基于共空間模式的腦電信號疲勞檢測?

劉 燕 鄭 威 龍佳偉

（江蘇科技大學電子信息學院 鎮江 212000）

1 引言

長時間超負荷地作業會導致嚴重的疲勞現象：警惕性下降，注意力不集中，腦細胞損傷，甚至會危及生命安全。因此，有效地進行疲勞檢測，并及時給出預警，對人們的生命健康安全具有重大意義。

目前，疲勞測量的方法主要有：心理測量問卷［1］，視頻測量，生理測量。其中，心理測量易受個人潛在的不可靠/有偏見的主觀反饋影響，視頻測量有時會涉及隱私問題，而生理測量法是一種相對直接有效的測量方法，特別是腦電信號因能直接反映大腦皮層疲勞狀況的變化，被頻繁用于疲勞檢測的研究中。

傳統的信號分析方法有時域、頻域和時頻分析法。腦電信號具有隨機、非平穩等特點，所以單一的時域或者頻域分析存在很大的局限，大多腦電疲勞檢測的研究采用時頻分析法。

近年來，熵指標作為能夠度量信號系統復雜性的一種參數，已在腦電信號分析中得到了廣泛的應用［2～3］。Yang 等［4］提出了一種基于香農熵的多小波包變換網絡。劉超［5］提出了一種經驗模態分解下自適應多尺度熵的腦電特征提取算法。王海玉等［6］采用獨立成分分析（Independent Component Correlation Algorithm，ICA）進行樣本熵、信息熵、模糊熵和AR 系數的特征提取，獲得了91.04%的疲勞識別準確率。閔建亮等［7］提取了前額腦電信號小波對數能量熵（Wavelet Logarithm Energy Entropy，WLE）特征，獲得了91.8%疲勞識別率。胡劍鋒等［8］提取駕駛人員的腦電模糊熵特征，獲得了97.4%疲勞識別率。

雖然，以上方法都可較準確地識別疲勞狀態，但時頻分析、各種熵的結合算法過于復雜。考慮到共空間模式［9～10］（Common Spatial Pattern，CSP）已廣泛應用于腦電信號的運動想象領域，適用于二分類任務的特征提取，而且此方法還未發現在疲勞檢測上應用過。所以此文跳出前人常的研究領域，將CSP應用于疲勞檢測。

此外，全頭皮信號的采集不利于促進腦電疲勞檢測的實用性，所以通過盡可能小的區域獲得較高的腦電疲勞準確率，對腦電設備佩戴的舒適性和便捷性具有重要意義。比如Ogino等［11］提取前額通道腦電數據的功率譜密度、自回歸系數和多尺度樣本熵三種特征進行困倦檢測研究，分類精度達到了72.7%。Mu等［12］利用FE特征分析前額腦電駕駛疲勞信號并取得了85.0%的識別率。

本文提出的疲勞檢測方法，能夠有效地將兩類數據間的特征的差異最大化，可獲得較高的疲勞檢測率，探索出疲勞識別率較好的區域，對實現疲勞檢測設備的舒適性和簡單化具有重大意義。

2 算法原理

2.1 算法結構框圖

腦電信號疲勞檢測過程如圖1 所示，因原始腦電信號存在噪聲干擾，首先需要用0.5Hz～45Hz 的濾波器對原始腦電信號進行預處理，然后將濾波后的腦電信號進行CSP特征提取，最后將提取到的空間特征經由支持向量機（Support Vector Machine，SVM）［13］進行分類，從而區分出疲勞和清醒兩種狀態。

圖1 信號處理流程圖

2.2 共空間模式法（CSP）

CSP算法［14～15］采用監督的方法創建一個最優的公共空間濾波器，在最大化一類方差的同時最小化另一類方差，采用同時對角化兩類任務協方差矩陣的方式，得到可區分程度最大的特征向量，適用于二分類任務的特征提取。

如圖2 所示為CSP 算法的流程圖，該算法過程主要分為六個步驟：

圖2 CSP算法的流程圖

步驟一：將腦電數據E（M×N）按疲勞和清醒進行分段，用E1和E2分別表示分段后的兩類數據樣本。

步驟二：計算分段后的數據的協方差矩陣，公式如下：

trace（E）表示求矩陣E 的跡。分別計算分段后樣本的協方差矩陣，用C1和C2分別表示兩類樣本的空間協方差矩陣的期望。用Cc表示兩類樣本的期望之和，公式如下：

步驟三：正交白化變換，并且同時對角化。Cc是正定矩陣，公式如下：

Uc為特征向量矩陣，Λc表示特征值的對角陣。白化轉換Uc可得到P值如下式：

將矩陣P作用于C1、C2，可得到公式：

S1、S2具有公共特征向量，而且存在兩個對角矩陣Λ1、Λ2和特征向量矩陣B，滿足下式條件：

其中I 為單位陣。觀察可知S1和S2的特征值之和等于1。

步驟四：計算投影矩陣，對于特征向量矩陣Q，當一個類別S1有最大的特征值時，此時另一個類別S2有最小的特征值，因此可以利用矩陣Q 實現兩類問題的分類，可以得到投影矩陣如下式所示：

步驟五：經過投影得到特征矩陣，將原腦電數據E（M×N）通過投影矩陣W 進行投影得到特征矩陣如下式：

可選擇ZM×N的前m 行和后m 行（2m

步驟六：特征提取后，再將空間投影后的信號Zi（i=1，…，2m）取對數，歸一化特征，如下式：

其中var 表示求向量的方差，yi為第i個樣本歸一化后的特征矩陣。

算法生成的CSP特征矩陣，特征信息主要集中在特征矩陣的頭部和尾部，而中間的特征信息不明顯可以忽略，所以一般選取前m行和后m行數據作為CSP特征提取的特征矩陣。

3 實驗數據及處理

考慮到現實數據采集條件受限，本實驗所需的腦電數據集，主要使用了閔等［16］（2017）公布的駕駛員標記訓練腦電數據，已在網上公開。

3.1 實驗介紹

此實驗主要選擇了12 名年齡在19 歲～24 歲之間的健康年輕人參加高速公路駕駛模擬測試。所有參與者均來自江西工業大學，身體強壯，睡眠時間正常，并被要求在實驗過程中避免使用任何類型的藥物和刺激物，例如酒精或咖啡等。

所有實驗程序均在受控實驗室環境中，使用靜態駕駛模擬器（北京中宇股份有限公司生產的ZY-31D 汽車駕駛模擬器）執行，該模擬器由三臺24 英寸顯示器組成，寬屏顯示。模擬路段選擇交通密度低的高速公路，實驗前受試者先熟悉5min駕駛環境，上午9 點，開始大約2h 的駕駛任務。在持續駕駛試驗中，被試者頭戴能采集腦電數據的電極帽，電極采集的所有通道數據均以A1 和A2 處的兩個電連接的乳突為參考，其電極布局基于國際10-20 系統（包括30 個有效通道和2 個參考通道），實驗采樣頻率為1000Hz。

3.2 數據集介紹

本實驗的數據集包含12 名參與者的腦電圖數據。每名參與者包含兩個300s 的腦電圖數據文件：一個是在參與者清醒狀態下執行駕駛模擬任務時收集的300s 腦電圖信號。另一個是當駕駛員表現出明顯的疲勞癥狀，如閉眼時間延長、打哈欠和反應時間變慢時，在駕駛模擬任務結束時，記錄的300s的腦電圖數據。

3.3 數據預處理

先用Matlab讀取數據集，如圖3（a）和（c）所示，分別為F3 通道上感測到的未經濾波的清醒和疲勞狀態原始腦電信號的片段。從波形圖可知，未經預處理的腦電信號波動的幅值較大。對原始數據進行預處理：先以0.5Hz 的頻率對腦電圖信號進行高通濾波，以去除任何DC分量。接著，用低通濾波器衰減腦電信號的高頻噪聲。由于腦波活動的相關頻帶在1Hz～32Hz 的范圍內，低通濾波器的通帶是向上設計到45Hz。如圖3（b）和（d）所示，分別為濾波后的清醒狀態和疲勞狀態腦電信號片段。濾波后的腦電信號幅值震動范圍相對集中在正負50mV之間。實驗中還采用FIR 濾波器［17］過濾掉50Hz 電源的干擾，該電源控制未過濾的信號［18］，過濾后的信號被分成任意長度的時間段，以從300s 長的腦電圖記錄中產生大量單獨的信號段。因此，從每個患者的每個通道中獲得一組600 個單個1s 信號段（300 個正常，300 個疲勞），并用“0”表示清醒，“1”表示疲勞。

圖3 原始和濾波后腦電信號片段

4 實驗結果與分析

為評估腦電疲勞檢測的質量，本次實驗，選擇使用了準確度（Accuracy）指標進行評估。為減小過擬合，從有限的數據中獲取盡可能多的有效信息，本實驗分別采用了5折和10折交叉驗證［19］。為簡單快捷地對CSP空間特征進行二分類，本實驗選擇SVM分類。

4.1 CSP特征分析

將預處理后的腦電信號輸入到CSP 中進行特征提取。由于CSP 特征點圖僅可顯示二維的特征點或者投影圖，為了更直觀觀察特征點的分布情況，本處列舉的是m=1，特征數為2的特征點圖。

圖4為全頭皮區域的CSP二維特征點，圖5中，（a）、（b）、（c）和（d）分別為額葉區、頂葉區、顳葉區和枕葉區CSP二維特征點圖，其中紅色代表疲勞狀態的二維特征點，綠色代表清醒狀態的二維特征點。對比特征點圖，可以看出全頭皮的特征比4 個分區的特征點更容易二分類。在4 分區中，兩種狀態的特征點各自也比較聚集，額葉區的特征點相對更容易區分一些。

圖4 CSP全頭皮二維特征點圖

圖5 CSP 4分區二維特征點圖

4.2 CSP特征影響因子m值分析

因為CSP 的特征信息主要集中在特征矩陣的頭部和尾部，而中間的特征信息不明顯可以忽略，所以一般選取前m 行和后m 行數據作為CSP 特征提取的特征矩陣。由此看來，取得合適的m 值，可以獲得較高的識別率。圖6為CSP特征影響因子m值對疲勞檢測結果準確率影響的實驗結果對比圖。實驗中分別使用了10 折和5 折交叉驗證對1～6之間的m值進行了探索。

圖6 疲勞檢測結果對比

經實驗，發現由CSP 提取的特征，經過10 折交叉驗證準確率為96.49%～98.31%，經過5 折交叉驗證準確率為95.43%～98.54%。m 值對兩種交叉驗證的影響趨勢大致相同，m 值在3～5 之間，兩種交叉驗證均可獲得高于98.00%的準確率，在m=5 處，提取特征數為10個時，5折交叉驗證可取得98.54%的準確率。

4.3 不同腦區分類結果分析

大腦皮層主要分為額葉（Frontal Lobe）、頂葉（Parietal Lobe）、顳葉（Temporal Lobe）和枕葉（Occipital Lobe）四個區域。各個區域電極分布情況如下：額葉主要包括FP1、FP2、F7 F3、FZ、F4、F8、FT7、FC3、FCZ、FC4、FT8 共12 個通道；頂葉主要包括TP7、CP3、CPZ、CP4、TP8、P3、PZ、P4 共8 個通道；顳葉主要包括FT7、T3、TP7、T5、T4、FT8、TP8、T6 共8個通道；枕葉主要包括O1、OZ、O2共3個通道。

由于枕葉處的電極數僅有3 個，m 取值受限，無法取到5，為了控制實驗變量，因此所有區域的特征采集均選用m=3 的10 折交叉驗證進行實驗，圖7為不同腦區疲勞檢測結果對比圖。

圖7 不同腦區疲勞檢測結果

由實驗結果圖可以看出，全頭皮進行疲勞檢測時，無疑可獲得最高的疲勞識別率。四個分區中，額區識別率最好可達到92.54%，顳區的識別率僅次之為91.19%。頂區和枕區的疲勞識別率相對較低，分別為89.21%和88.41%。由此我們得出：在檢測電極數受限或減少電極數達到設備佩戴舒適度的情況下，我們可以優選額區進行疲勞檢測。

4.4 和現有研究比較

基于前學者［20］研究的基礎，本文還對樣本熵、模糊熵、功率普密度等特征進行了腦電疲勞檢測分析，并采用SVM 的方法進行分類，分類準確率低于原文采用增強樹進行分類的效果。如表1 所示，列舉了前人的相關研究方法和結果。

表1 與現有研究比較

經對比，可發現，使用CSP特征提取的方法，可獲得98.54%的疲勞識別率，較高于前學者使用功率譜密度、樣本熵等方法疲勞識別率。

5 結語

通過此研究可獲得以下結論：

1）CSP 適用于腦電的疲勞特征提取，而且可以獲得較高的疲勞識別率。

2）合適的m取值，可以以較少的特征數獲得較大的識別率。本實驗僅憑借10 個特征量獲得了98.54%的疲勞識別率。這可以有效地解決了多特征冗雜的問題，并且可以減少程序運行的內存。

3）額區的疲勞識別率相對高于其他三個區域的疲勞識別率。這一研究結果，為額區疲勞檢測奠定了基礎，為研制更加舒適的硬件佩戴設備提供了方法，促進可穿戴腦機接口［22～23］在疲勞駕駛預警中應用的可能性。