驾驶精神疲劳脑电近似熵研究

武警工程大学 徐龙顺

驾驶精神疲劳脑电近似熵研究

武警工程大学 徐龙顺

为研究驾驶员精神疲劳时的脑电信号变化，用近似熵作为特征量对其精神疲劳前后脑电信号进行了分析对比。结果显示，近似熵在驾驶员精神疲劳后脑电信号近似熵明显减小，选择支持向量机对疲劳前后脑电信号进行分类，平均正确率达到了93.96%；对不同区域的脑电信号分别进行分类测试，结果表明颞区脑电信号对驾驶精神疲劳较为敏感，说明近似熵可作为判别驾驶员是否精神疲劳的一个判别指标。

驾驶精神疲劳；近似熵；脑电；支持向量机

精神疲劳作为大脑在认知和行为控制过程中产生的心理生理现象，对驾驶过程中的安全有着极大的负面影响，研究驾驶疲劳检测技术，对于降低交通事故的频率有着极为重要的意义。

脑电信号呈现确定系统的混沌规律，具有良好的非线性特征，本文从非线性动力学的角度出发，计算对比驾驶员疲劳前后脑电信号的近似熵，分析了驾驶员精神疲劳前后脑电信号的变化，用支持向量机进行分类测试，准确率达93.96%，得出近似熵可以作为衡量驾驶员是否精神疲劳的一个指标。

1　实验数据与方法

1.1实验数据

论文中使用的数据在西安交通大学生物医学工程研究所的脑电实验室中采集，用Neuroscan32导脑电仪记录脑电数据，采集了30通道脑电信号，采样频率为500Hz，文中实验模拟的是公路枯燥的驾驶任务，模拟驾驶员精神疲劳时的状态。十名男性志愿者进行了大概90分钟的持续驾驶实验，受试者均表示在进行实验30分钟后感觉劳累并且疲劳程度逐渐加深，实验结束时感觉很累。采集受试者驾驶任务开始和结束时的脑电数据，各5分钟。

首先对原始EEG进行降噪及去趋势化处理，而后将信号采样频率降至250Hz，分别截取驾驶任务开始和结束时采集的前30s数据用作实验数据，文中所有数据运算均在matlab2014a中执行。

1.2数据处理方法

近似熵(Approximate Entropy，ApEn)由Pincus首次提出，是一种测量时间序列规则的方法，已经被用来分析生物信号[1]。近似熵是用一个非负数来表示时间序列的复杂性,时间序列越复杂，其对应的近似熵就越大，因此可以用它来反映时间序列中新信息的发生率，近似熵具体计算步骤见文献[1]。首先对脑电信号用滑动窗进行分段，窗口长为1250点，数据总长度为7500点，所以可分为251段，故每通道EEG可以得到251个ApEn样本值。用支持向量机对脑电近似熵进行分类，选取RBF核函数，惩罚因子C取1，g取支持向量维数的倒数，程序选用台湾大学林智仁教授开发的libsvm3.20版本程序包。

2　结果

首先对EEG进行预处理，去除眼电信号，用小波进行滤波处理，而后求ApEn并做归一化处理。为全面分析驾驶员疲劳后EEG的变化情况，EEG选取额区（Fp1和Fp2）、中央区(Fc3和Fc4）、颞区（T7和T8）、顶区（Cp3和Cp4）、枕区（O1和O2）共十通道脑电信号。对选取的10通道数据ApEn用SPSS19.0版本进行统计分析，显著性水平定义为0.05。分别对每通道脑电信号求10个受试者的均值和标准差，结果见图1，得出受试者疲劳前后ApEn值有较大幅度下降（t=49.753,p＜0.001）。

将选取的10通道脑电信号ApEn送入支持向量机中进行分类，得到平均分类准确率为93.96%。为找出受试者对于疲劳比较敏感的大脑区域，分别将额区、中央区、颞区、顶区、枕区五个区域的脑电信号ApEn送入SVM进行训练并测试，结果见表1，颞区较其它区域分类准确率较高，为92.16%。

图1　不同电极脑电信号ApEn疲劳前后变化

表1　大脑不同区域特征值分类准确率

3　分析和讨论

从ApEn计算结果可知，在模拟驾驶90分钟后，受试者的ApEn显著下降，这反映出受试者因为长时间驾驶感到精神疲劳后，对道路变化等刺激的注意和反应减弱，反映出大脑的注意力集中程度有较大幅度下降，大脑活动复杂性降低，具体反映为认知功能上的减弱，该差异能够有效区分驾驶员是否疲劳。因此，近似熵的引入为判别驾驶员疲劳与否提供了一个客观、量化的指标。

SVM分类结果显示，颞区的特征量分类准确率比其它区域高，达92.16%，这表明颞区相较于其它部位表现更为敏感。大脑不同区域对应不同的任务，额区与规划、推理、运动、情绪和问题的解决相关，顶区与运动、认知和感知的刺激有关，而颞区与听觉刺激感知和认知、记忆和语音识别有关[2]。驾驶任务导致颞区脑电信号变化最为明显，可能是驾驶任务与大脑颞区对应的功能关系最为密切，为进一步的研究提供了方向。

本文中的实验方法还有一些不足，ApEn的均值和标准差标准差相对较大，影响判决准确率，不同的受试者ApEn差异较大。首先，疲劳信号采集时间接近中午，部分受试者由于饥饿等原因导致思维较为活跃，进而参与实验的程度降低，致使ApEn值大于疲劳前，下一步信号采集时会予以改进；其次，由于每个人身体承受力不同，所以表现出了一定的个体差异。

[1]Pincus S.Approximate entropy(ApEn)as a complexity measure[J]. CHAOS,1995,5(1):110-117.

[2]Kar S,Bhagat M,Routray A.EEG signal analysis for the assessment and quantification of driver’s fatigue[J].Transportation Research Part F:Traffic Psychology and Behaviour,2010,13(5):297-306.