高春芳 呂寶糧 馬家昕

1(皖南醫(yī)學(xué)院醫(yī)學(xué)二系麻醉與影像設(shè)備學(xué)教研室，蕪湖 241002)

2(上海交通大學(xué)計(jì)算機(jī)科學(xué)與工程系仿腦計(jì)算與機(jī)器智能研究中心，上海 200240)

3(上海交通大學(xué)智能計(jì)算與智能系統(tǒng)教育部-微軟重點(diǎn)實(shí)驗(yàn)室，上海 200240)

4(上海交通大學(xué)上海市可擴(kuò)展計(jì)算與系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，上海 200240)

5(京都大學(xué)工學(xué)研究科機(jī)械工程與科學(xué)系，京都府 6293558，日本)

引言

警覺(jué)度(vigilance)是指人集中注意力執(zhí)行某項(xiàng)操作任務(wù)時(shí)所表現(xiàn)出的靈敏程度。為了保證系統(tǒng)或車(chē)輛的運(yùn)行安全，對(duì)某些工作崗位的操作人員，如高鐵司機(jī)、危險(xiǎn)品運(yùn)輸司機(jī)和長(zhǎng)途客車(chē)司機(jī)等，需要進(jìn)行實(shí)時(shí)的警覺(jué)度估計(jì)和預(yù)測(cè)。因此，警覺(jué)度估計(jì)和預(yù)測(cè)是人機(jī)交互和主動(dòng)安全技術(shù)領(lǐng)域的一項(xiàng)重要研究課題。已有的警覺(jué)度估計(jì)和預(yù)測(cè)方法可分為兩類(lèi)：一類(lèi)是基于人的行為特征，如面部表情、眼睛閉合程度等;另一類(lèi)是基于人的生理信號(hào)，如腦電(electroencephalogram，EEG)、眼電(electrooculogram，EOG)和皮膚阻抗等。前者是通過(guò)數(shù)字圖像處理技術(shù)提取特征來(lái)估計(jì)警覺(jué)度[1]，其優(yōu)點(diǎn)是獲取數(shù)據(jù)時(shí)不需要接觸人體并且數(shù)字圖像處理技術(shù)比較成熟，如用攝像頭測(cè)定眼睛閉合時(shí)間占眨眼總時(shí)間百分比的 PERCLOS方法[2]。但是，此類(lèi)方法的缺點(diǎn)是容易受到光線變化、佩戴眼鏡和墨鏡的影響以及疲勞度量的時(shí)間窗口太長(zhǎng)等問(wèn)題。后者是通過(guò)生理信號(hào)特征來(lái)估計(jì)人的警覺(jué)度狀態(tài)[3-5]，其優(yōu)點(diǎn)是準(zhǔn)確率高且無(wú)法偽裝等。其中，基于EEG的檢測(cè)方法被認(rèn)為是疲勞檢測(cè)的“金標(biāo)準(zhǔn)”。但是，生理信號(hào)的采集需要接觸人體。

EOG記錄的是視網(wǎng)膜與角膜之間的電位差，以及眼球運(yùn)動(dòng)時(shí)眼動(dòng)肌所產(chǎn)生的電位。EOG信號(hào)的采集是通過(guò)將兩對(duì)電極分別放置在左右眼的外側(cè)和一只眼瞼的上下側(cè)位置實(shí)現(xiàn)的。相比于EEG信號(hào)的采集，EOG所需電極數(shù)少、電極安放簡(jiǎn)單且放置處無(wú)毛發(fā)干擾。在信號(hào)強(qiáng)度方面，EEG是微伏級(jí)，而EOG是毫伏級(jí)。與 EEG相比，EOG信噪比高，對(duì)信號(hào)放大器要求低。

EOG與EEG都是睡眠研究中用來(lái)檢測(cè)睡眠階段的標(biāo)準(zhǔn)信號(hào)，而警覺(jué)度與睡意有緊密聯(lián)系，因此EOG被認(rèn)為是一種能夠直接反映警覺(jué)度狀態(tài)變化的生理信號(hào)。Wright等開(kāi)展了飛行員警覺(jué)度的研究，他們的研究結(jié)果表明，EOG和EEG能夠比較精確地反映警覺(jué)度的變化[6]。Hanke等分析了 EOG信號(hào)的幅值、幅值的一階導(dǎo)數(shù)、傅里葉變換后的低高頻比等3種特征，他們的實(shí)驗(yàn)結(jié)果顯示，低高頻比最能反映警覺(jué)度狀態(tài)[7]。Magosso等用小波變換檢測(cè)EOG信號(hào)中的慢速眼動(dòng)并分析慢速眼動(dòng)在睡眠分類(lèi)上的作用[8]。Khushaba等人基于小波包變換的模糊集理論，對(duì)人體的EEG、EOG、ECG等信號(hào)進(jìn)行特征提取，用來(lái)對(duì)駕駛員的疲勞狀態(tài)進(jìn)行分類(lèi)[9]。蔡浩宇等提出了前額EOG信號(hào)采集方法，避免了傳統(tǒng)方法在眼睛周?chē)胖秒姌O，影響視野的問(wèn)題[10]。這種前額 EOG采集方式較傳統(tǒng) EOG采集方式更為便利，適合于基于眼電信號(hào)警覺(jué)度估計(jì)與預(yù)測(cè)的實(shí)際應(yīng)用和高鐵司機(jī)等用戶的佩戴。

基于EOG的警覺(jué)度估計(jì)與預(yù)測(cè)研究的一個(gè)基本問(wèn)題是如何找出與警覺(jué)度最為關(guān)聯(lián)的特征。馬家昕等分析了慢速眼動(dòng)、快速眼動(dòng)以及眨眼等11種警覺(jué)度特征，其中相關(guān)度最大的是慢速眼動(dòng)傅里葉變換能量比(SEMe)特征，35組實(shí)驗(yàn)結(jié)果的平均相關(guān)度是0.703[11-12]。本研究在馬家昕等的研究基礎(chǔ)上，應(yīng)用具有時(shí)-頻細(xì)節(jié)分析優(yōu)勢(shì)的小波包變換方法，提取EOG信號(hào)的低高頻能量比特征，以期找出眼電信號(hào)中更為有效的警覺(jué)度特征。

1 特征提取方法

1.1 小波包變換理論

小波變換(wavelet transform)是將信號(hào)分解成低頻近似部分和高頻細(xì)節(jié)部分，在后續(xù)只對(duì)低頻部分做分解，而不對(duì)高頻部分進(jìn)行分解，從而導(dǎo)致高頻部分頻率局部性不好。小波包變換(wavelet packet transform)方法借助于小波分解濾波器，在各個(gè)尺度上對(duì)低、高頻子帶均進(jìn)行二次分解，如圖1所示。小波包變換的優(yōu)點(diǎn)是提高了信號(hào)高頻部分的頻率局部性，對(duì)信號(hào)的分析能力更強(qiáng)[13]。

圖1 小波變換與小波包變換比較。(a)小波分解樹(shù);(b)小波包分解樹(shù)Fig.1 Comparison of wavelet transform with wavelet packet transform.(a)Wavelet tree;(b)Wavelet packet tree

在尺度j下，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的能量定義為

小波包重構(gòu)是指，第j層上的第i個(gè)小波包是第j+1層上的第2 i和第2 i+1個(gè)小波包隔點(diǎn)插零后分別與小波重構(gòu)濾波器h、g卷積之和，如式(4)所示。

小波包變換對(duì)各層的高頻部分繼續(xù)利用分解濾波器H和G進(jìn)行再分解，其后續(xù)的子帶頻帶是交錯(cuò)的。以原始信號(hào)采樣頻率為128 Hz為例，對(duì)其進(jìn)行3層小波包分解。第一層(1，0)節(jié)點(diǎn)頻帶為0～32 Hz，(1，1)節(jié)點(diǎn)頻帶為32 ～64 Hz。對(duì)高頻帶(1，1)節(jié)點(diǎn)進(jìn)行下一層分解，頻帶會(huì)出現(xiàn)交錯(cuò)，即(2，2)節(jié)點(diǎn)頻帶為48～64 Hz，(2，3)節(jié)點(diǎn)頻帶為32～48 Hz。所有高頻子帶的再次分解，都會(huì)出現(xiàn)此類(lèi)頻帶交錯(cuò)，在重構(gòu)不同頻帶信號(hào)時(shí)，要注意頻帶的交錯(cuò)。

小波(包)變換中涉及到小波基的選擇，對(duì)于EOG分析，有學(xué)者用過(guò) daubechies小波(dbN)和symmlets小波(symN)[8-9]。本研究采用了 db4、sym4和bior2.4等3種小波基，但后續(xù)的實(shí)驗(yàn)結(jié)果表明，這3種不同的小波基對(duì)警覺(jué)度估計(jì)基本沒(méi)有影響。

1.2 能量比計(jì)算

所提出的能量比特征定義為：EOG信號(hào)低頻段與高頻段能量的比值。比值的特點(diǎn)是消除了個(gè)體總能量的差異，體現(xiàn)了個(gè)體EOG中不同頻段能量的比例關(guān)系。已有的研究表明，在微睡狀態(tài)下，慢速眼動(dòng)成分會(huì)相對(duì)增多[8]，而微睡預(yù)示著警覺(jué)度下降。慢速眼動(dòng)的頻率范圍是0.2～0.6 Hz，而眼電信號(hào)的頻帶范圍是0～30 Hz。基于這些特點(diǎn)，考察了16種不同的低、高頻段能量比，以期找出與警覺(jué)度相關(guān)的能量比最優(yōu)分段。這16種能量比分段及其對(duì)應(yīng)的小波包節(jié)點(diǎn)如表1所示。

每個(gè)特征值的低頻段能量值Lfi和高頻段能量值Hfi可根據(jù)式(3)寫(xiě)出相應(yīng)表達(dá)式，特征值 Fi由低、高頻段能量值取常用對(duì)數(shù)后再相除得到。以F6為例，相應(yīng)表達(dá)式分別如式(5)～式(7)所示，其他Fi可依此類(lèi)推。

1.3 特征去噪

上面所獲得的警覺(jué)度特征值，在以秒為單位的分辨率上波動(dòng)幅度較大。而在實(shí)際情況中，警覺(jué)度的變化是緩慢、有規(guī)律的，故需要對(duì)特征值進(jìn)行去噪處理。最常見(jiàn)的是滑動(dòng)平均(MA)去噪，即取某一時(shí)間窗內(nèi)的平均值作為該時(shí)間窗中點(diǎn)處的值。該方法簡(jiǎn)單易行，但窗口的大小對(duì)去噪結(jié)果影響比較大。窗口大，去噪效果好，但時(shí)間延遲長(zhǎng);反之，窗口小，去噪效果差。

線性動(dòng)力系統(tǒng)(linear dynamical system，LDS)是一種狀態(tài)空間模型，可以實(shí)時(shí)去噪[14]。系統(tǒng)的模型結(jié)構(gòu)如圖2所示，其中Zi是隱變量，即按一定規(guī)律變化的實(shí)際狀態(tài)值;Xi是觀測(cè)變量，即實(shí)際觀測(cè)到的值，包含了觀測(cè)噪聲。

表1 16種能量比特征的頻帶分段及對(duì)應(yīng)的小波包節(jié)點(diǎn)Tab.1 The range of frequency about 16 energy ratios and the corresponding wavelet packet nodes

圖2 線性動(dòng)力系統(tǒng)模型結(jié)構(gòu)圖示Fig.2 The schematization of LDS

由于噪聲的影響，Xi之間無(wú)法直接得到時(shí)序上的變化關(guān)系，但是Zi在時(shí)序上是有直接關(guān)系的。此模型通過(guò)隱變量之間的關(guān)系、以及隱變量與觀測(cè)變量之間的關(guān)系，推斷出當(dāng)前時(shí)刻的隱變量的概率分布。為便于公式推導(dǎo)，假設(shè)這兩類(lèi)變量都是高斯分布的連續(xù)變量。

在確定了第二日列車(chē)運(yùn)營(yíng)日計(jì)劃模板后，為模板中相應(yīng)的列車(chē)車(chē)次編配狀態(tài)良好的車(chē)組，稱為列車(chē)運(yùn)營(yíng)日計(jì)劃編配。目前傳統(tǒng)的人工編配方式存在生產(chǎn)效率低下、安全隱患大等問(wèn)題，因此，科學(xué)地進(jìn)行列車(chē)運(yùn)營(yíng)日計(jì)劃編配具有重要現(xiàn)實(shí)意義。

設(shè)隱變量之間的關(guān)系為

隱變量與觀測(cè)變量之間的關(guān)系為

式(8)和式(9)中，A和C為轉(zhuǎn)換矩陣，ω為隱變量之間的傳遞波動(dòng)，v為觀測(cè)變量與隱變量之間的傳遞波動(dòng)(也可視為觀測(cè)噪聲)，這些波動(dòng)都滿足均值為0的高斯分布

隱變量的初始值Z0的概率形式設(shè)為

式(8)為隱變量的遞推形式，其概率形式可表示為：

式中，uk、Vk都是從系統(tǒng)中推斷出來(lái)的。

整個(gè)系統(tǒng)包含 6 個(gè)參數(shù)：u0，V0，A，Γ，C，Σ。其中，u0、V0是隱變量初始值 Z0的概率分布，在實(shí)驗(yàn)中，將Z0設(shè)置為待處理數(shù)據(jù)前20 s的平均值;A和C是轉(zhuǎn)換矩陣，是隱變量與隱變量、隱變量與觀測(cè)變量之間的轉(zhuǎn)換，在本文的應(yīng)用中，特征值并沒(méi)有逐漸放大或逐漸縮小的趨勢(shì)，故令其值都為1;Γ、Σ是隱變量、觀測(cè)變量的高斯分布的方差，這兩個(gè)值由交叉驗(yàn)證得出。

在降噪過(guò)程中，實(shí)際需要的是隱變量序列{Zi}的值，Zi是滿足高斯分布的，其概率分布中可能性最大的值是 Zi的均值 ui，即最后需要的是序列{ui}的值。線性動(dòng)力系統(tǒng)包含兩個(gè)關(guān)鍵算法，分別是遞推算法和學(xué)習(xí)算法，前者用來(lái)修正{ui}，后者用來(lái)確定模型中所有參數(shù)θ的值。LDS的效果如圖3所示，這里變化劇烈的非警覺(jué)度成分已被過(guò)濾掉。

圖3 LDS效果圖：劇烈波動(dòng)的線形為 LDS處理之前，平滑的線形為L(zhǎng)DS處理之后的結(jié)果Fig.3 The effect of LDS，where the sharp line is the one before LDS，and the smooth line is the one after LDS

1.4 實(shí)驗(yàn)

實(shí)驗(yàn)被試者均為上海交通大學(xué)在讀學(xué)生，共22名。其中男14人，女8人，平均年齡22歲，身體健康，右利手。實(shí)驗(yàn)前一天，被試者需限制睡眠時(shí)間，一般不超過(guò)6 h，不能飲用酒、咖啡等刺激性飲料，知情研究目的。實(shí)驗(yàn)在午餐后的13：00～15：00進(jìn)行，此時(shí)人體最容易產(chǎn)生困倦感，以便被試在實(shí)驗(yàn)過(guò)程中能經(jīng)歷從清醒到瞌睡的完整過(guò)程。整個(gè)實(shí)驗(yàn)過(guò)程約為70 min，部分被試參與多次實(shí)驗(yàn)，同一被試兩次測(cè)試時(shí)間間隔為一周以上。

實(shí)驗(yàn)設(shè)備包括 NeuroScan系統(tǒng)(4.3版本)和Stim2系統(tǒng)(2.0版本)兩大部分(Compumedics公司，澳大利亞)。被試頭戴62導(dǎo)腦電帽(M1、M2電極未使用)，眼部上、下、左、右佩戴4個(gè)傳統(tǒng)眼電電極，額頭上方佩戴4個(gè)前額眼電電極，如圖4所示。NeuroScan系統(tǒng)通過(guò)上述電極收集腦電信號(hào)、傳統(tǒng)眼電信號(hào)以及前額眼電信號(hào)。Stim2系統(tǒng)用于產(chǎn)生刺激序列并記錄測(cè)試者的按鍵情況，即錯(cuò)誤率。實(shí)驗(yàn)中的場(chǎng)景如圖5所示，電腦屏幕上每5～7 s隨機(jī)出現(xiàn)紅、綠、黃和藍(lán)等4種顏色共170種交通指示圖片中的一個(gè)(如圖6所示)，圖片顯示時(shí)間為500 ms，被試手持按鈕盒，并按壓盒上相應(yīng)顏色的按鈕，按鍵的正確與否被Stim2系統(tǒng)記錄下來(lái)(沒(méi)有按鍵也算是錯(cuò)誤)。系統(tǒng)每8 s得出一個(gè)錯(cuò)誤率數(shù)值，該值是以8 s時(shí)間段為正中間段前后共120 s內(nèi)按鍵錯(cuò)誤率的平均值，數(shù)值范圍為0-1，數(shù)值越大，表示警覺(jué)度越低。用錯(cuò)誤率來(lái)作為警覺(jué)度的標(biāo)識(shí)(vigilant label)，能夠?qū)?shí)驗(yàn)中被試的警覺(jué)度狀態(tài)進(jìn)行客觀、實(shí)時(shí)的標(biāo)記，比其他主觀判斷警覺(jué)度狀態(tài)的方法要更為精確。

圖4 被試佩戴腦電帽、傳統(tǒng)眼電電極以及前額眼電電極Fig.4 The testee wearing the electrodes of EEG，traditional EOG and forehead EOG

圖5 實(shí)驗(yàn)場(chǎng)景Fig.5 The experiment scene

1.4.2 數(shù)據(jù)采集與預(yù)處理

圖6 4類(lèi)不同顏色的交通指示圖片(紅、黃、藍(lán)和綠)Fig.6 Traffic signals’pictures of four kinds colors(red、yellow、blue and green)

實(shí)驗(yàn)中 NeuroScan系統(tǒng)記錄的數(shù)據(jù)是62導(dǎo)EEG，4導(dǎo)傳統(tǒng)眼電 EOG(眼睛上下電極是垂直眼電，左右電極是水平眼電)，4導(dǎo)前額眼電，采樣率為500 Hz，并進(jìn)行0.1～100 Hz的濾波。在前述的特征值頻率分段，實(shí)際起點(diǎn)應(yīng)該是0.1 Hz，而不是0 Hz。Stim2系統(tǒng)記錄被試的錯(cuò)誤率，采樣頻率為0.125 Hz。兩者保持同步記錄。預(yù)處理時(shí)，進(jìn)行人工目測(cè)信號(hào)，舍棄低SNR信號(hào)，將EOG信號(hào)降采樣到125 Hz。

1.4.3 實(shí)驗(yàn)結(jié)果分析

收集35組有效實(shí)驗(yàn)數(shù)據(jù)，取水平EOG信號(hào)，時(shí)間窗設(shè)定為8 s，小波包母函數(shù)分別采用 db4、sym4和bior2.4，小波包分解階數(shù)為8。根據(jù)1.2中敘述的方法，計(jì)算特征值F1～F16，對(duì)獲得的特征值分別進(jìn)行滑動(dòng)平均(120 s、80 s和40 s)去噪和線性動(dòng)力系統(tǒng)(LDS)去噪處理，最后將特征與錯(cuò)誤率做相關(guān)分析，得出相關(guān)系數(shù)。

2 實(shí)驗(yàn)結(jié)果與分析

小波包母函數(shù)的影響如圖7所示，圖中的3條曲線分別代表小波包母函數(shù)采用 db4、sym4和bior2.4，3條曲線基本沒(méi)有差別，尤其是在 F5、F6處曲線上的點(diǎn)完全吻合。在比較分析中發(fā)現(xiàn)，不同的小波包母函數(shù)對(duì)相關(guān)系數(shù)基本沒(méi)有影響，但頻帶分段和去噪方式對(duì)相關(guān)系數(shù)的影響比較大。去噪方式的影響如圖8所示，經(jīng)120 s MA去噪后的平均相關(guān)系數(shù)最高，但120 s MA，有60 s的時(shí)間延遲，這對(duì)警覺(jué)度的即時(shí)估計(jì)與預(yù)測(cè)是不能接受的。次高的是LDS去噪處理，該去噪效果接近120 s MA，且沒(méi)有時(shí)間延遲，便于實(shí)時(shí)估計(jì)和預(yù)測(cè)。稍差的是80 s MA處理結(jié)果。最差的是40 s MA處理結(jié)果，此方法得到的平均相關(guān)系數(shù)比 LDS的低13%左右，且40 s MA處理也是有20 s的時(shí)間延遲。綜合處理效果和時(shí)間延遲等因素，LDS去噪處理方式是最佳的。頻帶分段的影響在圖7和圖8中都有體現(xiàn)，每條曲線的峰值都在F6處，即F6處的平均相關(guān)系數(shù)最高。在F6之前，相關(guān)系數(shù)是穩(wěn)定地逐漸增高的;在F6之后，相關(guān)系數(shù)緩慢降低，降低幅度雖小，但降低的趨勢(shì)基本不變。故頻帶最優(yōu)分段在F6處，即(0～1.50 Hz)/(1.50～31.25 Hz)。

圖7 由不同小波母函數(shù)得出的能量比特征的相關(guān)系數(shù)平均值及標(biāo)準(zhǔn)差Fig.7 The mean and standard deviation of coefficients about features from different wavelet function

圖8 經(jīng)不同的去噪方式處理后特征F1～F16的相關(guān)系數(shù)均值及標(biāo)準(zhǔn)差(小波基函數(shù)是db4)Fig.8 The mean and standard deviation of coefficients about features denoised by different ways(wavelet function is db4)

選擇最優(yōu)特征F6，經(jīng) LDS去噪，將其歸一化到警覺(jué)度標(biāo)記上。比較實(shí)驗(yàn)全程中特征值曲線與警覺(jué)度標(biāo)記曲線的關(guān)系，圖9給出了兩次不同實(shí)驗(yàn)的結(jié)果。圖中特征F6曲線與錯(cuò)誤率曲線波形都很相似，尤其是在錯(cuò)誤率大幅增高(即警覺(jué)度下降)處，特征值也顯著增高，曲線峰值部分吻合很好。

圖9 特征值F6與警覺(jué)度標(biāo)識(shí)的關(guān)系圖(疲勞程度：0為清醒，1為睡眠)。(a)相關(guān)系數(shù)為0.864;(b)相關(guān)系數(shù)為0.744Fig.9 The relational graph between F6 and the vigilant label(zero is waking，one is sleeping).(a)The coefficient is 0.864;(b)The coefficient is 0.744

F6在35組實(shí)驗(yàn)上的相關(guān)系數(shù)平均值為0.742，標(biāo)準(zhǔn)差為0.151。與文獻(xiàn)[12]中的慢速眼動(dòng)、快速眼動(dòng)以及眨眼等11個(gè)特征做比較，結(jié)果如圖10所示。從圖中可以看出，F(xiàn)6特征的相關(guān)系數(shù)平均值高于已有的11個(gè)特征，標(biāo)準(zhǔn)差也較小。

已有的11個(gè)特征中較好的特征有6個(gè)(相關(guān)系數(shù)平均值≥0.6)，分別是慢速眼動(dòng)的小波變換判別函數(shù)特征(SEMf)、慢速眼動(dòng)的傅里葉變換低高頻能量比特征(SEMe)、眨眼的低高頻能量比特征(BLKe)、閉眼速度特征(CV)、睜眼速度特征(OV)和閉眼時(shí)長(zhǎng)特征(CLT)[12]。將特征 F6與這6個(gè)較好特征進(jìn)一步進(jìn)行配對(duì)t檢驗(yàn)，檢驗(yàn)結(jié)果如表2所示。表中sig值都小于0.05，表明特征F6與已有的特征在統(tǒng)計(jì)學(xué)上有顯著性差異，能夠更好地表征警覺(jué)度。

圖10 F6特征與已有11個(gè)特征在相同35組實(shí)驗(yàn)上的相關(guān)系數(shù)平均值和標(biāo)準(zhǔn)差比較Fig.10 The contrast between feature F6 and the previous eleven features about the same 35 sets

表2 F6特征與已有的較好的6個(gè)特征的配對(duì)t檢驗(yàn)結(jié)果Tab.2 The paired samples test of F6 and the pre-existing six features

特征F6與警覺(jué)度的高相關(guān)性提示：能量信息是生理電信號(hào)的重要信息，可以從生理電信號(hào)的能量角度揭示人體的狀態(tài)。頻帶分段為(0～1.50 Hz)/(1.50～31.25 Hz)的能量比特征與警覺(jué)度標(biāo)記有最高的相關(guān)度，其生理學(xué)機(jī)理源于警覺(jué)度下降時(shí)尤其是進(jìn)入微睡狀態(tài)，EOG信號(hào)的慢速眼動(dòng)成分會(huì)相對(duì)增多[8]，而慢速眼動(dòng)的頻率范圍是0.2～0.6 Hz，即包含在頻帶的低頻部分。后續(xù)可深入分析警覺(jué)度在各個(gè)階段(如警覺(jué)度黃色預(yù)警狀態(tài)、紅色預(yù)警狀態(tài)、紅色警告狀態(tài)等)EOG信號(hào)的主要頻帶，這樣可以在能量比特征上分階段設(shè)置頻帶分界點(diǎn)，以提高警覺(jué)度的估計(jì)和預(yù)測(cè)精度。

小波包變換獲得帶通能量比，與直接帶通濾波后取能量包絡(luò)的方法相比，小波包變換的時(shí)頻細(xì)節(jié)特征更好，可以在選擇低高頻分割點(diǎn)的時(shí)候，以0.25 Hz(信號(hào)采樣率128 Hz，小波包階數(shù)為8，Δf=0.25 Hz)為步進(jìn)進(jìn)行分析，能更細(xì)致地尋找哪個(gè)分割點(diǎn)更好。用Matlab的小波包工具箱，計(jì)算上述特征F6值，1 h的眼電數(shù)據(jù)，在戴爾 Optiplex 360 miniTower，處理器是英特爾酷睿2雙核 E7400，內(nèi)存2 GB，英特爾 G33/G31集成顯卡的電腦上進(jìn)行處理，需要的時(shí)間約為80 s，占用的內(nèi)存是1117 MB。

3 討論和結(jié)論

實(shí)驗(yàn)中的相關(guān)因素在后續(xù)的研究中有待改進(jìn)，如實(shí)驗(yàn)中的被試人群年齡集中在學(xué)生段，下一步可拓展到更廣的成人年齡段。實(shí)驗(yàn)中的操作是在室內(nèi)模擬駕駛環(huán)境下進(jìn)行的圖片按鍵，有別于實(shí)際駕駛環(huán)境。實(shí)驗(yàn)室正在建設(shè)真車(chē)駕駛環(huán)境，后續(xù)進(jìn)一步驗(yàn)證該能量比值表征警覺(jué)度的能力。本文的實(shí)驗(yàn)結(jié)果表明生理電信號(hào)的能量比值較其他特征能夠更好地表征警覺(jué)度狀態(tài)，生理電信號(hào)的能量信息是生理狀態(tài)的重要指標(biāo)。在該結(jié)果的啟示下，其他生理狀態(tài)的研究，如情感識(shí)別等方面，相應(yīng)電信號(hào)的能量也可能會(huì)提示重要信息，后續(xù)可拓展到其他生理狀態(tài)的電信號(hào)能量研究。

本研究應(yīng)用小波包變換方法，根據(jù)慢速眼動(dòng)和EOG的頻域特點(diǎn)，考察了水平 EOG的16種不同的低、高頻段能量比警覺(jué)度特征。實(shí)驗(yàn)結(jié)果表明，低高頻最優(yōu)分段是(0～1.50 Hz)/(1.50～31.25 Hz)，由該分段所獲得的能量比特征優(yōu)于慢速眼動(dòng)、快速眼動(dòng)，眨眼等其他已有的11種警覺(jué)度特征。本文的實(shí)驗(yàn)結(jié)果進(jìn)一步表明，EOG是一種能夠表征警覺(jué)度的有效生理信號(hào)。在后續(xù)的研究工作中，將從EOG提取的這些不同的特征中選取警覺(jué)度估計(jì)和預(yù)測(cè)的最優(yōu)子集，并在真實(shí)駕駛環(huán)境中驗(yàn)證其有效性。

[1]Ji Qiang，Yang Xiaojie.Real-time eye，gaze，and face pose tracking for monitoring driver vigilance [J]. Real-TimeImaging，2002，8(5)：357-377.

[2]Grace R，Byrne VE，Legrand JM，et al.A machine vision based drowsy driver detection system for heavy vehicles[C]//Proceedings of Conference on Ocular Measures of Driver Alertness.Washington DC：FHWA，1999：75-86.

[3]Makeig S，Jung TP.Changes in alertness are a principal component of variance in the EEG spectrum [J].Neuroreport，1995，7(1)：213-216.

[4]Kenneth P，Wright Jr，Joseph HT，et al.Relationship between alertness，performance，and body temperature in humans[J].American Journal of Physiology，2002，283(6)：1370-1377.

[5]傅佳偉，石立臣，呂寶糧.基于EEG的警覺(jué)度分析與估計(jì)研究綜述[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2009，28(4)：589-596.

[6]Wright N，McGown A. Involuntary sleep during civil air operations：wrist activity and the prevention of sleep [J].Aviation，Space，and Environmental Medicine，2004，75(1)：37-45.

[7]Hanke S，Zeitlhofer J，Wiest G，et al.Automated vigilance classification based on EOG signals：preliminary results[C]//Proceedings of World Congress on Medical Physics and Biomedical Engineering.Munich：IFMBE，2009：428-431.

[8]Magosso E，Provini F，Montagna P.A wavelet based method for automatic detection of slow eye movements：A pilot study [J]Medical Engineering＆ Physics，2006，28(9)：860-875.

[9]Khushaba RN，Kodagoda S，Lal S，et.al.Driverdrowsiness classification using fuzzy wavelet- packet-based featureextraction algorithm [J]. IEEE Transaction on Biomedical Engineering，2011，58(1)：121-131.

[10]Cai Haoyu，Ma Jiaxin，Shi Lichen，et al.A novel method for EOG features extraction from the forehead[C]//Proceedings of 33 rd annual International Conference of the IEEE Engineering in Medicine and Biology Society.Boston：IEEE，2011：3075-3078.

[11]Ma Jiaxin，Shi Lichen，Lu Bao-Liang.Vigilance Estimation by Using Electrooculographic Features[C]//Proceedings of 32 nd annual International Conference of the IEEE Engineering in Medicine and Biology Society.Buenos Aires：IEEE，2010：6591-6594.

[12]馬家昕.基于眼電信號(hào)的警覺(jué)度估計(jì)模型研究[D].上海：上海交通大學(xué)，2010.

[13]楊建國(guó).小波分析及其工程應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2005：63-74.

[14]Shi Lichen， Lu Baoliang. Off-line and on-line vigilance estimation based on linear dynamical system and manifold learning[C]//Proceedings of 32 nd annual International Conference of the IEEE Engineering in Medicine and Biology Society.Buenos Aires：IEEE，2010：6587-6590.