武警工程大學(xué) 徐龍順

駕駛精神疲勞腦電近似熵研究

武警工程大學(xué) 徐龍順

為研究駕駛員精神疲勞時(shí)的腦電信號變化，用近似熵作為特征量對其精神疲勞前后腦電信號進(jìn)行了分析對比。結(jié)果顯示，近似熵在駕駛員精神疲勞后腦電信號近似熵明顯減小，選擇支持向量機(jī)對疲勞前后腦電信號進(jìn)行分類，平均正確率達(dá)到了93.96%；對不同區(qū)域的腦電信號分別進(jìn)行分類測試，結(jié)果表明顳區(qū)腦電信號對駕駛精神疲勞較為敏感，說明近似熵可作為判別駕駛員是否精神疲勞的一個(gè)判別指標(biāo)。

駕駛精神疲勞；近似熵；腦電；支持向量機(jī)

精神疲勞作為大腦在認(rèn)知和行為控制過程中產(chǎn)生的心理生理現(xiàn)象，對駕駛過程中的安全有著極大的負(fù)面影響，研究駕駛疲勞檢測技術(shù)，對于降低交通事故的頻率有著極為重要的意義。

腦電信號呈現(xiàn)確定系統(tǒng)的混沌規(guī)律，具有良好的非線性特征，本文從非線性動力學(xué)的角度出發(fā)，計(jì)算對比駕駛員疲勞前后腦電信號的近似熵，分析了駕駛員精神疲勞前后腦電信號的變化，用支持向量機(jī)進(jìn)行分類測試，準(zhǔn)確率達(dá)93.96%，得出近似熵可以作為衡量駕駛員是否精神疲勞的一個(gè)指標(biāo)。

1　實(shí)驗(yàn)數(shù)據(jù)與方法

1.1實(shí)驗(yàn)數(shù)據(jù)

論文中使用的數(shù)據(jù)在西安交通大學(xué)生物醫(yī)學(xué)工程研究所的腦電實(shí)驗(yàn)室中采集，用Neuroscan32導(dǎo)腦電儀記錄腦電數(shù)據(jù)，采集了30通道腦電信號，采樣頻率為500Hz，文中實(shí)驗(yàn)?zāi)M的是公路枯燥的駕駛?cè)蝿?wù)，模擬駕駛員精神疲勞時(shí)的狀態(tài)。十名男性志愿者進(jìn)行了大概90分鐘的持續(xù)駕駛實(shí)驗(yàn)，受試者均表示在進(jìn)行實(shí)驗(yàn)30分鐘后感覺勞累并且疲勞程度逐漸加深，實(shí)驗(yàn)結(jié)束時(shí)感覺很累。采集受試者駕駛?cè)蝿?wù)開始和結(jié)束時(shí)的腦電數(shù)據(jù)，各5分鐘。

首先對原始EEG進(jìn)行降噪及去趨勢化處理，而后將信號采樣頻率降至250Hz，分別截取駕駛?cè)蝿?wù)開始和結(jié)束時(shí)采集的前30s數(shù)據(jù)用作實(shí)驗(yàn)數(shù)據(jù)，文中所有數(shù)據(jù)運(yùn)算均在matlab2014a中執(zhí)行。

1.2數(shù)據(jù)處理方法

近似熵(Approximate Entropy，ApEn)由Pincus首次提出，是一種測量時(shí)間序列規(guī)則的方法，已經(jīng)被用來分析生物信號[1]。近似熵是用一個(gè)非負(fù)數(shù)來表示時(shí)間序列的復(fù)雜性,時(shí)間序列越復(fù)雜，其對應(yīng)的近似熵就越大，因此可以用它來反映時(shí)間序列中新信息的發(fā)生率，近似熵具體計(jì)算步驟見文獻(xiàn)[1]。首先對腦電信號用滑動窗進(jìn)行分段，窗口長為1250點(diǎn)，數(shù)據(jù)總長度為7500點(diǎn)，所以可分為251段，故每通道EEG可以得到251個(gè)ApEn樣本值。用支持向量機(jī)對腦電近似熵進(jìn)行分類，選取RBF核函數(shù)，懲罰因子C取1，g取支持向量維數(shù)的倒數(shù)，程序選用臺灣大學(xué)林智仁教授開發(fā)的libsvm3.20版本程序包。

2　結(jié)果

首先對EEG進(jìn)行預(yù)處理，去除眼電信號，用小波進(jìn)行濾波處理，而后求ApEn并做歸一化處理。為全面分析駕駛員疲勞后EEG的變化情況，EEG選取額區(qū)（Fp1和Fp2）、中央?yún)^(qū)(Fc3和Fc4）、顳區(qū)（T7和T8）、頂區(qū)（Cp3和Cp4）、枕區(qū)（O1和O2）共十通道腦電信號。對選取的10通道數(shù)據(jù)ApEn用SPSS19.0版本進(jìn)行統(tǒng)計(jì)分析，顯著性水平定義為0.05。分別對每通道腦電信號求10個(gè)受試者的均值和標(biāo)準(zhǔn)差，結(jié)果見圖1，得出受試者疲勞前后ApEn值有較大幅度下降（t=49.753,p＜0.001）。

將選取的10通道腦電信號ApEn送入支持向量機(jī)中進(jìn)行分類，得到平均分類準(zhǔn)確率為93.96%。為找出受試者對于疲勞比較敏感的大腦區(qū)域，分別將額區(qū)、中央?yún)^(qū)、顳區(qū)、頂區(qū)、枕區(qū)五個(gè)區(qū)域的腦電信號ApEn送入SVM進(jìn)行訓(xùn)練并測試，結(jié)果見表1，顳區(qū)較其它區(qū)域分類準(zhǔn)確率較高，為92.16%。

圖1　不同電極腦電信號ApEn疲勞前后變化

表1　大腦不同區(qū)域特征值分類準(zhǔn)確率

3　分析和討論

從ApEn計(jì)算結(jié)果可知，在模擬駕駛90分鐘后，受試者的ApEn顯著下降，這反映出受試者因?yàn)殚L時(shí)間駕駛感到精神疲勞后，對道路變化等刺激的注意和反應(yīng)減弱，反映出大腦的注意力集中程度有較大幅度下降，大腦活動復(fù)雜性降低，具體反映為認(rèn)知功能上的減弱，該差異能夠有效區(qū)分駕駛員是否疲勞。因此，近似熵的引入為判別駕駛員疲勞與否提供了一個(gè)客觀、量化的指標(biāo)。

SVM分類結(jié)果顯示，顳區(qū)的特征量分類準(zhǔn)確率比其它區(qū)域高，達(dá)92.16%，這表明顳區(qū)相較于其它部位表現(xiàn)更為敏感。大腦不同區(qū)域?qū)?yīng)不同的任務(wù)，額區(qū)與規(guī)劃、推理、運(yùn)動、情緒和問題的解決相關(guān)，頂區(qū)與運(yùn)動、認(rèn)知和感知的刺激有關(guān)，而顳區(qū)與聽覺刺激感知和認(rèn)知、記憶和語音識別有關(guān)[2]。駕駛?cè)蝿?wù)導(dǎo)致顳區(qū)腦電信號變化最為明顯，可能是駕駛?cè)蝿?wù)與大腦顳區(qū)對應(yīng)的功能關(guān)系最為密切，為進(jìn)一步的研究提供了方向。

本文中的實(shí)驗(yàn)方法還有一些不足，ApEn的均值和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)差相對較大，影響判決準(zhǔn)確率，不同的受試者ApEn差異較大。首先，疲勞信號采集時(shí)間接近中午，部分受試者由于饑餓等原因?qū)е滤季S較為活躍，進(jìn)而參與實(shí)驗(yàn)的程度降低，致使ApEn值大于疲勞前，下一步信號采集時(shí)會予以改進(jìn)；其次，由于每個(gè)人身體承受力不同，所以表現(xiàn)出了一定的個(gè)體差異。

[1]Pincus S.Approximate entropy(ApEn)as a complexity measure[J]. CHAOS,1995,5(1):110-117.

[2]Kar S,Bhagat M,Routray A.EEG signal analysis for the assessment and quantification of driver’s fatigue[J].Transportation Research Part F:Traffic Psychology and Behaviour,2010,13(5):297-306.