EEG在交通安全領(lǐng)域中的應(yīng)用研究綜述

導(dǎo)讀：道路交通事故導(dǎo)致的人員傷亡以及巨大的經(jīng)濟(jì)財(cái)產(chǎn)損失使得道路交通安全問題成為社會(huì)關(guān)注的重點(diǎn)。隨著計(jì)算機(jī)技術(shù)以及認(rèn)知心理學(xué)的發(fā)展，EEG相關(guān)研究成果的應(yīng)用為交通安全提供了新的研究方向。作為一種電生理信號(hào)，EEG以較高的時(shí)間分辨率快速反映出駕駛員的心理活動(dòng)和認(rèn)知行為。本文分別從EEG在交通安全領(lǐng)域的應(yīng)用研究現(xiàn)狀和技術(shù)研究現(xiàn)狀兩方面，總結(jié)和梳理了近五年來國內(nèi)外學(xué)者的研究進(jìn)展和相關(guān)成果，同時(shí)對(duì)EEG信號(hào)在交通安全領(lǐng)域的研究提出了展望。1

引言

近些年，道路交通安全事故已經(jīng)成為我國人口傷亡的主要原因之一。中國統(tǒng)計(jì)年鑒顯示，僅2019年，我國發(fā)生交通事故247,646起，由交通事故導(dǎo)致死亡的人數(shù)為62,763人，交通事故中不同程度受傷人數(shù)高達(dá)256,101人，造成直接經(jīng)濟(jì)損失134617.9萬元。事實(shí)表明，由道路交通安全問題帶來的人員傷亡和經(jīng)濟(jì)損失巨大，交通事故的預(yù)防壓力空前，道路交通事故已然發(fā)展成為一個(gè)嚴(yán)峻的社會(huì)問題。在導(dǎo)致道路交通事故的眾多因素中，人因造成的交通事故占了90%以上。而駕駛員作為交通事故人因分析的主要構(gòu)成部分，對(duì)道路交通事故有重大影響，因此在分析和預(yù)防道路交通安全事故時(shí)，不能忽視“人機(jī)關(guān)系”中駕駛員的主導(dǎo)地位。黃曙東等通過構(gòu)建基于感知、判斷、操作的駕駛員認(rèn)知響應(yīng)模型，為描述駕駛員完整的駕駛過程奠定了基礎(chǔ)，劉廣姝等從認(rèn)知心理學(xué)的角度，對(duì)道路交通事故中駕駛員的感知、判斷決策、反應(yīng)操作和注意四個(gè)方面進(jìn)行了定性的認(rèn)知失誤分析，且得到了導(dǎo)致駕駛員認(rèn)知失誤的主要因素。然而對(duì)駕駛員的認(rèn)知分析僅停留在基礎(chǔ)理論方面是不夠的，還需對(duì)其從客觀數(shù)據(jù)方面進(jìn)行進(jìn)一步研究。隨著計(jì)算機(jī)技術(shù)以及認(rèn)知心理學(xué)的發(fā)展，將腦電（Electroencephalogram，EEG）研究的相關(guān)成果應(yīng)用到對(duì)駕駛員的認(rèn)知分析為道路交通安全的研究提供了新的方向。EEG是一種自發(fā)且隨機(jī)的生物電信號(hào)，這種生物電信號(hào)以較高的時(shí)間分辨率快速反映出駕駛員的心理活動(dòng)和認(rèn)知行為，是體現(xiàn)駕駛員精神和心理狀況的重要生理信號(hào)指標(biāo)。此前已有大量文獻(xiàn)研究了不同頻率的EEG信號(hào)與駕駛員疲勞駕駛、分心駕駛、睡眠剝奪駕駛以及其他特定場(chǎng)景下駕駛狀態(tài)之間的關(guān)系。

2EEG在交通安全領(lǐng)域的應(yīng)用研究現(xiàn)狀EEG是大腦神經(jīng)網(wǎng)絡(luò)中相當(dāng)數(shù)量的神經(jīng)元（主要是椎體細(xì)胞）進(jìn)行同步放電時(shí)，在頭皮表面測(cè)量得到的微弱電位差。由于大腦皮層有序的多層結(jié)構(gòu)中椎體細(xì)胞的軸突徑向排列，樹突在外層呈切向分布，這樣有序的電偶極子放電能夠克服顱骨的屏蔽，因此可在頭皮上測(cè)量到曲線前面也加單位，如0.5Hz~40Hz的EEG信號(hào)。本文將對(duì)近五年的研究現(xiàn)狀進(jìn)行重新梳理。2.1疲勞駕駛

疲勞駕駛是指由于長時(shí)間連續(xù)駕駛車輛而導(dǎo)致的駕駛員信息獲取、信息處理以及操縱能力下降的現(xiàn)象。駕駛員一旦在駕駛過程中出現(xiàn)疲勞狀態(tài)，就可能造成非常嚴(yán)重的后果。因此，對(duì)駕駛員的疲勞狀態(tài)進(jìn)行定量分析和實(shí)時(shí)估計(jì)是十分必要的。劉天嬌等在研究駕駛過程中的主動(dòng)疲勞時(shí)，通過功率譜分析得到腦電指標(biāo)（θ+α）/β，統(tǒng)計(jì)分析后表明該指標(biāo)對(duì)駕駛疲勞維度中的缺乏精力癥狀有顯著正向的回歸擬合作用。陳驥馳等在真實(shí)路況下完成了EEG信號(hào)的采集，利用小波包分析得到的δ、θ、α和β節(jié)律分別計(jì)算了清醒與疲勞狀態(tài)下各導(dǎo)聯(lián)信號(hào)之間的相位遲滯指數(shù)，并最終通過神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了利用腦網(wǎng)絡(luò)特征參數(shù)估計(jì)駕駛員疲勞程度。目前對(duì)疲勞駕駛的研究主要在于疲勞駕駛檢測(cè)技術(shù)的優(yōu)化，相關(guān)內(nèi)容將會(huì)在下一章中提到。2.2分心駕駛

駕駛分心是指由車內(nèi)或車外的事件、活動(dòng)、物體或者人所引起的駕駛?cè)俗⒁饬Σ荒芗性隈{駛?cè)蝿?wù)上，以及由此引發(fā)的駕駛?cè)藢?duì)安全駕駛所必需信息的再確認(rèn)的延遲。很多研究者利用EEG來探究不同分心駕駛?cè)蝿?wù)對(duì)駕駛員的認(rèn)知影響。研究了一種同步使用EEG和眼動(dòng)跟蹤系統(tǒng)的方法以檢測(cè)駕駛員對(duì)廣告牌的視覺和認(rèn)知反應(yīng)，該方法同時(shí)也可以監(jiān)測(cè)復(fù)雜動(dòng)態(tài)變化場(chǎng)景中的駕駛員分心。由于分心任務(wù)的差異，對(duì)分心駕駛的研究往往比疲勞駕駛更加細(xì)致，不僅包括分心駕駛與EEG之間的關(guān)系研究，還包括分心任務(wù)對(duì)大腦作用位置的研究。在研究分心駕駛的過程中，將采集到的EEG信號(hào)通過功率譜分析，得出此任務(wù)將導(dǎo)致大腦枕葉部位θ節(jié)律的頻率輸出總平均值會(huì)整體下降的結(jié)論。2.3駕駛精神負(fù)荷

駕駛本身是一種復(fù)雜的活動(dòng)，由駕駛導(dǎo)致的駕駛員身體和心理同時(shí)承受的負(fù)荷可統(tǒng)稱為駕駛精神負(fù)荷。在實(shí)際的駕駛過程中，駕駛員的精神負(fù)荷會(huì)有不同程度的變化。而在復(fù)雜的交通系統(tǒng)中，駕駛員的精神負(fù)荷往往又可以影響其身體機(jī)理以及駕駛狀態(tài)。因此，有效評(píng)估駕駛員精神負(fù)荷對(duì)道路交通安全同樣意義重大。Kim等通過車輛行駛信息中提取的有用特征和EEG的特征指標(biāo)，利用支持向量機(jī)建立分類模型以預(yù)測(cè)實(shí)際駕駛過程中的正常和過載狀態(tài)。基于機(jī)器學(xué)習(xí)技術(shù)從駕駛員EEG信號(hào)中識(shí)別駕駛負(fù)荷特征，探究了支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林三種分類器的有效性，并提出了一種基于EEG的識(shí)別駕駛負(fù)荷的綜合框架。為了可以更安全且方便地量化認(rèn)知工作負(fù)荷和預(yù)測(cè)駕駛員過載狀態(tài)，郭孜政等的研究通過快速傅里葉變換提取相關(guān)的EEG特征數(shù)據(jù)，并用差異性分析及主成分分析算法對(duì)EEG特征指標(biāo)進(jìn)行篩選和壓縮，建立了基于支持向量機(jī)的駕駛?cè)诵睦眍A(yù)期識(shí)別模型，達(dá)到了準(zhǔn)確識(shí)別駕駛?cè)藢?duì)潛在危險(xiǎn)事件的心理預(yù)期的目的。2.4具體駕駛情景

EEG在交通安全領(lǐng)域的研究大多集中在以上三個(gè)方面，但是也有許多研究是基于具體駕駛情景對(duì)EEG的變化情況進(jìn)行分析。王琳虹等分別研究了公路景觀色彩對(duì)駕駛員腦電δ波成分、高速公路景觀色彩對(duì)駕駛?cè)四X電α/β值的影響。盧國英等通過采用S1-S2實(shí)驗(yàn)范式，利用ERP分析了交通標(biāo)志及其文字語義匹配程度，得出存在較大差距的結(jié)論。研究了隧道內(nèi)光源色溫對(duì)駕駛員EEG的影響，構(gòu)建了注意力增長率和光源色溫之間的度量模型，并給出了反應(yīng)時(shí)間的分布規(guī)律。該研究有助于公路隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)的建立。探究了草原公路交通標(biāo)志信息量對(duì)駕駛員EEG特性的影響，分析了不同信息量水平下駕駛員的認(rèn)知狀態(tài)并確定了最佳信息量水平。由于具體駕駛情景的差異，對(duì)于不同具體駕駛情景對(duì)腦電特征影響的探究更加細(xì)致，且研究的難度主要在不同駕駛環(huán)境的搭建上。2.5其它

的角度進(jìn)行了探討。比如除以上內(nèi)容外，還有其他領(lǐng)域的研究者對(duì)此課題從不同致力于自動(dòng)檢測(cè)和消除駕駛模擬任務(wù)中記錄的EEG中的偽像，提出了一種應(yīng)用獨(dú)立分量分析的自動(dòng)化方法來處理駕駛模擬過程中記錄的腦電偽跡；提出了一種基于腦網(wǎng)絡(luò)聚類的EEG成像方法，實(shí)現(xiàn)了基于圖像處理方法識(shí)別二維疲勞模式。這些研究盡管與主流研究方向略有不同，但同樣加深了讀者對(duì)于EEG信號(hào)的理解，提高了讀者將EEG信號(hào)應(yīng)用在交通安全方面的水平。3EEG在交通安全領(lǐng)域的技術(shù)研究現(xiàn)狀EEG極易受到來自外界環(huán)境以及駕駛員本身其他生理電信號(hào)如眼電和肌電的干擾，通過對(duì)EEG數(shù)據(jù)進(jìn)行濾波、ICA去除偽跡、基線校準(zhǔn)等預(yù)處理，有效去除EEG偽跡噪聲并獲得干凈的EEG數(shù)據(jù)成為EEG相關(guān)實(shí)驗(yàn)成功的關(guān)鍵基礎(chǔ)。有關(guān)EEG信號(hào)預(yù)處理的內(nèi)容屬于信號(hào)處理的范疇，此處不再贅述。干凈的EEG信號(hào)可以直接或間接地提供特征參數(shù)以進(jìn)行之后的數(shù)據(jù)處理與分析，因此，選擇適當(dāng)?shù)奶卣髦笜?biāo)以及數(shù)據(jù)處理方法對(duì)于EEG在安全領(lǐng)域的實(shí)際應(yīng)用有重大意義。3.1EEG的特征提取

EEG信號(hào)可提取的特征指標(biāo)多樣。通過獲取EEG時(shí)域信息來評(píng)估駕駛員駕駛狀態(tài)的方法稱為時(shí)域分析。時(shí)域分析往往通過直接提取EEG信號(hào)隨時(shí)間變化的波形特征對(duì)數(shù)據(jù)進(jìn)行分析，達(dá)到從整體上反應(yīng)大腦狀態(tài)的目的。其中對(duì)事件相關(guān)電位（event-relatedpotential，ERP）的研究日漸成熟。在駕駛員對(duì)道路危險(xiǎn)感知的研究中表明，Pz、Cz和C3通道中危險(xiǎn)和非危險(xiǎn)刺激之間的事件相關(guān)電位存在差異，特別是在刺激后80~100毫秒的時(shí)間窗口內(nèi)，危險(xiǎn)和安全駕駛員之間存在顯著差異。然而，隨著對(duì)EEG信號(hào)研究的深入，直接從實(shí)驗(yàn)數(shù)據(jù)中提取EEG時(shí)域信息進(jìn)行分析已不能達(dá)到研究目的，因此開始不斷挖掘EEG信號(hào)頻域上所反應(yīng)的信息。通過獲取EEG頻域信息來評(píng)估駕駛員駕駛狀態(tài)的方法稱為頻域分析。頻域信息利用現(xiàn)代功率譜分析方法，將隨時(shí)間變化的EEG信號(hào)轉(zhuǎn)化為EEG功率隨頻率變化的譜圖，從而直接分析與特定腦活動(dòng)相關(guān)的不同頻率或頻帶的變化。在駕駛安全領(lǐng)域中，EEG通常按照周期的長短或者頻率的高低分為δ節(jié)律（0.5~3.5Hz）、θ節(jié)律（4~7Hz）、α節(jié)律（8~13Hz）、β節(jié)律（14~25Hz）、γ節(jié)律（25Hz以上）。EEG的研究可以通過直接提取這幾種節(jié)律或者由這幾種節(jié)律組合而成的相關(guān)信號(hào)特征量進(jìn)行分析。在研究不同道路環(huán)境對(duì)駕駛員精神負(fù)荷的影響時(shí)，通過功率譜密度估計(jì)發(fā)現(xiàn)在相同的道路環(huán)境下，由于夜間駕駛主觀睡意的增加，EEG中α節(jié)律含量增加。另外，結(jié)合頻域信息，通過空間信息來關(guān)注EEG信號(hào)在頭皮表面的空間分布情況并提取相應(yīng)的特征指標(biāo)來分析不同腦區(qū)的活動(dòng)狀態(tài)也逐漸成為一種常見的分析方法。利用在6個(gè)腦區(qū)中獲得的EEG信號(hào)的頻譜信息計(jì)算了不同腦區(qū)中20秒內(nèi)EEG的空間協(xié)方差矩陣與在初始狀態(tài)的平均協(xié)方差矩陣之間的弗羅貝尼斯（Frobenius）距離，并將其轉(zhuǎn)化為在0和1之間變化的駕駛疲勞指數(shù)，研究表明，基于α節(jié)律的駕駛疲勞指數(shù)可以作為長時(shí)間準(zhǔn)確評(píng)估精神疲勞的特征指標(biāo)。計(jì)算科學(xué)的進(jìn)步使得結(jié)合時(shí)域信息和頻域信息共同分析EEG信號(hào)成為可能。時(shí)頻分析，通過將一維的EEG信號(hào)映射到時(shí)間—頻率這一平面上，分析EEG信號(hào)的局部特征的同時(shí)可以直觀地揭示EEG信號(hào)不同頻率的時(shí)間分布，越來越多的研究也更傾向于利用時(shí)頻分析來獲取EEG的信息，其中小波分析和小波包分析成為各研究者關(guān)注的重點(diǎn)。為區(qū)分駕駛員駕駛時(shí)制動(dòng)和加速意圖，收集了駕駛員的EEG信號(hào)并將其分成獨(dú)立的成分，通過小波分析確定了與制動(dòng)和加速事件相關(guān)的時(shí)頻活動(dòng)，并通過最小范數(shù)源定位來估計(jì)皮層發(fā)生器。研究結(jié)果表明，θ節(jié)律的功率將制動(dòng)與動(dòng)作前800毫秒的加速事件區(qū)分開來。利用小波包變換從選擇通道內(nèi)的EEG信號(hào)中提取了時(shí)頻特征，并使用HDF、復(fù)雜性和移動(dòng)性計(jì)算了特征指標(biāo)，最終提出了基于單通道腦電信號(hào)的睡意檢測(cè)模型，該模型不但探究了新的特征指標(biāo)，還實(shí)現(xiàn)了對(duì)EEG數(shù)據(jù)的降維處理，大幅度提升了模型的運(yùn)行速度，具有實(shí)際意義。以上三種分析方法皆為線性分析方法?；诨煦缋碚摚X電還具有非線性系統(tǒng)的活動(dòng)特征。因此還有許多非線性動(dòng)力學(xué)特征指標(biāo)可以用于EEG信號(hào)的分析，其中典型的特征指標(biāo)如信息熵、近似熵、樣本熵等。提取了關(guān)聯(lián)維數(shù)、李雅普諾夫指數(shù)、近似熵、樣本熵、模糊熵和譜熵六個(gè)非線性特征指標(biāo)，最終提出了一種基于多非線性特征融合策略的駕駛疲勞檢測(cè)方法以實(shí)現(xiàn)對(duì)駕駛員疲勞程度的評(píng)估。閔建亮等的研究表明前額EEG多尺度小波對(duì)數(shù)能量熵可以作為衡量駕駛疲勞的有效生理指標(biāo)。傳統(tǒng)EEG信號(hào)的熵特征基本都是在單個(gè)時(shí)間尺度上分析的，不能度量時(shí)間序列復(fù)雜度與長距離時(shí)間相關(guān)性之間的關(guān)系。同時(shí)，傳統(tǒng)的多尺度熵特征提取算法也無法很好地確定信號(hào)的時(shí)間尺度信息。因此，基于前額腦電數(shù)據(jù)，結(jié)合自適應(yīng)比例因子獲取算法和熵特征提取方法，提出了自適應(yīng)多尺度樣本熵（AMSE）、自適應(yīng)多尺度模糊熵（AMFE）和自適應(yīng)多尺度排列熵（AMPE）以及分別對(duì)應(yīng)的特征算法。另外，機(jī)器學(xué)習(xí)的發(fā)展使得特征提取開始走向自動(dòng)化。在檢測(cè)駕駛疲勞時(shí)提出了一種多級(jí)特征生成器，該生成器使用一維二進(jìn)制模式和統(tǒng)計(jì)特征，并結(jié)合一維離散小波變換創(chuàng)建層次，最終提出了一種五級(jí)融合特征提取器。同時(shí)，該研究還提出了一種基于ReliefF和迭代鄰域成分分析的兩層特征選擇方法來解決特征選擇問題。在研究EEG通道之間的時(shí)空變化關(guān)系是否特定于不同的疲勞駕駛狀態(tài)時(shí)，利用每段EEG得到的協(xié)方差矩陣輸入遞歸神經(jīng)網(wǎng)絡(luò)（RNN），提取高級(jí)時(shí)間特征。同時(shí)，利用整體信號(hào)的協(xié)方差矩陣提取空間特征，并與時(shí)間特征融合，獲得全面的時(shí)空特征信息。

3.2基于EEG數(shù)據(jù)的統(tǒng)計(jì)分析應(yīng)用

通過EEG實(shí)驗(yàn)所采集到的數(shù)據(jù)基本上都是在各種因素的制約下獲取的。對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行計(jì)算分析，找出各種因素之間以及各種因素對(duì)實(shí)驗(yàn)數(shù)據(jù)結(jié)果的主次作用，是EEG數(shù)據(jù)分析需要解決的首要問題。因此，采用統(tǒng)計(jì)分析的方法對(duì)EEG數(shù)據(jù)進(jìn)行差異性檢驗(yàn)就成為EEG信號(hào)在交通安全領(lǐng)域應(yīng)用的基礎(chǔ)內(nèi)容。鑒于EEG數(shù)據(jù)通常與行為數(shù)據(jù)同時(shí)采集和分析，分析的內(nèi)容也較為復(fù)雜，所以有必要對(duì)常見的統(tǒng)計(jì)學(xué)分析的特點(diǎn)進(jìn)行介紹。方差分析是通過對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析，檢驗(yàn)方差相等的多個(gè)正態(tài)樣本的總體均值是否相等，進(jìn)而判斷各因素對(duì)試驗(yàn)指標(biāo)的影響是否顯著。要求所研究的指標(biāo)具有獨(dú)立性、正態(tài)性和方差齊性。在研究高速公路上多板和單板標(biāo)志顯示的方向路標(biāo)對(duì)駕駛員心理負(fù)荷的影響中，通過對(duì)駕駛員EEG信號(hào)中的α節(jié)律的平均絕對(duì)功率進(jìn)行方差分析，得到了隨著標(biāo)志上地名數(shù)量的增加，α節(jié)律的平均絕對(duì)功率會(huì)顯著降低的結(jié)論。單因素方差分析通常是指影響試驗(yàn)指標(biāo)條件為一個(gè)的方差分析。裴玉龍等將采集到的EEG數(shù)據(jù)進(jìn)行降噪處理后，通過積分獲取各時(shí)段α節(jié)律、β節(jié)律和θ節(jié)律的平均功率譜密度，進(jìn)而求得指標(biāo)R(α/β)、R(θ/β)、R(α+θ)/β，并將其與駕駛時(shí)間進(jìn)行單因素方差分析，通過敏感性判斷，最終選取了R(α+θ)/β作為駕駛疲勞表征指標(biāo)。作為功率譜密度的一種衍生，頻帶重心頻率也成為一項(xiàng)常用的特征指標(biāo)。配對(duì)樣本t檢驗(yàn)用于檢驗(yàn)兩個(gè)具有配對(duì)關(guān)系的相關(guān)樣本的總體均值差異，實(shí)質(zhì)是檢驗(yàn)兩個(gè)相關(guān)樣本之差的均值和零之間的差異大小。配對(duì)樣本t檢驗(yàn)要求數(shù)據(jù)的總體方差相等而且為正態(tài)數(shù)據(jù)或近似正態(tài)數(shù)據(jù)。從這一角度來看，方差分析可以看作是t檢驗(yàn)的擴(kuò)展，這兩種方法針對(duì)的數(shù)據(jù)類型都是定類和定量（一般用于分析定類數(shù)據(jù)與定量數(shù)據(jù)之間的關(guān)系情況），都屬于差異研究，主要目的在于比較兩組數(shù)據(jù)或多組數(shù)據(jù)之間的差異。方差分析和t檢驗(yàn)的主要區(qū)別在于t檢驗(yàn)中的定類數(shù)據(jù)只能有兩個(gè)類別，而方差分析則對(duì)此不加限制。趙蕾蕾等在研究暈動(dòng)駕駛員的EEG特征時(shí)發(fā)現(xiàn)，自動(dòng)駕駛時(shí)駕駛員的自主暈動(dòng)評(píng)分平均比主動(dòng)駕駛時(shí)高2分，且隨著暈動(dòng)程度的增加，駕駛員Fc2、Cz、CP5、POz通道中EEG信號(hào)θ節(jié)律的功率譜密度的重心頻率有升高的趨勢(shì)，將駕駛員在主動(dòng)駕駛和自動(dòng)駕駛下的EEG重心頻率數(shù)據(jù)進(jìn)行配對(duì)t檢驗(yàn)，結(jié)果表明駕駛員在自動(dòng)駕駛模式下更容易產(chǎn)生暈動(dòng)癥狀。皮爾遜（Pearson）相關(guān)性分析是衡量兩個(gè)變量之間的線性相關(guān)關(guān)系的經(jīng)典分析方法，但是容易受異常值的影響。許多基于EEG信號(hào)的駕駛行為研究都涉及到普通駕駛狀態(tài)。發(fā)現(xiàn)分心駕駛過程中，通過皮爾遜相關(guān)性檢驗(yàn)，認(rèn)知對(duì)話將導(dǎo)致α節(jié)律和β節(jié)律的活動(dòng)增加，而情感對(duì)話則提高了γ節(jié)律和β節(jié)律的比率。但是，這些研究主要集中在某些危險(xiǎn)的駕駛狀態(tài)，如疲勞駕駛或分心駕駛，通常將正常駕駛狀態(tài)視為基線或?qū)φ战M，因此普通駕駛狀態(tài)很少得到充分討論。為了填補(bǔ)這一空白，Yang等利用皮爾遜相關(guān)系數(shù)檢驗(yàn)從三個(gè)方面分析了EEG（通過每個(gè)腦葉的腦電特征測(cè)量）與普通駕駛行為（通過多項(xiàng)表現(xiàn)測(cè)量）的關(guān)系：（1）不同腦區(qū)與駕駛行為的相關(guān)性；（2）各種腦電頻帶、腦電特征與駕駛行為的相關(guān)性；（3）不同駕駛行為特征與腦電特征的相關(guān)性。結(jié)果表明，普通駕駛行為與四個(gè)腦區(qū)有關(guān)，尤其是顳區(qū)、枕區(qū)和額葉，其中發(fā)現(xiàn)b-LTP與普通駕駛行為最相關(guān)。此外，加速度、速度和空間間隔可能與腦電圖特征（如b-LTP）有潛在相關(guān)性。以上方法為EEG在交通安全領(lǐng)域最常見的統(tǒng)計(jì)學(xué)方法，還有一些研究者通過對(duì)數(shù)據(jù)進(jìn)行重復(fù)測(cè)量方差分析等方法對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析。3.3基于EEG數(shù)據(jù)的機(jī)器學(xué)習(xí)算法應(yīng)用

近年來，許多研究者將機(jī)器學(xué)習(xí)相關(guān)的算法應(yīng)用于EEG數(shù)據(jù)的分析。機(jī)器學(xué)習(xí)的核心是用算法解析數(shù)據(jù)，不斷學(xué)習(xí)，并對(duì)世界中發(fā)生的事做出判斷和預(yù)測(cè)。機(jī)器學(xué)習(xí)直接來源于早期的人工智能（ArtificialIntelligence，AI）領(lǐng)域，傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類、支持向量機(jī)、EM、Adaboost等等。從學(xué)習(xí)方法上來分類，機(jī)器學(xué)習(xí)算法可以分為有監(jiān)督學(xué)習(xí)（如分類問題）、無監(jiān)督學(xué)習(xí)（如聚類問題）、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。其中有監(jiān)督學(xué)習(xí)中常用的分類器有線性分類器LDA、支持向量機(jī)SVM、人工神經(jīng)網(wǎng)絡(luò)以及多分類器的組合，基于這些傳統(tǒng)的機(jī)器學(xué)習(xí)算法，一部分研究對(duì)不同的駕駛狀態(tài)或駕駛行為進(jìn)行分類識(shí)別，從而搭建相關(guān)的分類模型及預(yù)測(cè)模型。為準(zhǔn)確預(yù)測(cè)駕駛員對(duì)突發(fā)事件的簡單反應(yīng)時(shí)間，張駿等通過功率譜估計(jì)提取EEG信號(hào)特征參數(shù)，并將其作為預(yù)測(cè)駕駛員反應(yīng)時(shí)間的客觀指標(biāo)輸入到搭建的SVR分類器中，從而建立了駕駛員對(duì)突發(fā)事件反應(yīng)時(shí)間的預(yù)測(cè)模型。在傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)上，通過拓展新型特征參數(shù)，對(duì)傳統(tǒng)分類器進(jìn)行準(zhǔn)確性檢驗(yàn)，以便針對(duì)EEG信號(hào)的獨(dú)特性對(duì)傳統(tǒng)分類器進(jìn)行合理的優(yōu)化處理也逐漸成為研究的熱點(diǎn)。Chen和Wang等首次將新型功能腦網(wǎng)絡(luò)（FBN）方法應(yīng)用于實(shí)際駕駛過程中的特征識(shí)別和分類系統(tǒng)中，該研究提出了一種基于相位滯后指數(shù)的多通道網(wǎng)絡(luò)構(gòu)建方法，在驗(yàn)證了功能性腦網(wǎng)絡(luò)特征與疲勞狀態(tài)相關(guān)性的基礎(chǔ)上，又證實(shí)了支持向量機(jī)（SVM）、最近鄰分類器（KNN）、邏輯回歸和決策樹四種分類器良好的準(zhǔn)確性。通過小波系數(shù)中和小波系數(shù)之間的GCMI特征來計(jì)算大腦區(qū)域間的連通性，然后自動(dòng)選擇最佳特征以優(yōu)化通道數(shù)，并使用SVM對(duì)疲勞和警戒相關(guān)軌跡進(jìn)行分類。這項(xiàng)研究除證明了基于小波的GCMI方法在疲勞檢測(cè)中的有效性之外，還通過一種新的EEG通道選擇算法，在保證識(shí)別準(zhǔn)確率的前提下僅使用8個(gè)通道的信息使得處理速度提高了9倍，有助于以后在實(shí)時(shí)工作中的實(shí)現(xiàn)。提出了一種利用EEG信號(hào)識(shí)別駕駛行為的兩層學(xué)習(xí)方法，在第一層中，先使用支持向量機(jī)遞歸特征算法從原始駕駛行為數(shù)據(jù)中選擇和提取表示駕駛風(fēng)格穩(wěn)定性程度的二維駕駛行為特征，再將這些二維駕駛行為特征通過K-means算法分為五類。在第二層中，將第一層的分類結(jié)果與LDA算法提取的EEG特征量一并輸入到KNN分類器。交叉驗(yàn)證結(jié)果表明，該學(xué)習(xí)方法具有較好的準(zhǔn)確性。另一部分研究集中在對(duì)新型分類器的搭建上。為準(zhǔn)確預(yù)測(cè)與駕駛表現(xiàn)相關(guān)的駕駛員認(rèn)知狀態(tài)，提出了一種新的基于EEG信號(hào)通道式卷積神經(jīng)網(wǎng)絡(luò)（CCNN），以及一種使用受限玻爾茲曼機(jī)代替卷積濾波器的CCNN變型CCNN-R，其結(jié)構(gòu)皆考慮了EEG信號(hào)的特性，并且這兩種通道式動(dòng)態(tài)學(xué)習(xí)算法在使用原始EEG數(shù)據(jù)預(yù)測(cè)駕駛員認(rèn)知狀態(tài)方面比傳統(tǒng)邏輯算法更具有魯棒性和有效性。王斐等基于多通道EEG信號(hào)的電極—頻率分布圖，提出了通過搭建深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)駕駛員疲勞檢測(cè)的方法。實(shí)驗(yàn)結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)模型能夠很好地從電極—頻率分布圖中獲得與疲勞狀態(tài)相關(guān)的特征信息。此外，基于遷移學(xué)習(xí)策略可以將訓(xùn)練好的深度網(wǎng)絡(luò)模型遷移到其他識(shí)別任務(wù)上，有助于推動(dòng)腦電信號(hào)在駕駛疲勞檢測(cè)系統(tǒng)中的應(yīng)用。在α阻滯現(xiàn)象和α波衰減—消失現(xiàn)象分別代表放松清醒和睡眠開始兩種不同嗜睡水平的基礎(chǔ)上，搭建了一種基于長短期記憶（LST