一種用小波包變換提取眼電信號警覺度特征的方法

高春芳 呂寶糧 馬家昕

1(皖南醫(yī)學(xué)院醫(yī)學(xué)二系麻醉與影像設(shè)備學(xué)教研室，蕪湖 241002)

2(上海交通大學(xué)計(jì)算機(jī)科學(xué)與工程系仿腦計(jì)算與機(jī)器智能研究中心，上海 200240)

3(上海交通大學(xué)智能計(jì)算與智能系統(tǒng)教育部-微軟重點(diǎn)實(shí)驗(yàn)室，上海 200240)

4(上海交通大學(xué)上海市可擴(kuò)展計(jì)算與系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，上海 200240)

5(京都大學(xué)工學(xué)研究科機(jī)械工程與科學(xué)系，京都府 6293558，日本)

引言

警覺度(vigilance)是指人集中注意力執(zhí)行某項(xiàng)操作任務(wù)時(shí)所表現(xiàn)出的靈敏程度。為了保證系統(tǒng)或車輛的運(yùn)行安全，對某些工作崗位的操作人員，如高鐵司機(jī)、危險(xiǎn)品運(yùn)輸司機(jī)和長途客車司機(jī)等，需要進(jìn)行實(shí)時(shí)的警覺度估計(jì)和預(yù)測。因此，警覺度估計(jì)和預(yù)測是人機(jī)交互和主動安全技術(shù)領(lǐng)域的一項(xiàng)重要研究課題。已有的警覺度估計(jì)和預(yù)測方法可分為兩類：一類是基于人的行為特征，如面部表情、眼睛閉合程度等;另一類是基于人的生理信號，如腦電(electroencephalogram，EEG)、眼電(electrooculogram，EOG)和皮膚阻抗等。前者是通過數(shù)字圖像處理技術(shù)提取特征來估計(jì)警覺度[1]，其優(yōu)點(diǎn)是獲取數(shù)據(jù)時(shí)不需要接觸人體并且數(shù)字圖像處理技術(shù)比較成熟，如用攝像頭測定眼睛閉合時(shí)間占眨眼總時(shí)間百分比的 PERCLOS方法[2]。但是，此類方法的缺點(diǎn)是容易受到光線變化、佩戴眼鏡和墨鏡的影響以及疲勞度量的時(shí)間窗口太長等問題。后者是通過生理信號特征來估計(jì)人的警覺度狀態(tài)[3-5]，其優(yōu)點(diǎn)是準(zhǔn)確率高且無法偽裝等。其中，基于EEG的檢測方法被認(rèn)為是疲勞檢測的“金標(biāo)準(zhǔn)”。但是，生理信號的采集需要接觸人體。

EOG記錄的是視網(wǎng)膜與角膜之間的電位差，以及眼球運(yùn)動時(shí)眼動肌所產(chǎn)生的電位。EOG信號的采集是通過將兩對電極分別放置在左右眼的外側(cè)和一只眼瞼的上下側(cè)位置實(shí)現(xiàn)的。相比于EEG信號的采集，EOG所需電極數(shù)少、電極安放簡單且放置處無毛發(fā)干擾。在信號強(qiáng)度方面，EEG是微伏級，而EOG是毫伏級。與 EEG相比，EOG信噪比高，對信號放大器要求低。

EOG與EEG都是睡眠研究中用來檢測睡眠階段的標(biāo)準(zhǔn)信號，而警覺度與睡意有緊密聯(lián)系，因此EOG被認(rèn)為是一種能夠直接反映警覺度狀態(tài)變化的生理信號。Wright等開展了飛行員警覺度的研究，他們的研究結(jié)果表明，EOG和EEG能夠比較精確地反映警覺度的變化[6]。Hanke等分析了 EOG信號的幅值、幅值的一階導(dǎo)數(shù)、傅里葉變換后的低高頻比等3種特征，他們的實(shí)驗(yàn)結(jié)果顯示，低高頻比最能反映警覺度狀態(tài)[7]。Magosso等用小波變換檢測EOG信號中的慢速眼動并分析慢速眼動在睡眠分類上的作用[8]。Khushaba等人基于小波包變換的模糊集理論，對人體的EEG、EOG、ECG等信號進(jìn)行特征提取，用來對駕駛員的疲勞狀態(tài)進(jìn)行分類[9]。蔡浩宇等提出了前額EOG信號采集方法，避免了傳統(tǒng)方法在眼睛周圍放置電極，影響視野的問題[10]。這種前額 EOG采集方式較傳統(tǒng) EOG采集方式更為便利，適合于基于眼電信號警覺度估計(jì)與預(yù)測的實(shí)際應(yīng)用和高鐵司機(jī)等用戶的佩戴。

基于EOG的警覺度估計(jì)與預(yù)測研究的一個(gè)基本問題是如何找出與警覺度最為關(guān)聯(lián)的特征。馬家昕等分析了慢速眼動、快速眼動以及眨眼等11種警覺度特征，其中相關(guān)度最大的是慢速眼動傅里葉變換能量比(SEMe)特征，35組實(shí)驗(yàn)結(jié)果的平均相關(guān)度是0.703[11-12]。本研究在馬家昕等的研究基礎(chǔ)上，應(yīng)用具有時(shí)-頻細(xì)節(jié)分析優(yōu)勢的小波包變換方法，提取EOG信號的低高頻能量比特征，以期找出眼電信號中更為有效的警覺度特征。

1 特征提取方法

1.1 小波包變換理論

小波變換(wavelet transform)是將信號分解成低頻近似部分和高頻細(xì)節(jié)部分，在后續(xù)只對低頻部分做分解，而不對高頻部分進(jìn)行分解，從而導(dǎo)致高頻部分頻率局部性不好。小波包變換(wavelet packet transform)方法借助于小波分解濾波器，在各個(gè)尺度上對低、高頻子帶均進(jìn)行二次分解，如圖1所示。小波包變換的優(yōu)點(diǎn)是提高了信號高頻部分的頻率局部性，對信號的分析能力更強(qiáng)[13]。

圖1 小波變換與小波包變換比較。(a)小波分解樹;(b)小波包分解樹Fig.1 Comparison of wavelet transform with wavelet packet transform.(a)Wavelet tree;(b)Wavelet packet tree

在尺度j下，每個(gè)節(jié)點(diǎn)對應(yīng)的能量定義為

小波包重構(gòu)是指，第j層上的第i個(gè)小波包是第j+1層上的第2 i和第2 i+1個(gè)小波包隔點(diǎn)插零后分別與小波重構(gòu)濾波器h、g卷積之和，如式(4)所示。

小波包變換對各層的高頻部分繼續(xù)利用分解濾波器H和G進(jìn)行再分解，其后續(xù)的子帶頻帶是交錯(cuò)的。以原始信號采樣頻率為128 Hz為例，對其進(jìn)行3層小波包分解。第一層(1，0)節(jié)點(diǎn)頻帶為0～32 Hz，(1，1)節(jié)點(diǎn)頻帶為32 ～64 Hz。對高頻帶(1，1)節(jié)點(diǎn)進(jìn)行下一層分解，頻帶會出現(xiàn)交錯(cuò)，即(2，2)節(jié)點(diǎn)頻帶為48～64 Hz，(2，3)節(jié)點(diǎn)頻帶為32～48 Hz。所有高頻子帶的再次分解，都會出現(xiàn)此類頻帶交錯(cuò)，在重構(gòu)不同頻帶信號時(shí)，要注意頻帶的交錯(cuò)。

小波(包)變換中涉及到小波基的選擇，對于EOG分析，有學(xué)者用過 daubechies小波(dbN)和symmlets小波(symN)[8-9]。本研究采用了 db4、sym4和bior2.4等3種小波基，但后續(xù)的實(shí)驗(yàn)結(jié)果表明，這3種不同的小波基對警覺度估計(jì)基本沒有影響。

1.2 能量比計(jì)算

所提出的能量比特征定義為：EOG信號低頻段與高頻段能量的比值。比值的特點(diǎn)是消除了個(gè)體總能量的差異，體現(xiàn)了個(gè)體EOG中不同頻段能量的比例關(guān)系。已有的研究表明，在微睡狀態(tài)下，慢速眼動成分會相對增多[8]，而微睡預(yù)示著警覺度下降。慢速眼動的頻率范圍是0.2～0.6 Hz，而眼電信號的頻帶范圍是0～30 Hz。基于這些特點(diǎn)，考察了16種不同的低、高頻段能量比，以期找出與警覺度相關(guān)的能量比最優(yōu)分段。這16種能量比分段及其對應(yīng)的小波包節(jié)點(diǎn)如表1所示。

每個(gè)特征值的低頻段能量值Lfi和高頻段能量值Hfi可根據(jù)式(3)寫出相應(yīng)表達(dá)式，特征值 Fi由低、高頻段能量值取常用對數(shù)后再相除得到。以F6為例，相應(yīng)表達(dá)式分別如式(5)～式(7)所示，其他Fi可依此類推。

1.3 特征去噪

上面所獲得的警覺度特征值，在以秒為單位的分辨率上波動幅度較大。而在實(shí)際情況中，警覺度的變化是緩慢、有規(guī)律的，故需要對特征值進(jìn)行去噪處理。最常見的是滑動平均(MA)去噪，即取某一時(shí)間窗內(nèi)的平均值作為該時(shí)間窗中點(diǎn)處的值。該方法簡單易行，但窗口的大小對去噪結(jié)果影響比較大。窗口大，去噪效果好，但時(shí)間延遲長;反之，窗口小，去噪效果差。

線性動力系統(tǒng)(linear dynamical system，LDS)是一種狀態(tài)空間模型，可以實(shí)時(shí)去噪[14]。系統(tǒng)的模型結(jié)構(gòu)如圖2所示，其中Zi是隱變量，即按一定規(guī)律變化的實(shí)際狀態(tài)值;Xi是觀測變量，即實(shí)際觀測到的值，包含了觀測噪聲。

表1 16種能量比特征的頻帶分段及對應(yīng)的小波包節(jié)點(diǎn)Tab.1 The range of frequency about 16 energy ratios and the corresponding wavelet packet nodes

圖2 線性動力系統(tǒng)模型結(jié)構(gòu)圖示Fig.2 The schematization of LDS

由于噪聲的影響，Xi之間無法直接得到時(shí)序上的變化關(guān)系，但是Zi在時(shí)序上是有直接關(guān)系的。此模型通過隱變量之間的關(guān)系、以及隱變量與觀測變量之間的關(guān)系，推斷出當(dāng)前時(shí)刻的隱變量的概率分布。為便于公式推導(dǎo)，假設(shè)這兩類變量都是高斯分布的連續(xù)變量。

在確定了第二日列車運(yùn)營日計(jì)劃模板后，為模板中相應(yīng)的列車車次編配狀態(tài)良好的車組，稱為列車運(yùn)營日計(jì)劃編配。目前傳統(tǒng)的人工編配方式存在生產(chǎn)效率低下、安全隱患大等問題，因此，科學(xué)地進(jìn)行列車運(yùn)營日計(jì)劃編配具有重要現(xiàn)實(shí)意義。

設(shè)隱變量之間的關(guān)系為

隱變量與觀測變量之間的關(guān)系為

式(8)和式(9)中，A和C為轉(zhuǎn)換矩陣，ω為隱變量之間的傳遞波動，v為觀測變量與隱變量之間的傳遞波動(也可視為觀測噪聲)，這些波動都滿足均值為0的高斯分布

隱變量的初始值Z0的概率形式設(shè)為

式(8)為隱變量的遞推形式，其概率形式可表示為：

式中，uk、Vk都是從系統(tǒng)中推斷出來的。

整個(gè)系統(tǒng)包含 6 個(gè)參數(shù)：u0，V0，A，Γ，C，Σ。其中，u0、V0是隱變量初始值 Z0的概率分布，在實(shí)驗(yàn)中，將Z0設(shè)置為待處理數(shù)據(jù)前20 s的平均值;A和C是轉(zhuǎn)換矩陣，是隱變量與隱變量、隱變量與觀測變量之間的轉(zhuǎn)換，在本文的應(yīng)用中，特征值并沒有逐漸放大或逐漸縮小的趨勢，故令其值都為1;Γ、Σ是隱變量、觀測變量的高斯分布的方差，這兩個(gè)值由交叉驗(yàn)證得出。

在降噪過程中，實(shí)際需要的是隱變量序列{Zi}的值，Zi是滿足高斯分布的，其概率分布中可能性最大的值是 Zi的均值 ui，即最后需要的是序列{ui}的值。線性動力系統(tǒng)包含兩個(gè)關(guān)鍵算法，分別是遞推算法和學(xué)習(xí)算法，前者用來修正{ui}，后者用來確定模型中所有參數(shù)θ的值。LDS的效果如圖3所示，這里變化劇烈的非警覺度成分已被過濾掉。

圖3 LDS效果圖：劇烈波動的線形為 LDS處理之前，平滑的線形為LDS處理之后的結(jié)果Fig.3 The effect of LDS，where the sharp line is the one before LDS，and the smooth line is the one after LDS

1.4 實(shí)驗(yàn)

實(shí)驗(yàn)被試者均為上海交通大學(xué)在讀學(xué)生，共22名。其中男14人，女8人，平均年齡22歲，身體健康，右利手。實(shí)驗(yàn)前一天，被試者需限制睡眠時(shí)間，一般不超過6 h，不能飲用酒、咖啡等刺激性飲料，知情研究目的。實(shí)驗(yàn)在午餐后的13：00～15：00進(jìn)行，此時(shí)人體最容易產(chǎn)生困倦感，以便被試在實(shí)驗(yàn)過程中能經(jīng)歷從清醒到瞌睡的完整過程。整個(gè)實(shí)驗(yàn)過程約為70 min，部分被試參與多次實(shí)驗(yàn)，同一被試兩次測試時(shí)間間隔為一周以上。

實(shí)驗(yàn)設(shè)備包括 NeuroScan系統(tǒng)(4.3版本)和Stim2系統(tǒng)(2.0版本)兩大部分(Compumedics公司，澳大利亞)。被試頭戴62導(dǎo)腦電帽(M1、M2電極未使用)，眼部上、下、左、右佩戴4個(gè)傳統(tǒng)眼電電極，額頭上方佩戴4個(gè)前額眼電電極，如圖4所示。NeuroScan系統(tǒng)通過上述電極收集腦電信號、傳統(tǒng)眼電信號以及前額眼電信號。Stim2系統(tǒng)用于產(chǎn)生刺激序列并記錄測試者的按鍵情況，即錯(cuò)誤率。實(shí)驗(yàn)中的場景如圖5所示，電腦屏幕上每5～7 s隨機(jī)出現(xiàn)紅、綠、黃和藍(lán)等4種顏色共170種交通指示圖片中的一個(gè)(如圖6所示)，圖片顯示時(shí)間為500 ms，被試手持按鈕盒，并按壓盒上相應(yīng)顏色的按鈕，按鍵的正確與否被Stim2系統(tǒng)記錄下來(沒有按鍵也算是錯(cuò)誤)。系統(tǒng)每8 s得出一個(gè)錯(cuò)誤率數(shù)值，該值是以8 s時(shí)間段為正中間段前后共120 s內(nèi)按鍵錯(cuò)誤率的平均值，數(shù)值范圍為0-1，數(shù)值越大，表示警覺度越低。用錯(cuò)誤率來作為警覺度的標(biāo)識(vigilant label)，能夠?qū)?shí)驗(yàn)中被試的警覺度狀態(tài)進(jìn)行客觀、實(shí)時(shí)的標(biāo)記，比其他主觀判斷警覺度狀態(tài)的方法要更為精確。

圖4 被試佩戴腦電帽、傳統(tǒng)眼電電極以及前額眼電電極Fig.4 The testee wearing the electrodes of EEG，traditional EOG and forehead EOG

圖5 實(shí)驗(yàn)場景Fig.5 The experiment scene

1.4.2 數(shù)據(jù)采集與預(yù)處理

圖6 4類不同顏色的交通指示圖片(紅、黃、藍(lán)和綠)Fig.6 Traffic signals’pictures of four kinds colors(red、yellow、blue and green)

實(shí)驗(yàn)中 NeuroScan系統(tǒng)記錄的數(shù)據(jù)是62導(dǎo)EEG，4導(dǎo)傳統(tǒng)眼電 EOG(眼睛上下電極是垂直眼電，左右電極是水平眼電)，4導(dǎo)前額眼電，采樣率為500 Hz，并進(jìn)行0.1～100 Hz的濾波。在前述的特征值頻率分段，實(shí)際起點(diǎn)應(yīng)該是0.1 Hz，而不是0 Hz。Stim2系統(tǒng)記錄被試的錯(cuò)誤率，采樣頻率為0.125 Hz。兩者保持同步記錄。預(yù)處理時(shí)，進(jìn)行人工目測信號，舍棄低SNR信號，將EOG信號降采樣到125 Hz。

1.4.3 實(shí)驗(yàn)結(jié)果分析

收集35組有效實(shí)驗(yàn)數(shù)據(jù)，取水平EOG信號，時(shí)間窗設(shè)定為8 s，小波包母函數(shù)分別采用 db4、sym4和bior2.4，小波包分解階數(shù)為8。根據(jù)1.2中敘述的方法，計(jì)算特征值F1～F16，對獲得的特征值分別進(jìn)行滑動平均(120 s、80 s和40 s)去噪和線性動力系統(tǒng)(LDS)去噪處理，最后將特征與錯(cuò)誤率做相關(guān)分析，得出相關(guān)系數(shù)。

2 實(shí)驗(yàn)結(jié)果與分析

小波包母函數(shù)的影響如圖7所示，圖中的3條曲線分別代表小波包母函數(shù)采用 db4、sym4和bior2.4，3條曲線基本沒有差別，尤其是在 F5、F6處曲線上的點(diǎn)完全吻合。在比較分析中發(fā)現(xiàn)，不同的小波包母函數(shù)對相關(guān)系數(shù)基本沒有影響，但頻帶分段和去噪方式對相關(guān)系數(shù)的影響比較大。去噪方式的影響如圖8所示，經(jīng)120 s MA去噪后的平均相關(guān)系數(shù)最高，但120 s MA，有60 s的時(shí)間延遲，這對警覺度的即時(shí)估計(jì)與預(yù)測是不能接受的。次高的是LDS去噪處理，該去噪效果接近120 s MA，且沒有時(shí)間延遲，便于實(shí)時(shí)估計(jì)和預(yù)測。稍差的是80 s MA處理結(jié)果。最差的是40 s MA處理結(jié)果，此方法得到的平均相關(guān)系數(shù)比 LDS的低13%左右，且40 s MA處理也是有20 s的時(shí)間延遲。綜合處理效果和時(shí)間延遲等因素，LDS去噪處理方式是最佳的。頻帶分段的影響在圖7和圖8中都有體現(xiàn)，每條曲線的峰值都在F6處，即F6處的平均相關(guān)系數(shù)最高。在F6之前，相關(guān)系數(shù)是穩(wěn)定地逐漸增高的;在F6之后，相關(guān)系數(shù)緩慢降低，降低幅度雖小，但降低的趨勢基本不變。故頻帶最優(yōu)分段在F6處，即(0～1.50 Hz)/(1.50～31.25 Hz)。

圖7 由不同小波母函數(shù)得出的能量比特征的相關(guān)系數(shù)平均值及標(biāo)準(zhǔn)差Fig.7 The mean and standard deviation of coefficients about features from different wavelet function

圖8 經(jīng)不同的去噪方式處理后特征F1～F16的相關(guān)系數(shù)均值及標(biāo)準(zhǔn)差(小波基函數(shù)是db4)Fig.8 The mean and standard deviation of coefficients about features denoised by different ways(wavelet function is db4)

選擇最優(yōu)特征F6，經(jīng) LDS去噪，將其歸一化到警覺度標(biāo)記上。比較實(shí)驗(yàn)全程中特征值曲線與警覺度標(biāo)記曲線的關(guān)系，圖9給出了兩次不同實(shí)驗(yàn)的結(jié)果。圖中特征F6曲線與錯(cuò)誤率曲線波形都很相似，尤其是在錯(cuò)誤率大幅增高(即警覺度下降)處，特征值也顯著增高，曲線峰值部分吻合很好。

圖9 特征值F6與警覺度標(biāo)識的關(guān)系圖(疲勞程度：0為清醒，1為睡眠)。(a)相關(guān)系數(shù)為0.864;(b)相關(guān)系數(shù)為0.744Fig.9 The relational graph between F6 and the vigilant label(zero is waking，one is sleeping).(a)The coefficient is 0.864;(b)The coefficient is 0.744

F6在35組實(shí)驗(yàn)上的相關(guān)系數(shù)平均值為0.742，標(biāo)準(zhǔn)差為0.151。與文獻(xiàn)[12]中的慢速眼動、快速眼動以及眨眼等11個(gè)特征做比較，結(jié)果如圖10所示。從圖中可以看出，F(xiàn)6特征的相關(guān)系數(shù)平均值高于已有的11個(gè)特征，標(biāo)準(zhǔn)差也較小。

已有的11個(gè)特征中較好的特征有6個(gè)(相關(guān)系數(shù)平均值≥0.6)，分別是慢速眼動的小波變換判別函數(shù)特征(SEMf)、慢速眼動的傅里葉變換低高頻能量比特征(SEMe)、眨眼的低高頻能量比特征(BLKe)、閉眼速度特征(CV)、睜眼速度特征(OV)和閉眼時(shí)長特征(CLT)[12]。將特征 F6與這6個(gè)較好特征進(jìn)一步進(jìn)行配對t檢驗(yàn)，檢驗(yàn)結(jié)果如表2所示。表中sig值都小于0.05，表明特征F6與已有的特征在統(tǒng)計(jì)學(xué)上有顯著性差異，能夠更好地表征警覺度。

圖10 F6特征與已有11個(gè)特征在相同35組實(shí)驗(yàn)上的相關(guān)系數(shù)平均值和標(biāo)準(zhǔn)差比較Fig.10 The contrast between feature F6 and the previous eleven features about the same 35 sets

表2 F6特征與已有的較好的6個(gè)特征的配對t檢驗(yàn)結(jié)果Tab.2 The paired samples test of F6 and the pre-existing six features

特征F6與警覺度的高相關(guān)性提示：能量信息是生理電信號的重要信息，可以從生理電信號的能量角度揭示人體的狀態(tài)。頻帶分段為(0～1.50 Hz)/(1.50～31.25 Hz)的能量比特征與警覺度標(biāo)記有最高的相關(guān)度，其生理學(xué)機(jī)理源于警覺度下降時(shí)尤其是進(jìn)入微睡狀態(tài)，EOG信號的慢速眼動成分會相對增多[8]，而慢速眼動的頻率范圍是0.2～0.6 Hz，即包含在頻帶的低頻部分。后續(xù)可深入分析警覺度在各個(gè)階段(如警覺度黃色預(yù)警狀態(tài)、紅色預(yù)警狀態(tài)、紅色警告狀態(tài)等)EOG信號的主要頻帶，這樣可以在能量比特征上分階段設(shè)置頻帶分界點(diǎn)，以提高警覺度的估計(jì)和預(yù)測精度。

小波包變換獲得帶通能量比，與直接帶通濾波后取能量包絡(luò)的方法相比，小波包變換的時(shí)頻細(xì)節(jié)特征更好，可以在選擇低高頻分割點(diǎn)的時(shí)候，以0.25 Hz(信號采樣率128 Hz，小波包階數(shù)為8，Δf=0.25 Hz)為步進(jìn)進(jìn)行分析，能更細(xì)致地尋找哪個(gè)分割點(diǎn)更好。用Matlab的小波包工具箱，計(jì)算上述特征F6值，1 h的眼電數(shù)據(jù)，在戴爾 Optiplex 360 miniTower，處理器是英特爾酷睿2雙核 E7400，內(nèi)存2 GB，英特爾 G33/G31集成顯卡的電腦上進(jìn)行處理，需要的時(shí)間約為80 s，占用的內(nèi)存是1117 MB。

3 討論和結(jié)論

實(shí)驗(yàn)中的相關(guān)因素在后續(xù)的研究中有待改進(jìn)，如實(shí)驗(yàn)中的被試人群年齡集中在學(xué)生段，下一步可拓展到更廣的成人年齡段。實(shí)驗(yàn)中的操作是在室內(nèi)模擬駕駛環(huán)境下進(jìn)行的圖片按鍵，有別于實(shí)際駕駛環(huán)境。實(shí)驗(yàn)室正在建設(shè)真車駕駛環(huán)境，后續(xù)進(jìn)一步驗(yàn)證該能量比值表征警覺度的能力。本文的實(shí)驗(yàn)結(jié)果表明生理電信號的能量比值較其他特征能夠更好地表征警覺度狀態(tài)，生理電信號的能量信息是生理狀態(tài)的重要指標(biāo)。在該結(jié)果的啟示下，其他生理狀態(tài)的研究，如情感識別等方面，相應(yīng)電信號的能量也可能會提示重要信息，后續(xù)可拓展到其他生理狀態(tài)的電信號能量研究。

本研究應(yīng)用小波包變換方法，根據(jù)慢速眼動和EOG的頻域特點(diǎn)，考察了水平 EOG的16種不同的低、高頻段能量比警覺度特征。實(shí)驗(yàn)結(jié)果表明，低高頻最優(yōu)分段是(0～1.50 Hz)/(1.50～31.25 Hz)，由該分段所獲得的能量比特征優(yōu)于慢速眼動、快速眼動，眨眼等其他已有的11種警覺度特征。本文的實(shí)驗(yàn)結(jié)果進(jìn)一步表明，EOG是一種能夠表征警覺度的有效生理信號。在后續(xù)的研究工作中，將從EOG提取的這些不同的特征中選取警覺度估計(jì)和預(yù)測的最優(yōu)子集，并在真實(shí)駕駛環(huán)境中驗(yàn)證其有效性。

[1]Ji Qiang，Yang Xiaojie.Real-time eye，gaze，and face pose tracking for monitoring driver vigilance [J]. Real-TimeImaging，2002，8(5)：357-377.

[2]Grace R，Byrne VE，Legrand JM，et al.A machine vision based drowsy driver detection system for heavy vehicles[C]//Proceedings of Conference on Ocular Measures of Driver Alertness.Washington DC：FHWA，1999：75-86.

[3]Makeig S，Jung TP.Changes in alertness are a principal component of variance in the EEG spectrum [J].Neuroreport，1995，7(1)：213-216.

[4]Kenneth P，Wright Jr，Joseph HT，et al.Relationship between alertness，performance，and body temperature in humans[J].American Journal of Physiology，2002，283(6)：1370-1377.

[5]傅佳偉，石立臣，呂寶糧.基于EEG的警覺度分析與估計(jì)研究綜述[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2009，28(4)：589-596.

[6]Wright N，McGown A. Involuntary sleep during civil air operations：wrist activity and the prevention of sleep [J].Aviation，Space，and Environmental Medicine，2004，75(1)：37-45.

[7]Hanke S，Zeitlhofer J，Wiest G，et al.Automated vigilance classification based on EOG signals：preliminary results[C]//Proceedings of World Congress on Medical Physics and Biomedical Engineering.Munich：IFMBE，2009：428-431.

[8]Magosso E，Provini F，Montagna P.A wavelet based method for automatic detection of slow eye movements：A pilot study [J]Medical Engineering＆ Physics，2006，28(9)：860-875.

[9]Khushaba RN，Kodagoda S，Lal S，et.al.Driverdrowsiness classification using fuzzy wavelet- packet-based featureextraction algorithm [J]. IEEE Transaction on Biomedical Engineering，2011，58(1)：121-131.

[10]Cai Haoyu，Ma Jiaxin，Shi Lichen，et al.A novel method for EOG features extraction from the forehead[C]//Proceedings of 33 rd annual International Conference of the IEEE Engineering in Medicine and Biology Society.Boston：IEEE，2011：3075-3078.

[11]Ma Jiaxin，Shi Lichen，Lu Bao-Liang.Vigilance Estimation by Using Electrooculographic Features[C]//Proceedings of 32 nd annual International Conference of the IEEE Engineering in Medicine and Biology Society.Buenos Aires：IEEE，2010：6591-6594.

[12]馬家昕.基于眼電信號的警覺度估計(jì)模型研究[D].上海：上海交通大學(xué)，2010.

[13]楊建國.小波分析及其工程應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2005：63-74.

[14]Shi Lichen， Lu Baoliang. Off-line and on-line vigilance estimation based on linear dynamical system and manifold learning[C]//Proceedings of 32 nd annual International Conference of the IEEE Engineering in Medicine and Biology Society.Buenos Aires：IEEE，2010：6587-6590.