基于EEG復(fù)雜度的腦疲勞檢測研究進展

基于EEG復(fù)雜度的腦疲勞檢測研究進展摘要：腦疲勞一般是長時間從事高強度的腦力活動造成的，此過程的大腦活動可以用腦電信號（EEG）進行描述。腦電信號的復(fù)雜性特征一直是腦疲勞檢測研究的重點?；诖?，筆者重點探討了基于EEG復(fù)雜度的腦疲勞檢測研究進展，全面梳理了腦疲勞檢測方面的相關(guān)文獻。研究結(jié)果表明，非線性參數(shù)指標(biāo)嫡值分析和復(fù)雜度分析具有數(shù)據(jù)要求不高、抗干擾能力強等特點，能夠用于檢測腦電信號的復(fù)雜性。關(guān)鍵詞：腦疲勞；EEG；嫡；復(fù)雜度ResearchProgressofBrainFatigueDetectionBasedonEEGComplexityAbstract:Brainfatigueisgenerallycausedbyengaginginhigh-intensitymentalactivityforalongtime.Thebrainactivityinthisprocesscanbedescribedbyelectroencephalogram(EEG).ThecomplexityofEEGsignalshasalwaysbeenthefocusofresearchonbrainfatiguedetection.Basedonthis,theauthorfocusesontheresearchprogressofbrainfatiguedetectionbasedonEEGcomplexity,andcomprehensivelycombstherelevantliteratureonbrainfatiguedetection.Theresearchresultsshowthatentropyanalysisandcomplexityanalysisofnon-linearparameterindicatorshavethecharacteristicsoflowdatarequirementsandstronganti-interferenceability,whichcanbeusedtodetectthecomplexityofEEGsignals.Keywords:brainfatigue;EEG;entropy;complexity0引言精神疲勞是一個逐漸累積的過程，大多是由精神緊張時間過長或者長期從事單調(diào)乏味的工作造成的，會出現(xiàn)反應(yīng)遲鈍、失去協(xié)調(diào)性等癥狀，有時會造成非常嚴(yán)重的后果［1］o因此，從職業(yè)風(fēng)險防護、職業(yè)健康的角度來看，有必要對精神疲勞進行深入研究。大腦是一個典型的非線性混沌系統(tǒng)，單純從腦電信號時域和頻域兩個方面進行分析，得到的結(jié)果不夠理想，非線性的相關(guān)研究為描述腦電信號活動變化開辟了新視角。非線性指標(biāo)用于衡量系統(tǒng)的非線性程度，用于在無序中尋找有序，在復(fù)雜中尋找簡捷，同時完善決定論和概率論兩大理論體系［2］。腦電疲勞信號的單變量非線性特征分析有許多不同的測度，例如相關(guān)維數(shù)、Lyapunov指數(shù)、復(fù)雜度、各種熵［3-4］。熵和復(fù)雜度對數(shù)據(jù)長度的要求較低，并且都可以描述腦電信號的變化規(guī)律，在腦疲勞檢測領(lǐng)域一直備受重視。本文主要對描述腦電信號復(fù)雜性的非線性指標(biāo)熵和復(fù)雜度進行綜述。1EEG復(fù)雜度指標(biāo)1.1熵1948年香農(nóng)提出了香農(nóng)熵，又名信息熵的概念熵，可以描述復(fù)雜系統(tǒng)靜態(tài)的復(fù)雜度，如混亂程度、隨機性等。Kolmogorov和Sinai提出了KS熵（常用的條件熵），用來描述系統(tǒng)的復(fù)雜度，即過去狀態(tài)對當(dāng)前信息量的影響［5］o相關(guān)學(xué)者相繼提出的基于條件熵的非線性動態(tài)復(fù)雜度的衡量參

數(shù)還有ER熵回、近似熵、樣本熵、模糊熵等。熵方法作為反映腦電信號復(fù)雜度的一個重要指標(biāo)，已被廣泛用于認(rèn)知任務(wù)、睡眠、腦疲勞等不同狀態(tài)腦電信號的分析中。1.2復(fù)雜度在描述系統(tǒng)復(fù)雜性的特征參數(shù)中，分維、Lyapunov指數(shù)對數(shù)據(jù)的依賴性太強，對干擾和噪聲太敏感。計算復(fù)雜度的方法有Kolmogorov等提出的KC復(fù)雜度，又稱LZC復(fù)雜度[7],另外還有C1C2復(fù)雜度和C0復(fù)雜度。LZC復(fù)雜度可以從一維的角度反映數(shù)據(jù)序列隨其長度增長出現(xiàn)新模式的速率，對被處理對象的數(shù)據(jù)長度沒有特別的要求。2EEG復(fù)雜度指標(biāo)在檢測腦疲勞中的應(yīng)用使用腦電復(fù)雜度參數(shù)對腦疲勞信號進行特征提取分析，

可以敏感發(fā)現(xiàn)警覺性降低。LiuJP等基于近似熵(ApEn)和復(fù)雜度(kc)對長期注意力任務(wù)后的疲勞腦電進行分析，得出注意力下降后頂葉的p節(jié)律、額葉的a節(jié)律[8]o楊碩等人則采用去趨勢模糊熵對長時間閱讀任務(wù)進行疲勞識別，發(fā)現(xiàn)疲勞狀態(tài)下作為語言活動優(yōu)勢的左半球腦區(qū)熵值較清醒狀態(tài)下更低[9]oAzarnooshaM等也在長期重復(fù)注意力任務(wù)后發(fā)現(xiàn)額葉和中央?yún)^(qū)的腦電疲勞信號復(fù)雜度下降[10]o張春翠和XuR等通過非線性復(fù)雜度參數(shù)對精神疲勞下頂葉、額葉和顳葉這些與認(rèn)知運動相關(guān)腦區(qū)的腦電信號進行特征描述[11-12]o從圖1和圖2可以看出，腦力疲勞實驗和體腦疲勞實驗的EEG復(fù)雜度都明顯降低，并且體腦疲勞(PMF)實驗的腦電疲勞信號復(fù)雜度比純腦力疲勞(MF)實驗后的EEG復(fù)雜度更低，涉及腦區(qū)更廣。圖1圖2樣本熵的腦地形圖非線性復(fù)雜度參數(shù)還可以很好地量化腦疲勞的發(fā)生過程。雖然大腦精神狀態(tài)的順序可以描述為從“警覺狀態(tài)”到“疲勞”狀態(tài)，再到“昏昏欲睡狀態(tài)”的一系列轉(zhuǎn)換，但這些轉(zhuǎn)換不一定按此順序發(fā)生[13]o疲勞過程中常伴隨情緒波動、復(fù)雜度(LZC)的腦地形圖高難度任務(wù)的樣本熵值比低難度任務(wù)的低一些，度任務(wù)更容易誘發(fā)精神疲勞的結(jié)論，這可能與實驗的時間長短和任務(wù)內(nèi)容不同有關(guān)[21-22]綜上所述，腦電信號復(fù)雜度參數(shù)可以有效識別腦疲勞狀態(tài)，意味著高難[14-20]oXuX、王永祥等得到相反意識抵抗，恰是這樣的波動給疲勞預(yù)測提供了可能。ZhangC等通過樣本熵峰值(PP-SampEn)實時檢測駕駛疲勞，有效量化了疲勞過程，能實時判斷疲勞程度，對改善疲勞具有重要的意義[13]o如圖3所示，隨著時間推移，腦電疲勞信號樣本熵峰值(PP-SampEn)的電位發(fā)生明顯變化，樣本熵峰值在level2階段有一個小高峰，也就是“輕度疲勞”，也可以說是意識抵抗期。隨著疲勞的逐漸積累，最終進入成功“疲勞階段”(level4)，樣本熵峰值趨于平緩。圖3樣本熵峰值(PP-SampEn)與時間曲線翁清源經(jīng)過對不同腦疲勞的信號復(fù)雜度進行分析發(fā)現(xiàn),

揭示了任務(wù)負(fù)荷增加在一定程度上與精神疲勞呈負(fù)相關(guān)；腦電信號復(fù)雜度參數(shù)可以從多層次、多角度檢測腦疲勞產(chǎn)生過程中大腦神經(jīng)元的電波變化規(guī)律。3結(jié)語腦疲勞的產(chǎn)生過程是逐步積累的過程，大腦神經(jīng)元集的電波變化隨疲勞程度的加深也有迂回波動。腦電復(fù)雜度分析方法作為非線性方法的獨特視角在腦電信號疲勞檢測中發(fā)揮著重要的