?PaperWeekly 原創(chuàng) ·?作者｜張瑋瑋

學(xué)校｜東北大學(xué)碩士生

研究方向｜腦電情緒識(shí)別

論文標(biāo)題：Driving Fatigue Recognition with Functional Connectivity Based on Phase Synchronization

論文鏈接：https://ieeexplore.ieee.org/document/9064703/

引言

1.1 論文動(dòng)機(jī)

目前，新興的神經(jīng)影像學(xué)技術(shù)已經(jīng)表明，人類大腦可以表示為一個(gè)跨多個(gè)大腦區(qū)域的互聯(lián)半規(guī)則網(wǎng)絡(luò)，其功能依賴于腦區(qū)域動(dòng)態(tài)交互。并且，越來(lái)越多的證據(jù)表明，在汽車駕駛過(guò)程中，大腦網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)隨著疲勞程度的增加而改變。

然而，功能連接的識(shí)別能力在多大程度上有助于駕駛疲勞檢測(cè)還不清楚，對(duì)駕駛疲勞檢測(cè)的研究還沒(méi)有從圖的理論性質(zhì)和關(guān)鍵連接兩個(gè)方面來(lái)研究其多頻帶特征。

1.2 論文工作

本文研究創(chuàng)造性地分析了這兩種特性（網(wǎng)絡(luò)特性和關(guān)鍵連接 ）在多頻段的作用機(jī)理。在疲勞駕駛模擬駕駛實(shí)驗(yàn)中，20名健康受試者的腦電圖數(shù)據(jù)被記錄了兩次。

利用相位滯后指數(shù)建立多頻帶功能連接矩陣，作為圖論分析的輸入，確定警惕狀態(tài)和疲勞狀態(tài)之間的關(guān)鍵連接，并且分別對(duì)連接特征及其圖論特征進(jìn)行了分類。

腦電實(shí)驗(yàn)采集與預(yù)處理

2.1 數(shù)據(jù)采集

本研究的受試者為新加坡國(guó)立大學(xué)招募的 20 名健康學(xué)生。模擬駕駛環(huán)境主要包括模擬駕駛系統(tǒng)和無(wú)線式腦電圖采集系統(tǒng)兩部分，如圖 1(a) 所示。在無(wú)聲駕駛的情況下，每個(gè)實(shí)驗(yàn)持續(xù)時(shí)間為一個(gè)半小時(shí)。

交通狀況包括一個(gè)雙向車道在農(nóng)村和最低車輛密度，使參與者感到無(wú)聊和較少的挑戰(zhàn)。如圖 1(b) 所示，腦電帽上有 24 個(gè)干電極，參照左右乳突的平均值。所有電極均按國(guó)際 10-20 系統(tǒng)標(biāo)準(zhǔn)放置，腦電圖采集時(shí)阻抗保持在 20k 以下。

▲ 圖1. 模擬駕駛實(shí)驗(yàn)場(chǎng)景設(shè)置

2.2 腦電信號(hào)預(yù)處理

記錄的原始腦電信號(hào)經(jīng)頻帶通（1-40hz）濾波后，設(shè)置參考電極進(jìn)行基線校準(zhǔn)。由于眼睛眨眼或肌肉活動(dòng)造成的假象的污染，腦電圖信號(hào)的信噪比（SNR）很低。

為了改進(jìn)這一現(xiàn)象，使用獨(dú)立組件分析（ICA）來(lái)刪除表示工件的組件。去除偽跡后的腦電信號(hào)采用離散小波變換（DWT）被分解成 θ, α, β 頻段, 根據(jù)行為表現(xiàn)的研究，將前 5 分鐘和后 5 分鐘分別定義為警戒和疲勞狀態(tài)。

功能連接特征提取

3.1 構(gòu)建功能連接網(wǎng)絡(luò)

本文采用相位同步法（PS）計(jì)算各頻帶間的統(tǒng)計(jì)耦合，構(gòu)造各頻帶間的功能連接。根據(jù)腦電圖數(shù)據(jù)的特點(diǎn)，即使它們的振幅是獨(dú)立的，兩個(gè)時(shí)間序列之間仍然存在的相位同步關(guān)系。研究利用相位滯后指數(shù)（PLI）來(lái)估計(jì)成對(duì)耦合的程度，以作進(jìn)一步的研究。

利用希爾伯特變換計(jì)算瞬時(shí)相位 ，其中：

PLI 值定義為 [0,1]，0 表示沒(méi)有相位同步的情況，1 表示兩個(gè)時(shí)間序列之間的完美相位鎖定。

3.2 特征提取

在建立了功能性連接網(wǎng)絡(luò)后，N?N 鄰接矩陣（在本研究中 N = 24）被計(jì)算出來(lái)。由于功能連接網(wǎng)絡(luò)包含復(fù)雜的信息和大量無(wú)用的組合，利用這些網(wǎng)絡(luò)的稀疏度在 10% - 20% 之間，步長(zhǎng)為 1%，即當(dāng)前連接數(shù)與保留為真實(shí)功能連接的比值。

為了定量研究不同心理狀態(tài)（警惕和疲勞）之間的功能連接拓?fù)涮匦?#xff0c;作者使用腦連接工具箱實(shí)現(xiàn)了圖理論分析?；卩徑泳仃?#xff0c;計(jì)算了聚類系數(shù)（）,局部效率（）,全局效率（）,特征路徑長(zhǎng)度（）。

實(shí)驗(yàn)分類

4.1 疲勞狀態(tài)的關(guān)鍵連接

通過(guò)特征選擇策略 SFFS 提取出與被試無(wú)關(guān)的關(guān)鍵連接。該組平均臨界連接如圖 3 所示。估計(jì)了連接從警戒狀態(tài)到疲勞狀態(tài)的變化。增加連接強(qiáng)度和減少連接強(qiáng)度的前 10% 分別被保留。

電極遵循國(guó)際 10-20 系統(tǒng)的配置。通過(guò)檢查,前 10% 的增加連接相關(guān)的額葉區(qū)域：連接相關(guān)的與這些地區(qū)占連接總數(shù)的? θ:89.29%；α:78.57%；β:85.71%。額葉區(qū)在所有頻帶均表現(xiàn)出明顯的駕駛疲勞破壞。當(dāng)駕駛疲勞發(fā)生時(shí)，前腦區(qū)淋巴結(jié)的活動(dòng)增強(qiáng)。

4.2 疲勞狀態(tài)分類

本文分別基于圖的理論特性和關(guān)鍵連接進(jìn)行了疲勞檢測(cè)。如圖 4 所示，支持向量機(jī)分類器在兩種特征類型中表現(xiàn)都最好。關(guān)鍵連接在駕駛疲勞檢測(cè)中更具識(shí)別性。

三個(gè)頻帶的精度有顯著性差異（F2,117 = 8.956, p <0.001）,這表明 β 頻段是最適合駕駛疲勞檢測(cè)。此外，基于圖論屬性的分類策略標(biāo)準(zhǔn)差越高，說(shuō)明疲勞狀態(tài)下腦功能網(wǎng)絡(luò)重組的主體間差異越大。

結(jié)論

本文研究探討了基于警醒與疲勞狀態(tài)之間的功能連接重組的駕駛疲勞檢測(cè)方法。從功能連接網(wǎng)絡(luò)中提取出圖的理論性質(zhì)和關(guān)鍵連接。關(guān)鍵連接被認(rèn)為是疲勞檢測(cè)的主要特征。

作者進(jìn)一步分析了臨界連接的空間分布，表明在疲勞駕駛發(fā)生時(shí)，前額極區(qū)和前額區(qū)更加活躍。其中，功能連接的增減表現(xiàn)為顯著的全局集成和局部分離，而駕駛疲勞則表現(xiàn)為顯著的局部分離。

研究結(jié)果表明，關(guān)鍵連接是一種可行的駕駛疲勞檢測(cè)神經(jīng)標(biāo)志，并為高效的駕駛疲勞檢測(cè)提供了一種新的方法。

更多閱讀

#投 稿?通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識(shí)的人。

總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來(lái)。

?????來(lái)稿標(biāo)準(zhǔn)：

? 稿件確系個(gè)人原創(chuàng)作品，來(lái)稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?

? 如果文章并非首發(fā)，請(qǐng)?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請(qǐng)單獨(dú)在附件中發(fā)送?

? 請(qǐng)留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們?cè)诰庉嫲l(fā)布時(shí)和作者溝通

????

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁(yè)搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的论文解读 | 利用脑功能连接实现疲劳驾驶检测的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。