基于腦電信號的疲勞駕駛狀態研究?

陳驥馳，王 宏，王翹秀，化成城，劉 沖

(東北大學機械工程與自動化學院，沈陽 110819)

前言

近年來，隨著我國的汽車保有量急劇增加，交通事故也大幅增多，其中，疲勞駕駛是導致交通事故的主要因素[1－2]。近期有關汽車駕駛研究表明，疲勞駕駛狀態下發生事故或接近發生事故的概率是清醒駕駛狀態下的4～6倍[3－4]。當駕駛員疲勞時，駕駛員對外界環境的注意力和反應能力都會降低，從而可能引發嚴重事故[5]。因此，開發車載疲勞干預系統，對駕駛員和車輛運行狀態進行實時監控并擇機進行干預被視為預防疲勞駕駛的核心技術，如何準確快速檢測駕駛員駕駛疲勞狀態成為值得研究的重要課題。

檢測疲勞駕駛狀態一般可從主觀和客觀兩方面進行研究。常用的主觀檢測方法有多維尺度分析法、成對比較法(pairwise comparison，PC)和排序法等[6]，但主觀檢測方法由于受駕駛員和研究者主觀判斷能力的影響，在檢測疲勞狀態時有一定的局限性，一般作為輔助方法使用。與傳統的主觀評價方法相比，利用生理電信號來評價駕駛員駕駛疲勞狀態能做到客觀準確、采集方便和使用條件限制少，是一種較有前景的研究疲勞影響的方法。文獻[7]中基于駕駛期間的心率變異性并結合轉向盤握力來評估駕駛員的疲勞程度。然而，在眾多生理信號中，腦電(electroencephalogram，EEG)具有較高的時間分辨率和精度，更適合評價疲勞效應[8－9]。文獻[10]中利用汽車模擬駕駛系統并記錄其腦電分析特征量，進而分析平均功率譜密度比R和關聯維數D，以評價駕駛員疲勞程度。文獻[11]中利用汽車模擬駕駛系統提出一種基于獨立分量分析的腦電疲勞狀態判斷方法，進而求得信號的功率譜密度，從而獲得各波段腦波的相對能量值，判斷駕駛員的疲勞程度。然而，現有的研究方法主要基于功率和能量熵等，這類方法與振幅相關，其性能易受到EEG振幅的影響，且駕駛員利用汽車模擬駕駛系統采集到的腦電信號與在真實車輛中采集到的相比，由于缺少了轉向盤力反饋以及在車速變化時駕駛員的感知，在一定程度上影響腦電信號的分析結果。

為克服這一問題，并提高疲勞檢測精度，本文中選取真實駕駛環境，利用便攜式腦電采集設備Emotiv，實時采集駕駛員的腦電信號，并對其進行小波包分解與重構，提取各個節律信號，然后分別計算各導聯間的相位遲滯指數來構建連接矩陣，并提取腦網絡特征。通過對駕駛員主觀疲勞度與所提取特征的神經網絡回歸分析，最終得到二者間的復雜關系。研究結果表明，該方法對駕駛員疲勞檢測系統的開發具有重要意義。

1 實驗

1.1 實驗方案

選取8名男性駕駛員(編號為A～H)，年齡在26～33周歲，身體健康，視力正常，無任何神經病史。要求駕駛員在實驗前將頭發清洗干凈，維持正常睡眠時間，在實驗過程中不飲用任何類型的刺激飲料，如酒精、茶或咖啡等。文獻[12]中利用汽車模擬駕駛器研究駕駛員在50min腦電特征變化，并分別將前后各10min腦電信號標記為清醒狀態和疲勞狀態。因此本實驗設計如下:實驗時間選為晴天中午，駕駛路線從東北大學南湖校區沿G1501高速至沈陽怪坡風景區，駕駛時間約1h。對每位駕駛員腦電信號進行兩次采集，采集時間分別是在開始駕駛的3min和結束時的3min，這兩個時間段分別對應駕駛員的清醒狀態和疲勞狀態。實驗流程如圖1所示。文獻[13]中使用Emotiv設備通過腦電信號檢測情緒，從腦電信號中提取特征，以便在二維情感模型中表征心理狀態，得到較好結果。考慮到該設備具有成本低、對被試者影響小等優點，因此采用Emotiv腦電采集分析系統對駕駛員兩種狀態下的腦電信號進行了記錄。 導聯分別為 AF3，F7，F3，FC5，T7，P7，O1，O2，P8，T8，FC6，F4，F8 和 AF4，電極按照 10－20國際標準放置，其布置如圖2所示。采樣頻率為128Hz。

圖1 真實駕駛實驗流程

1.2 數據處理

由于真實駕駛環境中采集到的腦電信號會含有一定的干擾，首先使用EEGLab工具包，對信號進行去噪。包括偽跡去除和基線校正，并使用獨立分量分析(independent component analysis，ICA)方法去除眼電干擾。實現對采集的腦電信號的預處理[14]。

為提取腦電信號中δ，θ，α和β節律信號，本文中選取小波包分解與重構方法，該方法可克服小波變換的頻率分辨率隨信號頻率的升高而降低的缺陷，并能對信號進行更加精確地分析，從而更好地反映信號本質特征[15]。以f(t)表示原始信號，經小波包分解后，在第i分解層得到2i個子頻帶，故原始信號f(t)可表示為

圖2 采集腦電信號的腦部導聯示意圖

式中:j＝0，1，2，…，2i－1；fi，j(tj)為小波包在第 i層節點(i，j)上分解的重構信號。本文中對頻帶進行4層分解，提取信號中 δ(0－4Hz)，θ(4－8Hz)和 α(8－12Hz)節律，并重構β(12－32Hz)節律。F7導聯的小波包分解與重構的結果如圖3所示。

圖3 腦電信號的小波包分解與重構

2 數據特征提取與分析

通過計算兩信號之間的同步似然值(synchronization likelihood，SL)可評判信號之間的非線性相關程度[16]。但在EEG信號采集過程中容易產生容積傳導問題，而SL法可能在兩組信號間產生虛假的高相關性[17]。相位遲滯指數(phase lag index，PLI)討論兩信號之間的相位同步性，對容積傳導現象不敏感，可避免產生虛假的高相關性，能對信號之間的非線性耦合程度提供一種可靠的評價指標。因此，本文中采用PLI來構建不同導聯信號之間的非線性相關性。

2.1 相位遲滯指數分析

相位分析通過檢查信號之間的瞬時相位的關系，避免了振幅對分析結果的影響，該方法已被證明是推斷神經連接性的有效方法。對任意的EEG信號x(t)，其解析信號xA(t)可通過一復雜函數定義[17]為

式中:xH(t)為x(t)的希爾伯特變換(Hilbert transform)。定義瞬時相位φ(t)為

則任意兩個導聯的時域信號?m(t)和?n(t)的瞬時相位差 ?m，n(t)可表示為

將PLI定義為是對這個相位差分布的不對稱測量值，即

式中:N為采樣點數；PLImn的范圍為0～1，PLI＝0表明兩組信號之間沒有相位同步，PLI＝1表明相位嚴格同步于一個常數，并且延遲為0。

2.2 非線性腦網絡參數分析

圖(graph)提供了一種用抽象的點和線表示各種實際網絡的統一方法，圖論分析方法是以圖為研究對象的數學方法，因此也成為目前研究復雜網絡的一種共同的語言。這種抽象的一個主要好處在于有可能透過現象看本質，通過對抽象的圖的研究而得到具體的實際網絡的拓撲性質(topological property)[16，18]。本文中將腦電信號的通道定義為節點，通道間的相關值定義為邊連接值，圖對應的鄰接矩陣則由該邊連接值表示。清醒和疲勞狀態下總平均鄰接矩陣如圖4所示。

該矩陣為14×14方陣，橫軸和豎軸分別對應全腦區各個導聯，每個節點表示各個導聯信號之間的相位滯后指數值，該值介于0到1之間，若兩個導聯之間的相位同步性越強，其值越趨近于1。從圖4可以看出，相比清醒狀態，疲勞時PLI值有所減小，且這種減小趨勢在θ，α和β節律段比較明顯。

聚類系數和特征路徑長度是圖的兩個最基本的特征量[14]，文獻[19]中利用聚類系數和特征路徑長度這兩個參數來描述急性抑郁患者的睡眠腦網絡變化，并得到較好的分析結果。因此，本文中采用聚類系數和特征路徑長度來對比駕駛員清醒和疲勞時的腦網絡特性。網絡的聚類系數(clustering coefficient，C)定義為網絡所有節點的聚類系數的平均值，即

圖4 清醒和疲勞狀態下總平均鄰接矩陣

式中:N為網絡中的節點數；Ci為網絡中一個節點i的聚類系數。

式中:ki為節點i的度，即無向網絡中其他節點與該節點直接相連的邊的數目；Ei為節點i與ki個鄰居節點間實際存在的連接邊數；分母ki(ki－1)/2為該節點與鄰居節點可能存在的最大邊數。聚類系數用于測量復雜網絡的連接性，較高的聚類系數說明網絡在某些區域具有較為密集的連接。

網絡的特征路徑長度(characteristic path length，L)定義為整個網絡中任意兩個節點最短路徑長度的平均值，即

式中dij為連接節點i和節點j的最短路徑上的邊的數目。節點間的相互作用即為神經元間的相互作用，反映神經元遞質的傳遞，是腦網絡認知過程中信息傳遞和處理的基礎[20]。特征路徑長度越短，表明腦網絡中連接距離較遠的兩個節點所需的邊數越少。

為更加直觀地觀察到不同狀態下腦網絡連通性的變化，須對鄰接矩陣選擇一個合適的閾值，濾掉矩陣中小于該閾值的元素。圖5為選取閾值0.32后得到的各個節律的腦網絡拓撲圖。從圖5可以看出，清醒狀態和疲勞狀態之間的功能連通性存在明顯不同，值得注意的是，在θ，α和β節律段，與清醒狀態相比，疲勞狀態下前額極至頂極和額極至枕極的功能連通性被削弱。由此可以推測，前額極至頂極EEG功能連通性將反映前額極至頂極區域的感覺信號，前額極至頂極功能連通性可以由前額極至頂極信號主動調節，隨著駕駛時間增加，駕駛員疲勞程度增加，這些信號強度有所降低，導致連通性變差。為定量比較清醒和疲勞狀態的特征，計算各個節律對應的聚類系數和特征路徑長度，如圖6所示。從圖6(a)可以看出，在各個節律段，與清醒狀態相比，疲勞狀態下聚類系數均有所減小，特別是在α和β節律段，下降幅度較為明顯。從圖6(b)可以觀察到，在各個節律段，疲勞狀態下特征路徑長度比清醒狀態下有所增加。

3 腦電特征與疲勞的相關分析

3.1 主觀評價方法

通過成對比較法(PC)獲取駕駛員對自身疲勞程度的評價。PC法以駕駛員駕駛前后的疲勞程度的比較為基礎，采用1～9比例標度法進行評判，1表示A和B一樣疲勞；3表示A略微疲勞；5表示A比較疲勞；7表示A很疲勞；9表示A非常疲勞；而2，4，6和8則分別表示相鄰評判的中間狀態。

圖5 清醒和疲勞狀態下腦網絡拓撲圖

圖6 腦網絡聚類系數和特征路徑長度

3.2 腦網絡特征參數與主觀疲勞程度相關分析

采用一個含有多層的人工神經網絡(artificial neural network，ANN)算法。將8名駕駛員的腦電數據每隔1min截取一段，將其中80%的樣本數據作為訓練集，其余20%的樣本數據作為測試集。其中網絡的輸入為δ，θ，α和β節律下的聚類系數和特征路徑長度這8個腦網絡特征參數，輸出為主觀疲勞度。網絡的輸出如下式所示:

式中:IW1為輸入層的權重矩陣；LW2為隱含層的權重矩陣；x為腦網絡特征參數；b1，b2為偏移量；Output為訓練的輸出，函數F采用Sigmoid激活函數。主觀評價得到的疲勞度與神經網絡輸出的相關性如圖7所示，R為95.605%，表示疲勞度與神經網絡輸出相關性較高。將其余20%的測試集樣本數據輸入該系統，得到主觀評價的疲勞度與神經網絡輸出的相關性，如圖8所示，R為90.27%。不難看出，駕駛員的疲勞度可以由訓練得到的神經網絡輸出有效估計。

圖7 訓練集主觀疲勞度與神經網絡輸出的相關性

圖8 測試集主觀疲勞度與神經網絡輸出的相關性

4 結論

基于腦電信號完成了在真實路況下的疲勞駕駛實驗，通過小波包分析得到了δ，θ，α和β節律信號，計算了清醒與疲勞狀態下各導聯信號之間的相位遲滯指數，并基于此構建了功能性腦網絡，采用人工神經網絡算法得到各個節律下聚類系數和特征路徑長度與主觀疲勞度間的復雜關系。結果表明，與清醒狀態相比，疲勞狀態下前額極至頂極和額極至枕極的功能連通性被削弱，并通過神經網絡成功實現了利用客觀腦網絡特征參數估計主觀疲勞度，相關性R為90.27%，回歸分析結果證明了基于功能連接的精神疲勞評估方法的可行性，為不同精神狀態下建立腦動態模型開辟了新的途徑。今后的研究可考慮結合腦電、眼電和肌電信號，通過多源信息融合進一步提高駕駛員疲勞檢測系統精度。

[1] FU R R，WANG H，ZHAO WB.Dynamic driver fatigue detection using hidden Markov model in real driving condition[J].Expert Systems With Applications，2016，63:397－411.

[2] WASCHER E， GETZMANN S， KARTHAUS M.Driver state examination—treading new paths[J].Accident Analysis and Prevention，2016，91:157－165.

[3] 馬勇，付銳.駕駛人視覺特性與行車安全研究進展[J].中國公路學報，2015，28(6):82－94.

[4] 胥川，裴賽君，王雪松.基于無侵入測量指標的個體差異化駕駛疲勞檢測[J].中國公路學報，2016，29(10):118－125.

[5] 張寧寧，王宏，付榮榮.基于小波熵的駕駛疲勞腦電信號特征提取[J].汽車工程，2013，35(12):1139－1142.

[6] 陳劍，楊雯，李偉毅.汽車聲品質主觀評價試驗方法探究[J].汽車工程，2009，31(4):389－392.

[7] ROGADOE，GARCíA JL，BAREA R，et al.Driver fatigue detection system[C].IEEE International Conference on Robotics＆Biomimetics，2009:1105－1110.

[8] KAR S，BHAGAT M，ROUTRAY A.EEG signal analysis for the assessment and quantification of driver's fatigue[J].Transportation Research Part F，2010，13:297－306.

[9] 王福旺，王宏.長途客車駕駛員疲勞狀態腦電特征分析[J].儀器儀表學報，2013，34(5):1146－1152.

[10] 彭軍強，吳平東，殷罡.疲勞駕駛的腦電特性探索[J].北京理工大學學報，2007，27(7):585－589.

[11] 李明愛，張誠，楊金福.一種基于腦電信號的疲勞駕駛狀態判斷方法[J].北京生物醫學工程，2011，30(1):57－61.

[12] MU Z D，HU JF，MIN JL.Driver fatigue detection system using electroencephalography signals based on combined entropy features[J].Applied Sciences，2017，7(2):150.

[13] RAMIREZ R，VAMVAKOUSIS Z.Detecting emotion from EEG signals using the Emotive Epoc device[J].Lecture Notes in Computer Science，2012，7670:175－184.

[14] DELORME A，MAKEIG S.EEGLAB:An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods，2004，134(1):9－21.

[15] 吳定超，王珂，馬喜來，等.基于小波包分解和特征能量提取技術的車內傳導干擾源識別[J].汽車工程，2008，30(12):1103－1107.

[16] STAM C J，REIJNEVELD JC.Graph theoretical analysis of complex networks in the brain[J].Nonlinear Biomedical Physics，2007，1(3):1－19.

[17] STAM C J， NOLTE G， DAFFERTSHOFER A.Phase lag index:assessment of functional connectivity from multi channel EEG and MEG with diminished bias from common sources[J].Human Brain Mapping，2007，28(1):1178－1193.

[18] WANGSQ，SONGQY，WANGX W，et al.Rate and power adaptation for analog network coding[J].IEEE Transactions on Vehicular Technology，2011，60(5):2302－2313.

[19] LEISTEDT SJ， COUMANSN，DUMONT M.Altered sleep brain functional connectivity in acutely depressed patients[J].Human Brain Mapping，2009，30:2207－2219.

[20] BULLMORE E，SPORNSO.Complex brain networks:Graph theoretical analysis of structural and functional systems[J].Nature Reviews Neuroscience，2009，10(3):186－198.