周凌霄，丁一琦，戴淵明，王奕直，孔萬增

(1.杭州電子科技大學(xué)計算機學(xué)院，浙江 杭州310018;2.臺州廣播電視大學(xué) 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(yīng)能力，是產(chǎn)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(yù)報系統(tǒng)疲勞駕駛的系統(tǒng)，對于事故預(yù)防具有重要意義。目前，疲勞檢測技術(shù)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(biāo)之一。本文在微狀態(tài)技術(shù)[4-7]的基礎(chǔ)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(jié)果表明，左前額高電勢微狀態(tài)的出現(xiàn)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(wù)(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(shè)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(wù)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(xiàn)“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(xiàn)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(yīng)這兩種刺激?！鞍粹o1”放置在左側(cè)，用于回應(yīng)聲音刺激;“按鈕2”放置在右側(cè)，用于回應(yīng)圖像刺激。當(dāng)刺激聲音連續(xù)出現(xiàn)2次時，被試者需要立刻按下“按鈕1”。當(dāng)“X”符號出現(xiàn)時，被試者需要按下“按鈕2”。實驗設(shè)備如圖1所示。

圖1 模擬駕駛實驗環(huán)境

1.2 實驗協(xié)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(xùn)練部分和試驗部分兩部分。訓(xùn)練部分要求被試者熟練模擬駕駛環(huán)境。根據(jù)被試者的表現(xiàn)，可能會持續(xù)一至兩天。當(dāng)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?cè)蝿?wù)，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(xùn)練部分時的表現(xiàn)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(chǔ)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(wù)。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(wù)，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(wù)，漫長而單調(diào)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(wù)，誘導(dǎo)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(shè)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(shù)據(jù)。

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(nèi)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(jù)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(yīng)屬于某類微狀態(tài)Tk。因此，一個時間片段內(nèi)的頭皮腦電活動可以由一組規(guī)范化的向量T表示。

假設(shè)Vt是t時刻(t =1，2，…，)個通道的頭皮腦電測量數(shù)據(jù)，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(shù)?；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(shù)。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(xiàn)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(shù)據(jù)(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(yīng)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(shù)可以通過求下列函數(shù)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(yīng)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(jié)果與評價指標(biāo)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(shù)據(jù)為有效數(shù)據(jù)。將采集的腦電數(shù)據(jù)在變換至頻域上進行微狀態(tài)分析。當(dāng)微狀態(tài)分類數(shù)目Nu=2時，微狀態(tài)會呈現(xiàn)對稱性。其OA 環(huán)節(jié)的腦電數(shù)據(jù)，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(xiàn)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(xiàn)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(zhǔn)，統(tǒng)計被試者在不同環(huán)節(jié)下該狀態(tài)出現(xiàn)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(biāo)。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(zhǔn)狀態(tài)出現(xiàn)評率。8個被試者在WUP DROW 各階段的均值和標(biāo)準(zhǔn)差，如圖3所示。

圖3 所有被試在8個環(huán)節(jié)中指標(biāo)R 均值和標(biāo)準(zhǔn)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(guān)的。在WUP，PERFO和DROW 環(huán)節(jié)，被試者任務(wù)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(jié)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(jié)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(jié)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(biāo)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(biāo)要用于疲勞駕駛檢測，還需要與其他腦電信號的特征相結(jié)合使用，或者對微狀態(tài)進一步研究，才能準(zhǔn)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(xué)工程學(xué)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，F(xiàn)aber 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.