基于脑电“微状态”的驾驶员脑负荷研究

周凌霄，丁一琦，戴渊明，王奕直，孔万增

(1.杭州电子科技大学计算机学院，浙江 杭州310018;2.台州广播电视大学 浙江 台州318000)

0 引 言

随着我国道路交通运输事业取得了飞速发展，汽车保有量不断攀升，然而恶性道路交通事故也呈同步上升趋势。因疲劳驾驶引起的交通事故逐年增多[1]。驾驶疲劳会降低驾驶员的反应能力，是产生重大交通事故的主要原因之一[2]。因此，开发一套能有效预报系统疲劳驾驶的系统，对于事故预防具有重要意义。目前，疲劳检测技术主要是检测驾驶员的脑电、心电、眼动和面部表情等特征[3]。脑电信号能直接反映驾驶员大脑活动，因此被认为是最可靠有效的指标之一。本文在微状态技术[4-7]的基础上提出了一种方法来分析驾驶过程中工作负荷的变化规律。实验结果表明，左前额高电势微状态的出现频率，能有效地区分放松和警觉状态。

1 实验与方法

1.1 实验平台

实验使用两台独立的计算机来模拟实验环境。其中一台用于模拟驾驶环境，另一台用于警觉任务(Task of Alert and Vigilance，TAV)和脑电信号采集。模拟的驾驶环境，采用软件“Need For Speed-Shift 2 Unleashed(NFS-S2U)”，并且使用投影仪和一款罗技的模拟驾驶设备来模拟驾驶环境，使得模拟场景尽可能接近真实场景。TAV 任务分为图像刺激(Task of Alert)和声音刺激(Task of Vigilance)两部分。图像刺激是在被试者前方70 cm 处的显示器中心点上，以一定的时间间隔出现“X”符号。声音刺激是通过放在受试者左右的扬声器播放交替出现的两种刺激声音。被试者通过按方向盘左右两边的两个按钮来回应这两种刺激。“按钮1”放置在左侧，用于回应声音刺激;“按钮2”放置在右侧，用于回应图像刺激。当刺激声音连续出现2次时，被试者需要立刻按下“按钮1”。当“X”符号出现时，被试者需要按下“按钮2”。实验设备如图1所示。

图1 模拟驾驶实验环境

1.2 实验协议

实验的目的是为了采集有效的疲劳驾驶各个环节不同工作负荷的脑电信号。疲劳驾驶实验分为训练部分和试验部分两部分。训练部分要求被试者熟练模拟驾驶环境。根据被试者的表现，可能会持续一至两天。当被试者熟悉模拟驾驶环境后，第二天进行试验部分。被试者在模拟场景要求完成8个环节的驾驶任务，每个环节都需要驾车在赛道上跑完两圈。

第1个环节(TASK_1-WUP)，要求被试者按照训练部分时的表现正常驾驶。第2个环节(TASK_2-PERFO)，要求被试者在TASK_1的基础上将速度提高大约2%。第3 7个环节(TASK_3 7-TAV)，要求被试者在驾驶过程中同时进行TAV 任务。在这5个环节中，图像刺激和声音刺激的频率各不相同。被试者在驾车的同时，要同时进行TAV 任务，大脑将处于高度警觉状态。目的是为了增加被试者驾驶时的工作负荷。第8个环节(TASK_8-DROW)，要求被试者将车速放慢，最高时速被限定为60 km/h。这个环节无需被试者完成警觉任务，漫长而单调的行车过程会使得被试者很快放松警觉，再加上前几环节的高强度工作任务，诱导被试者在此环节进入疲劳期。

在实验部分的8个环节，被试者的脑电信号都会被16通道的G.Tec 设备采集并保存起来。此外，在驾驶之前(OA 环节)，实验还会采集每个被试者2 min 放松状态的脑电数据。

2 微状态模型

微状态是将多通道脑电活动在一时间区间内被视作为一连串非重叠的状态[8]。对每一个时间段的多通道信号根据其电压幅值绘制出脑电电位的脑地形空间分布图，形成微状态图。对于每个时间点t的脑电活动，对应属于某类微状态Tk。因此，一个时间片段内的头皮脑电活动可以由一组规范化的向量T表示。

假设Vt是t时刻(t =1，2，…，)个通道的头皮脑电测量数据，因此Vt是一个Ns×1 维的向量。令Tk是归一化的Ns×1 维向量，表示第k个微状态。且有akt表示t时刻微状态Tk的系数。基于平均参考的多通道脑电的微状态模型就可以表示为:

其中Nu是微状态的个数。模型的基于时域上头皮电势的采样序列是Vt，但脑电信号往往在不同频段的表现是不一样的。因此，不同频段下微状态的变换也是不同的。在式(1)中，使用FIR 滤波器将采用序列Vt滤波至alpha、beta和theta 频段，再将滤波后的Vft 作为估计微状态的数据(f=Alpha，Beta，Theta，Delta)。

同时，为了使得微状态在t时刻是非重叠的，令akt有且仅有一个为1，其余均为0。那么，式(1)在任何时刻t 都存在一个非0的形式来对应该时刻的微状态。也就是说，akt满足约束:

在这个模型中，需要估计的值是akt，Tk和Nu。文献[8]给出了一个估计的算法。对于一个给定的Nu，其模型参数可以通过求下列函数的极小化来估算:

通过求解矩阵S的最大特征值的特征向量，来求解归一化的微状态Tk。与测量值Vt相对应的微状态Tk，是使得为最小时的取值。满足:

那么，通过估计下列等式，就可以获得新的微状态序列L。

迭代这个过程，直到σ2u小到可以忽略不计为止(通常σ2u＜10-6)。

3 实验结果与评价指标分析

本文对12个被试者进行了实验，并采集了被试者实验过程的脑电信号，采样频率256 Hz，其中有8份数据为有效数据。将采集的脑电数据在变换至频域上进行微状态分析。当微状态分类数目Nu=2时，微状态会呈现对称性。其OA 环节的脑电数据，Theta 频段的微状态脑地形图如图2所示。图2(a)(d)分别为第15 s、22 s、27 s、40 s的微状态分类。

图2 Theta 频段上OA 环节的微状态分类

图2中，每一个trail的微状态分类都仅分为两类。这两类在脑地形图中呈现对称性，即一类在头皮某处电势较高，另一类相同位置电势必定较低。在不同时间的微状态分类中，部分脑地形图呈现相似的分布，如图2(a)、(b)的(c)。同时也存在某些时刻的脑地形图明显区别于其他时刻的，如图(d)。

研究表明，Alpha、Theta和Delta 上的脑地形图在疲劳驾驶前后有显著差异，且Theta 频段上疲劳驾驶后大脑左前额电势升高(图2(b)左图)[9]。因此，选取该状态作为基准，统计被试者在不同环节下该状态出现的频率。同时，为了去除不同被试者本身的差异，本文以各环节的频率与OA 环节下的频率的比值Rtask作为指标。Rtask的公式如下:

式中，ftask(task=WUP，PERFO，TAV3，TAV1，TAV5，TAV2，TAV4，DROW)是各个环节基准状态出现评率。8个被试者在WUP DROW 各阶段的均值和标准差，如图3所示。

图3 所有被试在8个环节中指标R 均值和标准差

从图3中的变化趋势可以看出，Rtask与被试者的工作负荷是密切相关的。在WUP，PERFO和DROW 环节，被试者任务简单Rtask较高，而TAV 环节，被试者精神高度警觉、脑负荷大，Rtask则较低。

使用方差分析Rtask，在整个驾驶环节Rtask都相对OA 阶段显著下降(p ＜0.001)。同时，TAV 环节相对WUP、PERFO和DROW 环节，其Rtask显著偏低(p ＜0.05)。实验结果表明，随着驾驶过程的进行，被试者大脑负荷增加时Rtask下降。即大脑警觉时Rtask的值较低，而大脑放松时Rtask的值较高。

4 结束语

本文研究了基于脑电信号微状态的驾驶员大脑工作负荷。通过模拟驾驶实验得到初步结论:驾驶员的Rtask随脑负荷增加而降低，通过Rtask能够很好地区分驾驶中的放松和警觉两个状态。同时，Rtask指标可用于实时检测。但由于Rtask仅能区分放松—警觉状态，不能直接区分清醒—疲劳状态。因此，该指标要用于疲劳驾驶检测，还需要与其他脑电信号的特征相结合使用，或者对微状态进一步研究，才能准确地判断驾驶者是否疲劳。

[1]尹倩.我国交通事故每年夺命10万[EB/OL].http://auto.163.com/04/0701/15/0Q7CLHSV000816BU.html，2004-07-01.

[2]李昌吉.汽车驾驶员的人为因素与交通安全[J].疾病控制杂志，2000，30(1):41 252.

[3]王磊，吴晓娟，俞梦孙.驾驶疲劳/瞌睡检测方法的研究进展[J].生物医学工程学杂志.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，Faber 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.