疲勞情境下的心電信號和肌電信號

疲勞情境下的心電信號和肌電信號

1eeg信號的測量疲勞駕駛是造成交通事故的重要原因。2004年，我國交通運輸部發(fā)布了中國道路交通事故調查。道路交通事故中約10%是由駕駛員疲勞造成的。同年美國國家交通安全委員會(NTSB)檢查了107起由駕駛員造成的卡車交通事故,有58%的交通事故與駕駛員疲勞駕駛有關。駕駛疲勞,是指駕駛人在長時間連續(xù)行車后,產生生理機能和心理機能的失調,而在客觀上出現(xiàn)駕駛技能下降的現(xiàn)象。目前,國內外學者對駕駛疲勞的研究多集中在駕駛疲勞的定義及其影響因素、駕駛疲勞的監(jiān)測及反饋以及駕駛疲勞的模型建構等3個方面,尤其在疲勞監(jiān)測方面,獲得了大量研究成果。駕駛疲勞的監(jiān)測沒有絕對的尺度,一般只是測量與其有關的某些現(xiàn)象或特征量。研究者們一般采用評價性測試、生理反應測試、生理參數測試、生理化學方法等4種方法對駕駛疲勞進行測定。生物參數測試方法由于能直接客觀的反應人體疲勞狀態(tài)而被大量應用。駕駛疲勞多項指標包括腦電圖(EEG)、心電圖(ECG)、肌電圖(EMG)、眼動、呼吸、皮阻皮溫等生理參數進行了測量。SarojK.L.Lal等人指出評價駕駛疲勞的眾多人體生理指標中,EEG信號可能是最具有可信度和預測性的測量駕駛疲勞的生理參數。MarkA.Schier在研究中記錄模擬駕駛過程中駕駛員的腦電信號和注意績效,結果表明腦電信號的變化與駕駛員注意的變化一致。J.ToddArnedt等人研究了駕駛疲勞產生后主觀調查問卷與人體生理信號之間的關系,比較了腦電圖、肌電圖和眼動圖與主觀疲勞問卷調查,發(fā)現(xiàn)主觀調查結果與生理信號之間具有一致性。I.Hostens等人使用表面肌電信號研究了長途駕駛條件下人體肌肉疲勞的過程,研究發(fā)現(xiàn)肌肉疲勞產生后,表面肌電值上升,肌電平均頻率下降。Britt等用兩因素方差分析研究了應用肌電信號中值頻率(MF)評價肌肉疲勞的可靠性,結果顯示隨著疲勞的產生,中值頻率存在下降趨勢。Horne和Reyner認為心率變異性(HRV)的增加預示著心理負荷的降低,這可能會發(fā)生在長時單調的駕駛任務過程中,但是低的心理負荷可能也與低的警戒水平有關,這同樣會影響駕駛績效。大部分研究者都認為EEG信號可能是最有效的駕駛疲勞測量指標,認為根據它可以直接判斷駕駛員的疲勞程度。但是,EEG信號采集對研究條件要求較高:腦電信號不穩(wěn)定,提取過程中極易受周圍環(huán)境的影響;同時長時間接觸式測量易引起駕駛員不適。因此,EEG信號的測量具有一定的局限性,一般只能在實驗室進行。ECG信號分析中心率變異性(HRV)是對心跳變異性的測量,是通過分析心臟每次跳動的時間間隔來計算的。李增勇、焦昆、陳銘等應用心率變異性功率譜分析并結合主觀評估,分析了模擬駕駛條件下被試的心臟自主神經功能狀態(tài),發(fā)現(xiàn)持續(xù)應激條件下,被試的心率變異性表現(xiàn)出明顯的變化,即心率變異性與人的負荷水平和疲勞程度具有較高的相關性,能作為評估駕駛疲勞的有效指標。但國內現(xiàn)有的針對駕駛的心率變異性研究主要是在評價駕駛員應對突發(fā)事件或超車等復雜任務的心率變化,較少研究針對長時間的單調駕駛任務下駕駛員心率變異性的變化特點,而疲勞更容易發(fā)生在高速公路等時程較長任務單調的駕駛環(huán)境中。肌電圖EMG信號能有效針對局部肌肉進行疲勞測定,它可以表征肌電信號振幅在時間維度上的變化特征。其中肌電信號功率譜波形的穩(wěn)定性,直接導致通過功率譜提取的頻域特征也相對比較穩(wěn)定,肌電信號的頻域描述相對比較穩(wěn)定,因此本文提取肌電信號特征,求取EMG功率譜的平均功率頻率。目前國內對疲勞駕駛下表面肌電的研究主要是測量駕駛員要腿部或背部肌肉的肌電值,較少有研究測量駕駛疲勞下肩頸部肌肉的表面肌電值,而長時間駕駛后肩頸部肌肉的疲勞也是比較明顯的。同時,心電和肌電數據變化穩(wěn)定,相對EEG數據采集更簡單有效。因此,本研究選擇心電信號的HRV和肌電信號的MPF兩項指標聯(lián)合分析疲勞情況下的人體生理信號變化特點,對駕駛疲勞進行評定,從而為駕駛疲勞的監(jiān)測和預警提供依據。2學習方法2.1實驗動物及藥物在校大學生12名,6名男生,6名女生,均有1-2a駕齡,年齡在20-25歲之間,身體健康,視力或矯正視力正常,實驗前24h沒有服用任何刺激性物品或藥物。完成實驗后獲得一定報酬。2.2解決方案,方案1:第20公里,解決障礙,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,右轉車道綠燈,左轉車道綠燈,或甲路下場景,以下轉車道綠燈為例,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道增通車道增通車道增通車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈,左轉車道綠燈實驗刺激為圖片,全部來自《3DDrivingSchool3.1》,共有16類圖片,分別為:限速10公里,限速30公里,限速60公里,前方有障礙需停車,前方有障礙需左轉,前方道路變窄,左轉車道紅燈,左轉車道綠燈有車橫穿馬路,左轉車道綠燈,直行車道紅燈,直行車道綠燈有車橫穿馬路,直行車道綠燈,右轉車道紅燈,右轉車道綠燈有車橫穿馬路,右轉車道綠燈。每類圖片有6個,共計96張圖片。實驗刺激采用17寸NEC純平顯示器呈現(xiàn)。2.3車速判斷實驗電極安裝完畢后,被試舒適座位,靜坐兩分鐘,測量各個生理指標的基線水平。然后雙手放在鍵盤上,平視前方100cm處的計算機顯示屏,開始實驗。實驗過程中被試根據當前的車速和圖片上的情景對汽車的行為進行判斷,分別為方向判斷和車速判斷,在方向判斷中,“a”,“w”,“d”,分別代表左轉,直行和右轉,在車速判斷中“u”“j”“m”分別代表著加速,勻速和減速,被試在每個trial中需要同時對方向和車速進行判斷。實驗一共14個block,每個block中每張圖片在3種車速情況下各出現(xiàn)一次,實驗持續(xù)2.5h左右。在練習階段,每當被試做完判斷會有反饋,正式實驗階段沒有反饋。實驗練習階段有主試在一旁給予講解,練習結束后主試退出房間,開始正式實驗。2.4肌組成電路本實驗采用BIOPACMP150多導生理儀作為測量和記錄生理指標的儀器,主要選擇了心電信號和肌電信號,信號采樣率為1000Hz。心電信號采集使用ECG100C放大器,LEAD110S屏蔽導線2根、LEAD100非屏蔽導線1根和一次性貼片電極3個,分別貼在左手手腕,右手手腕和右腳腳踝處。放大器增益設置在500,高通濾波器設置在0.5Hz,低通濾波器設置在35Hz“ON”。肌電信號采集使用EMG100C放大器,LEAD110S屏蔽導線2根、LEAD100A非屏蔽導線1根和一次性貼片電極3個。分別貼在頸左部,左三角肌處和左手肘部。放大器增益設置在2000,高通濾波器設置在1Hz,低通濾波器設置在100Hz“HPNOFF”。3結果3.1行為指標分析按時間順序的每個block中任務的反應時和正確率,比較各個時間段14個block的平均反應時和正確率,結果如下。3.1.1被試反應及反應被試對模擬駕駛任務的反應時呈下降趨勢,尤其是從第1個block到第4個block,被試反應時急劇下降,之后趨于穩(wěn)定。統(tǒng)計結果顯示不同時間段的主效應顯著(P<0.001),通過經過事后兩兩比較,發(fā)現(xiàn)第1個block反應時和其他block之間差異顯著,第8到第14個block之間反應時差異不顯著。3.1.2不同時段主效應被試在第一個block的正確率顯著低于其他block,之后從第2個block開始到底8個block正確率不穩(wěn)定,從第8個block開始被試正確率呈緩慢下降趨勢。統(tǒng)計結果顯示不同時間段主效應顯著,由事后兩兩比較得出差異主要體現(xiàn)在第1個block與其它block之間,第8個到第14個block之間的正確率之間差異邊緣顯著P=0.068。這可能是因為第1個block被試還處于熟悉任務階段,故正確率較低。對行為數據的分析表明疲勞情況下駕駛績效的變化可能更多的體現(xiàn)在正確率而不是反應時上,即隨著疲勞程度的增加,駕駛員會表現(xiàn)更容易出錯。3.2生理指標將獲取的生理數據在時程上以10min為單位進行分段,一共分為14個區(qū)段,然后在每段中取數據進行心率變異性和表面肌電值分析。3.2.1hrv指標回歸分析在140min模擬駕駛實驗過程中,每10min取60s的ECG數據進行分析,得到被試的心率變異性情況。以往研究表明,在不同的疲勞程度下,HRV線性指標的變化方向與程度并不一致,因此采用非線性擬合對HRV指標進行回歸分析,結果如圖1所示:非線性擬合函數為:由圖1可以得知,在實驗過程中,被試心率變異性隨著疲勞程度的增強整體呈變大趨勢。在0-80min,心率變異性呈現(xiàn)波動,其中,在10-20min心率變異性達到最低。隨后,在80-130min階段,心率變異性呈現(xiàn)整體上升趨勢,其中有小幅度的波動。之后,心率變異性急劇增大。這說明心率變異性在長時間駕駛過程中并不是統(tǒng)一的變化趨勢,具有波動性,會出現(xiàn)反復變化。3.2.2肌電特征及其相關線性擬合肌電信號功率譜波形的穩(wěn)定性,直接導致通過功率譜提取的頻域特征也相對比較穩(wěn)定,肌電信號的頻域描述相對比較穩(wěn)定。因此本文通過快速傅立葉變換將信號變換成頻域中的頻譜或功率譜,提取肌電信號特征,求取EMG功率譜的平均功率頻率,其定義如下:其中,P(f)為信號的功率譜密度函數。因為肌電值的數據采集頻率較高,數據量較大,故將采集到的肌電信號每隔10min抽取出一定值,采用頻域方法提取肌電信號特征,得到平均功率頻率值的變化情況,對其進行非線性擬合,得到其非線性回歸方程為Y=0.000001﹡3-0.016﹡2-0.238X+13.40(R2=0.865),如圖2。從圖中可以看出,平均功率頻率值隨疲勞程度增強呈整體降低趨勢,并帶階段性。在0-30min平均功率頻率值隨著時間不斷增加,30-80min,平均功率頻率值維持著一定的下降速度,之后在80-90min和100-110min有兩次上升,特別是100-110min上升趨勢很明顯,之后平均功率頻率值繼續(xù)減小。由此可知平均功率頻率值也不是呈不變的趨勢,也會出現(xiàn)反復和波動,這可能暗示著疲勞并不是單純的線性變化。4疲勞程度對心率和肌電指標的影響本研究主要從行為指標,心電數據和肌電數據對駕駛疲勞來進行分析。從行為指標上來看,反應時數據反映出被試能良好地完成駕駛任務,開始階段完成單個trial的時間逐漸下降,但是在第8-14個block之間的反應時差異不顯著,即完成任務的反應時趨于穩(wěn)定,這表明被試反應時減少可能是由于練習效應,即經過多次練習反應時減少,直至熟練后反應時趨于穩(wěn)定。同時,被試在第8-14個block之間的正確率有明顯下降,這可能暗示疲勞并不是體現(xiàn)在反應變慢而是體現(xiàn)在更加容易出錯,通過實驗結束后被試的報告發(fā)現(xiàn)造成這種現(xiàn)象可能的原因是疲勞之后變得急躁所導致。從心電指標上來看,隨著疲勞程度的增加,心率變異性越來越大,心率變異性的增加意味著心臟活動不規(guī)律性的增加,說明了疲勞對心血管系統(tǒng)帶來的影響,以往對心率變異性的研究中指出在不同的疲勞狀態(tài)下心率變異性的變化趨勢表現(xiàn)并不一致,但總的來說,當疲勞達到一定程度以后,心率變異性是會明顯增加的。從表面肌電指標上來看,肌電平均功率頻率值在0-30min先有一個上升期,這表明了被試在這段時間的肌肉逐漸進入的最佳狀態(tài),在40-100min平均功率頻率值逐漸下降,到110min又有顯著的上升,之后又下降,呈現(xiàn)出循環(huán)的趨勢,這可能暗示了疲勞并不是線性增加的。吳劍鋒等人和LalandCraig研究表明隨著疲勞的產生心率變異性變大。焦昆等人和I.Hostens等人的研究表明人體在隨著疲勞程度的增加,表面肌電值上升,肌電平均頻率下降。本研究結果心率變異性和表面肌電的變化規(guī)律與上述研究一致。以往有研究指出疲勞并不是一個連續(xù)變化的過程,而是包含了連續(xù)多個“小睡”。被試事后報告表明,實驗過程被試狀態(tài)時而清醒