性別差異在功能性腦網(wǎng)絡(luò)的駕駛疲勞檢測中的影響

穆振東

江西科技學(xué)院協(xié)同創(chuàng)新中心，江西 南昌 330098

隨著車輛的普及，交通事故發(fā)生率在逐年增加。在各種交通事故中，由疲勞駕駛引發(fā)的交通事故比例達(dá)15%～30%。為了降低駕駛疲勞引發(fā)的交通事故，很多方法被用來檢測駕駛員的疲勞狀態(tài)。腦電信號是大腦活動的直接外在反映，故而成為疲勞駕駛的重要檢測工具之一。

為了更好地實現(xiàn)駕駛疲勞檢測，研究者基于EEG信號運(yùn)用了不同算法對疲勞狀態(tài)進(jìn)行了分析，這些研究成果表明利用腦電信號可以很好地實現(xiàn)駕駛疲勞檢測，檢測的識別率均達(dá)到90%以上。但是從分析手段上看，這些成果是把腦電信號按照電極和采樣周期為劃分樣本準(zhǔn)則，然后對樣本進(jìn)行特征提取和分類。然而即便是最簡單的大腦活動也非單獨一個腦區(qū)獨立功能的結(jié)果，而是多個腦區(qū)交互信息共同完成的，駕駛過程也不例外。

為了使提取的駕駛疲勞特征更加符合疲勞產(chǎn)生的神經(jīng)機(jī)理，應(yīng)選擇可以反映腦區(qū)之間的信號同步和去同步性特征。功能性腦網(wǎng)絡(luò)（FBN）是指空間上相關(guān)或不相關(guān)的腦區(qū)在時間上的相關(guān)關(guān)系，這種關(guān)系可以反映出部分的腦活動之間的關(guān)聯(lián)性，因此利用功能性腦網(wǎng)絡(luò)對腦活動進(jìn)行研究的案例在逐年增加，如對阿爾茨海默氏病、癲癇、帕金森氏病的研究。在疲勞研究中，Wascher等[1]發(fā)現(xiàn)疲勞時，顱后α和θ增強(qiáng)，前額α和θ同步性減弱。Wang等[2]和Kong等[3]運(yùn)用功能性腦網(wǎng)絡(luò)分析疲勞狀態(tài)發(fā)現(xiàn)，基于FBN全局特征的指標(biāo)參數(shù)（聚合系數(shù)、特征路徑長度、全局效率等）具有較好的穩(wěn)定性，不會因受試者而發(fā)生較大變化。這些研究成果均證明利用功能性腦網(wǎng)絡(luò)特征可以很好地進(jìn)行疲勞檢測研究。

駕駛疲勞是一個復(fù)雜的生理現(xiàn)象，在對這一復(fù)雜生理現(xiàn)象研究中，發(fā)現(xiàn)因人口特征、工作模式、年齡和受教育程度等的不同，各人在相同的駕駛環(huán)境下，疲勞狀態(tài)特征具有較大的差異性[4]。作為駕駛員最大的屬性差異—性別差異是否也存在特征差異性呢？是否性別差異會影響疲勞檢測結(jié)果？在駕駛環(huán)境下分析男女特征的差異性，不僅能夠為提高疲勞檢測的準(zhǔn)確率提供理論依據(jù)，也可以為駕駛疲勞產(chǎn)生的神經(jīng)機(jī)理提供一個研究途徑。

1 試驗?zāi)Ｊ?/h2>

我們選擇22個受試者的駕駛環(huán)境中的常態(tài)腦電信號和疲倦狀態(tài)腦電信號為工具，利用Pearson相關(guān)系數(shù)的方法構(gòu)造功能性腦網(wǎng)絡(luò)，以聚集系數(shù)作為特征分析男女性別對駕駛疲勞檢測準(zhǔn)確率的影響。

在虛擬駕駛環(huán)境下，受試者正前方是一個三聯(lián)的顯示駕駛場景的顯示器，受試者坐在虛擬駕駛艙內(nèi)，根據(jù)顯示的駕駛環(huán)境開車，每次開車時間限定在45 min，為了能夠快速誘發(fā)駕駛員的疲勞狀態(tài)，試驗場景選擇單調(diào)的高速路場景，在受試者做完試驗后，填寫試驗疲勞狀態(tài)調(diào)查問卷，根據(jù)調(diào)查問卷結(jié)果，確定受試者是否發(fā)生駕駛疲勞，若發(fā)生了駕駛疲勞，保存該受試者腦電信號樣本作為試驗數(shù)據(jù)，否則確定試驗失敗，不保存數(shù)據(jù)。

試驗使用Neuroscan公司的30導(dǎo)聯(lián)腦電信號獲取設(shè)備，用與采集設(shè)備配套的scan4.3作為腦電信號采集軟件和預(yù)處理軟件，以1000 Hz作為采樣頻率，1～1000 hz帶通濾波和50 Hz陷波。

受試者為江西科技學(xué)院在校學(xué)生（11男，11女，年齡均值方差），受試者身體健康，沒有精神疾病史，在腦電信號采集試驗之前保證了充足的睡眠（試驗前一天晚上至少保證8 h睡眠），試驗前沒有服用任何的精神刺激性藥物，也沒有飲用咖啡、茶等精神刺激性飲料，受試者做腦電信號采集試驗之前，已經(jīng)在虛擬駕駛環(huán)境中用腦電采集場景進(jìn)行過不少于3次的虛擬駕駛，試驗已經(jīng)過江西科技學(xué)院學(xué)術(shù)委員會批準(zhǔn)。

2 試驗方法

2.1 Pearson相關(guān)系數(shù)

Pearson系數(shù)Pij計 算方法為：

其中t是腦電信號樣本中的時間分量，N是一個采樣周期長度，N= 1000，xi和xj分別表示第i個電極和第j個電極的該樣本時間序列，對于每個樣本30個電極，最終得到30×30的對稱矩陣。

2.2 聚集系數(shù)

聚集系數(shù)是衡量功能性腦網(wǎng)絡(luò)的全局特征，主要反映兩個節(jié)點之間互為鄰居的可行性，功能性腦網(wǎng)絡(luò)聚集系數(shù)C的計算方法為：

其中：ki表示電極i的度，Ei表示i的鄰居節(jié)點之間存在實際連接邊數(shù)。

2.3 支持向量機(jī)（SVM）

SVM（Support Vector Machines）是分類算法中應(yīng)用廣泛、效果不錯的一類算法。試驗的疲勞檢測識別和男女性別的檢測識別結(jié)果均采用線性核函數(shù)的SVM作為分類工具。選用Jackknife方法進(jìn)行測試樣本和訓(xùn)練樣本劃分。Jackknife是一種留一法的樣本測試劃分方法，即測試過程中每次只取出一個樣本作為測試樣本，其余全部作為訓(xùn)練樣本，下次取樣時要將上一個樣本放回再做測試，如此直到全部樣本得到測試為止。該方法被認(rèn)為是最合理的交叉驗證方法[5]。

原始腦電信號經(jīng)過試驗定義方法計算后，得到功能性腦網(wǎng)絡(luò)，對功能性腦網(wǎng)絡(luò)進(jìn)行特征提取，按照不同的特征計算方法，對每一個原始腦電信號樣本可以得到1×30的特征矩陣（30為電極數(shù)），以此作為SVM的輸入向量。

3 結(jié)果與分析

初始的腦網(wǎng)絡(luò)是一個全連通網(wǎng)絡(luò)，為了突出特征，必須對腦電信號進(jìn)行稀疏化，試驗以閾值的方法實現(xiàn)腦電信號的稀疏化。結(jié)合現(xiàn)有的功能性腦網(wǎng)絡(luò)研究成果，以及試驗的腦電信號數(shù)據(jù)，研究發(fā)現(xiàn)當(dāng)閾值從0～0.2時，出現(xiàn)無顯著性差異的受試者較多，當(dāng)大于0.2后，無顯著性差異的樣本變得稀少，當(dāng)閾值到達(dá)0.84以后，出現(xiàn)無顯著性差異的樣本又逐漸變多，基于上述發(fā)現(xiàn)，試驗選擇閾值為0.20～0.84。

圖1 男性和女性駕駛疲勞檢測結(jié)果對比

圖1顯示了在閾值0.20～0.84上的男性和女性駕駛疲勞的檢測結(jié)果對比。圖1表明，在選定的閾值空間上，男性的疲勞檢測結(jié)果要高于女性。在整個閾值空間上，選擇最優(yōu)識別結(jié)果，可以看出男性最優(yōu)識別率為98.1%，而女性為93.1%。再用現(xiàn)有的研究成果，對男性和女性分別進(jìn)行駕駛疲勞檢測，然后取平均值，表1顯示了試驗研究成果和現(xiàn)有成果對比。表1結(jié)果顯示，試驗的疲勞檢測方法要優(yōu)于現(xiàn)有的其他檢測方法。

4 結(jié)語

生活中常常有女司機(jī)較容易出現(xiàn)交通事故的說法，因此“女司機(jī)”也被戲稱為馬路殺手。是否男女性別真的在駕駛環(huán)境下存在差異呢？試驗以功能性腦網(wǎng)絡(luò)為工具，分析在駕駛過程中男性和女性駕駛功能性腦網(wǎng)絡(luò)的差異性。在閾值為0.20～0.84時女性最優(yōu)識別率為93.1%，男性最優(yōu)識別率98.6%，表明用Pearson相關(guān)系數(shù)構(gòu)造的功能性腦網(wǎng)絡(luò)，聚集系數(shù)為特征可以很好地檢測出駕駛員的駕駛疲勞狀態(tài)，且男性和女性在駕駛過程中的識別率顯示出男性和女性之間是有明顯差異的。

表1 疲勞檢測對比