性別差異在功能性腦網絡的駕駛疲勞檢測中的影響

穆振東

江西科技學院協同創新中心，江西 南昌 330098

隨著車輛的普及，交通事故發生率在逐年增加。在各種交通事故中，由疲勞駕駛引發的交通事故比例達15%～30%。為了降低駕駛疲勞引發的交通事故，很多方法被用來檢測駕駛員的疲勞狀態。腦電信號是大腦活動的直接外在反映，故而成為疲勞駕駛的重要檢測工具之一。

為了更好地實現駕駛疲勞檢測，研究者基于EEG信號運用了不同算法對疲勞狀態進行了分析，這些研究成果表明利用腦電信號可以很好地實現駕駛疲勞檢測，檢測的識別率均達到90%以上。但是從分析手段上看，這些成果是把腦電信號按照電極和采樣周期為劃分樣本準則，然后對樣本進行特征提取和分類。然而即便是最簡單的大腦活動也非單獨一個腦區獨立功能的結果，而是多個腦區交互信息共同完成的，駕駛過程也不例外。

為了使提取的駕駛疲勞特征更加符合疲勞產生的神經機理，應選擇可以反映腦區之間的信號同步和去同步性特征。功能性腦網絡（FBN）是指空間上相關或不相關的腦區在時間上的相關關系，這種關系可以反映出部分的腦活動之間的關聯性，因此利用功能性腦網絡對腦活動進行研究的案例在逐年增加，如對阿爾茨海默氏病、癲癇、帕金森氏病的研究。在疲勞研究中，Wascher等[1]發現疲勞時，顱后α和θ增強，前額α和θ同步性減弱。Wang等[2]和Kong等[3]運用功能性腦網絡分析疲勞狀態發現，基于FBN全局特征的指標參數（聚合系數、特征路徑長度、全局效率等）具有較好的穩定性，不會因受試者而發生較大變化。這些研究成果均證明利用功能性腦網絡特征可以很好地進行疲勞檢測研究。

駕駛疲勞是一個復雜的生理現象，在對這一復雜生理現象研究中，發現因人口特征、工作模式、年齡和受教育程度等的不同，各人在相同的駕駛環境下，疲勞狀態特征具有較大的差異性[4]。作為駕駛員最大的屬性差異—性別差異是否也存在特征差異性呢？是否性別差異會影響疲勞檢測結果？在駕駛環境下分析男女特征的差異性，不僅能夠為提高疲勞檢測的準確率提供理論依據，也可以為駕駛疲勞產生的神經機理提供一個研究途徑。

1 試驗模式

我們選擇22個受試者的駕駛環境中的常態腦電信號和疲倦狀態腦電信號為工具，利用Pearson相關系數的方法構造功能性腦網絡，以聚集系數作為特征分析男女性別對駕駛疲勞檢測準確率的影響。

在虛擬駕駛環境下，受試者正前方是一個三聯的顯示駕駛場景的顯示器，受試者坐在虛擬駕駛艙內，根據顯示的駕駛環境開車，每次開車時間限定在45 min，為了能夠快速誘發駕駛員的疲勞狀態，試驗場景選擇單調的高速路場景，在受試者做完試驗后，填寫試驗疲勞狀態調查問卷，根據調查問卷結果，確定受試者是否發生駕駛疲勞，若發生了駕駛疲勞，保存該受試者腦電信號樣本作為試驗數據，否則確定試驗失敗，不保存數據。

試驗使用Neuroscan公司的30導聯腦電信號獲取設備，用與采集設備配套的scan4.3作為腦電信號采集軟件和預處理軟件，以1000 Hz作為采樣頻率，1～1000 hz帶通濾波和50 Hz陷波。

受試者為江西科技學院在校學生（11男，11女，年齡均值方差），受試者身體健康，沒有精神疾病史，在腦電信號采集試驗之前保證了充足的睡眠（試驗前一天晚上至少保證8 h睡眠），試驗前沒有服用任何的精神刺激性藥物，也沒有飲用咖啡、茶等精神刺激性飲料，受試者做腦電信號采集試驗之前，已經在虛擬駕駛環境中用腦電采集場景進行過不少于3次的虛擬駕駛，試驗已經過江西科技學院學術委員會批準。

2 試驗方法

2.1 Pearson相關系數

Pearson系數Pij計 算方法為：

其中t是腦電信號樣本中的時間分量，N是一個采樣周期長度，N= 1000，xi和xj分別表示第i個電極和第j個電極的該樣本時間序列，對于每個樣本30個電極，最終得到30×30的對稱矩陣。

2.2 聚集系數

聚集系數是衡量功能性腦網絡的全局特征，主要反映兩個節點之間互為鄰居的可行性，功能性腦網絡聚集系數C的計算方法為：

其中：ki表示電極i的度，Ei表示i的鄰居節點之間存在實際連接邊數。

2.3 支持向量機（SVM）

SVM（Support Vector Machines）是分類算法中應用廣泛、效果不錯的一類算法。試驗的疲勞檢測識別和男女性別的檢測識別結果均采用線性核函數的SVM作為分類工具。選用Jackknife方法進行測試樣本和訓練樣本劃分。Jackknife是一種留一法的樣本測試劃分方法，即測試過程中每次只取出一個樣本作為測試樣本，其余全部作為訓練樣本，下次取樣時要將上一個樣本放回再做測試，如此直到全部樣本得到測試為止。該方法被認為是最合理的交叉驗證方法[5]。

原始腦電信號經過試驗定義方法計算后，得到功能性腦網絡，對功能性腦網絡進行特征提取，按照不同的特征計算方法，對每一個原始腦電信號樣本可以得到1×30的特征矩陣（30為電極數），以此作為SVM的輸入向量。

3 結果與分析

初始的腦網絡是一個全連通網絡，為了突出特征，必須對腦電信號進行稀疏化，試驗以閾值的方法實現腦電信號的稀疏化。結合現有的功能性腦網絡研究成果，以及試驗的腦電信號數據，研究發現當閾值從0～0.2時，出現無顯著性差異的受試者較多，當大于0.2后，無顯著性差異的樣本變得稀少，當閾值到達0.84以后，出現無顯著性差異的樣本又逐漸變多，基于上述發現，試驗選擇閾值為0.20～0.84。

圖1 男性和女性駕駛疲勞檢測結果對比

圖1顯示了在閾值0.20～0.84上的男性和女性駕駛疲勞的檢測結果對比。圖1表明，在選定的閾值空間上，男性的疲勞檢測結果要高于女性。在整個閾值空間上，選擇最優識別結果，可以看出男性最優識別率為98.1%，而女性為93.1%。再用現有的研究成果，對男性和女性分別進行駕駛疲勞檢測，然后取平均值，表1顯示了試驗研究成果和現有成果對比。表1結果顯示，試驗的疲勞檢測方法要優于現有的其他檢測方法。

4 結語

生活中常常有女司機較容易出現交通事故的說法，因此“女司機”也被戲稱為馬路殺手。是否男女性別真的在駕駛環境下存在差異呢？試驗以功能性腦網絡為工具，分析在駕駛過程中男性和女性駕駛功能性腦網絡的差異性。在閾值為0.20～0.84時女性最優識別率為93.1%，男性最優識別率98.6%，表明用Pearson相關系數構造的功能性腦網絡，聚集系數為特征可以很好地檢測出駕駛員的駕駛疲勞狀態，且男性和女性在駕駛過程中的識別率顯示出男性和女性之間是有明顯差異的。

表1 疲勞檢測對比