基于生理信號(hào)的警覺(jué)度檢測(cè)研究綜述

張飛楊， 樊尚春,2,3*， 鄭德智,2,4

(1.北京航空航天大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京 100191； 2.北京航空航天大學(xué) 大數(shù)據(jù)精準(zhǔn)醫(yī)療高精尖創(chuàng)新中心，北京 100191； 3.工業(yè)和信息化部量子傳感技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100191；4.北京航空航天大學(xué) 前沿科學(xué)技術(shù)創(chuàng)新研究院，北京 100191)

警覺(jué)度描述的是人在一段時(shí)間內(nèi)保持注意力集中或?qū)Υ碳け３置舾械哪芰1]，也被定義為意識(shí)到環(huán)境中潛在相關(guān)的、不可預(yù)測(cè)的變化的能力[2]，反映了大腦的警惕狀態(tài)。在太空飛行[3]、空中交通管制[4]、機(jī)動(dòng)車(chē)人工駕駛[5]、機(jī)動(dòng)車(chē)半自動(dòng)駕駛[6]、長(zhǎng)時(shí)間醫(yī)療手術(shù)[7]、軍事作戰(zhàn)[8]等任務(wù)中，操作員都需要在較長(zhǎng)的工作過(guò)程中持續(xù)保持高度警覺(jué)。而警覺(jué)度的下降可能會(huì)導(dǎo)致任務(wù)失敗，甚至發(fā)生人員傷亡。檢測(cè)警覺(jué)度，可以在其下降到一定程度前進(jìn)行預(yù)警或進(jìn)一步的調(diào)控，以降低事故發(fā)生的概率。

警覺(jué)度的檢測(cè)方法可分為主觀和客觀兩類(lèi)。主觀檢測(cè)方法是通過(guò)主觀自評(píng)或主觀他評(píng)判斷警覺(jué)度水平的高低。主觀自評(píng)是指在試驗(yàn)中，被試者依據(jù)主觀感受填寫(xiě)心理學(xué)量表，如卡羅林斯卡嗜睡測(cè)試量表[9]和斯坦福嗜睡測(cè)試量表[10]。量表結(jié)果可反映警覺(jué)度水平。主觀他評(píng)是由他人通過(guò)觀察被試者的表情、動(dòng)作等外在表現(xiàn)[11]估計(jì)出被試者的警覺(jué)度水平。

客觀檢測(cè)方法主要有3種,分別為基于任務(wù)表現(xiàn)的方法、基于被試者行為的方法和基于生理信號(hào)的方法?；谌蝿?wù)表現(xiàn)的方法使用傳感器測(cè)量一些與被試者所執(zhí)行任務(wù)相關(guān)的指標(biāo)，如駕駛?cè)蝿?wù)中的踏板壓力、方向盤(pán)轉(zhuǎn)角、速度、加速度、車(chē)輛在車(chē)道中的位置等，來(lái)評(píng)估被試者警覺(jué)度[12-13]?；诒辉囌咝袨榈姆椒ㄍㄟ^(guò)分析被試者的眼動(dòng)、眨眼頻率、面部位置、頭部?jī)A斜度[14-15]等來(lái)判斷警覺(jué)度的變化，一般使用攝像機(jī)[16]、紅外LED[17]等手段捕捉面部圖像，再提取被試者相關(guān)行為指標(biāo)?；谏硇盘?hào)的方法利用傳感器測(cè)量某個(gè)或某些生理信號(hào)，包括腦電(EEG)[18]、心電(ECG)[19]、眼電(EOG)[20]、脈搏波[21]、腦血紅蛋白濃度(CHC)信號(hào)[22]等，提取對(duì)警覺(jué)度變化敏感的信號(hào)特征，經(jīng)分類(lèi)或回歸得到警覺(jué)度的水平。

主觀檢測(cè)方法是由人的感受對(duì)警覺(jué)度進(jìn)行評(píng)估，其優(yōu)點(diǎn)是方法簡(jiǎn)單，適合在實(shí)驗(yàn)室中使用，可作為客觀檢測(cè)方法的對(duì)照；其缺點(diǎn)是準(zhǔn)確性無(wú)法保證，不適合在現(xiàn)實(shí)任務(wù)中使用。

客觀檢測(cè)的3種方法中，基于生理信號(hào)的方法最直接地反映了人的警惕狀態(tài)，也能更早地識(shí)別出警覺(jué)度的降低，已經(jīng)成為警覺(jué)度檢測(cè)研究的熱點(diǎn)。本文對(duì)基于生理信號(hào)的警覺(jué)度檢測(cè)方法進(jìn)行了綜述。

1 基于腦電信號(hào)

在健康的人腦內(nèi)存在著數(shù)以千億的神經(jīng)元，而各個(gè)神經(jīng)元依靠軸突來(lái)實(shí)現(xiàn)有效的連接，在面臨周邊因素刺激的情況下，大腦中的神經(jīng)元會(huì)存在特殊的電信號(hào)，此類(lèi)信號(hào)會(huì)構(gòu)成頭皮位置的電位變化。此類(lèi)信號(hào)可以較為精準(zhǔn)地反饋大腦的具體狀態(tài)。因?yàn)槟X電信號(hào)存在著相對(duì)較高的分辨率，因此被認(rèn)為是有著最為理想預(yù)測(cè)性和警覺(jué)度的黃金指標(biāo)。人類(lèi)腦電信號(hào)按頻率又被劃為幾個(gè)頻段[23]。

delta節(jié)律(0.5～3 Hz)主要分布在成年人的額葉區(qū)域，其所占的能量也會(huì)隨著大腦從清醒狀態(tài)變?yōu)槠跔顟B(tài)而增加；theta節(jié)律(4～7 Hz)會(huì)在成年人困倦時(shí)出現(xiàn)，與反應(yīng)的遲緩有關(guān)；alpha節(jié)律(8～13 Hz)在休息時(shí)出現(xiàn)在中央?yún)^(qū)，也會(huì)在放松或閉眼時(shí)出現(xiàn)，同時(shí)與控制減弱有關(guān)，也與不同腦區(qū)的抑制有關(guān)；beta節(jié)律(14～30 Hz)大部分出現(xiàn)在額葉，幅值較低，在積極思考、注意力集中、焦慮和警覺(jué)時(shí)出現(xiàn)[24]。

隨著警覺(jué)度的降低，以頻譜劃分成各種節(jié)律的活躍程度也會(huì)隨之改變。1993年，加州大學(xué)Makeig等[25]研究發(fā)現(xiàn)隨著警覺(jué)度的降低，alpha節(jié)律能量下降，theta節(jié)律能量會(huì)升高。2009年，悉尼科技大學(xué)Jap等[26]通過(guò)腦電實(shí)驗(yàn)得出，隨著警覺(jué)度的下降，alpha波、beta波的平均幅值會(huì)明顯下降，(alpha+theta)/beta 則會(huì)顯著增加。

2010年，上海交通大學(xué)的Yu等[27]提出將腦電信號(hào)的稀疏表示應(yīng)用于警覺(jué)檢測(cè)問(wèn)題。他們首先利用連續(xù)小波變換提取腦電信號(hào)的節(jié)律特征，然后對(duì)小波變換系數(shù)進(jìn)行稀疏表示。在模擬駕駛環(huán)境中收集了5名受試者的腦電記錄，并應(yīng)用所提出的方法來(lái)檢測(cè)受試者的警覺(jué)性。實(shí)驗(yàn)結(jié)果表明，提出的算法框架能夠成功地估計(jì)駕駛員的警惕性，平均準(zhǔn)確率約為94.22%。同年，同濟(jì)大學(xué)Cao等[28]利用主成分分析(Principal Component Analysis,PCA)算法減小EEG數(shù)據(jù)尺寸并消除背景噪聲，利用Fisher算法篩選特征，之后使用支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行警覺(jué)度的分類(lèi)，與未使用PCA算法的對(duì)照組相比，在alpha波段、beta波段、(alpha+theta)/beta和alpha/beta上得到了更高的精度。

2011年，上海海事大學(xué)的董書(shū)琴和謝宏[29]針對(duì)兩種不同程度的警覺(jué)度(清醒和睡眠)，采用公共空間模式算法對(duì)所采集到的腦電數(shù)據(jù)進(jìn)行特征提取，用基于徑向基函數(shù)的SVM對(duì)提取的特征進(jìn)行分類(lèi)，通過(guò)網(wǎng)格搜索法獲得最優(yōu)參數(shù)，與以頻帶能量作為特征的已有方法相比，得到了較高的準(zhǔn)確率。

2013年，上海交通大學(xué)的Shi等[30]提出用一個(gè)新特征——腦電信號(hào)的微分熵，來(lái)表示警覺(jué)度水平?；?3名執(zhí)行單調(diào)視覺(jué)任務(wù)受試者的腦電數(shù)據(jù)，發(fā)現(xiàn)與使用4個(gè)現(xiàn)有的表示警覺(jué)度的特征相比，平均估計(jì)準(zhǔn)確率提高了5.9%。

2016年，西南交通大學(xué)的Zhang等[30]提出了一種基于可穿戴EEG和稀疏表示的駕駛員警覺(jué)檢測(cè)的車(chē)輛主動(dòng)安全模型。該系統(tǒng)包括3個(gè)步驟：無(wú)線可穿戴式腦電采集、駕駛員警覺(jué)度檢測(cè)和車(chē)速控制策略。首次在提取腦電功率譜密度時(shí)引入稀疏表示分類(lèi)和k-奇異值分解相結(jié)合的方法來(lái)估計(jì)駕駛員的警覺(jué)水平。仿真和實(shí)際測(cè)試結(jié)果驗(yàn)證了車(chē)輛主動(dòng)安全模型的可行性。

2017年，印度理工學(xué)院Samima等[32]利用EEG信號(hào)事件相關(guān)電位中的P300分量，提出了一種警覺(jué)估計(jì)系統(tǒng)。他們發(fā)現(xiàn)P300峰值及其潛伏期幅度的變化與警覺(jué)水平的變化有關(guān)，并提出了一個(gè)量化警覺(jué)度水平的公式。同年，韓國(guó)漢陽(yáng)大學(xué)Kim等[33]使用了一種低認(rèn)知負(fù)荷的實(shí)驗(yàn)范式——d2注意測(cè)試，來(lái)尋找與警覺(jué)度相關(guān)的腦區(qū)，對(duì)31名年輕人進(jìn)行的腦電圖實(shí)驗(yàn)表明，左前額葉皮層在警覺(jué)調(diào)節(jié)中起著關(guān)鍵作用。

2018年，西南交通大學(xué)的Zhou等[34]提出了一種基于穩(wěn)健主成分分析和無(wú)線可穿戴腦電采集技術(shù)的高速鐵路司機(jī)警覺(jué)度檢測(cè)方法。對(duì)10個(gè)不同駕駛員的駕駛腦電數(shù)據(jù)進(jìn)行了測(cè)試，仿真和實(shí)驗(yàn)結(jié)果表明，9 s內(nèi)的分類(lèi)精度可達(dá)99.40%。

2019年，哈爾濱工業(yè)大學(xué)的張美妍[35]從基于剝奪睡眠的低警覺(jué)度誘發(fā)實(shí)驗(yàn)得到的EEG數(shù)據(jù)中，提取delta、theta、alpha、beta節(jié)律功率譜密度和能量比，以及短時(shí)傅里葉變換幅值和自回歸模型系數(shù)等特征，采用基于SVM的決策級(jí)融合的方法獲得的高、低兩種警覺(jué)度的分類(lèi)準(zhǔn)確率可達(dá)88.5%。

2020年，韓國(guó)高麗大學(xué)的Ko等[18]基于EEG信號(hào)的差分熵開(kāi)發(fā)一種深度卷積神經(jīng)網(wǎng)絡(luò)VIGNet，在公開(kāi)數(shù)據(jù)集SEED-VIG上獲得的分類(lèi)準(zhǔn)確率為96%，高于使用SVM獲得的92%分類(lèi)準(zhǔn)確率。

基于腦電信號(hào)的警覺(jué)度檢測(cè)方法的發(fā)展大致可分為3個(gè)階段。如表1所示。

表1 基于腦電信號(hào)的警覺(jué)度檢測(cè)方法發(fā)展階段

基于腦電信號(hào)的警覺(jué)度檢測(cè)方法二分類(lèi)準(zhǔn)確率已經(jīng)達(dá)到95%以上，但由于腦電信號(hào)易受環(huán)境電磁和用戶(hù)運(yùn)動(dòng)的干擾，制約了其實(shí)用化。未來(lái)，開(kāi)發(fā)更適用于日常環(huán)境的腦電傳感器將是一個(gè)重要的發(fā)展方向。

2 基于心電信號(hào)

心臟每次跳動(dòng)過(guò)程中，心電伴隨著起搏點(diǎn)、心房、心室相繼興奮而變化。心臟的收縮產(chǎn)生搏動(dòng)，生成電信號(hào)，電信號(hào)可沿著特殊心肌細(xì)胞從體內(nèi)傳導(dǎo)到體表，通過(guò)心電采集設(shè)備被檢測(cè)到。人的一個(gè)完整心電波形主要由P波、QRS波群和T波組成，部分人還會(huì)在T波后面出現(xiàn)一個(gè)U波[36]。如圖1所示。

圖1 心電波形示意圖

心電信號(hào)中，主要應(yīng)對(duì)心率變異性(Heart Rate Variability，HRV)進(jìn)行分析。心率變異性是指心率中R-R間期的變化，這種變化主要由自主神經(jīng)系統(tǒng)(Autonomic Nervous System，ANS)控制。ANS分為兩個(gè)部分：交感神經(jīng)系統(tǒng)和副交感神經(jīng)系統(tǒng)。當(dāng)被試者處在壓力、緊張和危急狀態(tài)時(shí)，交感神經(jīng)系統(tǒng)活性增強(qiáng)，隨之而來(lái)會(huì)引起心率加快、血壓升高和呼吸急促；而在平靜放松的狀態(tài)下，副交感神經(jīng)起主要支配地位，隨之而來(lái)反應(yīng)是心率減慢、血壓下降、呼吸平緩。因此，心率變異性能夠反映任務(wù)中的多種心理狀態(tài)，例如壓力、心理負(fù)荷和警覺(jué)度變化[37]。

1969年，美國(guó)印地安那大學(xué)Porges和Raskin等[38]研究認(rèn)為心率變異性會(huì)隨著警覺(jué)度的下降而下降。1977年，荷蘭感知研究所Riemersma等[39]以駕駛員為研究對(duì)象，研究其在夜晚長(zhǎng)途駕駛過(guò)程中的心電信息變化，研究得出在整個(gè)過(guò)程中，被試者的心率下降，R-R間期標(biāo)準(zhǔn)差則上升，這一現(xiàn)象反映了交感神經(jīng)的活性在整個(gè)過(guò)程中增強(qiáng)，進(jìn)一步表明了疲勞程度的加深。

2010年，臺(tái)南成功大學(xué)的Chen等[40]通過(guò)心率變異性中時(shí)域、頻域和非線性的若干指標(biāo)對(duì)警覺(jué)和非警覺(jué)狀態(tài)進(jìn)行了區(qū)分，取得了98%的準(zhǔn)確率。2011年，華東理工大學(xué)的Yu等[41]進(jìn)行了午睡實(shí)驗(yàn)，從心電信號(hào)中提取出了R波，對(duì)其進(jìn)行了時(shí)域和頻域的分析，能夠很好地識(shí)別出睡眠到清醒兩個(gè)狀態(tài)的警覺(jué)度變化狀況。

2015年，威爾斯大學(xué)Sahayadhas等[19]利用心電圖和肌電信號(hào)，開(kāi)發(fā)了一套能同時(shí)檢測(cè)睡意和注意力不集中等低警覺(jué)表現(xiàn)的系統(tǒng)。對(duì)采集到的生理信號(hào)進(jìn)行預(yù)處理，去除噪聲和偽影。利用高階譜特征提取預(yù)處理信號(hào)特征。采用k近鄰法、線性判別分析和二次判別分析對(duì)特征進(jìn)行分類(lèi)，最高準(zhǔn)確率可達(dá)96.75%。

由于影響心率的因素很多，如情緒、步速等，如何在實(shí)際使用中準(zhǔn)確識(shí)別由警覺(jué)度變化引起的心率變化將是基于心電信號(hào)的警覺(jué)度檢測(cè)方法未來(lái)需要解決的重要問(wèn)題。

3 基于腦血紅蛋白濃度信號(hào)

腦血紅蛋白濃度是指大腦皮層血管中的氧合血紅蛋白和還原血紅蛋白濃度，一般通過(guò)功能性近紅外光譜技術(shù)(Functional Near-Infrared Spectroscopy,fNIRS)[42]測(cè)量。使用腦血紅蛋白濃度信號(hào)檢測(cè)警覺(jué)度的研究較少，目前多是在研究警覺(jué)度與腦血紅蛋白濃度信號(hào)的關(guān)系。

2008年，德國(guó)維爾茨堡大學(xué)Herrmann等[43]首次研究并驗(yàn)證了警覺(jué)度與額顳葉fNIRS信號(hào)的神經(jīng)相關(guān)性。2009年，美國(guó)空軍研究實(shí)驗(yàn)室Warm等[44]使用了經(jīng)顱多普勒超聲和近紅外光譜檢測(cè)大腦血流速度和血氧濃度。結(jié)果表明，右側(cè)大腦半球的活動(dòng)比左側(cè)大腦半球的活動(dòng)更強(qiáng)，表明右側(cè)大腦半球系統(tǒng)控制了警覺(jué)表現(xiàn)。

2010年，坎特伯雷大學(xué)Helton等[45]利用fNIRS測(cè)量大腦氧合水平，進(jìn)一步發(fā)現(xiàn)，在更簡(jiǎn)單的警覺(jué)任務(wù)中，觀察到了與前人研究一致的偏側(cè)激活現(xiàn)象，但對(duì)于更困難的任務(wù)，則沒(méi)有發(fā)現(xiàn)這種偏側(cè)性差異。提出了一種猜想：?jiǎn)蝹?cè)大腦半球的警覺(jué)激活可能是使用相對(duì)簡(jiǎn)單的任務(wù)的結(jié)果，而不是由警覺(jué)導(dǎo)致的。

2012年，同志社大學(xué)Hiroyasu等[46]研究比較了視覺(jué)刺激和聽(tīng)覺(jué)刺激的心理運(yùn)動(dòng)警覺(jué)(Psychomotor Vigilance Task,PVT)任務(wù)和GO/NOGO任務(wù)中的大腦血氧變化，結(jié)果表明，視覺(jué)刺激任務(wù)的平均反應(yīng)時(shí)間比聽(tīng)覺(jué)刺激任務(wù)長(zhǎng)。與聽(tīng)覺(jué)刺激相比，在PVT任務(wù)中，視覺(jué)刺激的前額葉背外側(cè)皮質(zhì)左側(cè)的血流量更多；在GO/NOGO任務(wù)中，視覺(jué)刺激相關(guān)的顳下回兩側(cè)和額葉下回右側(cè)的血流量更多[46]。

2018年，中國(guó)航天員科研訓(xùn)練中心的曹勇等[22]通過(guò)10通道fNIRS技術(shù)采集了12名受試者前額部位的氧合血紅蛋白信號(hào)、脫氧血紅蛋白信號(hào)，并記錄下實(shí)驗(yàn)中受試者的行為學(xué)數(shù)據(jù)。使用支持向量機(jī)模型對(duì)警覺(jué)度進(jìn)行了高、中、低3種水平的分類(lèi)，正確率為76.9%，并指出了警覺(jué)度變化最敏感的腦區(qū)位于右側(cè)前額。

相比于腦電和心電信號(hào)，基于腦血紅蛋白濃度信號(hào)的警覺(jué)度檢測(cè)方法研究還處于初級(jí)階段。改進(jìn)預(yù)處理、特征選擇和分類(lèi)算法以提高準(zhǔn)確率是當(dāng)前主要的研究方向。

4 基于其他生理信號(hào)

除了腦電、心電和近紅外血氧信號(hào)外，還有一些利用其他生理信號(hào)進(jìn)行警覺(jué)度檢測(cè)的研究，如眼電信號(hào)、脈搏波信號(hào)等。

2014年，上海交通大學(xué)的馬嘉欣等[47]從EOG中提取了4種特征：慢眼移動(dòng)(SEM)、掃視、眨眼和EOG能量。對(duì)22個(gè)受試者的EOG數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，這4種特征的組合與警覺(jué)度的相關(guān)系數(shù)達(dá)到了0.75。

2017年，中國(guó)航天員科研訓(xùn)練中心的曹勇等[21]招募10名受試者參加了持續(xù)95 min的警覺(jué)度“時(shí)鐘測(cè)試”，提取了受試者脈搏波信號(hào)的時(shí)頻域特征來(lái)對(duì)警覺(jué)度進(jìn)行高、中、低3種水平的分類(lèi)。10名受試者三分類(lèi)正確率的平均值達(dá)到了88.7%。

2020年，上海交通大學(xué)的Zheng等[20]在模擬和真實(shí)駕駛環(huán)境中利用眼動(dòng)追蹤眼鏡記錄PRECLOS指數(shù)作為警覺(jué)度的標(biāo)注，提取由前額干電極采集的EOG信號(hào)的每個(gè)不重疊8 s時(shí)間窗內(nèi)反映眨眼、掃視、凝視的36個(gè)統(tǒng)計(jì)特征，采用連續(xù)條件神經(jīng)場(chǎng)的方法進(jìn)行回歸，得到的最佳平均相關(guān)系數(shù)分別為71.18%(模擬駕駛環(huán)境)和66.20%(真實(shí)駕駛環(huán)境)。

相比于腦電，基于眼電信號(hào)的警覺(jué)度檢測(cè)方法目前準(zhǔn)確率較低。與心電一樣，基于脈搏波信號(hào)的警覺(jué)度檢測(cè)方法也需要解決如何降低實(shí)際使用時(shí)的“誤判”問(wèn)題。

5 基于多生理信號(hào)

多生理信號(hào)檢測(cè)系統(tǒng)較單生理信號(hào)的檢測(cè)能力更強(qiáng)，雖然信息量更多，但當(dāng)其中某一來(lái)源的信息出現(xiàn)問(wèn)題時(shí)，還有其他來(lái)源信息進(jìn)行補(bǔ)充。使用多生理信號(hào)可以彌補(bǔ)各自信號(hào)的劣勢(shì)，強(qiáng)化了不同生理信號(hào)特征信息間的互補(bǔ)，從而提升了檢測(cè)結(jié)果的可信度、可靠性和對(duì)不同環(huán)境的適應(yīng)性。同時(shí)，多生理信號(hào)是對(duì)目標(biāo)多角度的測(cè)量，可以提高檢測(cè)性能，得到比任何單一生理信息都更高的分辨能力。而且由于生理信號(hào)采集的多元化，增加了測(cè)量空間維數(shù)，可以減小環(huán)境和人的客觀因素造成的影響，并提高檢測(cè)的準(zhǔn)確度[23]。警覺(jué)度檢測(cè)中常用的多生理信號(hào)包括腦電、心電和眼電。

2011年，悉尼科技大學(xué)Khushaba等[48]收集了31名駕駛員不同警覺(jué)狀態(tài)下的腦電、心電和眼電信號(hào)，使用一種基于模糊信息的小波包變換進(jìn)行特征提取，在所有受試者中獲得95%～97%的分類(lèi)準(zhǔn)確率。

2014年，天津大學(xué)的薛然婷[37]設(shè)計(jì)了以三位數(shù)加減法作為腦力負(fù)荷誘導(dǎo)警覺(jué)度變化和以PVT實(shí)驗(yàn)結(jié)合心腦電設(shè)備測(cè)量該變化過(guò)程的實(shí)驗(yàn)，提取了腦電和心率變異性的時(shí)域、頻域和非線性3個(gè)方面的指標(biāo)，利用支持向量機(jī)進(jìn)行分類(lèi)，得到了88.28%的正確率，高于單獨(dú)使用腦電和單獨(dú)使用心率變異性分類(lèi)的正確率。

2017年，上海交通大學(xué)的Zheng等[49]提出了一種結(jié)合EEG和額頭EOG并將警覺(jué)的時(shí)間依賴(lài)性引入模型訓(xùn)練的多模態(tài)警覺(jué)估計(jì)方法，獲得了比單生理信號(hào)(EOG相關(guān)系數(shù)為0.78；EEG為0.7)更好的結(jié)果(0.85)。

2018年，西南交通大學(xué)的肖瓊[23]采集模擬駕駛實(shí)驗(yàn)中的EEG和ECG信號(hào)，提取ECG信號(hào)的心率變異性和EEG信號(hào)小波分析后不同節(jié)律頻帶的平均幅值作為特征，利用T-S模糊神經(jīng)網(wǎng)絡(luò)融合EEG和ECG識(shí)別警覺(jué)度，獲得了85.5%的分類(lèi)準(zhǔn)確率，優(yōu)于單獨(dú)使用EEG信號(hào)82.4%的準(zhǔn)確率和單獨(dú)使用ECG信號(hào)79.7%的準(zhǔn)確率。

目前，基于多生理信號(hào)的警覺(jué)度檢測(cè)方法以融合EEG與其他電生理信號(hào)為主，且采集設(shè)備也較多，用戶(hù)使用體驗(yàn)差。因此生理信號(hào)組合的優(yōu)化和開(kāi)發(fā)便攜式多生理信號(hào)采集系統(tǒng)是其未來(lái)的主要發(fā)展方向。

6 結(jié)論

① 在使用的生理信號(hào)中，腦電得到了最廣泛的關(guān)注和研究，被視為檢測(cè)警覺(jué)度的黃金標(biāo)準(zhǔn)，心電、眼電次之。fNIRS技術(shù)采集腦血紅蛋白濃度信號(hào)具有安全、低成本、便攜等優(yōu)勢(shì)。相比于采集EEG等電信號(hào)的方法，fNIRS對(duì)電磁干擾更不敏感，更適合在真實(shí)環(huán)境中使用[42,50]。因此利用腦血紅蛋白濃度信號(hào)檢測(cè)警覺(jué)度前景廣闊，但相關(guān)研究近年才出現(xiàn)，需要進(jìn)一步深入研究。

② 目前研究存在的普遍問(wèn)題是分類(lèi)數(shù)過(guò)少，絕大多數(shù)僅對(duì)清醒和困倦這兩種警覺(jué)水平進(jìn)行判斷。但其實(shí)警覺(jué)度在困倦前就會(huì)下降，而操作人員需要持續(xù)保持警惕，因?yàn)槲ｋU(xiǎn)狀況是隨時(shí)可能發(fā)生的。因此，僅僅二分類(lèi)是無(wú)法滿足實(shí)際需要的。一種解決方案是開(kāi)發(fā)連續(xù)或近似連續(xù)標(biāo)注警覺(jué)度的方法，如文獻(xiàn)[20]中的PRECLOS指數(shù)。但不同標(biāo)注方法需要進(jìn)一步對(duì)比和優(yōu)選。

③ 目前的研究有兩個(gè)方向的趨勢(shì)，一方面，趨向于通過(guò)尋找新的敏感特征、改進(jìn)檢測(cè)算法、結(jié)合其他生理信號(hào)等來(lái)提高準(zhǔn)確率；另一方面，趨向于將警覺(jué)度檢測(cè)實(shí)用化，開(kāi)發(fā)穿戴式、無(wú)線化的警覺(jué)度檢測(cè)設(shè)備。