基于共空间模式的脑电信号疲劳检测∗

刘 燕 郑 威 龙佳伟

（江苏科技大学电子信息学院 镇江 212000）

1 引言

长时间超负荷地作业会导致严重的疲劳现象：警惕性下降，注意力不集中，脑细胞损伤，甚至会危及生命安全。因此，有效地进行疲劳检测，并及时给出预警，对人们的生命健康安全具有重大意义。

目前，疲劳测量的方法主要有：心理测量问卷［1］，视频测量，生理测量。其中，心理测量易受个人潜在的不可靠/有偏见的主观反馈影响，视频测量有时会涉及隐私问题，而生理测量法是一种相对直接有效的测量方法，特别是脑电信号因能直接反映大脑皮层疲劳状况的变化，被频繁用于疲劳检测的研究中。

传统的信号分析方法有时域、频域和时频分析法。脑电信号具有随机、非平稳等特点，所以单一的时域或者频域分析存在很大的局限，大多脑电疲劳检测的研究采用时频分析法。

近年来，熵指标作为能够度量信号系统复杂性的一种参数，已在脑电信号分析中得到了广泛的应用［2～3］。Yang 等［4］提出了一种基于香农熵的多小波包变换网络。刘超［5］提出了一种经验模态分解下自适应多尺度熵的脑电特征提取算法。王海玉等［6］采用独立成分分析（Independent Component Correlation Algorithm，ICA）进行样本熵、信息熵、模糊熵和AR 系数的特征提取，获得了91.04%的疲劳识别准确率。闵建亮等［7］提取了前额脑电信号小波对数能量熵（Wavelet Logarithm Energy Entropy，WLE）特征，获得了91.8%疲劳识别率。胡剑锋等［8］提取驾驶人员的脑电模糊熵特征，获得了97.4%疲劳识别率。

虽然，以上方法都可较准确地识别疲劳状态，但时频分析、各种熵的结合算法过于复杂。考虑到共空间模式［9～10］（Common Spatial Pattern，CSP）已广泛应用于脑电信号的运动想象领域，适用于二分类任务的特征提取，而且此方法还未发现在疲劳检测上应用过。所以此文跳出前人常的研究领域，将CSP应用于疲劳检测。

此外，全头皮信号的采集不利于促进脑电疲劳检测的实用性，所以通过尽可能小的区域获得较高的脑电疲劳准确率，对脑电设备佩戴的舒适性和便捷性具有重要意义。比如Ogino等［11］提取前额通道脑电数据的功率谱密度、自回归系数和多尺度样本熵三种特征进行困倦检测研究，分类精度达到了72.7%。Mu等［12］利用FE特征分析前额脑电驾驶疲劳信号并取得了85.0%的识别率。

本文提出的疲劳检测方法，能够有效地将两类数据间的特征的差异最大化，可获得较高的疲劳检测率，探索出疲劳识别率较好的区域，对实现疲劳检测设备的舒适性和简单化具有重大意义。

2 算法原理

2.1 算法结构框图

脑电信号疲劳检测过程如图1 所示，因原始脑电信号存在噪声干扰，首先需要用0.5Hz～45Hz 的滤波器对原始脑电信号进行预处理，然后将滤波后的脑电信号进行CSP特征提取，最后将提取到的空间特征经由支持向量机（Support Vector Machine，SVM）［13］进行分类，从而区分出疲劳和清醒两种状态。

图1 信号处理流程图

2.2 共空间模式法（CSP）

CSP算法［14～15］采用监督的方法创建一个最优的公共空间滤波器，在最大化一类方差的同时最小化另一类方差，采用同时对角化两类任务协方差矩阵的方式，得到可区分程度最大的特征向量，适用于二分类任务的特征提取。

如图2 所示为CSP 算法的流程图，该算法过程主要分为六个步骤：

图2 CSP算法的流程图

步骤一：将脑电数据E（M×N）按疲劳和清醒进行分段，用E1和E2分别表示分段后的两类数据样本。

步骤二：计算分段后的数据的协方差矩阵，公式如下：

trace（E）表示求矩阵E 的迹。分别计算分段后样本的协方差矩阵，用C1和C2分别表示两类样本的空间协方差矩阵的期望。用Cc表示两类样本的期望之和，公式如下：

步骤三：正交白化变换，并且同时对角化。Cc是正定矩阵，公式如下：

Uc为特征向量矩阵，Λc表示特征值的对角阵。白化转换Uc可得到P值如下式：

将矩阵P作用于C1、C2，可得到公式：

S1、S2具有公共特征向量，而且存在两个对角矩阵Λ1、Λ2和特征向量矩阵B，满足下式条件：

其中I 为单位阵。观察可知S1和S2的特征值之和等于1。

步骤四：计算投影矩阵，对于特征向量矩阵Q，当一个类别S1有最大的特征值时，此时另一个类别S2有最小的特征值，因此可以利用矩阵Q 实现两类问题的分类，可以得到投影矩阵如下式所示：

步骤五：经过投影得到特征矩阵，将原脑电数据E（M×N）通过投影矩阵W 进行投影得到特征矩阵如下式：

可选择ZM×N的前m 行和后m 行（2m

步骤六：特征提取后，再将空间投影后的信号Zi（i=1，…，2m）取对数，归一化特征，如下式：

其中var 表示求向量的方差，yi为第i个样本归一化后的特征矩阵。

算法生成的CSP特征矩阵，特征信息主要集中在特征矩阵的头部和尾部，而中间的特征信息不明显可以忽略，所以一般选取前m行和后m行数据作为CSP特征提取的特征矩阵。

3 实验数据及处理

考虑到现实数据采集条件受限，本实验所需的脑电数据集，主要使用了闵等［16］（2017）公布的驾驶员标记训练脑电数据，已在网上公开。

3.1 实验介绍

此实验主要选择了12 名年龄在19 岁～24 岁之间的健康年轻人参加高速公路驾驶模拟测试。所有参与者均来自江西工业大学，身体强壮，睡眠时间正常，并被要求在实验过程中避免使用任何类型的药物和刺激物，例如酒精或咖啡等。

所有实验程序均在受控实验室环境中，使用静态驾驶模拟器（北京中宇股份有限公司生产的ZY-31D 汽车驾驶模拟器）执行，该模拟器由三台24 英寸显示器组成，宽屏显示。模拟路段选择交通密度低的高速公路，实验前受试者先熟悉5min驾驶环境，上午9 点，开始大约2h 的驾驶任务。在持续驾驶试验中，被试者头戴能采集脑电数据的电极帽，电极采集的所有通道数据均以A1 和A2 处的两个电连接的乳突为参考，其电极布局基于国际10-20 系统（包括30 个有效通道和2 个参考通道），实验采样频率为1000Hz。

3.2 数据集介绍

本实验的数据集包含12 名参与者的脑电图数据。每名参与者包含两个300s 的脑电图数据文件：一个是在参与者清醒状态下执行驾驶模拟任务时收集的300s 脑电图信号。另一个是当驾驶员表现出明显的疲劳症状，如闭眼时间延长、打哈欠和反应时间变慢时，在驾驶模拟任务结束时，记录的300s的脑电图数据。

3.3 数据预处理

先用Matlab读取数据集，如图3（a）和（c）所示，分别为F3 通道上感测到的未经滤波的清醒和疲劳状态原始脑电信号的片段。从波形图可知，未经预处理的脑电信号波动的幅值较大。对原始数据进行预处理：先以0.5Hz 的频率对脑电图信号进行高通滤波，以去除任何DC分量。接着，用低通滤波器衰减脑电信号的高频噪声。由于脑波活动的相关频带在1Hz～32Hz 的范围内，低通滤波器的通带是向上设计到45Hz。如图3（b）和（d）所示，分别为滤波后的清醒状态和疲劳状态脑电信号片段。滤波后的脑电信号幅值震动范围相对集中在正负50mV之间。实验中还采用FIR 滤波器［17］过滤掉50Hz 电源的干扰，该电源控制未过滤的信号［18］，过滤后的信号被分成任意长度的时间段，以从300s 长的脑电图记录中产生大量单独的信号段。因此，从每个患者的每个通道中获得一组600 个单个1s 信号段（300 个正常，300 个疲劳），并用“0”表示清醒，“1”表示疲劳。

图3 原始和滤波后脑电信号片段

4 实验结果与分析

为评估脑电疲劳检测的质量，本次实验，选择使用了准确度（Accuracy）指标进行评估。为减小过拟合，从有限的数据中获取尽可能多的有效信息，本实验分别采用了5折和10折交叉验证［19］。为简单快捷地对CSP空间特征进行二分类，本实验选择SVM分类。

4.1 CSP特征分析

将预处理后的脑电信号输入到CSP 中进行特征提取。由于CSP 特征点图仅可显示二维的特征点或者投影图，为了更直观观察特征点的分布情况，本处列举的是m=1，特征数为2的特征点图。

图4为全头皮区域的CSP二维特征点，图5中，（a）、（b）、（c）和（d）分别为额叶区、顶叶区、颞叶区和枕叶区CSP二维特征点图，其中红色代表疲劳状态的二维特征点，绿色代表清醒状态的二维特征点。对比特征点图，可以看出全头皮的特征比4 个分区的特征点更容易二分类。在4 分区中，两种状态的特征点各自也比较聚集，额叶区的特征点相对更容易区分一些。

图4 CSP全头皮二维特征点图

图5 CSP 4分区二维特征点图

4.2 CSP特征影响因子m值分析

因为CSP 的特征信息主要集中在特征矩阵的头部和尾部，而中间的特征信息不明显可以忽略，所以一般选取前m 行和后m 行数据作为CSP 特征提取的特征矩阵。由此看来，取得合适的m 值，可以获得较高的识别率。图6为CSP特征影响因子m值对疲劳检测结果准确率影响的实验结果对比图。实验中分别使用了10 折和5 折交叉验证对1～6之间的m值进行了探索。

图6 疲劳检测结果对比

经实验，发现由CSP 提取的特征，经过10 折交叉验证准确率为96.49%～98.31%，经过5 折交叉验证准确率为95.43%～98.54%。m 值对两种交叉验证的影响趋势大致相同，m 值在3～5 之间，两种交叉验证均可获得高于98.00%的准确率，在m=5 处，提取特征数为10个时，5折交叉验证可取得98.54%的准确率。

4.3 不同脑区分类结果分析

大脑皮层主要分为额叶（Frontal Lobe）、顶叶（Parietal Lobe）、颞叶（Temporal Lobe）和枕叶（Occipital Lobe）四个区域。各个区域电极分布情况如下：额叶主要包括FP1、FP2、F7 F3、FZ、F4、F8、FT7、FC3、FCZ、FC4、FT8 共12 个通道；顶叶主要包括TP7、CP3、CPZ、CP4、TP8、P3、PZ、P4 共8 个通道；颞叶主要包括FT7、T3、TP7、T5、T4、FT8、TP8、T6 共8个通道；枕叶主要包括O1、OZ、O2共3个通道。

由于枕叶处的电极数仅有3 个，m 取值受限，无法取到5，为了控制实验变量，因此所有区域的特征采集均选用m=3 的10 折交叉验证进行实验，图7为不同脑区疲劳检测结果对比图。

图7 不同脑区疲劳检测结果

由实验结果图可以看出，全头皮进行疲劳检测时，无疑可获得最高的疲劳识别率。四个分区中，额区识别率最好可达到92.54%，颞区的识别率仅次之为91.19%。顶区和枕区的疲劳识别率相对较低，分别为89.21%和88.41%。由此我们得出：在检测电极数受限或减少电极数达到设备佩戴舒适度的情况下，我们可以优选额区进行疲劳检测。

4.4 和现有研究比较

基于前学者［20］研究的基础，本文还对样本熵、模糊熵、功率普密度等特征进行了脑电疲劳检测分析，并采用SVM 的方法进行分类，分类准确率低于原文采用增强树进行分类的效果。如表1 所示，列举了前人的相关研究方法和结果。

表1 与现有研究比较

经对比，可发现，使用CSP特征提取的方法，可获得98.54%的疲劳识别率，较高于前学者使用功率谱密度、样本熵等方法疲劳识别率。

5 结语

通过此研究可获得以下结论：

1）CSP 适用于脑电的疲劳特征提取，而且可以获得较高的疲劳识别率。

2）合适的m取值，可以以较少的特征数获得较大的识别率。本实验仅凭借10 个特征量获得了98.54%的疲劳识别率。这可以有效地解决了多特征冗杂的问题，并且可以减少程序运行的内存。

3）额区的疲劳识别率相对高于其他三个区域的疲劳识别率。这一研究结果，为额区疲劳检测奠定了基础，为研制更加舒适的硬件佩戴设备提供了方法，促进可穿戴脑机接口［22～23］在疲劳驾驶预警中应用的可能性。