楊榮 李增勇 魏鵬緒 王麗 張寧 宋亮

0 引言

腦力疲勞是一種復(fù)雜的生理心理現(xiàn)象，以工作效率的下降和工作的厭煩為標(biāo)志，是人體介于清醒和睡眠之間的一種過度狀態(tài)。隨著科技和經(jīng)濟(jì)的發(fā)展，越來越多的人從體力勞動(dòng)者轉(zhuǎn)為腦力勞動(dòng)者，持續(xù)的工作、睡眠的不足以及各種心理因素的影響導(dǎo)致腦力疲勞的出現(xiàn)愈加頻繁，因腦力疲勞引發(fā)的工作事故和各種心理疾病也逐年增加，尤其對于駕駛員、機(jī)械操作、飛行員等要求超高反應(yīng)速度與注意力集中程度的特殊職業(yè)[1-2]，一旦出現(xiàn)腦力疲勞，會引發(fā)非常嚴(yán)重的事故。因此，開發(fā)便攜的腦力疲勞檢測裝置具有重要的現(xiàn)實(shí)意義。

目前關(guān)于腦力疲勞的相關(guān)研究多基于實(shí)驗(yàn)室腦電設(shè)備采集數(shù)據(jù)后的離線分析，而傳統(tǒng)的腦電采集裝置普遍存在體積大、價(jià)格昂貴、不易搬動(dòng)、操作復(fù)雜等局限性[3]，不利于用戶腦力疲勞狀態(tài)的快速監(jiān)測。隨著通信技術(shù)的發(fā)展以及低成本、高性能智能平板、手機(jī)等設(shè)備的逐漸普及，為實(shí)現(xiàn)腦力疲勞的快速與高效檢測提供了可能。

當(dāng)前常用的腦力疲勞評價(jià)手段分為主觀檢測和客觀檢測兩種[4]。主觀檢測即疲勞量表評價(jià)方式[5]，客觀檢測主要通過相關(guān)儀器對被測者進(jìn)行客觀評價(jià)，評價(jià)指標(biāo)包括腦電(electroencephalogram，EEG)、肌電、心電、血壓、呼吸、眨眼頻率[6]等。由于主觀檢測存在個(gè)人因素影響大、評分標(biāo)準(zhǔn)無法統(tǒng)一等問題，實(shí)際使用中多使用客觀評測或?qū)⒖陀^評測與主觀評測結(jié)合使用[7]。

由于人體腦力疲勞狀態(tài)時(shí)，會出現(xiàn)精神渙散、記憶力下降、注意力不集中、思考力下降等現(xiàn)象，這些情緒現(xiàn)象受大腦皮質(zhì)支配，最終表現(xiàn)為大腦皮質(zhì)電信號的變化[8]，因此EEG的很多成分和特征參數(shù)可以作為腦力疲勞的評價(jià)指標(biāo)，比如α節(jié)律波活動(dòng)的增加[9]、不同頻率段基本尺度熵和排列熵的差異[10]、功率譜重心頻率的變化[11]、事件相關(guān)電位(event-related potential, ERP)中P300的幅值變化等。早期疲勞研究主要集中在P300上。P300是ERP中研究最多也最成熟的成分，一般出現(xiàn)在刺激后300～500 ms之間，代表了工作記憶和主動(dòng)注意的實(shí)時(shí)加工，對于腦力疲勞的研究具有重要的價(jià)值。

目前，利用聽覺誘發(fā)P300進(jìn)行腦力檢測的研究也十分廣泛。喬延云等[7]利用聽覺誘發(fā)P300評價(jià)持續(xù)認(rèn)知任務(wù)前后的腦力疲勞狀態(tài)，結(jié)果證明P300中P3a、P3b成分的幅值可以作為腦力疲勞的評定指標(biāo)。宋國萍等[12]同樣發(fā)現(xiàn)聽覺誘發(fā)P300中P3a、P3b成分的幅值變化可以用于駕駛疲勞程度的評價(jià)。

因此，考慮到Android平臺的開放性、無界性、便攜性、擴(kuò)展性以及良好的數(shù)據(jù)兼容性和同步性[13]，本研究搭建基于Java平臺的便攜式客觀腦力疲勞檢測系統(tǒng)，利用TGAM腦電采集芯片采集聽覺誘發(fā)EEG信號，將EEG信號通過Android移動(dòng)端傳輸至服務(wù)器端的數(shù)據(jù)解析平臺后，通過小波分析、基于噪聲統(tǒng)計(jì)的經(jīng)驗(yàn)?zāi)Ｊ椒纸?empirical mode decomposition, EMD)、多元線性回歸(multiple linear regression with dispersion terms, MLRD)、支持向量機(jī)(support vector machine，SVM)等算法提取P300中P3b成分的幅值進(jìn)行分析，實(shí)現(xiàn)腦力疲勞的便攜與實(shí)時(shí)檢測。

1 方法

1.1 系統(tǒng)框架設(shè)計(jì)

系統(tǒng)的總體架構(gòu)如圖1所示，主要由腦電采集端、Android移動(dòng)端、服務(wù)器端組成。由于EEG解析算法以Matlab語言進(jìn)行開發(fā)，轉(zhuǎn)換成Java語言移植到Android移動(dòng)端存在困難，并且Android移動(dòng)端計(jì)算能力相對較弱，因此本研究將腦電信號解析部分設(shè)置在服務(wù)器端完成，分析結(jié)果返回移動(dòng)端進(jìn)行顯示。

腦電采集端包括TGAM腦電采集模塊、藍(lán)牙模塊、電源模塊、干電極、耳夾、屏蔽線等。Android移動(dòng)端功能包括用戶登錄管理、數(shù)據(jù)接收、數(shù)據(jù)顯示、數(shù)據(jù)傳輸及腦力疲勞結(jié)果顯示等。服務(wù)器端對用戶數(shù)據(jù)、腦電信號數(shù)據(jù)進(jìn)行存儲，通過小波分析、EMD自相關(guān)去噪、MLRD、SVM等算法對腦電信號中的P300特征成分進(jìn)行提取并分類，最后將腦力疲勞分析結(jié)果反饋至Android移動(dòng)端進(jìn)行顯示。

1.2 檢測方法

采用P300對用戶腦力疲勞狀態(tài)進(jìn)行分析，用戶需提前完成非疲勞正常狀態(tài)下的聽覺刺激實(shí)驗(yàn)，將采集到的腦電數(shù)據(jù)傳輸至服務(wù)器端進(jìn)行數(shù)據(jù)解析，存儲為用戶正?；A(chǔ)數(shù)據(jù)。用戶進(jìn)行腦力疲勞測試時(shí)，需完成同樣的聽覺刺激實(shí)驗(yàn)，將采集到的腦電數(shù)據(jù)記為測試狀態(tài)下腦電數(shù)據(jù)。服務(wù)器端將測試狀態(tài)下腦電數(shù)據(jù)進(jìn)行解析后，將提取到的P3b波幅與用戶正?；A(chǔ)數(shù)據(jù)進(jìn)行比對，評估用戶腦力疲勞狀態(tài)。

聽覺刺激實(shí)驗(yàn)?zāi)Ｊ交贠ddball模式[14]，實(shí)驗(yàn)流程為：用戶將采集電極布置于頭頂頂葉Cz電極處，左耳耳垂用耳夾布置參考電極，同時(shí)佩戴耳機(jī)，短音刺激通過雙側(cè)耳機(jī)同時(shí)傳出，標(biāo)準(zhǔn)刺激(概率為80%)為1000 Hz、0 dB，聲音為“嘟”聲，靶刺激(概率為20%)為2 000 Hz、0 dB，聲音為“嗶”聲。刺激呈現(xiàn)時(shí)間均為50 ms，相鄰兩個(gè)聲音刺激出現(xiàn)間隔為 400 ms，2種刺激以隨機(jī)順序出現(xiàn)。一個(gè)聲音周期都是由1次靶刺激、4次非靶刺激構(gòu)成，20個(gè)聲音周期構(gòu)成一個(gè)聲音刺激序列。用戶每次需完成1個(gè)序列的刺激實(shí)驗(yàn)，在聽到靶刺激聲音時(shí)點(diǎn)擊Android端屏幕中的“+”，系統(tǒng)自動(dòng)進(jìn)行計(jì)數(shù)。

1.3 腦電數(shù)據(jù)的解析與分析

1.3.1 腦電數(shù)據(jù)特征解析

本部分的核心算法包括小波分析、疊加平均、EMD自相關(guān)去噪、MLRD、SVM算法。

由于P300信號的有用成分主要集中在低頻段[15]，為在減少疊加平均次數(shù)的同時(shí)最大限度保留信號中的細(xì)節(jié)特征，將原始腦電信號進(jìn)行 3 層小波分解[16]，小波基選擇db10，得到 0～3.75 Hz子頻帶的腦電信號。在該子頻段進(jìn)行樣條插值后，再通過樣條插值后的小波系數(shù)重構(gòu)信號，然后將信號進(jìn)行3次疊加平均。

為提高P300信號的信噪比，采用基于噪聲統(tǒng)計(jì)的EMD算法進(jìn)行信號去噪處理[17]。EMD依據(jù)信號的內(nèi)在特征，將信號分解為有限個(gè)具有不同特征尺度的IMF函數(shù)。基于噪聲統(tǒng)計(jì)的EMD算法自相關(guān)去噪過程如下。

(1)設(shè)完成小波分析和疊加平均后的腦電信號為x(t),t為腦電時(shí)長，則EMD分解算法的實(shí)現(xiàn)步驟[18]包括：

第1步，求取信號極大值點(diǎn)與極小值點(diǎn)，利用插值法形成上包絡(luò)曲線x1(t)和下包絡(luò)線x2(t)；

第2步，求取上、下包絡(luò)曲線的平均曲線，其公式為：

(1)

第3步，在原始信號中分解出平均曲線，得到剩余信號，其公式為：

s1(t)=x(t)-y1(t)

(2)

第4步，判斷剩余信號s1(t)的所有局部極值點(diǎn)和過零點(diǎn)數(shù)是否相同，或至多相差1，或者s1(t)上下包絡(luò)線的均值為0，若不滿足以上條件，則令x(t)=s1(t)，重復(fù)以上步驟，直到得到的剩余信號s1k(t)滿足該條件，則c1(t)=s1k(t)為第一個(gè)IMF分量。

第5步，從原始信號中去除c1(t)，得到剩余分量，將剩余分量重復(fù)第1～5步,直到最終剩余分量rn(t)成為單調(diào)函數(shù)，則得到n個(gè)IMF。分解完成后原始信號可表示為n個(gè)IMF分量與最終剩余分量之和，即：

(3)

(2)令：

(4)

對第一個(gè)IMF分量c1(t)進(jìn)行隨機(jī)排序、累加、平均后得到c′1(t)，將c′1(t)與x1(t)一起重構(gòu)得到新信號xnew(t)。

(3)重復(fù)以上步驟k次，將每次得到的xnew(t)累加求平均后得到新信號N(t)。

(4)對N(t)再次進(jìn)行EMD分解，分別計(jì)算得到各IMF分量的歸一化自相關(guān)函數(shù)方差。根據(jù)預(yù)先設(shè)定的閾值，IMF分量中方差大于閾值的分量即為噪聲成分比較大的成分。

(5)對噪聲成分較大的分量采用小波軟閾值消噪，并與含噪聲低的IMF分量一起重構(gòu)信號，得到最終的信號f(t)。

腦電信號經(jīng)過EMD自相關(guān)去噪后，引入MLRD算法進(jìn)行P300特征的估計(jì)。MRLD算法可以自動(dòng)獲取數(shù)據(jù)潛伏期和幅值無偏估計(jì)，已成功應(yīng)用于腦電誘發(fā)電位峰值潛伏期與幅值的時(shí)域估計(jì)中[19]。

由于本研究采集的腦電為誘發(fā)電位，含有包括P300在內(nèi)的多種響應(yīng)成分，可以反映不同因素差異，因此對各響應(yīng)成分進(jìn)行建模，公式為：

f(t)=kNyN(t+aN)+kPyP(t+aP)

(5)

式中：f(t)為去噪后的腦電序列；kPyP(t+aP)為P300成分；kNyN(t+aN)為其他響應(yīng)成分；kN和kP為波形權(quán)重；aN和aP為時(shí)間偏移。引入誘發(fā)電位波形形態(tài)進(jìn)行精準(zhǔn)估計(jì)，即為MLRD方法，其公式為：

f(t)=kNyN(sNt+aN)+kPyP(sPt+aP)

(6)

式中:sN與sP用于確定波形寬度。

1.3.2 腦電數(shù)據(jù)結(jié)果分析

SVM算法是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種具有最優(yōu)分類能力和推廣能力的機(jī)器學(xué)習(xí)方法[20]，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則為理論基礎(chǔ)，可將采樣樣本映射到一個(gè)高維度或無限維度的空間中，將非線性可分的問題轉(zhuǎn)換為線性可分。本研究采用基于徑向基核函數(shù)的SVM分類器進(jìn)行分類，將測試中提取到的P300波幅與非疲勞正常狀態(tài)下的波幅進(jìn)行比對，利用分類結(jié)果評估用戶腦力疲勞狀態(tài)。

2 功能實(shí)現(xiàn)

2.1 腦電采集端實(shí)現(xiàn)

腦電采集端實(shí)現(xiàn)基于TGAM腦電采集模塊，對EEG進(jìn)行采集、放大、濾波及傳輸。使用的TGAM模塊是NeuroSky為大眾市場設(shè)計(jì)的成熟商用腦波傳感器采集模塊，價(jià)格低廉。它與人體的接觸只需要一個(gè)簡單的干電極，可以將原始腦電波進(jìn)行濾波、放大、去噪、A/D轉(zhuǎn)換、去干擾等處理后以512 Hz輸出原始腦波以及各頻段腦波數(shù)據(jù)[8]。本研究使用TGAM模塊輸出的原始腦波數(shù)據(jù)進(jìn)行分析。

由于P3b的波幅通常在中央頂頭皮最大，隨著與該腦區(qū)距離的增大而逐步衰減[15]，因此，使用TGAM模塊與干電極相連，通過單個(gè)腦電采集電極、參考電極、地線、藍(lán)牙模塊、電源模塊等搭建腦電采集端，腦電采集電極根據(jù)國際10-20系統(tǒng)，布置于頂葉Cz電極處，左耳處布置參考電極。通過藍(lán)牙模塊實(shí)現(xiàn)TGAM模塊與Android移動(dòng)端的通信，收集采集模塊的狀態(tài)及其傳輸來的數(shù)據(jù)信號。

2.2 基于Android系統(tǒng)的移動(dòng)端APP

Android系統(tǒng)是一個(gè)主要應(yīng)用在手機(jī)、平板、電視等移動(dòng)終端設(shè)備上的應(yīng)用操作系統(tǒng)，是基于Linux構(gòu)架的純開源操作系統(tǒng)[21]。本研究系統(tǒng)平臺依托Android移動(dòng)端應(yīng)用操作系統(tǒng)，通過Java語言開發(fā)設(shè)計(jì)應(yīng)用功能，構(gòu)建包括用戶登錄界面、聽覺刺激實(shí)驗(yàn)呈現(xiàn)界面、數(shù)據(jù)顯示界面、歷史數(shù)據(jù)顯示界面等功能的APP。

2.2.1 用戶登錄界面

用戶登錄界面如圖2所示。用戶進(jìn)行姓名、性別、年齡、工作時(shí)長等基本信息登記，每次登錄需輸入用戶名和密碼，新用戶需進(jìn)行注冊。注冊成功后，用戶數(shù)據(jù)保存在服務(wù)器端數(shù)據(jù)庫中用于查詢。

2.2.2 聽覺刺激實(shí)驗(yàn)呈現(xiàn)界面

設(shè)計(jì)基于Android系統(tǒng)的聽覺刺激實(shí)驗(yàn)，整體程序流程如圖3所示。點(diǎn)擊計(jì)數(shù)界面如圖4所示,用戶選擇測試開始后，關(guān)注靶刺激(“嗶”聲)出現(xiàn)的時(shí)間并點(diǎn)擊Android移動(dòng)端的屏幕上的“+”，屏幕顯示用戶識別的靶刺激個(gè)數(shù)。

2.2.3 數(shù)據(jù)顯示界面

移動(dòng)端APP數(shù)據(jù)顯示界面主要通過Activity嵌套Fragement實(shí)現(xiàn)，包括原始腦電數(shù)據(jù)顯示、P300波形顯示、腦力疲勞分析結(jié)果顯示等功能。如圖5所示，原始腦電數(shù)據(jù)通過藍(lán)牙傳輸技術(shù)進(jìn)行讀取，以波形曲線圖形式顯示，動(dòng)態(tài)刷新，橫軸為時(shí)間，縱軸為腦電幅值。通過與服務(wù)器端進(jìn)行通信，從服務(wù)器端數(shù)據(jù)庫中下載解析完成的數(shù)據(jù)，并進(jìn)行P300波形繪制、腦力疲勞分析結(jié)果顯示,如圖6所示。

圖6 P300波形與腦力疲勞分析結(jié)果顯示界面

2.2.4 歷史數(shù)據(jù)顯示界面

本研究在后臺服務(wù)器端，使用Java服務(wù)程序接收移動(dòng)應(yīng)用端發(fā)送的完整的原始腦電數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、轉(zhuǎn)換、整合、統(tǒng)計(jì)、分析、計(jì)算等一系列操作，將結(jié)果數(shù)據(jù)存儲在MySQL數(shù)據(jù)庫中，形成每個(gè)用戶的基本數(shù)據(jù)?；诖祟悢?shù)據(jù)為用戶提供必要的可視化展示，用戶可通過選擇歷史記錄從服務(wù)器端下載對應(yīng)的歷史數(shù)據(jù)在Android移動(dòng)端進(jìn)行查看，如圖7所示。

圖7 歷史數(shù)據(jù)顯示圖

2.3 腦電數(shù)據(jù)特征解析及疲勞評判

服務(wù)器端的功能包括接收與存儲腦電信號、解析腦電數(shù)據(jù)特征、計(jì)算腦力疲勞結(jié)果并將分析結(jié)果返回Android移動(dòng)端進(jìn)行展示。

采用IntelliJ IDEA開發(fā)工具，開發(fā)基于Java平臺的后臺數(shù)據(jù)處理程序，實(shí)現(xiàn)Android移動(dòng)端與服務(wù)器端的數(shù)據(jù)交互功能。服務(wù)器端分為應(yīng)用服務(wù)器和數(shù)據(jù)處理服務(wù)器兩部分。Android移動(dòng)端與應(yīng)用服務(wù)器中Tomcat容器通過HTTP數(shù)據(jù)接口進(jìn)行數(shù)據(jù)傳輸，數(shù)據(jù)為JSON格式。Tomcat容器為后臺數(shù)據(jù)處理程序，負(fù)責(zé)處理Android移動(dòng)端發(fā)送的各種結(jié)構(gòu)化數(shù)據(jù)，并將數(shù)據(jù)落地至MySQL數(shù)據(jù)庫內(nèi)。

數(shù)據(jù)處理服務(wù)器執(zhí)行基于Matlab開發(fā)的腦電數(shù)據(jù)解析程序，從MySQL數(shù)據(jù)庫內(nèi)讀取相應(yīng)的數(shù)據(jù)后進(jìn)行數(shù)據(jù)運(yùn)算、處理與分類模型建立。計(jì)算腦力疲勞分析結(jié)果后，分析結(jié)果落地MySQL數(shù)據(jù)庫。用戶查看分析結(jié)果時(shí)，可在Android移動(dòng)端選擇結(jié)果查詢，通過HTTP數(shù)據(jù)接口與Tomcat通信，查看分析結(jié)果。服務(wù)器端原始腦電數(shù)據(jù)展示、數(shù)據(jù)處理與結(jié)果顯示如圖8、圖9所示。

圖8 服務(wù)器端原始腦電數(shù)據(jù)展示

圖9 服務(wù)器端數(shù)據(jù)處理與結(jié)果展示

3 結(jié)論

隨著移動(dòng)智能終端設(shè)備的普及，腦機(jī)接口技術(shù)逐步走向便攜化。本研究利用Android系統(tǒng)平臺開放、普及等優(yōu)勢，針對便攜腦力疲勞檢測系統(tǒng)應(yīng)用設(shè)計(jì)進(jìn)行了探索性研究。基于TGAM模塊采集用戶頂葉Cz處腦電，并利用聽覺刺激誘發(fā)的P300電位中P3b的波幅差異，評估用戶腦力疲勞狀態(tài)。目前雖然具有結(jié)構(gòu)精簡、成本低廉的優(yōu)點(diǎn)，但仍需進(jìn)一步提高疲勞評估準(zhǔn)確度。由于腦電信號是一種非常復(fù)雜的隨機(jī)性生理信號，利用單導(dǎo)聯(lián)上的特征信息進(jìn)行腦力狀態(tài)評估存在一定的局限性，且不同的受試者存在個(gè)體差異性，如何優(yōu)化算法模型，進(jìn)一步提高算法的識別效果，同時(shí)減輕個(gè)體差異性對評估準(zhǔn)確度的影響，是下一步研究的重點(diǎn)。