摘要
随着信息化时代的到来，大多数人畏惧在高度竞争的社会环境下失败，特别是在繁杂的信息轰击、恶劣的工作环境下人们极易产生疲劳现象。疲劳被认为是一种复杂的心理、生理问题，在如今快节奏的生活中、激烈的社会竞争压力下日益凸显。特别是，驾驶员疲劳是导致交通运输业肇事率飙升的关键因素之一。相比于其他领域，疲劳驾驶带来的危害更为严重。倘若能提供高准确率且可靠的疲劳识别方法将会有效遏制驾驶员在长时间单调驾驶情况下产生疲劳。另外，对长时间单调驾驶诱发疲劳的神经机制研究以及功能脑网络可视化分析，将有助于推进对驾驶员疲劳检测的研究，揭示其本质规律。 基于驾驶员生理学特征的疲劳识别被认为是目前最精准的疲劳检测技术。特别是脑电(EEG)信号具有高时间分辨率和良好的灵敏性被认为是最可靠的检测指标。因此，本文基于EEG信号开展多种驾驶员疲劳识别方法研究。摒弃了以往对疲劳评估基于功率，功率谱，能量熵以及各能量比值的方法，本文充分利用了多通道EEG信号之间蕴藏着的复杂关系，基于无偏差功能脑网络，探究驾驶员在产生疲劳时功能脑网络的特征变化，从复杂网络的角度解释了疲劳发生时功能脑网络的连接状态的变化。并将功能脑网络连接矩阵作为深度学习模型的输入，通过搭建不同深度学习模型网络配置自动提取特征。利用深度学习模型直接从多通道EEG信号中学习特征，最终实现对疲劳信号的精准识别。本文展示的如何设计和训练深度学习网络来解码EEG信号中疲劳信息，而无需手工制作、提取、选择特征以及对其进行分类，也会对深度学习网络解码神经科学研究中其它相似问题起到良好的借鉴与指导作用。 本文的主要工作和创新体现在如下几个方面: (1)设计了基于脑电信号的驾驶员疲劳识别实验，分别开展了真实道路驾驶实验以及模拟驾驶诱发驾驶员疲劳实验，在诱发驾驶员疲劳的过程中实时采集驾驶员多通道的EEG信号，通过独立成分分析(IndependentComponentAnalysis,ICA)方法分离和去除EEG信号中的伪迹。采用小波包(WaveletPacketTransform,WPT)分解与重构方法提取EEG信号各节律频段，同时为了解决样本数量不足的问题，提出了一种数据增强策略，提高训练样本数据的多样性，以帮助用少量可用样本训练模型。 (2)基于相位迟滞指数(PhaseLagIndex,PLI)构建功能脑网络(FunctionalBrainNetwork,FBN)连接矩阵，避免了容积导联现象，通过设定阈值来构建二值化功能脑网络，并将其转化成功能脑网络拓扑结构。重点研究并对比了两种状态下的功能脑网络拓扑结构的聚类系数(ClusteringCoefficient,C)和特征路径长度(CharacteristicPathLength,L)。分析了疲劳的神经机制，基于支持向量机(SupportVectorMachine,SVM)实现对驾驶员疲劳的自动识别。结果发现相比清醒状态，驾驶员在疲劳状态下的功能脑网络拓扑连接较少，大脑的神经网络处理问题的能力有所降低，特别是右侧功能脑网络拓扑连接减少，即右侧脑区网络分布较为稀疏。将基于PLI构建功能脑网络的方法引入对疲劳信号的识别研究中，清晰的展示了大脑不同区域之间的功能连接关系，基于FBN和FineGaussianSVM实现对驾驶员疲劳状态识别，得到的平均分类准确率达到94.4％。 (3)采用最小生成树(MinimumSpanningTree，MST)方法以探求疲劳状态与清醒状态之间差异，MST将原始功能脑网络简化成稳定核心网络，直观无偏差对比两种状态网络属性。分别提出了一种基于相位相干(PhaseCoherence,PC)的最小生成树的功能脑网络特征提取方法以及功率谱密度(PowerSpectrumDensity,PSD)特征提取方法，分别表征了脑网络组织结构与疲劳之间对应关系以及能量变化与疲劳之间的对应关系。为了提高检测性能，进行了功能脑网络和功率谱密度特征结合(FunctionalBrainNetwork-PowerSpectrumDensity-FeatureFusion,FBN-PSD-FF),并设计了极限学习机(ExtremeLearningMachine，ELM)分类器，针对结合特征，实现对疲劳驾驶状态的识别。实验结果表明提出的基于最小生成树的功能脑网络和功率谱密度的组合特征(FBN-PSD-FF)结合RBF激活函数的ELM实现了95.00％的分类准确率。 (4)提出了基于功能脑网络连接矩阵和深度学习(DeepLearning,DL)的驾驶疲劳识别模型。将基于相位迟滞指数构建的脑网络连接矩阵作为深度学习模型的输入，充分利用了脑电信号电极之间的同步信息，同时采取了数据扩充(DataAugment)的方式增加训练样本数量。设计并对比了六种不同的卷积神经网络(ConvolutionalNeuralNetworks,CNN)配置。实现了半基于模型半数据驱动的建模方式，通过卷积神经网络代替手工提取功能脑网络连接矩阵特征。CNN-4结合功能脑网络连接矩阵在训练十轮过后完成最佳分类性能表现，实现了95.4±2.0％的平均准确率。 (5)搭建了两类更通用的深度学习网络，深层卷积神经网络(Deep-CNN)和浅层卷积神经网络(Shallow-CNN)，可以直接从多导联EEG信号中学习特征，摒弃预先对EEG信号常规分频段操作，发现EEG信号内在特征模式，真正实现以一种端到端的学习方式(End-to-endManner)对驾驶员疲劳进行识别。解决了网络结构的设计以及网络的训练策略对解码精度的影响问题，设计和训练深度学习网络来解码原始EEG信号，而无需手工制作特征，实现对驾驶员疲劳的自动识别，其中，Deep-CNN方法得到了本研究中最高分类准确率，对测试集经过十折交叉验证实现了97.44％±3.20％的平均分类准确率。
NETL