腦力疲勞是影響人類健康和安全的重要因素, 通過腦電信號實現腦力疲勞的動態檢測對于疲勞預防和提高工作績效具有重要意義。本課題通過30 h睡眠剝奪實驗誘發腦力疲勞, 同時采集腦電信號, 每6 h分析相對功率、功率比值、重心頻率(CGF)、基準相對功率等腦電特征參數, 采用回歸分析方法建立腦力疲勞的預測模型, 并進行導聯優化。結果顯示預測模型的線性擬合R2可達0.932, 經過導聯優化后在僅采用4導聯腦電特征的情況下R2仍可達到0.811, 滿足日常應用中腦力疲勞的預測精度要求。
引用本文： 王曉璐, 高翔, 許敏鵬, 綦宏志, 王學民, 明東, 周鵬. 基于睡眠剝奪模型的腦力疲勞檢測方法研究. 生物醫學工程學雜志, 2015, 32(3): 497-502. doi: 10.7507/1001-5515.20150091 復制
引言
腦力疲勞是一種大腦活動能力或效率下降的狀態，它通常是由疾病或過量的腦力負荷導致[1]。過度的腦力疲勞會誘發安全事故和人類的健康問題[2]，同時也會對人的認知功能產生嚴重的負面影響，出現警覺度下降、績效下降、情緒變壞等現象[3]。例如在航天飛行中由于缺少24小時明/暗循環、微重力等引發航天員睡眠紊亂，進而誘發疲勞。使航天員的警覺度下降、績效下降[4]。因此，為了能及時發現腦力疲勞并施行對抗措施，避免其造成進一步危害，需要有效可靠的方法檢測腦力疲勞。
腦力疲勞檢測研究首先需要通過實驗誘發腦力疲勞。用于誘發腦力疲勞的實驗設置可分為三類：第一類是睡眠剝奪實驗，第二類是通過模擬真實任務設置的模擬任務實驗，第三類是通過具有一定時間、任務量的腦力負荷誘發疲勞，其中通過睡眠剝奪實驗誘發的腦力疲勞更為有效和穩定。在先前的研究中，人們已嘗試使用各種生理參數評價腦力疲勞，例如：通過視頻記錄被試的行為特征，分析被試眨眼頻率、瞳孔面積等來檢測被試的疲勞程度；采集諸如腦電、心電、眼電等電生理信號，提取特征參數從而檢測疲勞；或是通過采集生化指標來分析人體內特定成分從而檢測疲勞。而腦電由于具有無損檢測、時間分辨率高、生理信息明確等的優點[5-7]，更適于腦力疲勞的實時檢測與動態分析。
Eoh等[8]分析了模擬駕駛中交通事故前后的腦電變化，發現β波和(α+θ)/β與清醒程度有關。Jap等[9]的研究提示隨著模擬駕駛時間增加，δ波和θ波能量較為穩定，α波能量有小幅下降，β波能量顯著下降(P＜0.05)，慢波比快波的相對功率增加，(α+θ)/β有較為顯著的增加。Chen等[10]研究比較觀看3D電視引起的疲勞，發現對于觀看3D電視的人，α、β相對功率顯著下降，δ相對功率顯著上升，并采用Fp1導聯上的腦電特征實現了3D電視觀看條件下的疲勞預測。目前大多數腦力疲勞檢測的研究首先將疲勞分為若干等級，通常是三級，然后應用支持向量機、神經網絡等分類器進行識別。但生理學上疲勞是一個具有漸變特征的過程，采用分級的方式刻畫疲勞過程較為粗疏，容易丟失掉疲勞進程的動態特性。所以本課題試圖使用擬合分析解釋腦力疲勞與腦電特征之間的關系，探索使用回歸模型預測疲勞。并且，由于腦電信號存在個體差異和時間非平穩性，本課題提出基準相對功率α+、β+、θ+、δ+對原有特征進行優化。
1 實驗設計及分析方法
1.1 實驗設計
本實驗采集了6名大學生志愿者腦電，志愿者為20~28歲的4名男生和2名女生。要求參與者在實驗前一個星期保持規律的睡眠-覺醒周期，沒有攝入酒精、咖啡、藥物和煙。所有參與者在實驗前已經熟悉實驗流程，態度積極，中途不退出。使用phoenix數字腦電記錄系統，儀器自帶0.05~70 Hz帶通濾波。根據國際標準的10-20導聯系統，同時采集19導腦電數據，采樣頻率為256 Hz。
實驗采用睡眠剝奪的方法建立疲勞模型，實驗流程如圖 1所示。實驗從第一天早上8 :00(0 h)開始，持續到第二天下午14 :00(30 h)，共計30 h。被試需要始終保持清醒，每6小時采集一次數據，共6段數據。每一段數據采集6 min。首先，參與者填寫卡羅琳斯卡嗜睡量表(Karolinska sleepiness scale, KSS)和斯坦福嗜睡量表(Stanford sleepiness scale, SSS)，用時1 min。然后，參與者閉眼完成自發腦電檢測實驗，用時5 min。
圖1
實驗流程
Figure1.
Experimental procedure
對于KSS和SSS的填寫，在實驗開始前需要帶領被試熟悉量表的內容。在實驗時提供紙質版KSS和SSS給被試，以使被試更認真地思考自己的狀態并作出選擇。填寫量表時，被試需要用黑色筆在最符合自己狀態的描述上做出標記，這一過程往往伴隨著體動，產生較大肌電信號，故在這一階段不記錄腦電。
1.2 分析方法
結合Jap等的研究結果本課題研究的特征有：α、β、θ、δ波的相對功率，(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β比值，功率譜重心頻率(center of gravity frequency, CGF)，以及新指標基準相對功率α+、β+、θ+、δ+。
使用韋爾奇功率譜估計不同頻率腦電信號的功率。4個頻帶相對功率可通過下式計算
| $ R{{P}_{j}}=\frac{{{P}_{j}}}{\sum{p}}\left(j=1, 2, 3, 4 \right), $ |
其中RPj(j=1, 2, 3, 4)分別代表α、β、θ、δ波的相對功率，Pj(j=1, 2, 3, 4)分別代表α、β、θ、δ波的功率。
∑P代表從0.5~40 Hz功率的總和。比值(α+θ)/β指α和θ頻段的功率總和除以β頻段的功率總和，其他比值類似。
CGF定義為
| $ CGF=\frac{\sum\nolimits_{i}{P\left({{f}_{i}} \right)\cdot {{f}_{i}}}}{\sum\nolimits_{i}{P\left({{f}_{i}} \right)}}, $ |
其中fi為離散頻率，P(fi)為功率譜密度。
由于腦電的α、β、θ、δ成分存在個體差異和時間非平穩性。本課題提出基準相對功率指標X+，嘗試通過基準消除的方法以抑制不同個體和時間帶來的影響。定義為
| $ {{X}_{+j}}=\frac{R{{P}_{j, k}}-R{{P}_{j, 1}}}{R{{P}_{j, 1}}}\left(j=1, 2, 3, 4, k=2, 3, 4, 5, 6 \right), $ |
其中X+j(j=1, 2, 3, 4)分別代表指標α+、β+、θ+、δ+，RPj, k(j=1, 2, 3, 4)分別表示在睡眠剝奪第k=2(6 h)、3(12 h)、4(18 h)、5(24 h)、6(30 h)次采集數據得到的α、β、θ、δ波相對功率值，RPj, 1(j=1, 2, 3, 4)分別為α、β、θ、δ在睡眠剝奪第0 h的相對功率。
回歸分析是用于分析事物之間統計關系的一種數量分析方法，應用極為廣泛。它考察的是變量之間的數量變化規律，并通過回歸方程描述和反映這種關系，能夠給出變量受一個或多個變量影響的程度，為進一步預測提供依據。本課題使用多元線性回歸建模：
| $ y={{\beta }_{0}}+\sum\limits_{p=1}^{k}{{{\beta }_{p}}}{{x}_{p}}, $ |
其中β為模型系數，xp代表不同指標。本論文中使用普通最小二乘法的回歸模型參數估計，這是因為最小二乘估計是β的無偏估計，沒有系統性偏差，且最小二乘估計得到的估計值是β的線性無偏估計中唯一具有最小方差的估計。
回歸模型需要檢驗樣本數據點(xi1, xi2…xip, yi)聚集在回歸線周圍的密集程度，以評價回歸方程對樣本數據的代表程度，稱為擬合優度檢驗。使用R2統計量作為多元線性回歸方程的擬合優度檢驗，其定義為
| $ {{{\bar{R}}}^{2}}=1-\frac{\frac{\text{SSE}}{n-p-1}}{\frac{\text{SST}}{n-1}}, $ |
式中SSE為由隨機因素引起的y的變差平方和，即，SST為y的總離差平方和，即，n-p-1、n-1分別是SSE和SST的自由度。R2取值范圍為[0,1]，越接近1，擬合效果越好。
2 結果
2.1 主觀量表
KSS和SSS為評價疲勞時較為常用的兩個主觀向量表。KSS由?kerstedt和Gillberg于1990年提出，它將疲勞劃分為9個等級(1=極度警覺，3=警覺，5=既不警覺也不困倦，7=困倦，9=非常困倦，極力想保持清醒，和困倦作斗爭)[11]。SSS將疲勞劃分為7個等級(1=完全清醒，7=接近睡眠)[12]。圖 2中畫出了6名被試的KSS和SSS平均得分，縱軸為得分，橫軸代表進行睡眠剝奪的時間。結果經過了歸一化處理(0=清醒，1=疲勞)。
圖2
KSS和SSS平均得分的盒形圖
Figure2.
Boxplot of the average score of KSS and SSS
由圖 2可以看出在睡眠剝奪的第12 h之前主觀量表得分差別不大，從第12~24 h主觀量表得分顯著升高，被試明顯感覺疲勞程度增加，而在睡眠剝奪第24~30 h，疲勞狀態有小幅度減輕。根據兩配對樣本t檢驗的結果，睡眠剝奪第18、24、30 h的得分與第0 h的得分之間差異均有統計學意義(P＜0.001)。然而，實際上在睡眠剝奪的第6 h，被試已經經歷了午睡剝奪，感覺到一定疲勞。在睡眠剝奪第12 h，被試已經保持12 h以上清醒狀態，相比睡眠剝奪第0 h，疲勞程度有所增加。
2.2 腦電特征
圖 3描述的是從實驗開始到睡眠剝奪第30 h的腦地形圖，每一個時刻對應的腦地形圖代表從這一個時刻開始記錄的5 min腦電。以第一次采集得到的數據為基準，以α相對功率為例，將其腦地形圖畫在第一行第一個，用紅色區域表示相對功率高的部分，藍色區域表示相對功率低的部分，將其余時間點的腦地形圖順序畫在第一行。以α+為例，從圖 3第二行第二個開始畫腦地形圖，顏色越接近深藍色表示相對功率對于基準的下降越顯著，越接近深紅色表示相對功率對比基準的上升越顯著。
圖3
α、β、θ、δ波相對功率和指標α+、β+、θ+、δ+的腦地形圖
Figure3.
Brain mapping of relative power ofα, β, θandδ, and index ofα+, β+, θ+ andδ+
從圖 3的腦地形圖中，我們可以看出α相對功率在枕區較高，β相對功率在顳區和頂區較高，θ相對功率在頂區較高，δ相對功率在額區最高。從α+、β+、θ+、δ+腦地形圖中可以看出，對于α相對功率，在睡眠剝奪的第12 h及以前，在地形圖上以額區的升高為主，在睡眠剝奪的第18 h及以后，以在頂區和枕區下降為主；β相對功率的下降主要集中在大腦中后部；θ相對功率在腦地形圖上呈現逐漸上升趨勢，并逐漸由額區蔓延至整個大腦；δ相對功率起初在枕區增加，逐步蔓延至頂區和后顳區。
從睡眠剝奪的時間點來看，在第6、12 h腦地形圖基本一致，從第12 h以后，α+、β+、θ+、δ+腦地形圖開始出現明顯變化，第12、18、24 h的α+、β+、θ+、δ+腦地形圖明顯不同。而睡眠剝奪第24 h和第30 h腦地形圖變化不大。這一點與圖 1所示主觀量表得分的變化相吻合。
2.3 回歸模型
結合主觀量表以及腦電特征腦地形圖的結果，可以觀測到它們之間有較強的線性關系，故采用線性回歸分析對疲勞程度進行解釋，解析主觀量表得分與客觀腦電特征參數之間的關系。
使用線性回歸分別分析這13個指標，將每個指標的19個導聯作為解釋變量。結果中，回歸系數顯著性檢驗值(Sig.)小于顯著水平0.05的指標有：α(Sig.=0.037)、β(Sig.=0.038)、δ(Sig.=0.021)相對功率，(α+θ)/β(Sig.=0.030)、θ/β(Sig.=0.017)比值，β+(Sig.=0.004)、δ+(Sig.=0.027)基準相對功率，其中β+(Sig.=0.004)顯著優于其他指標。為了驗證基準相對功率對于疲勞檢測的有效性，使用指標α+、β+、θ+、δ+代替原指標α、β、θ、δ做線性回歸分析。結果中僅使用α+、β+、θ+、δ+指標的擬合優度檢驗統計量R2為0.892，大于僅使用原指標α、β、θ、δ的R2(R2=0.873)。在所有指標中，使用α+、β+、θ+、δ+替換原指標α、β、θ、δ并結合(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β、CGF指標后，R2統計量由0.902提高至0.909，但因為指標較多，包含的信息量較大，所以提高不明顯。
雖然使用α+、β+、θ+、δ+、(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β、CGF指標的擬合優度檢驗R2可達0.909，但是導聯可能有冗余，且19導聯計算量大, 不便于實時應用，故本研究對導聯進行優化。在回歸模型中，將屬于某一導聯的擬合系數βp絕對值相加，其值最小的導聯為貢獻最少。依次刪去在擬合中貢獻最少的導聯，并用其余導聯重新建立回歸模型。結果如圖 4所示，橫坐標為刪去導聯之后的剩余導聯數，縱坐標為對應的R2值。
圖4
導聯優化結果
Figure4.
Result of lead optimization
如圖 4所示，刪去第1個導聯時，擬合優度檢驗R2升高，R2=0.932，在刪去第2~10個導聯時，R2幾乎不變。當導聯數為8時，R2開始緩慢下降，導聯數小于4以后R2劇烈下降。結合實用性考慮，選取4導聯Fp1、F4、F8、C4(此時R2=0.811)進行最終線性擬合。得到如圖 5所示結果，圖中橫坐標為將各個特征參數輸入回歸模型得到對腦力疲勞的客觀估值，縱坐標為對應的主觀量表得分。可以看出，線性擬合效果較好，可以通過客觀的腦電數據建立回歸模型來預測疲勞。
圖5
導聯優化后腦力疲勞的主觀客觀擬合結果
Figure5.
Linear regression relationship between subjective evaluation and objective evaluation after lead optimization
3 討論
腦電存在個體差異和時間非平穩性，這制約了使用腦電檢測腦力疲勞的發展。如何引入個人數據達到腦力疲勞的個性化檢測，是將來疲勞檢測需要解決的重要問題。本論文通過基準消除的方法，生成新指標基準相對功率α+、β+、θ+、δ+，以抑制不同個體和時間帶來的影響。根據線性回歸分析的結果，使用新指標替換原指標α、β、θ、δ后，R2明顯提高。故新指標α+、β+、θ+、δ+的出現有效地引入了個人數據，削弱了由于個體差異和時間非平穩性帶來的影響。
腦力疲勞是漸變的過程，其程度通常隨著時間波動增加。傳統的疲勞研究將疲勞分成若干等級，并使用諸如支持向量機、神經網絡等分類器進行檢測，這就使得疲勞檢測的等級較少，靈敏度不足，對于應用有較大的限制。本課題采用線性回歸分析的手段，解釋腦電特征與腦力疲勞之間的關系，將腦力疲勞的檢測轉化為對疲勞程度漸變的評估，有效地克服了將腦力疲勞程度階梯化的問題，提高了檢測的靈敏度，更適用于實際的應用。
在實際應用中，腦力疲勞檢測需要簡易方便的設備，這就需要盡量減少腦電采集時所用的電極數量。本課題使用4導聯Fp1、F4、F8、C4進行線性擬合，其擬合優度檢驗R2達到0.811，可以基本滿足對于腦力疲勞的預測精度。
4 結論
本課題討論了腦力疲勞的EEG頻譜特征，包括α、β、θ、δ波的相對功率，(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β比值和CGF，并根據公式(3)，與基準比較生成了新指標基準相對功率α+、β+、θ+、δ+。結果表明，作為疲勞檢測的特征，新指標α+、β+、θ+、δ+的引入有效地提高了擬合優度。同時使用導聯Fp1、F4、F8、C4的腦電特征，建立腦力疲勞檢測回歸模型，其擬合效果較好，有較高的應用潛力。
引言
腦力疲勞是一種大腦活動能力或效率下降的狀態，它通常是由疾病或過量的腦力負荷導致[1]。過度的腦力疲勞會誘發安全事故和人類的健康問題[2]，同時也會對人的認知功能產生嚴重的負面影響，出現警覺度下降、績效下降、情緒變壞等現象[3]。例如在航天飛行中由于缺少24小時明/暗循環、微重力等引發航天員睡眠紊亂，進而誘發疲勞。使航天員的警覺度下降、績效下降[4]。因此，為了能及時發現腦力疲勞并施行對抗措施，避免其造成進一步危害，需要有效可靠的方法檢測腦力疲勞。
腦力疲勞檢測研究首先需要通過實驗誘發腦力疲勞。用于誘發腦力疲勞的實驗設置可分為三類：第一類是睡眠剝奪實驗，第二類是通過模擬真實任務設置的模擬任務實驗，第三類是通過具有一定時間、任務量的腦力負荷誘發疲勞，其中通過睡眠剝奪實驗誘發的腦力疲勞更為有效和穩定。在先前的研究中，人們已嘗試使用各種生理參數評價腦力疲勞，例如：通過視頻記錄被試的行為特征，分析被試眨眼頻率、瞳孔面積等來檢測被試的疲勞程度；采集諸如腦電、心電、眼電等電生理信號，提取特征參數從而檢測疲勞；或是通過采集生化指標來分析人體內特定成分從而檢測疲勞。而腦電由于具有無損檢測、時間分辨率高、生理信息明確等的優點[5-7]，更適于腦力疲勞的實時檢測與動態分析。
Eoh等[8]分析了模擬駕駛中交通事故前后的腦電變化，發現β波和(α+θ)/β與清醒程度有關。Jap等[9]的研究提示隨著模擬駕駛時間增加，δ波和θ波能量較為穩定，α波能量有小幅下降，β波能量顯著下降(P＜0.05)，慢波比快波的相對功率增加，(α+θ)/β有較為顯著的增加。Chen等[10]研究比較觀看3D電視引起的疲勞，發現對于觀看3D電視的人，α、β相對功率顯著下降，δ相對功率顯著上升，并采用Fp1導聯上的腦電特征實現了3D電視觀看條件下的疲勞預測。目前大多數腦力疲勞檢測的研究首先將疲勞分為若干等級，通常是三級，然后應用支持向量機、神經網絡等分類器進行識別。但生理學上疲勞是一個具有漸變特征的過程，采用分級的方式刻畫疲勞過程較為粗疏，容易丟失掉疲勞進程的動態特性。所以本課題試圖使用擬合分析解釋腦力疲勞與腦電特征之間的關系，探索使用回歸模型預測疲勞。并且，由于腦電信號存在個體差異和時間非平穩性，本課題提出基準相對功率α+、β+、θ+、δ+對原有特征進行優化。
1 實驗設計及分析方法
1.1 實驗設計
本實驗采集了6名大學生志愿者腦電，志愿者為20~28歲的4名男生和2名女生。要求參與者在實驗前一個星期保持規律的睡眠-覺醒周期，沒有攝入酒精、咖啡、藥物和煙。所有參與者在實驗前已經熟悉實驗流程，態度積極，中途不退出。使用phoenix數字腦電記錄系統，儀器自帶0.05~70 Hz帶通濾波。根據國際標準的10-20導聯系統，同時采集19導腦電數據，采樣頻率為256 Hz。
實驗采用睡眠剝奪的方法建立疲勞模型，實驗流程如圖 1所示。實驗從第一天早上8 :00(0 h)開始，持續到第二天下午14 :00(30 h)，共計30 h。被試需要始終保持清醒，每6小時采集一次數據，共6段數據。每一段數據采集6 min。首先，參與者填寫卡羅琳斯卡嗜睡量表(Karolinska sleepiness scale, KSS)和斯坦福嗜睡量表(Stanford sleepiness scale, SSS)，用時1 min。然后，參與者閉眼完成自發腦電檢測實驗，用時5 min。
圖1
實驗流程
Figure1.
Experimental procedure
對于KSS和SSS的填寫，在實驗開始前需要帶領被試熟悉量表的內容。在實驗時提供紙質版KSS和SSS給被試，以使被試更認真地思考自己的狀態并作出選擇。填寫量表時，被試需要用黑色筆在最符合自己狀態的描述上做出標記，這一過程往往伴隨著體動，產生較大肌電信號，故在這一階段不記錄腦電。
1.2 分析方法
結合Jap等的研究結果本課題研究的特征有：α、β、θ、δ波的相對功率，(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β比值，功率譜重心頻率(center of gravity frequency, CGF)，以及新指標基準相對功率α+、β+、θ+、δ+。
使用韋爾奇功率譜估計不同頻率腦電信號的功率。4個頻帶相對功率可通過下式計算
| $ R{{P}_{j}}=\frac{{{P}_{j}}}{\sum{p}}\left(j=1, 2, 3, 4 \right), $ |
其中RPj(j=1, 2, 3, 4)分別代表α、β、θ、δ波的相對功率，Pj(j=1, 2, 3, 4)分別代表α、β、θ、δ波的功率。
∑P代表從0.5~40 Hz功率的總和。比值(α+θ)/β指α和θ頻段的功率總和除以β頻段的功率總和，其他比值類似。
CGF定義為
| $ CGF=\frac{\sum\nolimits_{i}{P\left({{f}_{i}} \right)\cdot {{f}_{i}}}}{\sum\nolimits_{i}{P\left({{f}_{i}} \right)}}, $ |
其中fi為離散頻率，P(fi)為功率譜密度。
由于腦電的α、β、θ、δ成分存在個體差異和時間非平穩性。本課題提出基準相對功率指標X+，嘗試通過基準消除的方法以抑制不同個體和時間帶來的影響。定義為
| $ {{X}_{+j}}=\frac{R{{P}_{j, k}}-R{{P}_{j, 1}}}{R{{P}_{j, 1}}}\left(j=1, 2, 3, 4, k=2, 3, 4, 5, 6 \right), $ |
其中X+j(j=1, 2, 3, 4)分別代表指標α+、β+、θ+、δ+，RPj, k(j=1, 2, 3, 4)分別表示在睡眠剝奪第k=2(6 h)、3(12 h)、4(18 h)、5(24 h)、6(30 h)次采集數據得到的α、β、θ、δ波相對功率值，RPj, 1(j=1, 2, 3, 4)分別為α、β、θ、δ在睡眠剝奪第0 h的相對功率。
回歸分析是用于分析事物之間統計關系的一種數量分析方法，應用極為廣泛。它考察的是變量之間的數量變化規律，并通過回歸方程描述和反映這種關系，能夠給出變量受一個或多個變量影響的程度，為進一步預測提供依據。本課題使用多元線性回歸建模：
| $ y={{\beta }_{0}}+\sum\limits_{p=1}^{k}{{{\beta }_{p}}}{{x}_{p}}, $ |
其中β為模型系數，xp代表不同指標。本論文中使用普通最小二乘法的回歸模型參數估計，這是因為最小二乘估計是β的無偏估計，沒有系統性偏差，且最小二乘估計得到的估計值是β的線性無偏估計中唯一具有最小方差的估計。
回歸模型需要檢驗樣本數據點(xi1, xi2…xip, yi)聚集在回歸線周圍的密集程度，以評價回歸方程對樣本數據的代表程度，稱為擬合優度檢驗。使用R2統計量作為多元線性回歸方程的擬合優度檢驗，其定義為
| $ {{{\bar{R}}}^{2}}=1-\frac{\frac{\text{SSE}}{n-p-1}}{\frac{\text{SST}}{n-1}}, $ |
式中SSE為由隨機因素引起的y的變差平方和，即，SST為y的總離差平方和，即，n-p-1、n-1分別是SSE和SST的自由度。R2取值范圍為[0,1]，越接近1，擬合效果越好。
2 結果
2.1 主觀量表
KSS和SSS為評價疲勞時較為常用的兩個主觀向量表。KSS由?kerstedt和Gillberg于1990年提出，它將疲勞劃分為9個等級(1=極度警覺，3=警覺，5=既不警覺也不困倦，7=困倦，9=非常困倦，極力想保持清醒，和困倦作斗爭)[11]。SSS將疲勞劃分為7個等級(1=完全清醒，7=接近睡眠)[12]。圖 2中畫出了6名被試的KSS和SSS平均得分，縱軸為得分，橫軸代表進行睡眠剝奪的時間。結果經過了歸一化處理(0=清醒，1=疲勞)。
圖2
KSS和SSS平均得分的盒形圖
Figure2.
Boxplot of the average score of KSS and SSS
由圖 2可以看出在睡眠剝奪的第12 h之前主觀量表得分差別不大，從第12~24 h主觀量表得分顯著升高，被試明顯感覺疲勞程度增加，而在睡眠剝奪第24~30 h，疲勞狀態有小幅度減輕。根據兩配對樣本t檢驗的結果，睡眠剝奪第18、24、30 h的得分與第0 h的得分之間差異均有統計學意義(P＜0.001)。然而，實際上在睡眠剝奪的第6 h，被試已經經歷了午睡剝奪，感覺到一定疲勞。在睡眠剝奪第12 h，被試已經保持12 h以上清醒狀態，相比睡眠剝奪第0 h，疲勞程度有所增加。
2.2 腦電特征
圖 3描述的是從實驗開始到睡眠剝奪第30 h的腦地形圖，每一個時刻對應的腦地形圖代表從這一個時刻開始記錄的5 min腦電。以第一次采集得到的數據為基準，以α相對功率為例，將其腦地形圖畫在第一行第一個，用紅色區域表示相對功率高的部分，藍色區域表示相對功率低的部分，將其余時間點的腦地形圖順序畫在第一行。以α+為例，從圖 3第二行第二個開始畫腦地形圖，顏色越接近深藍色表示相對功率對于基準的下降越顯著，越接近深紅色表示相對功率對比基準的上升越顯著。
圖3
α、β、θ、δ波相對功率和指標α+、β+、θ+、δ+的腦地形圖
Figure3.
Brain mapping of relative power ofα, β, θandδ, and index ofα+, β+, θ+ andδ+
從圖 3的腦地形圖中，我們可以看出α相對功率在枕區較高，β相對功率在顳區和頂區較高，θ相對功率在頂區較高，δ相對功率在額區最高。從α+、β+、θ+、δ+腦地形圖中可以看出，對于α相對功率，在睡眠剝奪的第12 h及以前，在地形圖上以額區的升高為主，在睡眠剝奪的第18 h及以后，以在頂區和枕區下降為主；β相對功率的下降主要集中在大腦中后部；θ相對功率在腦地形圖上呈現逐漸上升趨勢，并逐漸由額區蔓延至整個大腦；δ相對功率起初在枕區增加，逐步蔓延至頂區和后顳區。
從睡眠剝奪的時間點來看，在第6、12 h腦地形圖基本一致，從第12 h以后，α+、β+、θ+、δ+腦地形圖開始出現明顯變化，第12、18、24 h的α+、β+、θ+、δ+腦地形圖明顯不同。而睡眠剝奪第24 h和第30 h腦地形圖變化不大。這一點與圖 1所示主觀量表得分的變化相吻合。
2.3 回歸模型
結合主觀量表以及腦電特征腦地形圖的結果，可以觀測到它們之間有較強的線性關系，故采用線性回歸分析對疲勞程度進行解釋，解析主觀量表得分與客觀腦電特征參數之間的關系。
使用線性回歸分別分析這13個指標，將每個指標的19個導聯作為解釋變量。結果中，回歸系數顯著性檢驗值(Sig.)小于顯著水平0.05的指標有：α(Sig.=0.037)、β(Sig.=0.038)、δ(Sig.=0.021)相對功率，(α+θ)/β(Sig.=0.030)、θ/β(Sig.=0.017)比值，β+(Sig.=0.004)、δ+(Sig.=0.027)基準相對功率，其中β+(Sig.=0.004)顯著優于其他指標。為了驗證基準相對功率對于疲勞檢測的有效性，使用指標α+、β+、θ+、δ+代替原指標α、β、θ、δ做線性回歸分析。結果中僅使用α+、β+、θ+、δ+指標的擬合優度檢驗統計量R2為0.892，大于僅使用原指標α、β、θ、δ的R2(R2=0.873)。在所有指標中，使用α+、β+、θ+、δ+替換原指標α、β、θ、δ并結合(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β、CGF指標后，R2統計量由0.902提高至0.909，但因為指標較多，包含的信息量較大，所以提高不明顯。
雖然使用α+、β+、θ+、δ+、(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β、CGF指標的擬合優度檢驗R2可達0.909，但是導聯可能有冗余，且19導聯計算量大, 不便于實時應用，故本研究對導聯進行優化。在回歸模型中，將屬于某一導聯的擬合系數βp絕對值相加，其值最小的導聯為貢獻最少。依次刪去在擬合中貢獻最少的導聯，并用其余導聯重新建立回歸模型。結果如圖 4所示，橫坐標為刪去導聯之后的剩余導聯數，縱坐標為對應的R2值。
圖4
導聯優化結果
Figure4.
Result of lead optimization
如圖 4所示，刪去第1個導聯時，擬合優度檢驗R2升高，R2=0.932，在刪去第2~10個導聯時，R2幾乎不變。當導聯數為8時，R2開始緩慢下降，導聯數小于4以后R2劇烈下降。結合實用性考慮，選取4導聯Fp1、F4、F8、C4(此時R2=0.811)進行最終線性擬合。得到如圖 5所示結果，圖中橫坐標為將各個特征參數輸入回歸模型得到對腦力疲勞的客觀估值，縱坐標為對應的主觀量表得分。可以看出，線性擬合效果較好，可以通過客觀的腦電數據建立回歸模型來預測疲勞。
圖5
導聯優化后腦力疲勞的主觀客觀擬合結果
Figure5.
Linear regression relationship between subjective evaluation and objective evaluation after lead optimization
3 討論
腦電存在個體差異和時間非平穩性，這制約了使用腦電檢測腦力疲勞的發展。如何引入個人數據達到腦力疲勞的個性化檢測，是將來疲勞檢測需要解決的重要問題。本論文通過基準消除的方法，生成新指標基準相對功率α+、β+、θ+、δ+，以抑制不同個體和時間帶來的影響。根據線性回歸分析的結果，使用新指標替換原指標α、β、θ、δ后，R2明顯提高。故新指標α+、β+、θ+、δ+的出現有效地引入了個人數據，削弱了由于個體差異和時間非平穩性帶來的影響。
腦力疲勞是漸變的過程，其程度通常隨著時間波動增加。傳統的疲勞研究將疲勞分成若干等級，并使用諸如支持向量機、神經網絡等分類器進行檢測，這就使得疲勞檢測的等級較少，靈敏度不足，對于應用有較大的限制。本課題采用線性回歸分析的手段，解釋腦電特征與腦力疲勞之間的關系，將腦力疲勞的檢測轉化為對疲勞程度漸變的評估，有效地克服了將腦力疲勞程度階梯化的問題，提高了檢測的靈敏度，更適用于實際的應用。
在實際應用中，腦力疲勞檢測需要簡易方便的設備，這就需要盡量減少腦電采集時所用的電極數量。本課題使用4導聯Fp1、F4、F8、C4進行線性擬合，其擬合優度檢驗R2達到0.811，可以基本滿足對于腦力疲勞的預測精度。
4 結論
本課題討論了腦力疲勞的EEG頻譜特征，包括α、β、θ、δ波的相對功率，(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β比值和CGF，并根據公式(3)，與基準比較生成了新指標基準相對功率α+、β+、θ+、δ+。結果表明，作為疲勞檢測的特征，新指標α+、β+、θ+、δ+的引入有效地提高了擬合優度。同時使用導聯Fp1、F4、F8、C4的腦電特征，建立腦力疲勞檢測回歸模型，其擬合效果較好，有較高的應用潛力。
