性别差异在功能性脑网络的驾驶疲劳检测中的影响

穆振东

江西科技学院协同创新中心，江西 南昌 330098

随着车辆的普及，交通事故发生率在逐年增加。在各种交通事故中，由疲劳驾驶引发的交通事故比例达15%～30%。为了降低驾驶疲劳引发的交通事故，很多方法被用来检测驾驶员的疲劳状态。脑电信号是大脑活动的直接外在反映，故而成为疲劳驾驶的重要检测工具之一。

为了更好地实现驾驶疲劳检测，研究者基于EEG信号运用了不同算法对疲劳状态进行了分析，这些研究成果表明利用脑电信号可以很好地实现驾驶疲劳检测，检测的识别率均达到90%以上。但是从分析手段上看，这些成果是把脑电信号按照电极和采样周期为划分样本准则，然后对样本进行特征提取和分类。然而即便是最简单的大脑活动也非单独一个脑区独立功能的结果，而是多个脑区交互信息共同完成的，驾驶过程也不例外。

为了使提取的驾驶疲劳特征更加符合疲劳产生的神经机理，应选择可以反映脑区之间的信号同步和去同步性特征。功能性脑网络（FBN）是指空间上相关或不相关的脑区在时间上的相关关系，这种关系可以反映出部分的脑活动之间的关联性，因此利用功能性脑网络对脑活动进行研究的案例在逐年增加，如对阿尔茨海默氏病、癫痫、帕金森氏病的研究。在疲劳研究中，Wascher等[1]发现疲劳时，颅后α和θ增强，前额α和θ同步性减弱。Wang等[2]和Kong等[3]运用功能性脑网络分析疲劳状态发现，基于FBN全局特征的指标参数（聚合系数、特征路径长度、全局效率等）具有较好的稳定性，不会因受试者而发生较大变化。这些研究成果均证明利用功能性脑网络特征可以很好地进行疲劳检测研究。

驾驶疲劳是一个复杂的生理现象，在对这一复杂生理现象研究中，发现因人口特征、工作模式、年龄和受教育程度等的不同，各人在相同的驾驶环境下，疲劳状态特征具有较大的差异性[4]。作为驾驶员最大的属性差异—性别差异是否也存在特征差异性呢？是否性别差异会影响疲劳检测结果？在驾驶环境下分析男女特征的差异性，不仅能够为提高疲劳检测的准确率提供理论依据，也可以为驾驶疲劳产生的神经机理提供一个研究途径。

1 试验模式

我们选择22个受试者的驾驶环境中的常态脑电信号和疲倦状态脑电信号为工具，利用Pearson相关系数的方法构造功能性脑网络，以聚集系数作为特征分析男女性别对驾驶疲劳检测准确率的影响。

在虚拟驾驶环境下，受试者正前方是一个三联的显示驾驶场景的显示器，受试者坐在虚拟驾驶舱内，根据显示的驾驶环境开车，每次开车时间限定在45 min，为了能够快速诱发驾驶员的疲劳状态，试验场景选择单调的高速路场景，在受试者做完试验后，填写试验疲劳状态调查问卷，根据调查问卷结果，确定受试者是否发生驾驶疲劳，若发生了驾驶疲劳，保存该受试者脑电信号样本作为试验数据，否则确定试验失败，不保存数据。

试验使用Neuroscan公司的30导联脑电信号获取设备，用与采集设备配套的scan4.3作为脑电信号采集软件和预处理软件，以1000 Hz作为采样频率，1～1000 hz带通滤波和50 Hz陷波。

受试者为江西科技学院在校学生（11男，11女，年龄均值方差），受试者身体健康，没有精神疾病史，在脑电信号采集试验之前保证了充足的睡眠（试验前一天晚上至少保证8 h睡眠），试验前没有服用任何的精神刺激性药物，也没有饮用咖啡、茶等精神刺激性饮料，受试者做脑电信号采集试验之前，已经在虚拟驾驶环境中用脑电采集场景进行过不少于3次的虚拟驾驶，试验已经过江西科技学院学术委员会批准。

2 试验方法

2.1 Pearson相关系数

Pearson系数Pij计 算方法为：

其中t是脑电信号样本中的时间分量，N是一个采样周期长度，N= 1000，xi和xj分别表示第i个电极和第j个电极的该样本时间序列，对于每个样本30个电极，最终得到30×30的对称矩阵。

2.2 聚集系数

聚集系数是衡量功能性脑网络的全局特征，主要反映两个节点之间互为邻居的可行性，功能性脑网络聚集系数C的计算方法为：

其中：ki表示电极i的度，Ei表示i的邻居节点之间存在实际连接边数。

2.3 支持向量机（SVM）

SVM（Support Vector Machines）是分类算法中应用广泛、效果不错的一类算法。试验的疲劳检测识别和男女性别的检测识别结果均采用线性核函数的SVM作为分类工具。选用Jackknife方法进行测试样本和训练样本划分。Jackknife是一种留一法的样本测试划分方法，即测试过程中每次只取出一个样本作为测试样本，其余全部作为训练样本，下次取样时要将上一个样本放回再做测试，如此直到全部样本得到测试为止。该方法被认为是最合理的交叉验证方法[5]。

原始脑电信号经过试验定义方法计算后，得到功能性脑网络，对功能性脑网络进行特征提取，按照不同的特征计算方法，对每一个原始脑电信号样本可以得到1×30的特征矩阵（30为电极数），以此作为SVM的输入向量。

3 结果与分析

初始的脑网络是一个全连通网络，为了突出特征，必须对脑电信号进行稀疏化，试验以阈值的方法实现脑电信号的稀疏化。结合现有的功能性脑网络研究成果，以及试验的脑电信号数据，研究发现当阈值从0～0.2时，出现无显著性差异的受试者较多，当大于0.2后，无显著性差异的样本变得稀少，当阈值到达0.84以后，出现无显著性差异的样本又逐渐变多，基于上述发现，试验选择阈值为0.20～0.84。

图1 男性和女性驾驶疲劳检测结果对比

图1显示了在阈值0.20～0.84上的男性和女性驾驶疲劳的检测结果对比。图1表明，在选定的阈值空间上，男性的疲劳检测结果要高于女性。在整个阈值空间上，选择最优识别结果，可以看出男性最优识别率为98.1%，而女性为93.1%。再用现有的研究成果，对男性和女性分别进行驾驶疲劳检测，然后取平均值，表1显示了试验研究成果和现有成果对比。表1结果显示，试验的疲劳检测方法要优于现有的其他检测方法。

4 结语

生活中常常有女司机较容易出现交通事故的说法，因此“女司机”也被戏称为马路杀手。是否男女性别真的在驾驶环境下存在差异呢？试验以功能性脑网络为工具，分析在驾驶过程中男性和女性驾驶功能性脑网络的差异性。在阈值为0.20～0.84时女性最优识别率为93.1%，男性最优识别率98.6%，表明用Pearson相关系数构造的功能性脑网络，聚集系数为特征可以很好地检测出驾驶员的驾驶疲劳状态，且男性和女性在驾驶过程中的识别率显示出男性和女性之间是有明显差异的。

表1 疲劳检测对比