周凌霄，丁一琦，戴淵明，王奕直，孔萬增

(1.杭州電子科技大學計算機學院，浙江 杭州310018;2.臺州廣播電視大學 浙江 臺州318000)

0 引 言

隨著我國道路交通運輸事業(yè)取得了飛速發(fā)展，汽車保有量不斷攀升，然而惡性道路交通事故也呈同步上升趨勢。因疲勞駕駛引起的交通事故逐年增多[1]。駕駛疲勞會降低駕駛員的反應能力，是產生重大交通事故的主要原因之一[2]。因此，開發(fā)一套能有效預報系統(tǒng)疲勞駕駛的系統(tǒng)，對于事故預防具有重要意義。目前，疲勞檢測技術主要是檢測駕駛員的腦電、心電、眼動和面部表情等特征[3]。腦電信號能直接反映駕駛員大腦活動，因此被認為是最可靠有效的指標之一。本文在微狀態(tài)技術[4-7]的基礎上提出了一種方法來分析駕駛過程中工作負荷的變化規(guī)律。實驗結果表明，左前額高電勢微狀態(tài)的出現頻率，能有效地區(qū)分放松和警覺狀態(tài)。

1 實驗與方法

1.1 實驗平臺

實驗使用兩臺獨立的計算機來模擬實驗環(huán)境。其中一臺用于模擬駕駛環(huán)境，另一臺用于警覺任務(Task of Alert and Vigilance，TAV)和腦電信號采集。模擬的駕駛環(huán)境，采用軟件“Need For Speed-Shift 2 Unleashed(NFS-S2U)”，并且使用投影儀和一款羅技的模擬駕駛設備來模擬駕駛環(huán)境，使得模擬場景盡可能接近真實場景。TAV 任務分為圖像刺激(Task of Alert)和聲音刺激(Task of Vigilance)兩部分。圖像刺激是在被試者前方70 cm 處的顯示器中心點上，以一定的時間間隔出現“X”符號。聲音刺激是通過放在受試者左右的揚聲器播放交替出現的兩種刺激聲音。被試者通過按方向盤左右兩邊的兩個按鈕來回應這兩種刺激?！鞍粹o1”放置在左側，用于回應聲音刺激;“按鈕2”放置在右側，用于回應圖像刺激。當刺激聲音連續(xù)出現2次時，被試者需要立刻按下“按鈕1”。當“X”符號出現時，被試者需要按下“按鈕2”。實驗設備如圖1所示。

圖1 模擬駕駛實驗環(huán)境

1.2 實驗協議

實驗的目的是為了采集有效的疲勞駕駛各個環(huán)節(jié)不同工作負荷的腦電信號。疲勞駕駛實驗分為訓練部分和試驗部分兩部分。訓練部分要求被試者熟練模擬駕駛環(huán)境。根據被試者的表現，可能會持續(xù)一至兩天。當被試者熟悉模擬駕駛環(huán)境后，第二天進行試驗部分。被試者在模擬場景要求完成8個環(huán)節(jié)的駕駛任務，每個環(huán)節(jié)都需要駕車在賽道上跑完兩圈。

第1個環(huán)節(jié)(TASK_1-WUP)，要求被試者按照訓練部分時的表現正常駕駛。第2個環(huán)節(jié)(TASK_2-PERFO)，要求被試者在TASK_1的基礎上將速度提高大約2%。第3 7個環(huán)節(jié)(TASK_3 7-TAV)，要求被試者在駕駛過程中同時進行TAV 任務。在這5個環(huán)節(jié)中，圖像刺激和聲音刺激的頻率各不相同。被試者在駕車的同時，要同時進行TAV 任務，大腦將處于高度警覺狀態(tài)。目的是為了增加被試者駕駛時的工作負荷。第8個環(huán)節(jié)(TASK_8-DROW)，要求被試者將車速放慢，最高時速被限定為60 km/h。這個環(huán)節(jié)無需被試者完成警覺任務，漫長而單調的行車過程會使得被試者很快放松警覺，再加上前幾環(huán)節(jié)的高強度工作任務，誘導被試者在此環(huán)節(jié)進入疲勞期。

在實驗部分的8個環(huán)節(jié)，被試者的腦電信號都會被16通道的G.Tec 設備采集并保存起來。此外，在駕駛之前(OA 環(huán)節(jié))，實驗還會采集每個被試者2 min 放松狀態(tài)的腦電數據。

2 微狀態(tài)模型

微狀態(tài)是將多通道腦電活動在一時間區(qū)間內被視作為一連串非重疊的狀態(tài)[8]。對每一個時間段的多通道信號根據其電壓幅值繪制出腦電電位的腦地形空間分布圖，形成微狀態(tài)圖。對于每個時間點t的腦電活動，對應屬于某類微狀態(tài)Tk。因此，一個時間片段內的頭皮腦電活動可以由一組規(guī)范化的向量T表示。

假設Vt是t時刻(t =1，2，…，)個通道的頭皮腦電測量數據，因此Vt是一個Ns×1 維的向量。令Tk是歸一化的Ns×1 維向量，表示第k個微狀態(tài)。且有akt表示t時刻微狀態(tài)Tk的系數?；谄骄鶇⒖嫉亩嗤ǖ滥X電的微狀態(tài)模型就可以表示為:

其中Nu是微狀態(tài)的個數。模型的基于時域上頭皮電勢的采樣序列是Vt，但腦電信號往往在不同頻段的表現是不一樣的。因此，不同頻段下微狀態(tài)的變換也是不同的。在式(1)中，使用FIR 濾波器將采用序列Vt濾波至alpha、beta和theta 頻段，再將濾波后的Vft 作為估計微狀態(tài)的數據(f=Alpha，Beta，Theta，Delta)。

同時，為了使得微狀態(tài)在t時刻是非重疊的，令akt有且僅有一個為1，其余均為0。那么，式(1)在任何時刻t 都存在一個非0的形式來對應該時刻的微狀態(tài)。也就是說，akt滿足約束:

在這個模型中，需要估計的值是akt，Tk和Nu。文獻[8]給出了一個估計的算法。對于一個給定的Nu，其模型參數可以通過求下列函數的極小化來估算:

通過求解矩陣S的最大特征值的特征向量，來求解歸一化的微狀態(tài)Tk。與測量值Vt相對應的微狀態(tài)Tk，是使得為最小時的取值。滿足:

那么，通過估計下列等式，就可以獲得新的微狀態(tài)序列L。

迭代這個過程，直到σ2u小到可以忽略不計為止(通常σ2u＜10-6)。

3 實驗結果與評價指標分析

本文對12個被試者進行了實驗，并采集了被試者實驗過程的腦電信號，采樣頻率256 Hz，其中有8份數據為有效數據。將采集的腦電數據在變換至頻域上進行微狀態(tài)分析。當微狀態(tài)分類數目Nu=2時，微狀態(tài)會呈現對稱性。其OA 環(huán)節(jié)的腦電數據，Theta 頻段的微狀態(tài)腦地形圖如圖2所示。圖2(a)(d)分別為第15 s、22 s、27 s、40 s的微狀態(tài)分類。

圖2 Theta 頻段上OA 環(huán)節(jié)的微狀態(tài)分類

圖2中，每一個trail的微狀態(tài)分類都僅分為兩類。這兩類在腦地形圖中呈現對稱性，即一類在頭皮某處電勢較高，另一類相同位置電勢必定較低。在不同時間的微狀態(tài)分類中，部分腦地形圖呈現相似的分布，如圖2(a)、(b)的(c)。同時也存在某些時刻的腦地形圖明顯區(qū)別于其他時刻的，如圖(d)。

研究表明，Alpha、Theta和Delta 上的腦地形圖在疲勞駕駛前后有顯著差異，且Theta 頻段上疲勞駕駛后大腦左前額電勢升高(圖2(b)左圖)[9]。因此，選取該狀態(tài)作為基準，統(tǒng)計被試者在不同環(huán)節(jié)下該狀態(tài)出現的頻率。同時，為了去除不同被試者本身的差異，本文以各環(huán)節(jié)的頻率與OA 環(huán)節(jié)下的頻率的比值Rtask作為指標。Rtask的公式如下:

式中，ftask(task=WUP，PERFO，TAV3，TAV1，TAV5，TAV2，TAV4，DROW)是各個環(huán)節(jié)基準狀態(tài)出現評率。8個被試者在WUP DROW 各階段的均值和標準差，如圖3所示。

圖3 所有被試在8個環(huán)節(jié)中指標R 均值和標準差

從圖3中的變化趨勢可以看出，Rtask與被試者的工作負荷是密切相關的。在WUP，PERFO和DROW 環(huán)節(jié)，被試者任務簡單Rtask較高，而TAV 環(huán)節(jié)，被試者精神高度警覺、腦負荷大，Rtask則較低。

使用方差分析Rtask，在整個駕駛環(huán)節(jié)Rtask都相對OA 階段顯著下降(p ＜0.001)。同時，TAV 環(huán)節(jié)相對WUP、PERFO和DROW 環(huán)節(jié)，其Rtask顯著偏低(p ＜0.05)。實驗結果表明，隨著駕駛過程的進行，被試者大腦負荷增加時Rtask下降。即大腦警覺時Rtask的值較低，而大腦放松時Rtask的值較高。

4 結束語

本文研究了基于腦電信號微狀態(tài)的駕駛員大腦工作負荷。通過模擬駕駛實驗得到初步結論:駕駛員的Rtask隨腦負荷增加而降低，通過Rtask能夠很好地區(qū)分駕駛中的放松和警覺兩個狀態(tài)。同時，Rtask指標可用于實時檢測。但由于Rtask僅能區(qū)分放松—警覺狀態(tài)，不能直接區(qū)分清醒—疲勞狀態(tài)。因此，該指標要用于疲勞駕駛檢測，還需要與其他腦電信號的特征相結合使用，或者對微狀態(tài)進一步研究，才能準確地判斷駕駛者是否疲勞。

[1]尹倩.我國交通事故每年奪命10萬[EB/OL].http://auto.163.com/04/0701/15/0Q7CLHSV000816BU.html，2004-07-01.

[2]李昌吉.汽車駕駛員的人為因素與交通安全[J].疾病控制雜志，2000，30(1):41 252.

[3]王磊，吳曉娟，俞夢孫.駕駛疲勞/瞌睡檢測方法的研究進展[J].生物醫(yī)學工程學雜志.2007，24(1):245-248.

[4]Van De Ville D，Britz J，Michel C M.EEG microstate sequences in healthy humans at rest reveal scale-free dynamics[J].Proceedings of the National Academy of Sciences，2010，107(42):18 179-18 184.

[5]Schlegel F，Lehmann D，Faber P L，et al.EEG microstates during resting represent personality differences[J].Brain topography，2012，25(1):20-26.

[6]Ranjit T，Yvonne T，Ashley C，et al.Using microstate intensity for the analysis of spontaneous EEG:tracking changes from alert to fatigue state[C].Minneapolis:Engineering in Medicine and Biology Society.2009:4 982-4 985.

[7]Lehmann D，Strik W K，Henggeler B，et al.Brain electric microstates and momentary conscious mind states as building blocks of spontaneous thinking:I.Visual imagery and abstract thoughts[J].International Journal of Psychophysiology，1998，29(1):1-11.

[8]Pascual-Marqui R D，Michel C M，Lehmann D.Segmentation of brain electrical activity into microstates:model estimation and validation[J].Biomedical Engineering，IEEE Transactions on，1995，42(7):658-665.

[9]Zhao C，Zhao M，Liu J，et al.Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J].Accident Analysis ＆ Prevention，2012，45:83-90.