基于腦功能網(wǎng)絡(luò)的腦疲勞狀態(tài)檢測研究

付榮榮，米瑞甫,王 涵，于 寶，王 琳

(1.燕山大學(xué)電氣工程學(xué)院，河北秦皇島066004； 2.沈陽工程學(xué)院機械學(xué)院, 遼寧沈陽110136)

1 引 言

腦疲勞是由于人持續(xù)進行高需求認知活動而導(dǎo)致的一種腦機能下降的心理生理狀態(tài)[1,2]。駕駛疲勞是指駕駛員經(jīng)過長時間駕駛，產(chǎn)生生理機能和心理機能失調(diào)的現(xiàn)象[3]。當駕駛員產(chǎn)生疲勞時，具體表現(xiàn)在駕駛員打瞌睡、反應(yīng)遲鈍、駕駛操作失誤或完全喪失駕駛能力，容易導(dǎo)致交通事故的發(fā)生[4]。通過分析道路交通事故的原因發(fā)現(xiàn)90%以上的交通事故都是由于駕駛員自身原因造成的[5]，其中疲勞駕駛是駕駛員發(fā)生事故的主要原因之一。許多生理信號都可以作為評價疲勞的指標，比如腦電、肌電、心電和呼吸等[6]。腦電信號一直被譽為評估駕駛員疲勞的“金標準”，是最具預(yù)測性和最可靠的指標之一，因為它直接測量大腦活動，提供了豐富的有關(guān)人認知的信息[7,8]。澳大利亞的Saroj K L和Ashley C對35名非專業(yè)駕駛員進行實驗，以他們在清醒狀態(tài)下的腦電圖(electroencephalogram, EEG)活動為基準，分析得出他們在疲勞程度不斷加劇的情況下腦電圖的變化特點[9]。文獻[10]將駕駛員在行駛和靜止時分別得到的清醒狀態(tài)和疲勞狀態(tài)的腦電波進行對比，得到了判斷駕駛員是否處于疲勞狀態(tài)的依據(jù)。但這些研究對各個腦區(qū)協(xié)同工作的連接性的研究較少。大腦是一個復(fù)雜、協(xié)同工作的系統(tǒng)，大腦功能執(zhí)行總是依賴于多個腦區(qū)之間廣泛的交互作用，而復(fù)雜網(wǎng)絡(luò)可以很好的解釋大腦的各個腦區(qū)工作時的連接性變化[11]。目前已有研究人員將腦功能網(wǎng)絡(luò)特征參數(shù)作為分類特征，應(yīng)用到諸如抑郁癥、阿爾茨海默病等腦疾病的臨床輔助診斷研究中[12]。文獻[13]對早期輕度認知障礙患者、晚期輕度認知障礙患者和正常被試者分別構(gòu)建腦功能網(wǎng)絡(luò)，計算得到節(jié)點度、中間中心度和節(jié)點效率，采用SVM 算法得到了較好的分類結(jié)果。文獻[14]模擬駕駛員在駕駛環(huán)境中的駕駛過程，采集腦電信息，提取了心率變異性功率譜參數(shù)，表明一些生理信號可以作為駕駛員疲勞駕駛認知負荷的評價參數(shù)。本文利用實驗過程中采集的多導(dǎo)腦電數(shù)據(jù)，分別繪制腦網(wǎng)絡(luò)并計算各個節(jié)點的度，根據(jù)腦網(wǎng)絡(luò)的變化和駕駛員的自我反饋，得到評價腦疲勞的客觀指標。

2 疲勞駕駛實驗

2.1 被試者及駕駛實驗任務(wù)

選擇6名身體健康且沒有睡眠相關(guān)疾病的男性長途客運司機作為被試者，年齡在41歲左右，駕齡均超過10年。要求被試者在實驗前的連續(xù)睡眠時間不小于7 h，所有被試者必須熟悉實驗流程且自愿參與實驗。

在實驗階段，駕駛員下午1:00從遼寧省沈陽市出發(fā)，經(jīng)丹阜高速到達目的地遼寧省丹東市，客車行駛時間約為3.5 h。

2.2 多導(dǎo)腦電信號采集

駕駛員多導(dǎo)腦電信號的采集是通過Emotiv Epoc實現(xiàn)的。Emotiv Epoc是一個14通道無線腦電圖采集設(shè)備，能夠?qū)⒂涗浀降脑寄X電圖數(shù)據(jù)通過無線藍牙技術(shù)發(fā)送到計算機上。Emotiv Epoc及其電極分布如圖1所示。在實驗前、實驗中和實驗后對駕駛員分別采集3 min左右的多導(dǎo)腦電信號。

圖1 EMOTIV Epoc及其電極分布圖Fig.1 EMOTIV Epoc and its electrode distribution

根據(jù)國際上通用的10-20導(dǎo)聯(lián)系統(tǒng)標準，Emotiv除了參考與接地以外的其他14導(dǎo)聯(lián)分別為AF3，F(xiàn)7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8，AF4，覆蓋了額區(qū)、頂區(qū)以及腦后部等區(qū)域， 能夠反映腦活動特征。

在駕駛實驗過程中，每隔一段時間駕駛員都會被問到當下的狀態(tài)，使用Karolinska Sleepiness Scale(KSS)睡眠量表作為駕駛員主觀判斷的依據(jù)。KSS 是一個9 分制評分表，1代表極度清醒，3代表清醒，5代表既不清醒也不疲倦，7代表疲倦但容易保持清醒，9 代表極度疲倦。在駕駛員結(jié)束駕駛實驗時，調(diào)查顯示其疲勞程度達到了KSS=7 的狀態(tài)，這樣實現(xiàn)了在保證安全駕駛的情況下完成實驗。

3 腦功能網(wǎng)絡(luò)的構(gòu)建

選取計算相位滯后指數(shù)(phase lag index，PLI)的方法來構(gòu)建腦網(wǎng)絡(luò)，引入PLI的主要目的是獲得可靠的相位同步估計值[15]。將各個導(dǎo)聯(lián)視為節(jié)點，腦功能網(wǎng)絡(luò)的構(gòu)建主要有以下6個步驟：

(1) 腦電數(shù)據(jù)預(yù)處理：選取陷波濾波器以去除50 Hz的工頻干擾信號，選取8～13 Hz的帶通濾波器用于提取具有α節(jié)律的腦電信號。

(2) 計算腦電信號的瞬時相位：通過希爾伯特變換來計算每個導(dǎo)聯(lián)腦電信號的瞬時相位，設(shè)為φ(t)。

(1)

式中：f(t)為希爾伯特變換后的信號；P為積分的柯西主值；y(t)為原始腦電信號；A(t)為瞬時幅值。

(3) 計算瞬時相位差：導(dǎo)聯(lián)i和導(dǎo)聯(lián)j之間的相位差記為φi,j(t)。

φi,j(t)=φi(t)-φj(t)

(2)

(4) 計算PLI值：導(dǎo)聯(lián)i與導(dǎo)聯(lián)j之間的PLI值記為PLIi,j，

PLIi,j=|〈sign(φi,j(t))〉|

(3)

式中：〈·〉表示計算每個導(dǎo)聯(lián)數(shù)據(jù)的平均值；sign(·)為符號函數(shù)，如果輸入位于(0， π )范圍內(nèi)，則sign(·)= 1，如果位于(- π ，0)范圍內(nèi)，則sign(·)=-1。PLI的計算過程可用圖2表示。

圖2 PLI值的計算過程Fig.2 Calculation process of PLI value

(5) 構(gòu)建PLI矩陣與二值矩陣：通過PLI計算所有導(dǎo)聯(lián)的同步相位之后，利用這些PLI值構(gòu)造相鄰矩陣，并選取合適的閾值，構(gòu)造二值矩陣。閾值選取的過小，則構(gòu)建的腦網(wǎng)絡(luò)基本處于全連接的狀態(tài)；閾值選取的過大，使得腦網(wǎng)絡(luò)中的孤立點偏多。當節(jié)點的PLI值大于所設(shè)閾值時，二值矩陣中對應(yīng)元素的值為1；當節(jié)點的PLI值小于所設(shè)閾值時，二值矩陣中對應(yīng)元素的值為0。通常二值矩陣對角線元素為0，這樣構(gòu)建的網(wǎng)絡(luò)為0-1二值網(wǎng)絡(luò)。構(gòu)建的PLI矩陣灰度圖與對應(yīng)的二值矩陣如圖3所示，圖3(a)、圖3(b)、圖3(c)分別表示實驗前、實驗中和實驗后的腦網(wǎng)絡(luò)PLI矩陣與二值矩陣。PLI矩陣灰度圖中顏色越淺，表明該節(jié)點PLI值越大，節(jié)點度越高。二值矩陣圖中，深色認為該節(jié)點度為0，淺色認為該節(jié)點度為1。

圖3 實驗前、中、后的腦網(wǎng)絡(luò)PLI矩陣與二值矩陣Fig.3 PLI matrix and binary matrix of brain network before, during and after the experiment

(6) 構(gòu)建腦功能網(wǎng)絡(luò)：將所求的PLI矩陣作為構(gòu)建網(wǎng)絡(luò)的鄰接矩陣，根據(jù)鄰接矩陣完成腦網(wǎng)絡(luò)構(gòu)建，如圖4所示。圖4通過腦網(wǎng)絡(luò)地形圖的形式展現(xiàn)了腦網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，不同顏色深淺代表了不同的活躍度，顏色越淺說明腦區(qū)域活躍度越高，節(jié)點度越高。圖4(a)為實驗前的狀態(tài)，網(wǎng)絡(luò)中所有節(jié)點幾乎都處于活躍狀態(tài)；圖4(b)為實驗過程中，根據(jù)受試者腦電信息構(gòu)建的腦功能網(wǎng)絡(luò)圖，可以看出相對于圖4(a)，活躍區(qū)域減小；圖4(c)為實驗結(jié)束后的腦功能網(wǎng)絡(luò)圖，從圖4(c)可以看出，所有區(qū)域為深色，表明所有節(jié)點區(qū)域都處于不活躍狀態(tài)。

圖4 實驗前、實驗中和實驗后的腦功能網(wǎng)絡(luò)地形圖Fig.4 Topographic map of brain function network before, during and after the experiment

4 基于腦網(wǎng)絡(luò)特征參數(shù)的疲勞識別

表征腦網(wǎng)絡(luò)的特征參數(shù)主要有節(jié)點度、最短路徑長度、直徑和聚類系數(shù)等。其中度是對節(jié)點相互連接統(tǒng)計特性最重要的描述，也反映重要的網(wǎng)絡(luò)演化特性。度定義為與節(jié)點直接相連的邊數(shù)，也就是構(gòu)建的腦網(wǎng)絡(luò)中任一節(jié)點與其他節(jié)點的連接數(shù)。節(jié)點的度越大則該節(jié)點的連接就越多，節(jié)點在網(wǎng)絡(luò)中的地位就越重要。任一節(jié)點度的計算公式為：

(4)

式中：Ki為節(jié)點度；i表示當前要計算的節(jié)點；j表示其他的節(jié)點；hij表征節(jié)點i與節(jié)點j的連接狀態(tài)，當節(jié)點i與節(jié)點j有連接時，hij=1，當節(jié)點i與節(jié)點j無連接時hij=0；N表示總節(jié)點數(shù)。實驗前、實驗中、實驗后分別在起點、服務(wù)區(qū)、終點處采集腦電信號。各個狀態(tài)每個節(jié)點的PLI值計算結(jié)果對比如圖5所示。圖6以直方圖的形式直觀地給出了實驗前、實驗中和實驗后的各節(jié)點的節(jié)點度的對比以及變化情況。

圖5 實驗前、實驗中和實驗后的PLI值對比圖Fig.5 Comparison of PLI values before, during and after the experiment

圖6 各個節(jié)點度的整體對比變化直方圖Fig.6 Node degrees before, during and after the experiment

從圖3和圖4中可以直觀地看出，隨著駕駛實驗的繼續(xù)，腦網(wǎng)絡(luò)圖中深色區(qū)域越來越多，對應(yīng)的各個節(jié)點的度也呈現(xiàn)整體下降的趨勢。從圖5圖6可以看出隨著實驗的進行，各個節(jié)點的PLI值與節(jié)點度整體呈現(xiàn)下降趨勢。結(jié)合駕駛員的主觀判斷，表明腦功能網(wǎng)絡(luò)的特征參數(shù)——度，能夠作為評價駕駛員疲勞的客觀指標。

5 討 論

疲勞駕駛的檢測方法主要分為基于車輛行為特征的檢測方法、基于駕駛?cè)藛T行為及面部特征的檢測方法與基于駕駛?cè)藛T生理特征參數(shù)的檢測方法3大類[16]。

基于車輛行為特征的檢測方法大多通過檢測車速、方向盤操作、車輛行駛軌跡等物理參數(shù)來確定駕駛員是否處于疲勞駕駛狀態(tài)。這種檢測方法借助車載傳感器、CCD攝像機等來實現(xiàn)物理參數(shù)的檢測，其優(yōu)勢在于實現(xiàn)了設(shè)備不與駕駛員接觸便可進行檢測，較為方便，并且避免了設(shè)備對駕駛員的影響，但容易受到路況信息、外部光線等因素影響，導(dǎo)致采集結(jié)果有很大偏差。

基于駕駛?cè)藛T行為及面部特征的檢測方法則通過攝像頭獲取駕駛?cè)藛T眼睛、嘴唇等部位的動作信息，再經(jīng)圖像識別判斷駕駛?cè)藛T是否處于疲勞狀態(tài)，這種檢測方法也能夠保證設(shè)備與駕駛?cè)藛T無接觸完成信息采集，但也會受到外部光線、天氣及駕駛?cè)藛T自身習(xí)慣性姿態(tài)等因素的影響，使得采集結(jié)果存在偏差。

上述兩種方法的固有缺陷在信號采集過程中都難以避免，因此駕駛?cè)藛T疲勞前后特征差異的不確定性較高，精度較低，可靠性不強。本文采用基于腦電信號的疲勞駕駛檢測方法，通過采用設(shè)備與駕駛員人體接觸的方式來采集駕駛員的腦電信號，信號采集過程中不會因為光線、駕駛員姿態(tài)等外部因素影響腦電信號的質(zhì)量，實驗前14個導(dǎo)聯(lián)的平均節(jié)點度為7.14，實驗后14個導(dǎo)聯(lián)的平均節(jié)點度為2.71，節(jié)點度明顯下降。與上述兩種方法相比，本文在不同情況下檢測結(jié)果的指標差異顯著，準確性與精度相對較高，可靠性更強。

6 結(jié) 論

本文基于真實高速公路駕駛實驗，采集了多導(dǎo)腦電數(shù)據(jù)，詳細介紹了鄰接矩陣、二值矩陣、腦功能網(wǎng)絡(luò)的構(gòu)建以及節(jié)點度的計算?；赑LI判別方法建立了二值化的功能腦網(wǎng)絡(luò)，繪制了腦功能網(wǎng)絡(luò)地形圖，對疲勞過程中網(wǎng)絡(luò)的拓撲結(jié)構(gòu)進行了研究，采用二值圖和腦網(wǎng)絡(luò)地形圖兩種功能腦網(wǎng)絡(luò)從不同角度對駕駛疲勞進行建模分析。結(jié)果表明：隨著駕駛員疲勞程度的加深，二值化功能腦網(wǎng)絡(luò)的功能連接隨著疲勞的積累逐漸減少，網(wǎng)絡(luò)的集聚系數(shù)減小，全局效率降低。說明隨著疲勞的積累，駕駛員大腦的處理能力下降，腦網(wǎng)絡(luò)的彈性降低，信息的傳遞速度變慢，處理效率降低，腦功能網(wǎng)絡(luò)的特征參數(shù)——度呈現(xiàn)整體下降的趨勢，節(jié)點度能夠作為客觀評價腦疲勞的檢測指標。