论文解读 | 利用脑功能连接实现疲劳驾驶检测

©PaperWeekly 原创 · 作者｜张玮玮

学校｜东北大学硕士生

研究方向｜脑电情绪识别

论文标题：Driving Fatigue Recognition with Functional Connectivity Based on Phase Synchronization

论文链接：https://ieeexplore.ieee.org/document/9064703/

引言

1.1 论文动机

目前，新兴的神经影像学技术已经表明，人类大脑可以表示为一个跨多个大脑区域的互联半规则网络，其功能依赖于脑区域动态交互。并且，越来越多的证据表明，在汽车驾驶过程中，大脑网络拓扑结构随着疲劳程度的增加而改变。

然而，功能连接的识别能力在多大程度上有助于驾驶疲劳检测还不清楚，对驾驶疲劳检测的研究还没有从图的理论性质和关键连接两个方面来研究其多频带特征。

1.2 论文工作

本文研究创造性地分析了这两种特性（网络特性和关键连接 ）在多频段的作用机理。在疲劳驾驶模拟驾驶实验中，20名健康受试者的脑电图数据被记录了两次。

利用相位滞后指数建立多频带功能连接矩阵，作为图论分析的输入，确定警惕状态和疲劳状态之间的关键连接，并且分别对连接特征及其图论特征进行了分类。

脑电实验采集与预处理

2.1 数据采集

本研究的受试者为新加坡国立大学招募的 20 名健康学生。模拟驾驶环境主要包括模拟驾驶系统和无线式脑电图采集系统两部分，如图 1(a) 所示。在无声驾驶的情况下，每个实验持续时间为一个半小时。

交通状况包括一个双向车道在农村和最低车辆密度，使参与者感到无聊和较少的挑战。如图 1(b) 所示，脑电帽上有 24 个干电极，参照左右乳突的平均值。所有电极均按国际 10-20 系统标准放置，脑电图采集时阻抗保持在 20k 以下。

▲ 图1. 模拟驾驶实验场景设置

2.2 脑电信号预处理

记录的原始脑电信号经频带通（1-40hz）滤波后，设置参考电极进行基线校准。由于眼睛眨眼或肌肉活动造成的假象的污染，脑电图信号的信噪比（SNR）很低。

为了改进这一现象，使用独立组件分析（ICA）来删除表示工件的组件。去除伪迹后的脑电信号采用离散小波变换（DWT）被分解成 θ, α, β 频段, 根据行为表现的研究，将前 5 分钟和后 5 分钟分别定义为警戒和疲劳状态。

功能连接特征提取

3.1 构建功能连接网络

本文采用相位同步法（PS）计算各频带间的统计耦合，构造各频带间的功能连接。根据脑电图数据的特点，即使它们的振幅是独立的，两个时间序列之间仍然存在的相位同步关系。研究利用相位滞后指数（PLI）来估计成对耦合的程度，以作进一步的研究。

利用希尔伯特变换计算瞬时相位