999彩票

保持驾驶员警觉性的α振荡网络解码分析

2022-01-14 14:45:00 发布者: 查看:
本文旨在探讨RADIO效应的方法,以提高对策的精度,更有效地保持驾驶员的警觉性。

1.研究背景

驾驶员疲劳的对策对于降低长时间驾驶过程中警惕性失效引起的事故风险具有重要意义。听收音机(Listening to the radio, RADIO)已被证明是一种相对有效的车内对策,但支持其警报效果的大脑机制仍是未知的。本文旨在探讨RADIO效应的方法,以提高对策的精度,更有效地保持驾驶员的警觉性。

2.研究方法

2.1、被试

实验组:14名男性参与者,平均年龄为22.57岁;控制组:14名男性参与者,平均年龄为25.64岁。

视力或矫正视力正常,没有食用酒精和咖啡因,没有人报告有精神障碍或神经障碍。

2.2、实验材料

在驾驶模拟器(QJ-3A1)制作的单调高速公路环境下,每名参与者在白天行驶1个多小时。于虚拟现实技术的仿真器交互显示系统,虚拟现实场景以120°显示在类似汽车的三面屏幕上。

2.3、实验过程

脑电实验场景图 

图1 实验场景图

实验组被试是在听录音机条件下驾驶,他们选择了通常在旅行中选择的脱口秀电台,音量由被试自己决定。控制组未采取任何对策,被试只是在模拟驾驶环境下驾驶,以诱导疲劳。

2.4、数据采集和处理

脑电信号处理流程图 

图2  脑电信号处理流程图

①采集:德国ANT Neuro eego maylab 脑电系统,根据国际10-20系统放置,脑电信号的采样频率为500Hz。选取19个标准电极(即Fp1,Fp2, F7, F3, Fz, F4, F8, T3, C3, Cz, C4, T4, T5, P3, Pz、P4, T6, O1、O2)。

②降噪:去除高频和低频噪声干扰,如工频噪声、身体运动、眨眼等,采样小波变换对原始脑电信号数据进行9级小波分解滤波。之后,利用第5级小波系数(7.8-15.6 Hz)重建α波,并用小波阈值技术对滤波后的信号进行矫正。

③分析:去除被分割成10分钟的片段。段16分别对应于0-10 min、10-20 min、20-30 min、30-40 min、40-50 min、50-60 min内的数据。在频域,计算每段和每组的α比率,实现振荡分析。Alpha比率定义为Alpha频带能量除以EEG频带总能量。因此,它反映了α活动水平的变化。

④大脑网络的建构:

根据图论,大脑网络可以用图G(N,E)来表征。全局连通性能量定义为所有连通性矩阵元素的总能量。在本研究中计算了全局连通性能量,以比较实验中各部分之间以及两组之间的警觉性水平。

⑤脑网络的聚类:在构建的脑网络中,采用无监督聚类算法在组级搜索重要的连接信息(连接聚类)。由于每个连接簇只有一个节点,所以对簇的分类等于对大脑网络中它们的节点的分类。然后,连接集群的连接被定义为其节点的属性。

⑥微分熵(Differential Entropy,DE):本文将预处理后的α振荡作为时间序列来计算DE值。对脑网络的所有节点进行DE处理,根据连接簇的时空分布特征确定用于DE统计分析的节点。

⑦统计分析

为了比较警觉性评价表现,上述脑电特征(即全局连通性能量、α比、控制组和实验组被试的每个驾驶阶段(segment 1-6)取平均值,计算标准差来衡量其变异性。观察到的组均值之间的差异是否反映了两组样本总体的实际差异。

3.实验结果

控制组的平均功能连通性矩阵 

图3 控制组的平均功能连通性矩阵

 实验组的平均功能连通性矩阵

图4 实验组的平均功能连通性矩阵

上图(图3、图4)分别显示了控制组和实验组被试的平均功能连接矩阵。节点Fp1、Fp2、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、O1、O2编号为1-19。矩阵中每个小的方形曲面表示两个节点之间的连接。颜色表示反映连接强度的相关系数的值。主对角线上的相关系数设为零(深蓝色),以排除自连接。所有的功能连通性分析都基于功能连通性矩阵。传统的连通性分析方法受到虚假交互的影响。如上图所示,从Segment1到Segment6,警觉性的变化影响功能连接性。在第1段后,控制组和实验组的整体连通性强度都变弱(更多的蓝色显示),但观察第1段后的几段几乎没有变化,组间和组内无差异。

实验组和控制组的整体连接能量 

图5 实验组和控制组的整体连接能量

表1.整体连通性能量Mann-Whitney U检验的结果

 脑电U检验的结果

两组间差异无统计学意义,但两组被试的标准差均较大。研究表明,网络平均行为在很大程度上受到被试个体差异的影响。

 控制组和实验组的α能量比

图6  控制组和实验组的α能量比

(图解:被试的平均值和标准差被绘制出来。C-额叶和C-顶枕叶代表对照组的额叶和顶枕叶比例。E-额叶和E-顶枕叶分别代表实验组的额叶和顶枕叶比值。**表示p<0.01。)

图6显示了控制组和实验组大脑两个区域的能量比,即额叶和顶枕比分别通过额叶通道(即Fp1、Fp2、F7、F3、Fz、F4和F8)和顶枕通道(即T5、P3、Pz、P4、T6、O1和O2)的平均比值。从第1段到第6段,控制组和实验组的额叶比逐渐下降,而顶枕比逐渐升高。

表2.Mann-Whitney U检验显示额部和顶枕部的alpha能量比

 U检验显示额部和顶枕部的alpha能量比

Mann-Whitney U检验显示额部和顶枕部的alpha能量比在每个节段都有显著性差异。图6用星号标出了两个区域之间存在显著差异的α能量比。**表示p<0.01。因此,在控制组和实验组中,随着时间的推移,额枕比和顶枕比可以分为两类。控制组与实验组的差异不显著。

 控制组各阶段脑网络连接簇的分类

图7 控制组各阶段脑网络连接簇的分类

 实验组各阶段脑网络连接簇的分类

图8 实验组各阶段脑网络连接簇的分类

 

图7(a)显示,引起疲劳在第1段中,大脑网络连接的分类集群呈现在图7中被认为是默认模式网络(DMND)。与DMND相比,在图7的其他节段中,强连接集中在额叶和顶枕区,额叶和顶枕区之间的连接明显减弱,与图5的趋势一致。特别是大脑网络中连接簇(或节点)的分类变化随疲劳积累呈现阶段性。如图7 a-f所示,高等级节点(即青色、绿色、黄色节点)逐步移至顶枕区。在图8a中,驾驶员在听收音机(RADIO)环境中,大脑听觉区和额叶区节点(T3, T4, Fz)分别标记为Class 2-4 (High Class),显示在听觉区有中间活跃的簇。因此认为图8a中的脑网络是RADIO (DMNR)的默认模式网络。与DMNR相比,图8中其他部分的表面连接似乎恢复到疲劳模式,额叶和顶枕区之间的连接较弱。此外,青色结节向顶枕区移动。然而,被标记为第3和第4类的最活跃的簇仍然位于第2段至第6段的额叶区。

 脑电类集

图9 类集来自所有节点和段

(图解:(a)控制组的类集;(b)实验组的类集。节点Fp1、Fp2、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、O1、O2编号为1-19)

图9显示了与图7和图8相对应的每个节点上的类改变。在图9a中,在Segment2之后的脑网络中实现的聚类算法主要将高等级(class 3)标记在顶枕区(Nodes 13-19)。与图9a相比,图9b中顶枕区大部分集群(以节点为代表)的活动水平降低了一级,为Class2。相比之下,额叶区第5段和第6段保持高级别。结果表明,在长时间驾驶任务时,基于α振荡构建的主动连接簇从顶枕区向额区转移。

 使用Louvainalgorithm检测群落

图10.使用Louvainalgorithm检测群落

(图解:(a-f)对照组第16-6段检测到的群落;(g-l)实验组第16-6段检测到的群落)

 驾驶过程中的DE变化

图11. 驾驶过程中的DE变化

(图解: (a)对照组各受试者平均DE;(b)实验组各被试平均DE。将各组被试的所有DE值取平均值,阴影部分为标准差)

表3. 每段DE值、表4 Mann-Whitney U测试DE差异的结果

U测试DE差异的结果 

图10中两组的群落划分随时间的变化都没有变化。图10证实了图7和图8中连接簇的时空演化产生了信息内容的变化。在图7和图8中的所有节点上计算DE。根据动作之间的连接集群额和顶枕区,DE值平均跨节点Fp1, Fp2, F7, F3, F4, Fz,跨节点和F8, T5, P3, P4, Pz, T6, O1,和O2量化信息内容的额和顶枕区。

如图11a所示,对照组的额区熵值随时间呈下降趋势,顶枕区熵曲线呈明显上升趋势。总体上,图11b中实验组的DE值与图11a呈现相反的趋势。图11中的熵值用被试间的平均标准差(mean standard deviation, SD)表示。如表3所示,实验组的平均熵值大于对照组。通过Mann-Whitney U检验,各组间DE差异在各节段均有统计学意义(见表4)。表3以星号标出各组间DE差异显著值。*表示p<0.05和**表示p <0.01,由于p值均小于0.05,因此该方法有助于评价实验组的报警效果。

4.结论

①本文提出了一个改进听收音机探测连通性分析性能的新框架。不是分析网络系统的行为,而是划分电极子集获得更强大的结果。利用脑网络中实现的聚类算法对子集进行自动分类。基于DE的定量分析证明了该方法的有效性,分类后的主动聚类运动产生了信息内容的变化。

②听收音机的警觉性效应与抑制额叶向顶枕区的簇运动有关,有助于驾驶员在长时间驾驶过程中保持警惕性。

5、文献名称及DOI号

Zhang, C. , Ma, J. , Zhao, J. , Liu, P. , & Chang, R. . (2020). Decoding analysis of alpha oscillation networks on maintaining driver alertness. Entropy, 22(7), 787.

DOI:10.3390/e22070787

丹麦28-999彩票 平安彩票-999彩票 平安彩票-官网 北京快乐8官网_欢迎您 红旗彩票-官网 彩88官网--[彩88官网]--欢迎你 彩神-Welcome