?PaperWeekly 原創 ·?作者｜張瑋瑋

學校｜東北大學碩士生

研究方向｜腦電情緒識別

論文標題：Driving Fatigue Recognition with Functional Connectivity Based on Phase Synchronization

論文鏈接：https://ieeexplore.ieee.org/document/9064703/

引言

1.1 論文動機

目前，新興的神經影像學技術已經表明，人類大腦可以表示為一個跨多個大腦區域的互聯半規則網絡，其功能依賴于腦區域動態交互。并且，越來越多的證據表明，在汽車駕駛過程中，大腦網絡拓撲結構隨著疲勞程度的增加而改變。

然而，功能連接的識別能力在多大程度上有助于駕駛疲勞檢測還不清楚，對駕駛疲勞檢測的研究還沒有從圖的理論性質和關鍵連接兩個方面來研究其多頻帶特征。

1.2 論文工作

本文研究創造性地分析了這兩種特性（網絡特性和關鍵連接 ）在多頻段的作用機理。在疲勞駕駛模擬駕駛實驗中，20名健康受試者的腦電圖數據被記錄了兩次。

利用相位滯后指數建立多頻帶功能連接矩陣，作為圖論分析的輸入，確定警惕狀態和疲勞狀態之間的關鍵連接，并且分別對連接特征及其圖論特征進行了分類。

腦電實驗采集與預處理

2.1 數據采集

本研究的受試者為新加坡國立大學招募的 20 名健康學生。模擬駕駛環境主要包括模擬駕駛系統和無線式腦電圖采集系統兩部分，如圖 1(a) 所示。在無聲駕駛的情況下，每個實驗持續時間為一個半小時。

交通狀況包括一個雙向車道在農村和最低車輛密度，使參與者感到無聊和較少的挑戰。如圖 1(b) 所示，腦電帽上有 24 個干電極，參照左右乳突的平均值。所有電極均按國際 10-20 系統標準放置，腦電圖采集時阻抗保持在 20k 以下。

▲ 圖1. 模擬駕駛實驗場景設置

2.2 腦電信號預處理

記錄的原始腦電信號經頻帶通（1-40hz）濾波后，設置參考電極進行基線校準。由于眼睛眨眼或肌肉活動造成的假象的污染，腦電圖信號的信噪比（SNR）很低。

為了改進這一現象，使用獨立組件分析（ICA）來刪除表示工件的組件。去除偽跡后的腦電信號采用離散小波變換（DWT）被分解成 θ, α, β 頻段, 根據行為表現的研究，將前 5 分鐘和后 5 分鐘分別定義為警戒和疲勞狀態。

功能連接特征提取

3.1 構建功能連接網絡

本文采用相位同步法（PS）計算各頻帶間的統計耦合，構造各頻帶間的功能連接。根據腦電圖數據的特點，即使它們的振幅是獨立的，兩個時間序列之間仍然存在的相位同步關系。研究利用相位滯后指數（PLI）來估計成對耦合的程度，以作進一步的研究。

利用希爾伯特變換計算瞬時相位 ，其中：

PLI 值定義為 [0,1]，0 表示沒有相位同步的情況，1 表示兩個時間序列之間的完美相位鎖定。

3.2 特征提取

在建立了功能性連接網絡后，N?N 鄰接矩陣（在本研究中 N = 24）被計算出來。由于功能連接網絡包含復雜的信息和大量無用的組合，利用這些網絡的稀疏度在 10% - 20% 之間，步長為 1%，即當前連接數與保留為真實功能連接的比值。

為了定量研究不同心理狀態（警惕和疲勞）之間的功能連接拓撲特性，作者使用腦連接工具箱實現了圖理論分析。基于鄰接矩陣，計算了聚類系數（）,局部效率（）,全局效率（）,特征路徑長度（）。

實驗分類

4.1 疲勞狀態的關鍵連接

通過特征選擇策略 SFFS 提取出與被試無關的關鍵連接。該組平均臨界連接如圖 3 所示。估計了連接從警戒狀態到疲勞狀態的變化。增加連接強度和減少連接強度的前 10% 分別被保留。

電極遵循國際 10-20 系統的配置。通過檢查,前 10% 的增加連接相關的額葉區域：連接相關的與這些地區占連接總數的? θ:89.29%；α:78.57%；β:85.71%。額葉區在所有頻帶均表現出明顯的駕駛疲勞破壞。當駕駛疲勞發生時，前腦區淋巴結的活動增強。

4.2 疲勞狀態分類

本文分別基于圖的理論特性和關鍵連接進行了疲勞檢測。如圖 4 所示，支持向量機分類器在兩種特征類型中表現都最好。關鍵連接在駕駛疲勞檢測中更具識別性。

三個頻帶的精度有顯著性差異（F2,117 = 8.956, p <0.001）,這表明 β 頻段是最適合駕駛疲勞檢測。此外，基于圖論屬性的分類策略標準差越高，說明疲勞狀態下腦功能網絡重組的主體間差異越大。

結論

本文研究探討了基于警醒與疲勞狀態之間的功能連接重組的駕駛疲勞檢測方法。從功能連接網絡中提取出圖的理論性質和關鍵連接。關鍵連接被認為是疲勞檢測的主要特征。

作者進一步分析了臨界連接的空間分布，表明在疲勞駕駛發生時，前額極區和前額區更加活躍。其中，功能連接的增減表現為顯著的全局集成和局部分離，而駕駛疲勞則表現為顯著的局部分離。

研究結果表明，關鍵連接是一種可行的駕駛疲勞檢測神經標志，并為高效的駕駛疲勞檢測提供了一種新的方法。

更多閱讀

#投 稿?通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

?????來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的论文解读 | 利用脑功能连接实现疲劳驾驶检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。