基于EEG 信號特征的腦力疲勞快速檢測方法

張朋，周前祥，于洪強，王川

(1. 北京航空航天大學 生物與醫學工程學院，北京 100191； 2. 航天員科研訓練中心，北京 100194；3. 中國人民解放軍海軍特色醫學中心，上海 200433)

人長時從事高強度認知活動或睡眠不足容易產生腦力疲勞，特別是在密閉環境中，如空間在軌飛行階段。腦力疲勞會降低作業績效，嚴重時甚至引發安全事故[1-2]。早在20 世紀90 年代，美國宇航局便開展了飛行員的腦疲勞相關研究[3-6]。約半數人在慢性腦疲勞狀態中的認知和績效能力明顯降低，不能正常工作[7]，依據腦力疲勞程度能有效預測出操控者犯錯誤的可能性[8]。腦力疲勞在主觀上的表現為精神不振、機動性能差和警覺度下降等[9]；在行為上的主要表現為認知能力和任務績效降低[10-11]；在生理上的主要表現為大腦功能活動的改變[12-13]。

人腦有約1 000 億的神經元細胞，其1%～5%分布于大腦皮層[14]。神經遞質是2 個元細胞之間傳輸信息的媒介，其本質是具有微弱電荷的化學物質[15]。人在進行認知、思考和記憶等思維活動時，大腦皮層的神經元細胞被激活，從而產生神經沖動。大量神經遞質的定向移動對外所形成實時變化的電位差，通過頭皮電位傳感器記錄的這種電位差，即為腦電波 (electroencephalogram, EEG)。腦節律波通常有4 個頻段，分別為δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～14 Hz)和β(14～30 Hz)。研究表明：δ波是大腦進入意識昏迷或深度睡眠狀態的標志物，人在清醒狀態下無法檢測到δ波；θ波在人腦力疲勞、情緒壓抑或受藥物抑制時出現；α波屬于快節律波，在人受到外界刺激時會瞬間消失；β波是最快的基本節律波、人在興奮狀態時會出現β波，其可表征腦的清醒程度[16-18]。

EEG 是一種人體客觀生理信號，可定量評估大腦的疲勞程度。Trejo 等[19]使用30 個導聯，驗證了腦電波特征與腦疲勞狀態間存在收斂性。在此基礎上，Jap 等[20]通過快速傅里葉變換深入分析了4 個腦電特征，發現腦嚴重疲勞時α波的含量相對增加，而β波的含量相對減少，(θ+α)/β的含量明顯增加。Kar 等[21]重點研究了左額級點Fp1，右顳極點Fp2，左額點F3，右額點F4，額中線點FZ，中央中線點CZ，左枕點O1和右枕點O2導聯的EEG 信號，應用5 種熵特征評估了腦力疲勞的程度。他們的結果為采用EEG 信號分析腦力疲勞提供了理論依據，但未構建出有效的檢測模型。

Liu 等[22]應用隱馬爾可夫和主成分分析算法訓練的分類模型，雖然能降低特征維度以提高檢測速度，但構建此模型所用的導聯數目多，且僅能區分一種腦力疲勞狀態。Zhang 等[23]使用滑窗技術提取出枕區導聯的小波熵、樣本熵和峰值等特征，有效識別出正常狀態、輕度疲勞、情緒波動和過度疲勞4 種狀態。這種方法雖然能縮減腦電導聯的使用數量，但附加有肌電和眼電信號的特征，增大了實際應用難度。

本文獲得中國載人航天醫學領域第一批經費資助，其主要目的是提出一種適合在空間站開展的航天員腦力疲勞檢測方案。由于在軌實驗的耗材有限，且航天員的時間寶貴，因此，本文在深入分析大腦皮層EEG 信號的基礎上，揭示出更多的腦力疲勞敏感特征，然后依據敏感特征的數量進一步篩選出敏感導聯。通過篩選敏感導聯，減少腦力疲勞檢測方案實際應用時所需的導聯數量，在保證檢測準確性的同時縮短實驗準備時間、降低后續數據分析量和時間成本，提高在軌空間站航天員腦力疲勞檢測實驗的可行性。

1 實驗與方法

1.1 睡眠剝奪實驗

目前，主流的腦力疲勞誘發方式有睡眠剝奪和持續認知任務2 種形式，本文采用36 h 睡眠剝奪來誘發受試者的腦力疲勞。受試者均為北京航空航天大學在校學生，年齡在22～28 歲之間，共45 人。他們身體健康，均為右利手，矯正視力1.0 以上。無精神方面相關病史，實驗過程中狀態正常、情緒穩定。無顱腦外傷史，1 個月內沒有服用各種鎮靜劑、興奮劑等影響腦功能的藥物。

實驗方案經倫理委員會批準，受試者均簽署了知情同意書。45 名受試者分多次入組，每次有2～3 名參加。他們于實驗當天早8:00 到達實驗室，次日晚20:00 離開，回宿舍休息12 h 和24 h 后再分別采集1 次數據。整個實驗期間受試者可自由進行閱讀、上網等非劇烈活動，不能遠距離外出，飲食、水果等由實驗室統一提供。實驗環境中無床或躺椅，僅配備有書桌、座椅和電腦等常用辦公用具，全過程由6 名研究人員輪流監視。

受試者每4 h 需填寫一次主觀疲勞自評問卷，其設計主要依據日本衛生學會產業疲勞研究會編制的作業疲勞癥狀自評量表[24]（newly developed questionnaire for work related fatigue feelings, WRFFQ），包括困倦感、情緒不安感、注意力狀態、思維狀態和視覺疲勞感5 個問題。采用10 分制的評價標準，即0 分代表完全沒有困倦感、情緒不安感、視覺疲勞感或注意力非常集中、思維非常清晰；10 分代表非常嚴重的困倦感、情緒不安感、視覺疲勞感或注意力非常渙散、思維非常混亂。受試者關于5 個問題的自評分被加權平均后，形成最終的腦力疲勞主觀評分，各分段及相應等級如表1 所示。

表1 腦力疲勞主觀評分及等級劃分Table 1 Subjective score and grade division of mental fatigue

1.2 腦電信號的預處理

在睡眠剝奪期間使用德國32 導聯Brain Productsbp 腦電設備，受試者每隔4 h 被采集一次時長約6 min 的靜息態EEG 信號，場景如圖1 所示。前、后30 s 左右的EEG 容易受到活動干擾，因此，截取中間5 min 的平穩信號用于研究。首先，靜息態EEG 信號經過0.1～40 Hz 的帶通濾波器。其次，以1 s 為間隔將濾波后5 min 的EEG 信號切分成片段，用左耳TP9 及右耳乳突TP10 作參考電極，人工剔除尖刺數據片段和異常導聯信號。最后，檢查腦電數據是否有較大的基線漂移，剔除基線漂移和偽跡較大的數據片段。采集過程中可能存在參考電極脫落或環境噪聲干擾等現象，這會嚴重影響信號質量，形成難以通過濾波等方式修正的異常數據，在本實驗中共計剔除了8 個無效的5 min 腦電數據。

圖1 腦電信號采集場景Fig. 1 EEG acquisition scene

1.3 小波變換提取腦節律波

實驗選用的腦電采樣頻率為1 000 Hz，根據腦電節律的頻率分段標準，設計了8 層db4 小波變換結構，以提取δ、θ、α和β波，其中X[m]為原始信號，g[m]和h[m]分別為小波分解后的低頻段和高頻段信號，A 和D 分別為同一層小波結構的低頻成分和高頻成分，如圖2 所示。δ波在A8 段、θ波在D8 段、α波在D7 段、β波在D6 段。某段腦電信號的4 個節律波及其頻率范圍如圖3所示。小波包分解可以準確提取腦電信號中的不同節律波，其具有一般頻譜分析所不具備的時間和頻率同步定位功能，對非平穩性腦電信號有很強的還原能力。

圖2 小波變換結構Fig. 2 Wavelet transform structure

圖3 小波變換提取的腦節律波Fig. 3 Brain rhythm wave extracted by wavelet transform

1.4 各導聯腦電特征的計算

采集EEG 時不可避免地會存在人體活動或外界環境干擾，為提高特征指標的魯棒性，本文在片段水平上處理腦電信號。5 min 的靜息態腦電信號以1 s 為單位被平均分成300 段，在每段中分別計算腦電特征值。計算獲得的300 個特征值經3 倍標準差法剔除異常值后，再求平均形成最終的腦電特征。經統計，此過程被刪除的數值約占總體的0～5%，不影響數據質量。

在每個導聯的腦電信號中分別計算最小值、最大值、自回歸系數、平均值、方差、標準差、算數平均值、Renyi 熵、對數能量熵、Shannon 熵、Tsallis熵、時變對數方根、Teager 平均能量、平均能量、平均曲線長度、歸一化二階差、二階差、歸一化第一差、一階差、峰度、偏度、Hjorth 復雜性、Hjorth 移動性、Hjorth 活動性、(δ+θ+α+β)總能量、δ波絕對能量、θ波絕對能量、α波絕對能量、β波絕對能量、δ/(δ+θ+α+β)相對能量、θ/(δ+θ+α+β)相對能量、α/(δ+θ+α+β)相對能量、β/(δ+θ+α+β)相對能量、(θ+α)/β相對能量、α/β相對能量、(θ+α)/(β+α)相對能量和θ/β相對能量共計37 個腦電特征。

1.5 腦力疲勞快速檢測模型的構建

為提高檢測速度，本文希望篩選出腦力疲勞敏感導聯，使用各敏感導聯處的腦電特征構建隨機森林回歸模型。隨機森林算法具有突出優點：能夠處理高維度特征，無需做特征選擇，能在眾多數據集中表現出很強的魯棒性；隨機森林模型建立時無剪枝過程，與決策樹相比不易產生過擬合；隨機森林模型建立時對廣義誤差使用無偏估計，有較強的泛化能力；通過平均降低的準確率或平均降低的基尼系數自動評價特征的重要性等。因此，本文選用隨機森林算法構建回歸模型。

另外，為提高檢測準確性，本文將在各敏感導聯處構建的回歸模型進行融合，以形成最終的腦力疲勞快速檢測模型。最直接的融合方法是同時用多個導聯的腦電特征構建回歸模型，即特征融合，但這種特征融合所構建的向量空間維度高，導致回歸模型易出現過擬合現象。為增強融合模型的泛化能力，本文采用各子模型輸出值加權平均的方式將其融合，即模型融合。具體步驟如下：

步驟 1 使用各導聯的37 個腦電特征，分別訓練出N個敏感導聯的隨機森林回歸模型，得到N組回歸值{pn(i)|n∈1,2,…,N;i=1,2,…,L}，其中L為訓練樣本數。

步驟 2 計算訓練集N組回歸值的受試者工作特性(receiver operating characteristic， ROC)曲線下的面積(area under curve，AUC)，記為{AUCn|n∈1,2,…,N}。

步驟 3 以AUCn為系數，加權平均測試樣本的回歸值，測試樣本的回歸值記為p，加權后的回歸值記為p。

2 結 果

2.1 腦力疲勞狀態的誘發

整個實驗過程中共計采集到45 名受試者的有效數據412 次，依據主觀評分將他們劃分為不同腦力疲勞等級，包括無疲勞感98 例，輕微疲勞107 例，中度疲勞81 例，較重疲勞67 例，嚴重疲勞59 例。受試者的腦力疲勞主觀評分一致性良好，如圖4 所示。由統計結果可以發現，36 h 睡眠剝奪可以成功誘發出受試者的4 種腦力疲勞狀態。睡眠剝奪期間的前8 h 受試者基本無疲勞感，只有少數受試者感到輕微疲勞。睡眠剝奪20 h 后大部分受試者仍處于輕微腦力疲勞狀態，睡眠剝奪12～20 h 內少數受試者在進入中度腦力疲勞狀態。睡眠剝奪24 h后受試者的腦力疲勞開始由中度向較重狀態過度。睡眠剝奪32 h 后受試者均處于較重腦力疲勞狀態，睡眠剝奪32～36 h 內受試者開始進入嚴重腦力疲勞狀態。受試者的主觀評分可以表明，本次睡眠剝奪實驗成功誘發了受試者的腦力疲勞，并且腦力疲勞隨著睡眠剝奪時間的增長而逐漸加劇。另外，睡眠剝奪36 h 內受試者依次進入腦力無疲勞感、輕微疲勞、中度疲勞、較重疲勞和嚴重疲勞狀態，說明36 h 睡眠剝奪能滿足對多種腦力疲勞狀態的研究需求。

圖4 腦力疲勞狀態統計結果Fig. 4 Statistical results of mental fatigue

2.2 腦力疲勞的敏感特征

在每個導聯上分別提取了共計37 個特征，進行敏感特征數量統計為定量評價各導聯與腦力疲勞之間的關聯度，利用少數敏感導聯中的腦電特征來檢測腦力疲勞，以提高檢測速度、降低方案實施難度。首先，對每個腦電特征進行Shapiro-Wilk(SW)檢驗，發現SW 檢驗的P值均大于0.05，所以不能拒絕0 假設，樣本來自正態分布。因此，本文采用方差分析(analysis of variance, ANOVA)方法檢驗5 種腦力疲勞狀態間的腦電特征差別，P值小于0.05 被認為具有顯著的統計學差異。同時，用單個特征構建Logistic 回歸器，通過AUC 評價其檢測腦力疲勞的能力。將P<0.05 且AUC>0.5 的特征定義為敏感特征。表2 為每種特征所對應的最敏感導聯及其統計值，圖5 展示了前4 個敏感特征在各腦力疲勞狀態間分布的具體差異。

圖5 前4 個敏感特征的分布差異Fig. 5 Distribution differences of the first 4 sensitive features

表2 腦力疲勞的敏感特征統計Table 2 Statistics of sensitive characteristics of mental fatigue

2.3 腦力疲勞的敏感導聯

為尋找腦力疲勞敏感導聯，本文在2.2 節統計敏感特征的基礎上，通過敏感特征數量評價了各導聯與腦力疲勞的關聯程度。如圖6 所示，縱坐標為單特征Logistic 回歸的AUC 值，橫坐標為該特征ANOVA檢驗P值的對數。當P值為0.05 時，-lgP= 1.301 0。因此，某一腦電特征越靠近統計圖的右上角區域，代表此特征與腦力疲勞的關聯性越強，不僅具有顯著的統計學意義，而且用他構建的腦力疲勞狀態回歸模型性能優越。

圖6 腦力疲勞敏感導聯的特征統計Fig. 6 Feature statistics of sensitive leads of mental fatigue

圖6 中右上角點的數量，即為該導聯處腦力疲勞敏感特征的數量。如1.4 節所述，每個導聯處的腦電特征總量為37。經統計，FZ導聯擁有16 個敏感特征，占特征總量的43.2%；O1導聯擁有14 個敏感特征，占特征總量的37.8%；F4導聯擁有14 個敏感特征，占特征總量的37.8%；O2導聯擁有13 個敏感特征，占特征總量的35.1%；OZ導聯擁有12 個敏感特征，占特征總量的32.4%；F3導聯擁有9 個敏感特征，占特征總量的24.3%。從第7 個導聯開始，敏感特征的比例低于20%。

2.4 腦力疲勞的快速檢測模型

本文采用模型融合的方法，以提高對腦力疲勞檢測的準確性。經統計篩選，32 個導聯中有6 個導聯20%以上的特征與腦力疲勞敏感，即枕葉O1、OZ、O2和額葉F3、FZ、F4導聯被保留。使用各導聯處37 個腦電特征分別構建1 個隨機森林回歸模型，通過1.5 節提出的方法將6 個導聯的回歸模型加權融合，形成最終的腦力疲勞檢測模型。

為充分利用實驗數據，同時避免模型出現過擬合現象，選用“留一交叉驗證法”來建立腦力疲勞回歸模型。即每次選取1 名受試者作為測試樣本，其余受試者作為訓練樣本，依次循環直到所有樣本均被測試1 次。首先，提取某個敏感導聯的37 個腦電特征；然后，在每次留一過程中應用皮爾遜相關系數，刪除線性相關性大于0.8 的冗余特征，對留一后的訓練集進行十折交叉驗證，通過參數遍歷的方式尋找出隨機森林的最佳參數。最后，6 個敏感導聯處所構建的回歸模型被加權融合，以形成最終的腦力疲勞檢測模型。根據交叉驗證過程中平均準確率的降低，各敏感導聯處的前10 個重要特征的排序如表3 所示。

表3 腦力疲勞敏感導聯的重要特征Table 3 Important characteristics of mental fatigue sensitive leads

6 個敏感導聯處隨機森林回歸模型的AUC 值如表4 所示。

表4 敏感導聯回歸模型的AUC 值Table 4 AUC value of sensitive lead regression model

6 個敏感導聯處所構建的回歸模型被加權融合后，形成的最終腦力疲勞檢測模型的ROC 曲線如圖7 所示。評價結果表明，檢測模型對嚴重疲勞狀態的敏感性最強，其AUC 達0.892，意味著此模型對腦力嚴重疲勞狀態的檢出率最高，而且虛報率最低。同時，模型對無疲勞感、輕微疲勞、中度疲勞和較重疲勞4 種等級的腦力疲勞狀態也有較強的敏感性，AUC 值分別為0.863、0.801、0.830、0.844，模型檢測5 種腦力疲勞狀態的平均AUC 為0.846。

圖7 腦力疲勞檢測模型的ROC 曲線Fig. 7 ROC curve of mental fatigue detection model

為進一步驗證隨機森林算法的有效性，本文用相同的方法構建了支持向量機(support vector machine,SVM)、Logistic 回歸和人工神經網絡(artificial neural network, ANN)的融合模型，他們與隨機森林(random forests, RF)融合檢測模型比較的P值如表5 所示。

從表5 統計結果得知，RF 算法比SVM、Logistic回歸和ANN 更適合構建腦力疲勞檢測模型，其AUC 比較的P值均小于0.05，具有顯著的統計學意義。另外，RF 腦力疲勞檢測模型的分類結果如表6 所示，平均精確率為85.25%，平均召回率為23.96%，平均F1值為36.98 %，F1為反映模型穩健性的評估標準。

表5 腦力疲勞融合檢測模型的比較Table 5 Comparison of fusion detection models for mental fatigue

表6 腦力疲勞檢測模型的分類結果Table 6 Classification results of mental fatigue detection model

3 結 論

本文通過睡眠剝奪實驗成功誘發出受試者的4 種腦力疲勞狀態，即輕微腦力疲勞、中度腦力疲勞、較重腦力疲勞和嚴重腦力疲勞。在分析腦力疲勞的敏感特征和導聯時，得出如下有意義的結論：

1） 隨著腦力疲勞狀態的加劇，額葉F3導聯處α節律波段的絕對能量逐漸下降，而且額葉FZ導聯處θ/β節律波相對能量逐漸增加。此現象表明腦力疲勞越嚴重，在大腦皮層處所檢測到的快節律波活動能量減少，而慢節律波的活動能量增大。

2） 隨著腦力疲勞狀態的加劇，枕葉OZ導聯處腦電信號的Hjorth 復雜度降低，而額葉FZ導聯處腦電信號的Renyi 熵降低。此現象表明嚴重腦力疲勞狀態時，大腦皮層釋放的電信號復雜性變低、確定性增加，相比于正常狀態釋放的電信號更為平穩、多樣性減少。

大腦枕葉和額葉的腦電信號，對檢測腦力疲勞最有幫助。經統計，在枕葉O1、OZ、O2和額葉F3、FZ、F4導聯處37 個腦電特征中，20%以上均與腦力疲勞高度關聯。O1、OZ、O2、F3、FZ和F4這6 個導聯所構建的回歸模型，能有效識別出無疲勞感、輕微腦力疲勞、中度腦力疲勞、較重腦力疲勞和嚴重腦力疲勞。6 個獨立的回歸模型被加權融合后，能明顯改善對腦力疲勞的檢測效果。另外，在使用EEG信號檢測腦力疲勞方面，RF 算法優于SVM、Logistic回歸和ANN。RF 檢測模型具有高敏感性和特異性，對嚴重腦力疲勞狀態的敏感性最強，平均精確率高達85.25%。

3） 本文僅使用了6 個敏感導聯的腦電特征來構建分類模型，可縮短腦電膏光射用時，降低腦電膏消耗量，不必通過水洗的方式清理頭發，節約實驗耗材，大幅度降低在軌實施難度。整體減少實驗準備時間和減少數據計算量，以提高檢測速度，為腦電設備在空間站環境中檢測腦力疲勞提供理論和技術支撐。

本文僅在地面環境中開展了腦力疲勞檢測實驗，仍然存在以下不足之處，更多內容有待于進一步研究。