基于脑电实验的眨眼次数与疲劳相关性研究

曾友雯，冯珍，祝亚兵，李奇

（长春理工大学计算机科学技术学院，长春 130022）

基于脑电实验的眨眼次数与疲劳相关性研究

曾友雯，冯珍，祝亚兵，李奇

（长春理工大学计算机科学技术学院，长春 130022）

眨眼次数可以反映一个人的疲劳程度，但目前对于这一结论的客观验证研究较少。脑电信号是已被证实的疲劳检测的可信标准。利用脑电信号与眨眼次数的相关性，为基于眨眼次数的疲劳检测方法提供了理论依据。设计实现基于脑电的疲劳检测实验，采集被试脑电信号的同时记录被试的眼部图像数据。利用小波变换对脑电信号进行特征提取，分析被试在实验过程中疲劳程度变化情况。同时，处理被试眼部图像数据，统计被试眨眼次数，分析变化趋势。对脑电数据和眨眼次数进行相关性分析，客观验证了眨眼次数随疲劳程度增大而增加的结论。

疲劳；眨眼次数；脑电；疲劳判定

疲劳是指因连续、高强度的体力或脑力劳动使人体的生理机能和心理机能产生失调的一种复杂的生理现象。人体疲劳以后，意志力减弱，注意力分散，信息处理缓慢且输出形式混乱，动作缺乏准确性，易出现失误。在疲劳状态下工作效率低下，并且容易发生危险［1］。

人们对人体疲劳检测的研究从未止步，目前已经掌握了通过记录分析脑电、心电信号、人体步态、面部表情等进行疲劳检测的多种方法。面部表情检测因具有较高的准确性、较强的直观性和非接触的检测方式而被广泛应用［2］。其中，眨眼次数是疲劳检测中最易观察的面部特征。尽管利用眨眼次数判断人体疲劳的方法常被应用，但目前这一方法还缺乏严谨的客观依据。

本文设计并实施基于脑电的疲劳检测实验，采集脑电数据的同时记录被试的眼部图像数据。分析了脑电数据和被试眨眼次数与疲劳程度的变化情况，通过脑电数据，验证了眨眼次数与疲劳程度的相关性。

1 实验设计与实现

实验过程为被试在实验室内观看一段60分钟的行车视频，经历一个逐渐疲劳的过程，在此过程中利用澳大利亚Neuroscan公司生产的64导SynAmps2脑电放大器记录被试的脑电信号，同时用Sony HDR-FX1摄像机记录被试眼部图像数据。

实验选取2名长春理工大学在校大学生作为被试（1男1女，平均年龄22岁），被试均为自愿参加实验，配合度良好，没有眼部疾病。实验在长春理工大学脑信息学研究室的专业的隔音屏蔽脑电实验室内完成，有效地避免了外界环境干扰对被试及采集数据的影响。实验中的脑电采集电极分布按照国际标准导联10-20系统（10-20 electrode system）配置，获取了64个电极通道的脑电数据。被试坐在显示器正前方150cm处，摄像机放置在被试右前方110cm，行车视频通过笔记本电脑控制，分屏显示于显示屏上，在操作室内进行控制。实验平台如图1所示。

图1 实验平台示意图

实验前，告知被试实验流程以及实验注意事项。进行充分的实验准备后进行实验。

2 数据统计与分析

2.1 脑电信号数据处理

采用专用脑电信号分析处理软件Neuroscan 4.3（Neuroscan公司提供）和MATLAB 2012数学软件对脑电数据进行离线分析。为避免高频信号和眼动等因素的影响，对采集到的脑电数据进行滤波、去眼电预处理操作［3］。通过观察被试的眨眼情况，发现被试在实验开始20分钟后，开始出现闭眼甚至瞌睡的情况。故预处理后，将前20分钟的脑电数据等分成5段（每段4分钟），分别记为时间段1（时间段1为实验刚开始）、时间段2、时间段3、时间段4、时间段5，取每个时间段的前5秒作为脑电分析处理的数据。

采用沈民奋小波变换［4］的方法，对已分段好的脑电数据进行脑电特征提取，将脑电数据分解为δ波、θ波、α波、β波四种脑电节律［5］。图2显示了被试一四种节律的脑电地形图。由此发现，在时间段1～5内，δ和θ波地形图中红色和黄色区域逐渐增大，说明δ和θ波能量不断增多；而α和β波地形图中红色和黄色区域逐渐减小，说明α和β波能量不断减少。由于δ和θ慢波是大脑皮层处于抑制状态的表现，而α和β快波是大脑皮层处于兴奋状态的表现［6］，因此在时间段1～5内，驾驶员的大脑皮层受抑制程度逐渐增强，疲劳程度在逐渐加深［7-8］。

图2 四种节律脑电地形图

从上述脑电地形图分析可知，人在疲劳过程中脑电的节律能量会出现不同趋势的变化。当α波、β波占主导优势时，被试的意识是清醒的；而当δ波、θ波占主导时，人的意识模糊甚至出现睡眠。不同被试的数据在Cz电极能量增大趋势一致，并且该处的脑电能量变化最明显。因此，选择Cz电极获取的脑电数据作为分析数据。采用如下方法，求各被试的不同通道的脑电节律波能量［9］：

（1）对α波脑电节律fα(t)进行傅里叶变换，得到fα(t)。

（2）将fα(t)平方，得到脑电特征的能量Eα。

（3）按照上述方式，求出β波、δ波、θ波能量，分别为Eβ、Eδ、Eθ。

由于计算出的α波、β波能量逐渐减小，然而随着疲劳程度的增加，δ波、θ波的能量逐渐增大，能够反映疲劳程度，因此选取这两种节律的脑电数据作为实验分析数据。表1为Cz通道δ、θ波在实验过程中的脑电节律能量值，将数据绘制成曲线图，如图3所示。

表1 Cz通道δ，θ波能量值

图3 被试能量变化趋势图

由表1和图3可知，随着实验时间的增加，表示大脑皮层处于抑制状态的θ波、δ波能量增高，被试的疲劳程度也在升高。

2.2 眨眼数据处理

实验中，采用摄像机实时记录了被试的眼部图像数据，以4分钟为单位统计每个被试在实验过程前20分钟的眨眼次数，统计每个被试在出现闭眼瞌睡前的眨眼次数变化规律。实验数据如图4所示。

图4 被试眨眼次数变化趋势图

（图中T1，T2，T3，T4，T5分别表示时间段1，时间段2，时间段3，时间段4，时间段5）

由上图可知，两名被试在实验的前20分钟眨眼次数总体变化呈现出随时间逐渐上升的趋势，这说明被试在进入疲劳状态之前，其眨眼频率较低，而疲劳程度增加，眨眼频率变大。在有些时间段会出现下降的趋势，这是因为随着疲劳程度的加深，被试每次眨眼的时间也逐渐增加［10］，人在疲劳时眨眼时间变长，会对眨眼次数有所影响，但从眨眼次数的总体变化看来，被试的眨眼次数随着疲劳程度的增大而增加。

我们将被试的眨眼次数数据与其同一时刻的脑电数据一同分析，采用spss19.0对两个被试的θ波、δ波的能量值与眨眼次数分别进行相关性分析，得到如图5相关分析散点图。

图5 相关分析散点图

如图5所示，两个被试的θ波、δ波的能量变化趋势与眨眼次数变化趋势关联结果显示明显的相关性（被试一：p＜0.01，r=0.973；p＜0.01，r=0.609；被试二：p＜0.01，r=0.980；p＜0.01，r=0.618）。随着疲劳程度的增加，眨眼次数成正相关变化。可以说明将眨眼次数作为疲劳判断标准的可靠性。

3 结论

通过分析实验数据可以发现，随着时间的推移脑电数据表现出疲劳程度逐渐增大的趋势，客观地证实了被试经历了疲劳程度增大的过程；与此同时，对被试眨眼次数的统计结果显示，被试眨眼次数也呈现出上升的趋势。通过相关性分析发现脑电数据与眨眼数据有较强的相关性。由此我们可以得到结论：眨眼次数随被试疲劳程度的增大而增加。

眨眼次数作为人体疲劳判定的特征之一，是最易观察，数据处理最简便的，而且观测眨眼次数无需与人体直接的接触，不会对人体正常的行为活动产生任何影响。将此特征的重大现实意义应用于疲劳检测，如：驾驶疲劳检测、矿工等高危工作者疲劳检测，将会对保障人的生命财产安全作出贡献，创造巨大的社会效益。

［1］王维镛.对人体疲劳的认识［J］.林业劳动安全，2000，13（3）：39-41.

［2］马添翼，成波.基于面部表情特征的驾驶员疲劳状态识别［J］.汽车安全与节能学报，2010，1（3）：200-204.

［3］房瑞雪，赵晓华，荣建，等.基于脑电信号的驾驶疲劳研究［J］.公路交通科技，2009，12（26）：125-127.

［4］沈民奋，孙丽莎，沈凤麟.基于小波变换的动态脑电节律提取［J］.数据采集于处理.1999，14（2）：183-186.

［5］李爱明，张诚，杨金福，一种基于脑电信号的疲劳驾驶状态判断方法［J］.北京生物医学工程.2011：58-59.

［6］T.P.Jung，S.Makeig，M.Stensmo，and T.J.Sejnowski.EstimatingalertnessfromtheEEGpower spectrum［J］.IEEE Trans Biomed Eng，1997（44）：60-69.

［7］吴绍斌，高利，王刘安.基于脑电信号的驾驶疲劳检测研究［J］.北京理工大学学报.2009，9（12）：1074.

［8］张宁宁，王宏，付荣荣.基于小波熵的驾驶疲劳脑电信号特征提取［J］.汽车工程.2013，2（12）：1139-1140.

［9］祝亚兵，曾友雯，冯珍等.基于脑电信号特征的驾驶疲劳检测方法研究［J］.长春理工大学学报：自然科学版，2016（5）.

［10］Q.Ji.Real-Time Eye，Gaze，and Face Pose Tracking for Monitoring Driver Vigilance［J］.Real-Time Imaging，2002（8）：357-377.

Study on the Correlation of Blink Frequency and Fatigue Based on EEG

ZENG Youwen，FENG Zhen，ZHU Yabing，LI Qi
（School of Computer Science and Technology，Changchun University of Science and Technology，Changchun 130022）

The number of blinks can reflect the degree of a person’s fatigue，but there is little validation studies for this conclusion.EEG is a credible standard for fatigue detection that has been proved.Using a correlation analysis was conducted to investigate the relationship between EEG data and eye blink number.The present study provides a theoretical support for detecting the fatigue degree via eye blinks.In this study，an EEG experiment for fatigue detection was conducted.Subjects’EEG signals and eye image data were simultaneously recorded.The feature vector of EEG signals related to fatigue was extracted by using a wavelet transform method.We got the changes of fatigue condition in subjects during the experiment through analyzing the change of feature vectors.Then we processed the subjects’eye image data，counted the times of blinks and analyzed the trends of change.The results showed a significantly positive correlation between EEG data and eye blinks.

fatigue；blink frequency；electroencephalograph（EEG）；fatigue determination

TP391

A

1672-9870（2017）01-0123-04

2016-08-25

国家级大学生创新创业训练计划项目（2015S025）；吉林省科技发展计划大学生创业资金项目（20160521016HJ）

曾友雯（1995-），女，本科，E-mail：2991949629@qq.com

李奇（1977-），男，教授，E-mail：liqi@cust.edu.cn