利用脑电频谱成分评估疲劳检测算法外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

利用脑电频谱成分评估疲劳检测算法

摘要

疲劳对驾驶者来说是一个恒定的职业危害，当他坚持继续目前的活动时，会大大降低了工作的效率和性能。研究表明各种疲劳生理协会都试图去确定疲劳指标，当前在一个52个科目（男36例，女16例）的驾驶会话研究中评估了、theta;、alpha;、beta;四种脑电图（EEG）活动，这四种算法分别表现为：算法(I)(theta; alpha;)/beta;、算法(II)alpha;/beta;、算法(III）(theta; alpha;)/(alpha; beta;)和算法(IV)theta;/beta;，它们也被评价为疲劳检测可能的指标。结果表明，随着时间的推移，delta;、theta;活性表现稳定，alpha;活性略有下降，而beta;活性显著降低(P＜0.05)。所有这四种算法显示，随着时间的推移，慢波到快波的脑电图活动的比率增加，其中算法(I)(theta; alpha;)/beta;出现较大的增长，结果对检测疲劳有影响。

产业影响：本研究的结果对疲劳检测有影响，可用于未来疲劳对策装置的发展。

关键词：脑电频谱；驾驶员疲劳；疲劳对策；算法；脑电比值

1.介绍

疲劳对于长途司机或职业司机来说都是一种持续的职业危害，并且会影响对自己继续驾驶的判断。疲劳中效率和性能都可能受损当一个人像往常一样坚持继续目前的活动。拉蒙德和道森报道过一个24小时一直没睡觉的司机会减少驾驶技巧，等同于高达0.10%的血液酒精浓度的非法酒驾。疲劳是独立的能源消耗，不能简单地用性能受损衡量。因此，需要生理疲劳对策的出现，去防止疲劳事故的发生。。

近年来，研究人员已经研究了不同类型的疲劳对策技术，包括发展脑电图疲劳检测算法、面部运动特征检测器、和眼睑闭合度、检测眼睛闭合的百分比。然而，Artaud等发现EEG是一种最可靠的疲劳指标，因此，这似乎是一种很有前途的疲劳对策方法。

疲劳对策装置应具有较高的可靠性标准.Brown认为，疲劳以外的因素也会影响驾驶性能的变化,如车辆转向。如果所述对抗装置具有较小的可靠性水平，可能会出现一些虚假警报。因此，可靠性是未来疲劳对策器件的最重要因素。EEG已被证明对delta;和theta;频段有良好的测试和重测信度和高重现性。

脑电图记录可以得到四个频率分量，分别是delta;(0-14Hz)、theta;（4-8Hz）、alpha;（8-13Hz）、beta;(13-20Hz)。这些测量可以检测驱动器的当前状态，睡眠时delta;活性高，嗜睡可以通过早期theta;活性的增加来表明。alpha;活性反映了一个清醒的状态，并随浓度、刺激或视觉固定。然而，其他研究人员也发现，在驾驶的司机昏昏欲睡的驾驶时alpha;活动增加。此外，beta;活性增加也与警觉性水平有关，并在嗜睡期间降低。Torsvall和Akerstedt认为alpha;活性是可用于检测疲劳最敏感的方法，其次是theta;和delta;。然而，delta;活动与睡眠适当发生有关。Lal和Craig也发现在疲劳性驾驶过程中脑电波活动的变化。

许多使用脑电的疲劳检测方法已经被提出了，例如Tietze检测alpha;轴，以及Lal等利用EEG的所有频率分量的组合来表示警觉程度的算法。其他研究提出了两种算法,(theta; alpha;)/beta;和alpha;/beta;,可以用作疲劳检测技术。Eoh等人的研究中排除了delta;活性，并没有进行研究。因为它反映了一个人的睡眠状态，并且在开车活动期间并不期望显示高活动性Eoh等人认为，随着慢波和快波活动之间的比例增加，第一种算法(theta; alpha;)/beta;是一种更为可靠的疲劳指标。

目前的研究调查了不同算法的性能，有可能作为疲劳指标。Eoh等人研究的两种算法，(theta; alpha;)/beta;和beta;/alpha;与另外两种新的算法(theta; alpha;)/(alpha; beta;)和theta;/beta;进行了比较。然而，由于本研究旨在调查随着时间的推移，慢波和快波之间的比例。Eoh等人的第二个算法，beta;/alpha;表示为alpha;/beta;。在分析中还研究了EEG记录，delta;、theta;、alpha;和beta;中的四个频率成分，分别理解每个EEG带。

2.材料与方法

年龄20-70岁（平均2810岁）的52名非专业驾驶员（男36人，女16人）被招募用来进行单调驾驶模拟任务。他们的平均体重指数（BMI）为237 kg/（正常范围：18.50~24.99 kg /（世界卫生组织，2007年））。所有与会者在参加研究之前提供知情同意书。 使用生活方式评估问卷作为选择标准，需要参与者没有医疗禁忌症，如严重的伴随疾病、酒精中毒、药物滥用以及可能限制依从性的心理或智力问题。

这项研究得到了该研究所的人类研究伦理委员会的批准，并在温室控制实验室中午15时左右进行。要求参加者在24小时前不要在研究前和饮酒前约4小时吸食咖啡因、茶或食物，并报告遵守这些说明。

Grand Prix 2被用作驾驶模拟器软件。该软件的视频显示显示其他车辆，驾驶环境和当前速度等道路刺激情况。 驾驶员模拟器设备包括内置方向盘的汽车车架，制动器，加速器和齿轮。为了研究目的参加者完成了2次驾驶课程，初步驾驶课程大约是10-15分钟的警戒驾驶，这将作为基准测量。在提醒驾驶期间，参与者被提供了一条轨道，涉及许多汽车和道路上的刺激情况。在警戒行驶之后，单调的驾驶课程中参与者需要在60到80公里/小时之间持续驾驶大约1小时。本次会议涉及参与者驾驶非常少的道路刺激。

在驾驶课程期间同时记录了生理测量指数。用于记录生理数据的是NeuroScan系统。参与者驾驶时同时测量三十个脑电图(EEG)，应用了10~20国际电极放置标准。使用的是参考蒙太奇，参考点位于头中心，中线中心电极（Cz）和中线中心顶电极(CPz)之间。还记录了垂直电文(EOG)，后来用于从记录的EEG数据中识别眨眼伪像。以1000Hz对EEG和EOG数据进行采样。在驾驶任务前后收集血压和心率。收集与实际生理指标相关的驾驶和参与者面部的视频数据，以识别疲劳的体征，并作为疲劳评估的独立变量。然后将所有30个通道的EEG数据分割成1个时期，并使用使用LabVIEW编程语言开发的内部软件进行快速傅里叶变换(FFT)，以得出四个频率的组分，其为delta;(0-4Hz)、theta;(4-8Hz)、alpha;(8-13Hz)和beta;(13-35Hz)。delta;和theta;被认为是慢波活动，而alpha;和beta;是快波活动。FFT分析产生光谱幅度。针对每个频带计算频谱幅度曲线下的面积，以得出每个频率分量的单个功率值。

单调驾驶课程的总脑电数据分为10个连续相等的时间段。每个警报中平均有30个时期和10节单调的驾驶课程，以获得每个部分的一个值。然后将单调驾驶课程连续10节的数据与警戒基准进行比较。

对于目前的研究，在数据分析过程中计算出四种不同的脑电图算法以及delta;、theta;、alpha;和beta;活性，以评估疲劳效应。前两种算法(i)(theta; alpha;)/beta;和算法 (ii)alpha;/beta;，以前被提出来检测疲劳。其他两种算法是算法(iii)(theta; beta;)/(alpha; beta;)和算法(iv)theta;/beta;。算法(iii)(theta; beta;)/(alpha; beta;) 与算法(i)类似。对于theta;功率和beta;功率之间的比值选择算法(iv)theta;/beta;。正在测试的算法是慢波和快波活动之间的比例。包括算法(iii)和(iv)来测试两项进一步的EEG活动比例。

进行方差分析(ANOVA)分析，以确定单调驾驶期间的10个时间点和警戒基线之间的显着差异。对于四个算法中的每一个进行分析，对于整个脑平均值分别进行delta;、theta;、alpha;和beta;活动，以及针对五个特定脑位点(中心，额叶，枕叶，顶叶和时间)的分析。 结果报告为平均标准差(SD)。结果表现显著水平p lt;0.05。

3.结果

开车时间的平均时间为63分12分。从Gillberg、Kecklund和Akerstedt的研究中，已经发现30分钟的单调驾驶活动在驾驶过程中引起疲劳。平均研究前收缩压(SBP)为11811mmHg，舒张压(DBP)为759mmHg。平均研究后SBP为11413毫米汞柱，DBP为7117毫米汞柱。 研究前心率的平均预期心率为7210次/分，659次/分钟。对研究前前和研究后血压和心率数据进行检验分析。表1显示，驾驶试验后SBP和心率显着降低，DBP呈减少趋势。

图1显示了脑部形态的一个例子，表明其中一个志愿者的delta;、theta;、alpha;和beta;活性。红色阴影区域1表示高活动度，而蓝色阴影区域表示低活动度。随着驾驶进行，前方活动增加，并且在驾驶课程结束时减少(时间段8-9)。与delta;活动不同，theta;活动在正面区域稳定增长(时间段3)。theta;在会议结束时的正面，颞和枕头位置较高(时间段10)。运动期结束时枕骨区域的alpha;活动增加(时间段8和9)。 在开车早期阶段（时间段1和2），特别是在时间和正面位置，beta;活动很高，并且在驾驶期结束时已经减少。

算法的ANOVA结果揭示了单调驾驶过程中警戒基线与10个时间点之间的一些显着差异。在算法(i)(F = 2.7，p = 0.003)，算法(ii)(F = 2.6，p = 0.01)，算法(iii)(F = 2.7，p = 0.003)的时间位点发现这些显着差异，和算法(iv)(F = 2.5，p = 0.01)(参见表2)。其他部位无显着性差异。

四个EEG频率分量的结果显示出几个显着差异。delta;活动与整个脑平均值(F = 2.3，p = 0.01)和额叶部位(F = 3.5，P lt;0.001)的警戒基线有显着差异。theta;显示整个脑平均值(F = 2.4，p = 0.01)，中心(F = 2.3，p = 0.01)，额叶(F = 2.3，p = 0.01)和顶叶位点(F = 3.6，p lt;0.001)。alpha;(F = 2.0，p = 0.03)和beta;活性(F = 2.3，p = 0.01)均仅在时间位点显示出显着差异。重要方差分析结果摘要见表2。

对每个方差分析结果进行事件Bonferroni分析，其显着不同，以确定存在这些差异的确切时间点。使用算法(i)，在警戒基线和警报基线之间的颞部位置的活动中发现显着差异。时间段2(p = 0.03)，5(p = 0.04)，6(p = 0.02)，7(P = 0.02)，8(p = 0.02)，9(p = 0.01)使用算法(ii)，报警基线与时间段2（p = 0.04），时间段5（p = 0.03），时间段7(p = 0.03)，时间段8(p = 0.03)，时间段9（p = 0.01）和时间段10（p = 0.001）。使用算法(iii)，发现警报基线与时间段2(p = 0.02)，时间段6(p = 0.03)，时间段7(p = 0.03)，时间段8(p = 0.02)，时间段9(P = 0.01)和时间段10(p = 0.001)。随着算法(iv)，警报基线与时间2（p = 0.04），时间段6（P = 0.03），时间段7（p = 0.04)，时间段8(P = 0.03)，时间段9(p = 0.02)和时间段10(P = 0.004)（参见表3）。

事件Bonferro分析额叶位置上的theta;活动的显示警戒基线与时间段1(p lt;0.001)和时间段2(P = 0.02)之间的显着差异。时间段1与时间段4(p = 0.02)，时间段5(p = 0.02)，时间段8(P = 0.01)，时间段9(p = 0.04)和时间段10(p = 0.03)。对于整个脑平均值(p = 0.01)，中心(p = 0.01)和正面部位(P = 0.01)的theta;活动，发现警戒基线和时间段2之间的显着差异。顶点活动在警戒基线和时间段2(P lt;0.001)之间，时间段2和4(p = 0.03)，2和5(p = 0.02)，2和6(p = 0.04)，2和7(p = 0.048)，2和8(p = 0.04)，2和9(p = 0.02)和2和10(P = 0.02)。事件Bonferroni分析beta;活动仅显示警报基线和时间段10之间的一个显着差异(p = 0.03)。结果alpha;在任何时间段都没有显着差异。请参见表3，了解事后邦费罗尼分析的总结。

图2示出了随时间绘制的四种算法的时间活动的示例。随着时间的推移，它呈逐渐增加的趋势，这表明以下可能性之一：随着时间的推移，慢波活动的增加趋势以及快速波浪活动随时间的减少趋势，或两种可能性。图 2 a((theta; alpha;)/beta;)表示从警戒基线到第十个时间段的更大的增加，2b(alpha;/beta;)显示最小的增加。

图3显示了delta;，theta;，alpha;和beta;活动随时间的变化。慢波EEG活动显示初始增加，然后减少，然后随时间稳定(图3a和b)。快速EEG活动显示一般随着时间的推移，alpha;活性略有降低，beta;活性降低(图3c和d)。

4.讨论

司机困倦是与道路交通事故相关的主要因素之一。已经研究了几个因素来防止驾驶过程中的疲劳或困倦。例如，Reyner和Horne研究了咖啡因作为疲劳对策的效果，以及咖啡因在抵御驾驶困难中的作用。这些研究发现，咖啡在减少与睡眠有关的车祸中有效果。其他人通过评估驾驶性能或生理变化作为潜在的疲劳指标来研究技术疲劳对策。例如，一些研究提出使用人工神经网络算法自动检测脑电记录中的警觉性和嗜睡水平。比较了算法和独立人类评估的结果，并得到了协议，因此得

出结论，人工神经网络算法可以用于自动检测从EEG记录驾驶过程中的。

目前的研究调查了分离频带，delta;、theta;、alpha;和beta;以及四种不同算法的EEG活动，分别是：算法(i)(theta; alpha;)/beta;，算法(ii)alpha;/beta;，算法 (iii)(theta; alpha;)/(alpha; beta;)和算法(iv)theta;/beta;在不同的脑部位和整个脑平均值，以评估这些算法作为疲劳检测技术的功效。所有算法都表示为慢波和快波EEG活动之间的比值。

研究结果表明，四种算法的警戒基线与临时站点的10个时间段以及alpha;和beta;活动之间存在显着的差异。delta;和theta;在中央，额叶和顶叶位点显示出显着的差异，包括整个脑平均值。与以前的Eoh等人的研究比较，揭示了算法(i)(theta; alpha;)/beta;，算法(ii)alpha;/beta;和beta;活

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[137721]，资料为PDF文档或Word文档，PDF文档可免费转换为Word