张玮玮作者东北大学硕士生学校脑电情绪识别研究方向

论文解读 | 利用脑功能连接实现疲劳驾驶检测

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 ,其中:

PLI 值定义为 [0,1],0 表示没有相位同步的情况,1 表示两个时间序列之间的完美相位锁定。

3.2 特征提取

在建立了功能性连接网络后,N∗N 邻接矩阵(在本研究中 N = 24)被计算出来。由于功能连接网络包含复杂的信息和大量无用的组合,利用这些网络的稀疏度在 10% - 20% 之间,步长为 1%,即当前连接数与保留为真实功能连接的比值。

为了定量研究不同心理状态(警惕和疲劳)之间的功能连接拓扑特性,作者使用脑连接工具箱实现了图理论分析。基于邻接矩阵,计算了聚类系数(),局部效率(),全局效率(),特征路径长度()。

实验分类

4.1 疲劳状态的关键连接

通过特征选择策略 SFFS 提取出与被试无关的关键连接。该组平均临界连接如图 3 所示。估计了连接从警戒状态到疲劳状态的变化。增加连接强度和减少连接强度的前 10% 分别被保留。

电极遵循国际 10-20 系统的配置。通过检查,前 10% 的增加连接相关的额叶区域:连接相关的与这些地区占连接总数的  θ:89.29%;α:78.57%;β:85.71%。额叶区在所有频带均表现出明显的驾驶疲劳破坏。当驾驶疲劳发生时,前脑区淋巴结的活动增强。

4.2 疲劳状态分类

本文分别基于图的理论特性和关键连接进行了疲劳检测。如图 4 所示,支持向量机分类器在两种特征类型中表现都最好。关键连接在驾驶疲劳检测中更具识别性。

三个频带的精度有显著性差异(F2,117 = 8.956, p <0.001),这表明 β 频段是最适合驾驶疲劳检测。此外,基于图论属性的分类策略标准差越高,说明疲劳状态下脑功能网络重组的主体间差异越大。

结论

本文研究探讨了基于警醒与疲劳状态之间的功能连接重组的驾驶疲劳检测方法。从功能连接网络中提取出图的理论性质和关键连接。关键连接被认为是疲劳检测的主要特征。

作者进一步分析了临界连接的空间分布,表明在疲劳驾驶发生时,前额极区和前额区更加活跃。其中,功能连接的增减表现为显著的全局集成和局部分离,而驾驶疲劳则表现为显著的局部分离。

研究结果表明,关键连接是一种可行的驾驶疲劳检测神经标志,并为高效的驾驶疲劳检测提供了一种新的方法。
PaperWeekly
PaperWeekly

推荐、解读、讨论和报道人工智能前沿论文成果的学术平台。

理论特征提取神经影像学
相关数据
支持向量机技术

在机器学习中,支持向量机是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例,每个训练实例被标记为属于两个类别中的一个或另一个,SVM训练算法创建一个将新的实例分配给两个类别之一的模型,使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点,这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后,将新的实例映射到同一空间,并基于它们落在间隔的哪一侧来预测所属类别。

图论技术

图论是以“图”为研究对象的一个数学分支,是组合数学和离散数学的重要组成部分。图是用来对对象之间的成对关系建模的数学结构,由“顶点”(又称“节点”或“点”)以及连接这些顶点的“边”(又称“弧”或“线”)组成。值得注意的是,图的顶点集合不能为空,但边的集合可以为空。图可能是无向的,这意味着图中的边在连接顶点时无需区分方向。否则,称图是有向的。

特征选择技术

在机器学习和统计学中,特征选择(英语:feature selection)也被称为变量选择、属性选择或变量子集选择。 它是指:为了构建模型而选择相关特征(即属性、指标)子集的过程。

显著性差异技术

显著性差异(ρ),是统计学上对数据差异性的评价。当数据之间具有了显著性差异,就说明参与比对的数据不是来自于同一总体(population),而是来自于具有差异的两个不同总体。

聚类技术

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。“物以类聚,人以群分”,在自然科学和社会科学中,存在着大量的分类问题。聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学,但是聚类不等于分类。聚类与分类的不同在于,聚类所要求划分的类是未知的。聚类分析内容非常丰富,有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

暂无评论
暂无评论~