本文旨在探索大腦疲勞的客觀指標，提高腦疲勞狀態檢測的正確率。通過持續認知任務實驗誘發腦疲勞，在腦電數據的基礎上，構建了正常態和疲勞態的腦功能網絡，利用復雜網絡理論計算并分析了正常態和疲勞態的腦功能網絡節點特征參數（度、中間中心度、聚類系數和節點平均路徑長度），并將其作為支持向量機的分類特征，采用網格搜索法對 6 重交叉驗證下的支持向量機進行參數尋優，實現對所有被試的分類研究。結果表明，將腦功能網絡的節點特征參數作為分類算法的分類特征，能夠很好地區分正常態與腦疲勞態，可以將該方法用于腦疲勞狀態的客觀評定中。
引用本文： 楊碩, 艾娜, 王磊, 張穎, 徐桂芝. 腦疲勞狀態的腦功能網絡特征分類研究. 生物醫學工程學雜志, 2018, 35(2): 171-175. doi: 10.7507/1001-5515.201609032 復制
引言
現代社會由于科學技術的迅猛發展，工作日益緊張，生活節奏加快，激烈競爭中的壓力不斷增大，使得越來越多的人長期處于腦疲勞狀態，尤以腦力勞動者和在校學生為甚。腦疲勞是由于勞動者持續進行高需求認知活動而導致的一種腦機能下降的心理生理狀態[1]。腦疲勞會引起瞬間的注意力分散、反應遲緩或協調性不夠，在工作中，特別是車輛駕駛、高風險作業等行業中可能導致極為嚴重的事故。大腦長期處于腦疲勞狀態可引發許多身心疾病，如支氣管炎、哮喘等，使人的心理承受能力下降，引起失眠、恐懼、焦慮、抑郁等精神類疾病，也有人因腦疲勞過度而死亡[2]。許多生理信息都可以用于腦疲勞的評測，特別是腦電信號的振幅、相位變異、動力學特性等信號特征蘊含了豐富的大腦工作信息，能夠反映中樞神經系統變化，且腦電具有良好的時間分辨率和空間優勢，它的采集具有無創、操作簡便等優點，因而是判斷大腦活動的一個有利手段[3]。許多學者都認為腦電是評測腦疲勞的生理學方面的“黃金標準”。近幾年，有學者嘗試提取事件相關電位（event related potential，ERP）進行腦疲勞特征分析[4]，也有學者對腦疲勞狀態下自發腦電（electroencephalogram，EEG）從時頻特征和非線性動力學特征等方面進行了研究[5]，但對腦疲勞引起的大腦各功能區間的相互協同工作的連接性關系研究較少。復雜網絡可以很好地解釋大腦的功能性連接變化[6]。而復雜網絡拓撲結構的屬性可作為度量不同網絡之間差異性的指標，目前已有少數研究者將腦功能網絡特征參數作為分類特征，應用到諸如抑郁癥、阿爾茨海默病等腦疾病的臨床輔助診斷研究中。溫洪等[7]將抑郁癥患者和正常被試的全局特征參數與局部特征參數組合作為分類特征，使用支持向量機（support vector machine，SVM）分類算法取得了較高的分類正確率。梁紅等[8]構建了早期輕度認知障礙患者、晚期輕度認知障礙患者和正常被試的腦功能網絡，計算得到被試的節點度、中間中心度和節點效率，采用 SVM 算法得到了較好的分類結果。
本文采用復雜網絡理論分析方法，基于 EEG 數據構建了正常態和腦疲勞狀態下的腦功能網絡，將腦功能網絡節點特征參數作為分類特征，使用基于徑向基核函數的 SVM 分類算法對所有被試的正常態與腦疲勞狀態進行了分類研究，以提高腦疲勞檢測的正確率，探索客觀評價腦疲勞的指標。
1 EEG 數據采集與預處理
1.1 被試
14 名健康男性在校本科生自愿參加了實驗，母語均為漢語，年齡 20～23 歲，均為右利手，無重大腦部疾患、心理及器質性疾病史。實驗前要求被試睡眠充足，不能攝入任何興奮或抑制中樞的食物和藥物，避免劇烈運動，并告知被試整個實驗的內容、步驟和研究目的等。
1.2 腦疲勞實驗設計
本實驗過程中保持環境安靜，室溫為 22℃。實驗從早晨 8 點開始，要求被試連續閱讀英文文獻并進行總結歸納，直至主觀感覺大腦疲勞。認知任務開始前的安靜閉目狀態記為正常態，認知任務結束后的安靜閉目狀態記為疲勞態。在兩種狀態下，采用卡羅林斯卡嗜睡量表（Karolinska Sleepiness Scale，KSS）進行主觀疲勞問卷調查。疲勞態下，KSS 量表平均得分從正常態的 3.50（SD = 1.22）顯著增加到 6.29（SD = 1.14）（統計軟件 SPSS19.0，配對 t 檢驗，P < 0.05）。本實驗采集了被試正常態和疲勞態兩種即時狀態下的 EEG 信號各 2 min。
1.3 數據采集和預處理
本實驗利用美國 Neuroscan 的 EEG 記錄系統同步采集了被試正常態和疲勞態的 64 導頭皮 EEG 信號，采樣頻率為 1 000 Hz，以雙側乳突為參考電極，電極與頭皮的接觸阻抗小于 5 kΩ。利用系統自帶的“Scan4.3.2”進行 EEG 信號預覽、DC offset correction、去除眼電偽跡和數字濾波等預處理。
2 腦功能網絡的構建
2.1 EEG 信號導聯間關聯特性分析
本文選用互相關方法求取任意兩導聯 EEG 信號的互相關系數，得到互相關系數矩陣。互相關系數計算公式如下[9]：
 |
式中，i、j 為兩導聯的采樣點，n 為采樣點即數據點總個數，k 表示兩導聯 EEG 時間序列 X 和 Y 采樣點間的延遲時間。在基于 EEG 的腦功能網絡的構建過程中，通常將每個導聯對應的電極測量區域作為一個節點，得到的互相關系數矩陣即為節點關聯關系矩陣。
2.2 閾值的選取及腦功能網絡的構建
Achard 等[10]將其對能耗和價值的理解應用到閾值設定中，把網絡密度 S 作為確定閾值的指標。同時在網絡中，應保證平均度 K 滿足 N ≥ K ≥ ln（N） ? 0（N 為節點總數）以保持網絡連通性。本文閾值設定為 T = 0.68。當節點間互相關系數值大于閾值時，二值矩陣對應位置的元素為 1，反之為 0，通常二值矩陣對角線元素為 0，這樣構建的網絡為 0 — 1 二值網絡 [11]。據此可得到所有被試的腦功能網絡。
3 分類模型的構建
3.1 特征選擇
本文選取度、中間中心度、聚類系數和節點平均路徑長度四種腦功能網絡節點特征參數作為分類特征[12-13]，對正常態和疲勞態進行分類研究。
3.1.1 度
度作為復雜網絡模型節點屬性中最重要的性質之一，直觀地描述了節點間的連接統計特性。對于無權腦網絡，節點 i 的度 Ki 定義為網絡中和該節點連接的所有邊的數目，Ki 越大，該節點 i 在腦網絡中的影響力就越大，節點度 Ki 公式為：
 |
3.1.2 中間中心度
中間中心度是反映節點網絡中心性的指標。它是指網絡中的全部最短路徑中，經過該節點的路徑數目與最短路徑總數的比值，用來刻畫節點對整個網絡效率的控制能力，其值越大，表明該節點在腦功能網絡中的位置越重要。計算公式為：
 |
式中，δjk（i） 表示節點 j 到節點 k 的最短路徑中經過節點 i 的數目，δjk 為節點 j 與 k 的最短路徑數。
3.1.3 聚類系數
聚類系數刻畫了網絡節點的群集現象，即描述了網絡節點的聚集程度。節點 i 的聚類系數 Ci 為局部聚類系數，是節點 i 及其鄰居節點間的實際連接邊數與這些節點中最大可能連接邊數目的比值。
 |
3.1.4 節點平均路徑長度
平均路徑長度用于衡量網絡的傳輸效率。在復雜網絡中，平均路徑長度越小，網絡的連通性和傳輸性越好。節點 i 到節點 j 信息傳遞最快的路徑為最優路徑，即節點 i 和 j 之間的最短路徑，連接這兩節點最短路徑的邊數為節點 i、j 間的最短路徑長度或距離 dij。腦功能網絡中節點 i 與其他節點間的平均路徑長度用 Li 表示。
 |
3.2 分類算法的選擇
SVM 是由 Vapnik 等[14]首先提出的一種基于統計學與模式識別的分類算法，它在解決小樣本、非線性和高維模式識別等實際問題中表現出較多優勢。SVM 是經線性可分情況下的最優分類超平面發展起來的，其實質上是在訓練樣本數據中尋找到用于構造最優分類超平面的支持向量[15]。
3.3 構建分類模型
本文記錄了 14 名被試在兩種狀態下的 120 s 自發 EEG 數據。將獲得的腦電數據每 30 s 分割為一個數據樣本，采用 6 重交叉驗證的 SVM 分類算法[16-17]，全部數據樣本隨機等分為 6 個不相交的組，從 6 組數據樣本中選擇 5 組作為訓練集，余下的一組作為測試集，進行 6 次交叉驗證，交叉驗證后得到的準確率就是該次腦電分類的正確率。將 6 次驗證的平均結果作為最終的分類正確率。選取徑向基核函數［公式（6）］作為 SVM 分類算法的核函數。
 |
對于 SVM 懲罰因子 C 和徑向基核函數的參數 γ 的優化，本文采用的是網格搜索法[18-19]。即 C 和 γ 分別取 20 和 16 個值，C 的取值范圍為［2-9, 2-8,
, 210］，核函數參數 γ 的取值范圍為［2-7, 2-6,
, 28］，由此構成一個有 320（20 × 16）個交叉點的二維網格平面，利用 6 重交叉驗證方法構造這 320 個（C，γ）參數組合的 SVM 模型，分別求取其分類正確率，最終將分類正確率最高的那組參數作為最佳的參數。
本文首先進行正常態和疲勞態的二分類，得到所有樣本 63 導聯（除去壞電極 FP1）每導的分類正確率，并將這 63 導按分類正確率降序排序，得到相應的導聯序列。然后將多導聯特征組合作為新的分類特征，依次對正常態和疲勞態進行了分類識別。
4 結果與分析
4.1 腦功能網絡節點特征參數結果
本文將 14 名被試正常態和疲勞態每一導聯的 4 個局部特征參數平均結果采用腦電信息圖的形式展現出來，如圖 1 所示。
圖1
正常態和疲勞態的網絡局部特征腦電信息圖
Figure1.
The brain information mapping based on local characteristics of brain network in normal state and mental fatigue state
由圖 1 可以看出，與正常態相比，疲勞態時大腦各節點的度值 Ki 呈現整體減小的趨勢，表明疲勞態腦功能網絡節點間的連接減少，各腦區間的相互關聯性減弱。正常態時腦功能網絡中間中心度值 KBC（i） 較大的節點，經疲勞態后依然處于網絡的重要位置，表明各腦區中間中心度值高的節點經疲勞態后對大腦功能性連接的控制能力基本不變。正常態時的腦功能網絡聚類系數 Ci 整體高于疲勞態，這是因為正常態下大腦沒有過多調用思維認知、精神等特殊功能腦區，連接邊的分布集中，而疲勞態時，腦功能網絡的聚集程度因多腦區的調用而減弱。節點平均路徑長度 Li 反映的是信息傳遞效率，圖中可見部分腦區的 Li 在疲勞態時較大，表明疲勞態時大腦的信息傳遞效率較正常態降低，網絡的連通性變差。
4.2 分類結果與分析
根據前述 3.3 小節所述方法構建分類模型，首先以每一導聯的腦網絡局部特征作為該導聯的分類特征，得到了按單導特征分類的分類正確率，結果如圖 2 所示。
圖2
單導電極分類正確率分布結果圖
Figure2.
The classification accuracy of each single electrode
為了獲得更高的分類正確率，本文將多導聯特征組合作為新的分類特征。首先，將導聯按其單導分類正確率排序。然后，從 1-5 導聯特征組合開始，以每次遞加 5 導特征的方法增加分類特征，逐次對數據樣本的正常態和疲勞態進行了分類研究。最終得到導聯與相應分類正確率的結果如圖 3 所示。由圖 3 可知，分類正確率均在 90% 以上，且選擇前 30 導聯和前 40 導聯時的分類結果（97.619%）最佳。
圖3
導聯組合與分類正確率分布結果圖
Figure3.
The result of electrode combination and classification accuracies
5 結論
本文基于持續認知任務引發的腦疲勞狀態，構建了正常態和疲勞態下的腦功能網絡，利用復雜網絡理論求取且分析了度、中間中心度、聚類系數和節點平均路徑長度，并將這四種節點特征參數作為分類特征，運用基于徑向基核函數的 SVM 分類算法對所有被試的正常態和疲勞態進行了分類。結果表明：腦功能網絡節點特征參數能夠很好地反映腦疲勞時大腦連接性的變化情況，同時，將其作為分類特征，可以很好地區分正常態與疲勞態。因此，可以將腦功能網絡的節點特征參數作為客觀評定腦疲勞的檢測指標。
引言
現代社會由于科學技術的迅猛發展，工作日益緊張，生活節奏加快，激烈競爭中的壓力不斷增大，使得越來越多的人長期處于腦疲勞狀態，尤以腦力勞動者和在校學生為甚。腦疲勞是由于勞動者持續進行高需求認知活動而導致的一種腦機能下降的心理生理狀態[1]。腦疲勞會引起瞬間的注意力分散、反應遲緩或協調性不夠，在工作中，特別是車輛駕駛、高風險作業等行業中可能導致極為嚴重的事故。大腦長期處于腦疲勞狀態可引發許多身心疾病，如支氣管炎、哮喘等，使人的心理承受能力下降，引起失眠、恐懼、焦慮、抑郁等精神類疾病，也有人因腦疲勞過度而死亡[2]。許多生理信息都可以用于腦疲勞的評測，特別是腦電信號的振幅、相位變異、動力學特性等信號特征蘊含了豐富的大腦工作信息，能夠反映中樞神經系統變化，且腦電具有良好的時間分辨率和空間優勢，它的采集具有無創、操作簡便等優點，因而是判斷大腦活動的一個有利手段[3]。許多學者都認為腦電是評測腦疲勞的生理學方面的“黃金標準”。近幾年，有學者嘗試提取事件相關電位（event related potential，ERP）進行腦疲勞特征分析[4]，也有學者對腦疲勞狀態下自發腦電（electroencephalogram，EEG）從時頻特征和非線性動力學特征等方面進行了研究[5]，但對腦疲勞引起的大腦各功能區間的相互協同工作的連接性關系研究較少。復雜網絡可以很好地解釋大腦的功能性連接變化[6]。而復雜網絡拓撲結構的屬性可作為度量不同網絡之間差異性的指標，目前已有少數研究者將腦功能網絡特征參數作為分類特征，應用到諸如抑郁癥、阿爾茨海默病等腦疾病的臨床輔助診斷研究中。溫洪等[7]將抑郁癥患者和正常被試的全局特征參數與局部特征參數組合作為分類特征，使用支持向量機（support vector machine，SVM）分類算法取得了較高的分類正確率。梁紅等[8]構建了早期輕度認知障礙患者、晚期輕度認知障礙患者和正常被試的腦功能網絡，計算得到被試的節點度、中間中心度和節點效率，采用 SVM 算法得到了較好的分類結果。
本文采用復雜網絡理論分析方法，基于 EEG 數據構建了正常態和腦疲勞狀態下的腦功能網絡，將腦功能網絡節點特征參數作為分類特征，使用基于徑向基核函數的 SVM 分類算法對所有被試的正常態與腦疲勞狀態進行了分類研究，以提高腦疲勞檢測的正確率，探索客觀評價腦疲勞的指標。
1 EEG 數據采集與預處理
1.1 被試
14 名健康男性在校本科生自愿參加了實驗，母語均為漢語，年齡 20～23 歲，均為右利手，無重大腦部疾患、心理及器質性疾病史。實驗前要求被試睡眠充足，不能攝入任何興奮或抑制中樞的食物和藥物，避免劇烈運動，并告知被試整個實驗的內容、步驟和研究目的等。
1.2 腦疲勞實驗設計
本實驗過程中保持環境安靜，室溫為 22℃。實驗從早晨 8 點開始，要求被試連續閱讀英文文獻并進行總結歸納，直至主觀感覺大腦疲勞。認知任務開始前的安靜閉目狀態記為正常態，認知任務結束后的安靜閉目狀態記為疲勞態。在兩種狀態下，采用卡羅林斯卡嗜睡量表（Karolinska Sleepiness Scale，KSS）進行主觀疲勞問卷調查。疲勞態下，KSS 量表平均得分從正常態的 3.50（SD = 1.22）顯著增加到 6.29（SD = 1.14）（統計軟件 SPSS19.0，配對 t 檢驗，P < 0.05）。本實驗采集了被試正常態和疲勞態兩種即時狀態下的 EEG 信號各 2 min。
1.3 數據采集和預處理
本實驗利用美國 Neuroscan 的 EEG 記錄系統同步采集了被試正常態和疲勞態的 64 導頭皮 EEG 信號，采樣頻率為 1 000 Hz，以雙側乳突為參考電極，電極與頭皮的接觸阻抗小于 5 kΩ。利用系統自帶的“Scan4.3.2”進行 EEG 信號預覽、DC offset correction、去除眼電偽跡和數字濾波等預處理。
2 腦功能網絡的構建
2.1 EEG 信號導聯間關聯特性分析
本文選用互相關方法求取任意兩導聯 EEG 信號的互相關系數，得到互相關系數矩陣。互相關系數計算公式如下[9]：
|
式中，i、j 為兩導聯的采樣點，n 為采樣點即數據點總個數，k 表示兩導聯 EEG 時間序列 X 和 Y 采樣點間的延遲時間。在基于 EEG 的腦功能網絡的構建過程中，通常將每個導聯對應的電極測量區域作為一個節點，得到的互相關系數矩陣即為節點關聯關系矩陣。
2.2 閾值的選取及腦功能網絡的構建
Achard 等[10]將其對能耗和價值的理解應用到閾值設定中，把網絡密度 S 作為確定閾值的指標。同時在網絡中，應保證平均度 K 滿足 N ≥ K ≥ ln（N） ? 0（N 為節點總數）以保持網絡連通性。本文閾值設定為 T = 0.68。當節點間互相關系數值大于閾值時，二值矩陣對應位置的元素為 1，反之為 0，通常二值矩陣對角線元素為 0，這樣構建的網絡為 0 — 1 二值網絡 [11]。據此可得到所有被試的腦功能網絡。
3 分類模型的構建
3.1 特征選擇
本文選取度、中間中心度、聚類系數和節點平均路徑長度四種腦功能網絡節點特征參數作為分類特征[12-13]，對正常態和疲勞態進行分類研究。
3.1.1 度
度作為復雜網絡模型節點屬性中最重要的性質之一，直觀地描述了節點間的連接統計特性。對于無權腦網絡，節點 i 的度 Ki 定義為網絡中和該節點連接的所有邊的數目，Ki 越大，該節點 i 在腦網絡中的影響力就越大，節點度 Ki 公式為：
|
3.1.2 中間中心度
中間中心度是反映節點網絡中心性的指標。它是指網絡中的全部最短路徑中，經過該節點的路徑數目與最短路徑總數的比值，用來刻畫節點對整個網絡效率的控制能力，其值越大，表明該節點在腦功能網絡中的位置越重要。計算公式為：
|
式中，δjk（i） 表示節點 j 到節點 k 的最短路徑中經過節點 i 的數目，δjk 為節點 j 與 k 的最短路徑數。
3.1.3 聚類系數
聚類系數刻畫了網絡節點的群集現象，即描述了網絡節點的聚集程度。節點 i 的聚類系數 Ci 為局部聚類系數，是節點 i 及其鄰居節點間的實際連接邊數與這些節點中最大可能連接邊數目的比值。
|
3.1.4 節點平均路徑長度
平均路徑長度用于衡量網絡的傳輸效率。在復雜網絡中，平均路徑長度越小，網絡的連通性和傳輸性越好。節點 i 到節點 j 信息傳遞最快的路徑為最優路徑，即節點 i 和 j 之間的最短路徑，連接這兩節點最短路徑的邊數為節點 i、j 間的最短路徑長度或距離 dij。腦功能網絡中節點 i 與其他節點間的平均路徑長度用 Li 表示。
|
3.2 分類算法的選擇
SVM 是由 Vapnik 等[14]首先提出的一種基于統計學與模式識別的分類算法，它在解決小樣本、非線性和高維模式識別等實際問題中表現出較多優勢。SVM 是經線性可分情況下的最優分類超平面發展起來的，其實質上是在訓練樣本數據中尋找到用于構造最優分類超平面的支持向量[15]。
3.3 構建分類模型
本文記錄了 14 名被試在兩種狀態下的 120 s 自發 EEG 數據。將獲得的腦電數據每 30 s 分割為一個數據樣本，采用 6 重交叉驗證的 SVM 分類算法[16-17]，全部數據樣本隨機等分為 6 個不相交的組，從 6 組數據樣本中選擇 5 組作為訓練集，余下的一組作為測試集，進行 6 次交叉驗證，交叉驗證后得到的準確率就是該次腦電分類的正確率。將 6 次驗證的平均結果作為最終的分類正確率。選取徑向基核函數［公式（6）］作為 SVM 分類算法的核函數。
|
對于 SVM 懲罰因子 C 和徑向基核函數的參數 γ 的優化，本文采用的是網格搜索法[18-19]。即 C 和 γ 分別取 20 和 16 個值，C 的取值范圍為［2-9, 2-8,
, 210］，核函數參數 γ 的取值范圍為［2-7, 2-6,
, 28］，由此構成一個有 320（20 × 16）個交叉點的二維網格平面，利用 6 重交叉驗證方法構造這 320 個（C，γ）參數組合的 SVM 模型，分別求取其分類正確率，最終將分類正確率最高的那組參數作為最佳的參數。
本文首先進行正常態和疲勞態的二分類，得到所有樣本 63 導聯（除去壞電極 FP1）每導的分類正確率，并將這 63 導按分類正確率降序排序，得到相應的導聯序列。然后將多導聯特征組合作為新的分類特征，依次對正常態和疲勞態進行了分類識別。
4 結果與分析
4.1 腦功能網絡節點特征參數結果
本文將 14 名被試正常態和疲勞態每一導聯的 4 個局部特征參數平均結果采用腦電信息圖的形式展現出來，如圖 1 所示。
圖1
正常態和疲勞態的網絡局部特征腦電信息圖
Figure1.
The brain information mapping based on local characteristics of brain network in normal state and mental fatigue state
由圖 1 可以看出，與正常態相比，疲勞態時大腦各節點的度值 Ki 呈現整體減小的趨勢，表明疲勞態腦功能網絡節點間的連接減少，各腦區間的相互關聯性減弱。正常態時腦功能網絡中間中心度值 KBC（i） 較大的節點，經疲勞態后依然處于網絡的重要位置，表明各腦區中間中心度值高的節點經疲勞態后對大腦功能性連接的控制能力基本不變。正常態時的腦功能網絡聚類系數 Ci 整體高于疲勞態，這是因為正常態下大腦沒有過多調用思維認知、精神等特殊功能腦區，連接邊的分布集中，而疲勞態時，腦功能網絡的聚集程度因多腦區的調用而減弱。節點平均路徑長度 Li 反映的是信息傳遞效率，圖中可見部分腦區的 Li 在疲勞態時較大，表明疲勞態時大腦的信息傳遞效率較正常態降低，網絡的連通性變差。
4.2 分類結果與分析
根據前述 3.3 小節所述方法構建分類模型，首先以每一導聯的腦網絡局部特征作為該導聯的分類特征，得到了按單導特征分類的分類正確率，結果如圖 2 所示。
圖2
單導電極分類正確率分布結果圖
Figure2.
The classification accuracy of each single electrode
為了獲得更高的分類正確率，本文將多導聯特征組合作為新的分類特征。首先，將導聯按其單導分類正確率排序。然后，從 1-5 導聯特征組合開始，以每次遞加 5 導特征的方法增加分類特征，逐次對數據樣本的正常態和疲勞態進行了分類研究。最終得到導聯與相應分類正確率的結果如圖 3 所示。由圖 3 可知，分類正確率均在 90% 以上，且選擇前 30 導聯和前 40 導聯時的分類結果（97.619%）最佳。
圖3
導聯組合與分類正確率分布結果圖
Figure3.
The result of electrode combination and classification accuracies
5 結論
本文基于持續認知任務引發的腦疲勞狀態，構建了正常態和疲勞態下的腦功能網絡，利用復雜網絡理論求取且分析了度、中間中心度、聚類系數和節點平均路徑長度，并將這四種節點特征參數作為分類特征，運用基于徑向基核函數的 SVM 分類算法對所有被試的正常態和疲勞態進行了分類。結果表明：腦功能網絡節點特征參數能夠很好地反映腦疲勞時大腦連接性的變化情況，同時，將其作為分類特征，可以很好地區分正常態與疲勞態。因此，可以將腦功能網絡的節點特征參數作為客觀評定腦疲勞的檢測指標。
