论文标题：Driving Fatigue Recognition with Functional Connectivity Based on Phase Synchronization论文链接：https://ieeexplore.ieee.org/document/9064703/
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。
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。
脑电实验采集与预处理
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。
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。
功能连接特征提取
3.1 构建功能连接网络
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。
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。
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。
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。
