摘 要: 以實驗為基礎來研究精神疲勞,實驗采用圖片隨機輪換的視覺誘發刺激模式來誘發P300,利用誘發電位的鎖時關系,應用疊加平均技術來提取P300特征參量——幅值,并提出了一種標定視覺疲勞的方法。對比受試者疲勞前后的特征參量,發現疲勞時的P300波峰值約為清醒時幅值的50%,由清醒和疲勞兩個狀態的極值可以對中間狀態的疲勞程度做一個大致的線性描述,因此P300幅值可作為標定疲勞程度的指標。
關鍵詞: 視覺疲勞;疊加平均;P300;幅值
精神疲勞是一個比較抽象的概念,也是一種復雜的生理現象,能引起人體多種指標的變化,如注意力不集中、警覺度降低、反應速度下降等[1],目前國際上并沒有一種公認有效的檢測標定精神疲勞的方法。由于人的疲勞(如汽車、船舶、龍門吊等的駕駛疲勞)是造成很多重大事故的主要原因,因此對人的疲勞進行客觀、準確地檢測和評估開展研究是非常有價值的,對減少安全事故以及提高效率均具有重要意義。
因精神疲勞屬于一種復雜的生理心理現象,往往伴隨著反應能力的降低和工作效率的下降,最簡單的方法是基于心理學問卷量表[2],方法雖然簡單但受個體差異和主觀因素影響過大,為此人們希望能找到反應精神疲勞程度的生理參數指標,如李延軍等通過讀書筆算實驗與放松時作為對比來研究心率變異性與疲勞的關系[3],趙曉華等通過駕駛實驗前后填寫的SOFI-C調查表來分析研究心電、腦電信號與疲勞程度的關系[4],趙春臨記錄一天中不同時間的腦電信號研究分析了基于腦電功率譜-連續隱馬爾科夫鏈的精神疲勞特征[5],張連毅也采用類似的方法分析一天不同時間采集的EEG信號的柯爾莫哥洛夫熵測度與精神疲勞的關系[6],以上方法對被試者疲勞程度的標定基于生活經驗的直觀判斷,無法達到定量標定。為了對疲勞程度進行定量標定,很多文獻采用作業成功率作為疲勞程度量化的指標,如參考文獻[7-8]都是在按一定時間間隔播放的聲音序列中隨機插入動作命令集合的某一個,統計被試者按鍵的正確率來標定疲勞的程度,參考文獻[9]采用心理學的Oddball作業實驗范式通過統計正確率來標定疲勞狀態,但是由于人的個體身體差異,在相同疲勞程度下不同人作業的成功率也會呈現較大差異。由于事件相關電位能反映認知過程中大腦的神經電生理改變,因此也成為研究精神疲勞的重要手段,如Murata研究了被試者在VDT作業前后視覺刺激P300相關參數的變化[10],楊博等設計了認知實驗,并結合問卷量表研究在疲勞前后P300潛伏期和峰值變化的統計性質[11],宋國萍等針對出租車司機疲勞組和對照組研究了P300參數的差異統計特性[12],以上研究結論顯示在疲勞作業前后視覺誘發P300的潛伏期變化較小而聽覺誘發P300潛伏期變化較大,但兩者分布都比較分散,而疲勞前后P300波幅降低幅度較大且較為集中。JarchiD.等研究了基于Rao-blackwellised粒子濾波模型單次提取P300并進行疲勞分析的方法[13]。以上研究雖然得到了有價值的結果,但沒有對疲勞程度的量化標定給出具體有效的方法。
由于基于視覺的認知能力對汽車、船舶駕駛等很多工作非常重要,本文以視覺誘發P300參數提取為基礎,結合心理學問卷量表研究精神疲勞量化標定的實驗范式和評估模型。
1 精神疲勞標定實驗設計
本實驗選用的數據采集設備為奧地利G.tec公司生產的16導聯的g.USBamp信號放大采集設備,電極采用的是銀/氯化銀合金電極。實驗中,所用到的電極位于10-20電極導聯系統中的Fpz,Fz,Cz,P3,Pz,P4,PO7,Oz和PO8 9個位置(其中Fpz為接地,耳垂為參考點極)。采樣頻率設置為256 Hz,帶通濾波范圍為0.5~30 Hz,50 Hz陷波。實驗的受試者選擇20名有午睡習慣的在校大學生且實驗選擇在中午進行。
⑴誘發電位獲取模式的設計
為獲取P300信號,實驗采用圖片輪換的視覺誘發刺激的方式,提供7幅不同的圖片作為視覺誘發源,供受試者觀察。圖片隨機出現(這樣靶圖片出現的概率為14.3%,非靶圖片出現概率為85.7%),每幅圖片占據1 s時長,前100 ms顯示圖片,后900 ms關閉圖片。事先設定圖片顯示次數,由受試者選擇其中一幅圖片(靶圖片)進行計數。實驗過程中,當受試者觀看到靶圖片時立即按鍵‘↑’,并同時默數圖片出現的次數。一次‘trail’(一次數據采集過程)經歷5 min。
⑵疲勞模式的設計
為采集受試者不同狀態下的疲勞數據,本實驗制定了相應的精神疲勞調查表,其10個參數指標為:注意力不集中、反應遲鈍、困倦、精神渙散、頭腦昏沉、思想不集中、需要休息、復視(重影)、眼睛酸痛、眼皮沉重。受試者根據自身狀態用[0,10]之間的數來描述自身的狀態,其中“0”代表沒有,“10”代表完全有。可以大致將疲勞狀態分為:當狀態值的均值小于1時,此時認為受試者處于清醒狀態;均值大于9時,受試者處于疲勞狀態;其余為中間狀態。
⑶實驗過程
實驗開始前,受試者首先填寫疲勞調查表,數據符合清醒狀態值時開始實驗。實驗時,將實驗室的光線調暗,并且為受試者提供一個安靜的實驗環境,受試者身體放松地坐于離計算機顯示器約0.8 m左右的距離處。在受試者充分了解實驗任務及實驗步驟后,開始實驗。為采集受試者不同狀態下的疲勞數據,實驗分為3個階段,每個階段采集4組“trail”數據。在每個階段完成后下一個階段開始前,受試者要經歷一個疲勞過程,每個階段及實驗完成前后讓受試者填寫實驗疲勞調查表。疲勞過程為閃爍頻率4 Hz的藍色圖片,受試者集中注意力觀看,持續時間10 min。
2 實驗結果分析
由于自發腦電可以看作是零均值、方差確定的平穩隨機信號,而且在每次實驗中,刺激條件相同,可以將P300近似認為是一個確定性的信號,且P300對于每一次刺激它們之間都是互不相關的。所以可以利用疊加平均技術提取誘發的P300電位,信號殘留噪聲下降程度與迭加次數的平方根成正比[14]。
對每組實驗數據,提取出靶刺激與非靶刺激1 s時長的數據分別進行疊加平均處理。提取各個通道的P300幅值,發現頂區及枕區(P3、Pz、P4、PO7、Oz和PO8)的P300現象明顯。選取特征最為明顯的PO7、Oz和PO8 3個通道作為研究對象,結合疲勞調查問卷以及P300的幅值,通過實驗數據可以得出以下結論。
⑴按照制定的疲勞標準,疲勞前后疲勞表的值差異顯著(如表1所示,為其中一個受試者的調查表),受試者的量表總平均值在實驗疲勞前后的分別為(0.1 0.303)和(9.18,1.289),P<0.05,說明實驗設計合理,能使受試者從清醒達到疲勞狀態。
⑵對同一受試者,清醒時,靶刺激的P300幅值要比非靶刺激幅值要明顯,如圖1所示;疲勞時,靶刺激與非靶刺激的P300幅值則非常接近,如圖2所示,靶刺激幅值稍大。這是因為疲勞時,受試者對靶刺激與非靶刺激區分度明顯下降。同時,清醒和疲勞的非靶刺激的幅值有所降低,但變化不大,說明疲勞會導致腦電信號電位值下降。
⑶對不同受試者的整個疲勞過程的P300幅值分析,每個樣本選取對應的3個狀態分別為:清醒(取值為第一階段最大幅值),中間狀態(取值為第二階段任意幅值),疲勞(取值為第三階段最小幅值)。各個狀態取PO7、Oz和PO8 3個通道值的中間值作為狀態值,選取10個樣本數據。通過統計分析得出:雖然不同受試者的清醒和疲勞時的P300幅值不同,但是在整個實驗過程中P300幅值下降的比例均接近50%,波動范圍為(0.5,0.0209)。即當受試者P300幅值下降50%左右時,可以認為受試者為疲勞狀態,如表2所示。
綜上,通過測定個體清醒與疲勞的P300幅值,可以用精神疲勞系數MFC(Mental Fatigue Coefficient)給精神疲勞予一個初步的線性刻畫:
其中,missing image file為清醒時幅值,missing image file為疲勞時幅值,missing image file為其他狀態的幅值。
由此,可以得出當MFC為0時,處于清醒狀態,當MFC為1時處疲勞狀態,處于0~1之間的值則代表了中間狀態的疲勞程度。對選取的中間狀態計算相應的MFC值(0.4~0.6)與對應階段疲勞調查表的4個疲勞指標的值(范圍集中在4~7)相對比,其值在體現疲勞程度上相當,因此可以利用MFC值對疲勞程度作出大致的描述。
本研究中,以P300幅值作為疲勞特征參量,通過研究疲勞程度與P300幅值的關系來標定疲勞程度。通過本文分析可以看出,不同個體在清醒與疲勞狀態的P300幅值各不相同,但是在整個疲勞過程中,P300幅值下降的百分比卻十分接近——約50%,具有一定的普遍性。MFC值所描述的疲勞指數與對應疲勞調查表的數值大致接近,因此可以用MFC值刻畫個體精神疲勞狀態,這樣就將抽象的疲勞概念定量化了,為研究精神疲勞提供了一種新的思路和方法。然而,本實驗也具有一定的局限性。⑴在本研究中,要求受試者整個過程持續集中注意力,這樣產生的疲勞與人體在正常作業或輕松狀態的自然疲勞關系未知。⑵實驗對象為在校大學生,沒有針對不同人群。因此,基于EEG信號的生理性精神疲勞分析技術的研究,必將是現在和今后相當長時間內相關工作者的研究熱點之一,也值得進一步探索。
參考文獻
[1] 王瑞元.運動生理學[M],北京:人民體育出版社,2002.
[2] Taigang H, Jianping L,Chongxun Z. Mental fatigue and measurement[J]. Journal of Biomedical Engerning,1996,13(3):276-273.
[3] 李延軍,嚴洪,楊向,等.基于心率變異性的精神疲勞的研究[J].中國生物醫學工程學報,2010,29 (1): 1-6.
[4] 趙曉華,房瑞雪,榮建,等.基于生理信號的駕駛疲勞綜合評價方法試驗研究[J].北京工業大學學報,2011,37(10): 1511-1516.
[5] 趙春臨, 鄭崇勛, 趙敏.基于腦電功率譜-連續隱馬爾科夫鏈的精神疲勞分級模型[J].西安交通大學學報,2007,41(2): 1474-1478.
[6] 張連毅,鄭崇勛,李小平,等.基于柯爾莫哥洛夫熵的生理性精神疲勞分級的可行性研究[J].航天醫學與醫學工程,2005(5): 375-380.
[7] Shen Kaiquan, Ong Chongjin, Li Xiaoping, et al. A feature selection method for Multilevel Mental Fatigue EEG classification[C]. IEEE Transactions on Biomedical Engineering, 2007, 54(7):1231-1237.
[8] Tyagi R, Shen Kaiquan, Shao Shiyun, et al. A novel auditory working-memory vigilance task for mental fatigue assessment[J]. Safety Science, 2009,47 (7) : 967-972.
[9] Zhao Chunlin, Zhao Min, Liu Jianpin,et al. Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J]. Accident Analysis and Prevention,2012( 45 ):83- 90.
[10] Murata A, Uetake A, Takasawa Y. Evaluation of mental fatigue using feature parameter extracted from event-related potential[J]. International Journal of Industrial Ergonomics, 2005, 35(8): 761-770.
[11] 楊博,苗丹民,呂靜,等.持續認知操作任務誘發腦力疲勞對注意測驗和事件相關電位P300的影響[J].中華行為醫學與腦科學雜志,2009,18(4):328-330。
[12] 宋國萍,張侃.駕駛疲勞對隨意注意影響的ERP研究[J].人類工效學,2009,15(4):1-4。
[13] Jarchi D, Sanei S, Mohseni H R, et al. Coupled particle filtering: A new approach for P300-based analysis of mental fatigue[J]. Biomedical Signal Processing and Control, 2011, 6(2): 175-185.
[14] 聶能,堯德中,謝正祥.生物醫學信號數字處理技術及應用[M].北京:科學出版社,2005.