞駕駛識別中的腦電信號特征選擇算法和支持向量機模型研究［J］.中國生物醫學工程學報，2014，33（4）：482-486.

［8］ Lal SKL，Craig A.A critical review of the psychophysiology of driver fatigue ［J］，Biological Psychology，2001，55：173-194.

［9］ Patel M，Lal SKL，Kavanagh D，et al.Applying neural network analysis on heart rate variability data to assess driver fatigue ［J］.Expert Systems with Applications，2011，38（6）：7235-7242.

［10］ 付榮榮，王宏，王琳，等.基于無線體域網中多生理信號駕駛疲勞檢測［J］.東北大學學報（自然科學版），2014，35（6）：850-853.

［11］ Lin Zhui，Wang Lide，Zhou Jieqiong，et al.The research on fatigue driving detection algorithm ［J］.Journal of Software，2013，8（9）：2272-2279.

［12］ Zhao Shuanfeng，Xu Guanghua，Guo Wei.Parallel diagnosis model of fatigue driving based on vehicle running status ［J］.Journal of Networks，2013，8（11）：2585-2591.

［13］ Yang Qiufen，Li Canjun，Li Zhenjun.Application of FTGSVM algorithm in expression recognition of fatigue driving ［J］.Journal of Multimedia，2014，9（4）：527-533.

［14］ Richman JS，Moorman JR.Physiological time-series analysis using approximate entropy and sample entropy ［J］.AJP Heart＆Circulatory Physiology，2000，278（6）：2039-2049.

［15］ Dias NS，Carmo JP，Mendes PM，et al.Wireless instrumentation system based on dry electrodes for acquiring EEG signals ［J］.Medical Engineering＆ Physics，2012，34（7）：978-981.

［16］ Bonfort G，Evans R，Nelson B，et al.A randomized clinical trial of exercise and spinal manipulation for patients with chronic neck pain ［J］.Spine，2001，26（7）：798-799.

［17］ 徐安，劉軍，彭旗宇，等.動態近似熵快速算法在心率變異研究中的應用［J］.同濟大學學報（自然科學版），2005，33（4）：520-524.

［18］ Takens F.Detecting strange attractors in turbulence ［J］.Lecture Notes in Mathematics，1981，898：366-381.

［19］ Foij O，Holcik J.Applying nonlinear dynamics to ECG signal processing［J］.IEEE Engineering in Medicine and Biology，1998，3（4）：96-110.

［20］ Wang Hong，Zhang Chi，Shi Tianwei，et al.Real-time EEG-based detection of fatigue driving danger for accident prediction［J］.International Journal of Neural Systems，2015，25（2）：155-164.

［21］ James CB，Robert E，Willianm F.The fuzzy c-means clustering algorithm ［J］.Computers＆ Geosciences，1984（10）：191-203.

［22］ 吳群.基于心電信號的疲勞駕駛檢測方法研究［D］.杭州：浙江大學，2008：45.

Investigation on Driver Fatigue Based on WBAN and Approximate Entropy of Multi-Physiological Signals

Wang Lin1，2?Fu Rongrong3Zhang Chen1Yin Xiaowei1Hua Chengcheng2Wang Hong2

1（Department of Mechanical Engineering，Shenyang Institute of Engineering，Shenyang110136，China）

2（School of Mechanical Engineering and Automation，Northeastern University，Shenyang110819，China）

3（Measurement Technology and Instrumentation Key Lab of Hebei Province，Yanshan University，Qinhuangdao066004，Hebei，China）

Aimed to reasonably evaluate driver fatigue in driving process，three kinds of physiological signals，including electroencephalograph（EEG），electromyography（EMG）and respiration（RESP）signals of 12 subjects are recorded by wireless body area network（WBAN）.Then，the approximate entropy（ApEn）of the signals are investigated during the driving process.The experimental results show that，ApEn of EEG，EMG，and RESP decrease in driving process.After about 90min，the ApEn stays at a certain range of value，indicating the deeply driver fatigue.From principle components analysis，the contributions of the first two components are 47.33%and 40.26%（the total is more than 85%），and the weight of EEG and EMG is higher than RESP.From the statistical analysis，the values ofPof ApEn of EEG and EMG are lower than 0.05，indicating EEG and EMG have better discrimination on driver fatigue.In case of the combination of EEG-EMG，there is obvious discrimination for the probability distribution of normal and fatigued state.This combination can effectively evaluate the fatigue degree during driving.Therefore，an optimized combination of physiological signals may be obtained，which is reasonable and reliable to evaluate the physiological characteristics of driver fatigue.The research results of present work can give a guidance to evaluate and relieve the driver fatigue.

wireless body area network（WBAN）；multi-physiological signals；approximate entropy；driver fatigue

R318 文獻標志碼：A 文章編號：0258-8021（2017）05-0543-07

10.3969 /j.issn.0258-8021.2017.05.005

2016-08-01，錄用日期：2017-05-21

國家自然科學基金（51605419），博士后啟動基金（2016M600193），河北省科技計劃項目（152177180）

?通信作者（Corresponding author），E-mail：jiangx@smm.neu.edu.cn