EEG在交通安全领域中的应用研究综述

导读：道路交通事故导致的人员伤亡以及巨大的经济财产损失使得道路交通安全问题成为社会关注的重点。随着计算机技术以及认知心理学的发展，EEG相关研究成果的应用为交通安全提供了新的研究方向。作为一种电生理信号，EEG以较高的时间分辨率快速反映出驾驶员的心理活动和认知行为。本文分别从EEG在交通安全领域的应用研究现状和技术研究现状两方面，总结和梳理了近五年来国内外学者的研究进展和相关成果，同时对EEG信号在交通安全领域的研究提出了展望。1

引言

近些年，道路交通安全事故已经成为我国人口伤亡的主要原因之一。中国统计年鉴显示，仅2019年，我国发生交通事故247,646起，由交通事故导致死亡的人数为62,763人，交通事故中不同程度受伤人数高达256,101人，造成直接经济损失134617.9万元。事实表明，由道路交通安全问题带来的人员伤亡和经济损失巨大，交通事故的预防压力空前，道路交通事故已然发展成为一个严峻的社会问题。在导致道路交通事故的众多因素中，人因造成的交通事故占了90%以上。而驾驶员作为交通事故人因分析的主要构成部分，对道路交通事故有重大影响，因此在分析和预防道路交通安全事故时，不能忽视“人机关系”中驾驶员的主导地位。黄曙东等通过构建基于感知、判断、操作的驾驶员认知响应模型，为描述驾驶员完整的驾驶过程奠定了基础，刘广姝等从认知心理学的角度，对道路交通事故中驾驶员的感知、判断决策、反应操作和注意四个方面进行了定性的认知失误分析，且得到了导致驾驶员认知失误的主要因素。然而对驾驶员的认知分析仅停留在基础理论方面是不够的，还需对其从客观数据方面进行进一步研究。随着计算机技术以及认知心理学的发展，将脑电（Electroencephalogram，EEG）研究的相关成果应用到对驾驶员的认知分析为道路交通安全的研究提供了新的方向。EEG是一种自发且随机的生物电信号，这种生物电信号以较高的时间分辨率快速反映出驾驶员的心理活动和认知行为，是体现驾驶员精神和心理状况的重要生理信号指标。此前已有大量文献研究了不同频率的EEG信号与驾驶员疲劳驾驶、分心驾驶、睡眠剥夺驾驶以及其他特定场景下驾驶状态之间的关系。

2EEG在交通安全领域的应用研究现状EEG是大脑神经网络中相当数量的神经元（主要是椎体细胞）进行同步放电时，在头皮表面测量得到的微弱电位差。由于大脑皮层有序的多层结构中椎体细胞的轴突径向排列，树突在外层呈切向分布，这样有序的电偶极子放电能够克服颅骨的屏蔽，因此可在头皮上测量到曲线前面也加单位，如0.5Hz~40Hz的EEG信号。本文将对近五年的研究现状进行重新梳理。2.1疲劳驾驶

疲劳驾驶是指由于长时间连续驾驶车辆而导致的驾驶员信息获取、信息处理以及操纵能力下降的现象。驾驶员一旦在驾驶过程中出现疲劳状态，就可能造成非常严重的后果。因此，对驾驶员的疲劳状态进行定量分析和实时估计是十分必要的。刘天娇等在研究驾驶过程中的主动疲劳时，通过功率谱分析得到脑电指标（θ+α）/β，统计分析后表明该指标对驾驶疲劳维度中的缺乏精力症状有显著正向的回归拟合作用。陈骥驰等在真实路况下完成了EEG信号的采集，利用小波包分析得到的δ、θ、α和β节律分别计算了清醒与疲劳状态下各导联信号之间的相位迟滞指数，并最终通过神经网络算法实现了利用脑网络特征参数估计驾驶员疲劳程度。目前对疲劳驾驶的研究主要在于疲劳驾驶检测技术的优化，相关内容将会在下一章中提到。2.2分心驾驶

驾驶分心是指由车内或车外的事件、活动、物体或者人所引起的驾驶人注意力不能集中在驾驶任务上，以及由此引发的驾驶人对安全驾驶所必需信息的再确认的延迟。很多研究者利用EEG来探究不同分心驾驶任务对驾驶员的认知影响。研究了一种同步使用EEG和眼动跟踪系统的方法以检测驾驶员对广告牌的视觉和认知反应，该方法同时也可以监测复杂动态变化场景中的驾驶员分心。由于分心任务的差异，对分心驾驶的研究往往比疲劳驾驶更加细致，不仅包括分心驾驶与EEG之间的关系研究，还包括分心任务对大脑作用位置的研究。在研究分心驾驶的过程中，将采集到的EEG信号通过功率谱分析，得出此任务将导致大脑枕叶部位θ节律的频率输出总平均值会整体下降的结论。2.3驾驶精神负荷

驾驶本身是一种复杂的活动，由驾驶导致的驾驶员身体和心理同时承受的负荷可统称为驾驶精神负荷。在实际的驾驶过程中，驾驶员的精神负荷会有不同程度的变化。而在复杂的交通系统中，驾驶员的精神负荷往往又可以影响其身体机理以及驾驶状态。因此，有效评估驾驶员精神负荷对道路交通安全同样意义重大。Kim等通过车辆行驶信息中提取的有用特征和EEG的特征指标，利用支持向量机建立分类模型以预测实际驾驶过程中的正常和过载状态。基于机器学习技术从驾驶员EEG信号中识别驾驶负荷特征，探究了支持向量机、神经网络和随机森林三种分类器的有效性，并提出了一种基于EEG的识别驾驶负荷的综合框架。为了可以更安全且方便地量化认知工作负荷和预测驾驶员过载状态，郭孜政等的研究通过快速傅里叶变换提取相关的EEG特征数据，并用差异性分析及主成分分析算法对EEG特征指标进行筛选和压缩，建立了基于支持向量机的驾驶人心理预期识别模型，达到了准确识别驾驶人对潜在危险事件的心理预期的目的。2.4具体驾驶情景

EEG在交通安全领域的研究大多集中在以上三个方面，但是也有许多研究是基于具体驾驶情景对EEG的变化情况进行分析。王琳虹等分别研究了公路景观色彩对驾驶员脑电δ波成分、高速公路景观色彩对驾驶人脑电α/β值的影响。卢国英等通过采用S1-S2实验范式，利用ERP分析了交通标志及其文字语义匹配程度，得出存在较大差距的结论。研究了隧道内光源色温对驾驶员EEG的影响，构建了注意力增长率和光源色温之间的度量模型，并给出了反应时间的分布规律。该研究有助于公路隧道内环境智能辅助决策系统的建立。探究了草原公路交通标志信息量对驾驶员EEG特性的影响，分析了不同信息量水平下驾驶员的认知状态并确定了最佳信息量水平。由于具体驾驶情景的差异，对于不同具体驾驶情景对脑电特征影响的探究更加细致，且研究的难度主要在不同驾驶环境的搭建上。2.5其它

的角度进行了探讨。比如除以上内容外，还有其他领域的研究者对此课题从不同致力于自动检测和消除驾驶模拟任务中记录的EEG中的伪像，提出了一种应用独立分量分析的自动化方法来处理驾驶模拟过程中记录的脑电伪迹；提出了一种基于脑网络聚类的EEG成像方法，实现了基于图像处理方法识别二维疲劳模式。这些研究尽管与主流研究方向略有不同，但同样加深了读者对于EEG信号的理解，提高了读者将EEG信号应用在交通安全方面的水平。3EEG在交通安全领域的技术研究现状EEG极易受到来自外界环境以及驾驶员本身其他生理电信号如眼电和肌电的干扰，通过对EEG数据进行滤波、ICA去除伪迹、基线校准等预处理，有效去除EEG伪迹噪声并获得干净的EEG数据成为EEG相关实验成功的关键基础。有关EEG信号预处理的内容属于信号处理的范畴，此处不再赘述。干净的EEG信号可以直接或间接地提供特征参数以进行之后的数据处理与分析，因此，选择适当的特征指标以及数据处理方法对于EEG在安全领域的实际应用有重大意义。3.1EEG的特征提取

EEG信号可提取的特征指标多样。通过获取EEG时域信息来评估驾驶员驾驶状态的方法称为时域分析。时域分析往往通过直接提取EEG信号随时间变化的波形特征对数据进行分析，达到从整体上反应大脑状态的目的。其中对事件相关电位（event-relatedpotential，ERP）的研究日渐成熟。在驾驶员对道路危险感知的研究中表明，Pz、Cz和C3通道中危险和非危险刺激之间的事件相关电位存在差异，特别是在刺激后80~100毫秒的时间窗口内，危险和安全驾驶员之间存在显著差异。然而，随着对EEG信号研究的深入，直接从实验数据中提取EEG时域信息进行分析已不能达到研究目的，因此开始不断挖掘EEG信号频域上所反应的信息。通过获取EEG频域信息来评估驾驶员驾驶状态的方法称为频域分析。频域信息利用现代功率谱分析方法，将随时间变化的EEG信号转化为EEG功率随频率变化的谱图，从而直接分析与特定脑活动相关的不同频率或频带的变化。在驾驶安全领域中，EEG通常按照周期的长短或者频率的高低分为δ节律（0.5~3.5Hz）、θ节律（4~7Hz）、α节律（8~13Hz）、β节律（14~25Hz）、γ节律（25Hz以上）。EEG的研究可以通过直接提取这几种节律或者由这几种节律组合而成的相关信号特征量进行分析。在研究不同道路环境对驾驶员精神负荷的影响时，通过功率谱密度估计发现在相同的道路环境下，由于夜间驾驶主观睡意的增加，EEG中α节律含量增加。另外，结合频域信息，通过空间信息来关注EEG信号在头皮表面的空间分布情况并提取相应的特征指标来分析不同脑区的活动状态也逐渐成为一种常见的分析方法。利用在6个脑区中获得的EEG信号的频谱信息计算了不同脑区中20秒内EEG的空间协方差矩阵与在初始状态的平均协方差矩阵之间的弗罗贝尼斯（Frobenius）距离，并将其转化为在0和1之间变化的驾驶疲劳指数，研究表明，基于α节律的驾驶疲劳指数可以作为长时间准确评估精神疲劳的特征指标。计算科学的进步使得结合时域信息和频域信息共同分析EEG信号成为可能。时频分析，通过将一维的EEG信号映射到时间—频率这一平面上，分析EEG信号的局部特征的同时可以直观地揭示EEG信号不同频率的时间分布，越来越多的研究也更倾向于利用时频分析来获取EEG的信息，其中小波分析和小波包分析成为各研究者关注的重点。为区分驾驶员驾驶时制动和加速意图，收集了驾驶员的EEG信号并将其分成独立的成分，通过小波分析确定了与制动和加速事件相关的时频活动，并通过最小范数源定位来估计皮层发生器。研究结果表明，θ节律的功率将制动与动作前800毫秒的加速事件区分开来。利用小波包变换从选择通道内的EEG信号中提取了时频特征，并使用HDF、复杂性和移动性计算了特征指标，最终提出了基于单通道脑电信号的睡意检测模型，该模型不但探究了新的特征指标，还实现了对EEG数据的降维处理，大幅度提升了模型的运行速度，具有实际意义。以上三种分析方法皆为线性分析方法。基于混沌理论，脑电还具有非线性系统的活动特征。因此还有许多非线性动力学特征指标可以用于EEG信号的分析，其中典型的特征指标如信息熵、近似熵、样本熵等。提取了关联维数、李雅普诺夫指数、近似熵、样本熵、模糊熵和谱熵六个非线性特征指标，最终提出了一种基于多非线性特征融合策略的驾驶疲劳检测方法以实现对驾驶员疲劳程度的评估。闵建亮等的研究表明前额EEG多尺度小波对数能量熵可以作为衡量驾驶疲劳的有效生理指标。传统EEG信号的熵特征基本都是在单个时间尺度上分析的，不能度量时间序列复杂度与长距离时间相关性之间的关系。同时，传统的多尺度熵特征提取算法也无法很好地确定信号的时间尺度信息。因此，基于前额脑电数据，结合自适应比例因子获取算法和熵特征提取方法，提出了自适应多尺度样本熵（AMSE）、自适应多尺度模糊熵（AMFE）和自适应多尺度排列熵（AMPE）以及分别对应的特征算法。另外，机器学习的发展使得特征提取开始走向自动化。在检测驾驶疲劳时提出了一种多级特征生成器，该生成器使用一维二进制模式和统计特征，并结合一维离散小波变换创建层次，最终提出了一种五级融合特征提取器。同时，该研究还提出了一种基于ReliefF和迭代邻域成分分析的两层特征选择方法来解决特征选择问题。在研究EEG通道之间的时空变化关系是否特定于不同的疲劳驾驶状态时，利用每段EEG得到的协方差矩阵输入递归神经网络（RNN），提取高级时间特征。同时，利用整体信号的协方差矩阵提取空间特征，并与时间特征融合，获得全面的时空特征信息。

3.2基于EEG数据的统计分析应用

通过EEG实验所采集到的数据基本上都是在各种因素的制约下获取的。对实验数据进行计算分析，找出各种因素之间以及各种因素对实验数据结果的主次作用，是EEG数据分析需要解决的首要问题。因此，采用统计分析的方法对EEG数据进行差异性检验就成为EEG信号在交通安全领域应用的基础内容。鉴于EEG数据通常与行为数据同时采集和分析，分析的内容也较为复杂，所以有必要对常见的统计学分析的特点进行介绍。方差分析是通过对试验数据进行分析，检验方差相等的多个正态样本的总体均值是否相等，进而判断各因素对试验指标的影响是否显著。要求所研究的指标具有独立性、正态性和方差齐性。在研究高速公路上多板和单板标志显示的方向路标对驾驶员心理负荷的影响中，通过对驾驶员EEG信号中的α节律的平均绝对功率进行方差分析，得到了随着标志上地名数量的增加，α节律的平均绝对功率会显著降低的结论。单因素方差分析通常是指影响试验指标条件为一个的方差分析。裴玉龙等将采集到的EEG数据进行降噪处理后，通过积分获取各时段α节律、β节律和θ节律的平均功率谱密度，进而求得指标R(α/β)、R(θ/β)、R(α+θ)/β，并将其与驾驶时间进行单因素方差分析，通过敏感性判断，最终选取了R(α+θ)/β作为驾驶疲劳表征指标。作为功率谱密度的一种衍生，频带重心频率也成为一项常用的特征指标。配对样本t检验用于检验两个具有配对关系的相关样本的总体均值差异，实质是检验两个相关样本之差的均值和零之间的差异大小。配对样本t检验要求数据的总体方差相等而且为正态数据或近似正态数据。从这一角度来看，方差分析可以看作是t检验的扩展，这两种方法针对的数据类型都是定类和定量（一般用于分析定类数据与定量数据之间的关系情况），都属于差异研究，主要目的在于比较两组数据或多组数据之间的差异。方差分析和t检验的主要区别在于t检验中的定类数据只能有两个类别，而方差分析则对此不加限制。赵蕾蕾等在研究晕动驾驶员的EEG特征时发现，自动驾驶时驾驶员的自主晕动评分平均比主动驾驶时高2分，且随着晕动程度的增加，驾驶员Fc2、Cz、CP5、POz通道中EEG信号θ节律的功率谱密度的重心频率有升高的趋势，将驾驶员在主动驾驶和自动驾驶下的EEG重心频率数据进行配对t检验，结果表明驾驶员在自动驾驶模式下更容易产生晕动症状。皮尔逊（Pearson）相关性分析是衡量两个变量之间的线性相关关系的经典分析方法，但是容易受异常值的影响。许多基于EEG信号的驾驶行为研究都涉及到普通驾驶状态。发现分心驾驶过程中，通过皮尔逊相关性检验，认知对话将导致α节律和β节律的活动增加，而情感对话则提高了γ节律和β节律的比率。但是，这些研究主要集中在某些危险的驾驶状态，如疲劳驾驶或分心驾驶，通常将正常驾驶状态视为基线或对照组，因此普通驾驶状态很少得到充分讨论。为了填补这一空白，Yang等利用皮尔逊相关系数检验从三个方面分析了EEG（通过每个脑叶的脑电特征测量）与普通驾驶行为（通过多项表现测量）的关系：（1）不同脑区与驾驶行为的相关性；（2）各种脑电频带、脑电特征与驾驶行为的相关性；（3）不同驾驶行为特征与脑电特征的相关性。结果表明，普通驾驶行为与四个脑区有关，尤其是颞区、枕区和额叶，其中发现b-LTP与普通驾驶行为最相关。此外，加速度、速度和空间间隔可能与脑电图特征（如b-LTP）有潜在相关性。以上方法为EEG在交通安全领域最常见的统计学方法，还有一些研究者通过对数据进行重复测量方差分析等方法对数据进行统计学分析。3.3基于EEG数据的机器学习算法应用

近年来，许多研究者将机器学习相关的算法应用于EEG数据的分析。机器学习的核心是用算法解析数据，不断学习，并对世界中发生的事做出判断和预测。机器学习直接来源于早期的人工智能（ArtificialIntelligence，AI）领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分类，机器学习算法可以分为有监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。其中有监督学习中常用的分类器有线性分类器LDA、支持向量机SVM、人工神经网络以及多分类器的组合，基于这些传统的机器学习算法，一部分研究对不同的驾驶状态或驾驶行为进行分类识别，从而搭建相关的分类模型及预测模型。为准确预测驾驶员对突发事件的简单反应时间，张骏等通过功率谱估计提取EEG信号特征参数，并将其作为预测驾驶员反应时间的客观指标输入到搭建的SVR分类器中，从而建立了驾驶员对突发事件反应时间的预测模型。在传统机器学习的基础上，通过拓展新型特征参数，对传统分类器进行准确性检验，以便针对EEG信号的独特性对传统分类器进行合理的优化处理也逐渐成为研究的热点。Chen和Wang等首次将新型功能脑网络（FBN）方法应用于实际驾驶过程中的特征识别和分类系统中，该研究提出了一种基于相位滞后指数的多通道网络构建方法，在验证了功能性脑网络特征与疲劳状态相关性的基础上，又证实了支持向量机（SVM）、最近邻分类器（KNN）、逻辑回归和决策树四种分类器良好的准确性。通过小波系数中和小波系数之间的GCMI特征来计算大脑区域间的连通性，然后自动选择最佳特征以优化通道数，并使用SVM对疲劳和警戒相关轨迹进行分类。这项研究除证明了基于小波的GCMI方法在疲劳检测中的有效性之外，还通过一种新的EEG通道选择算法，在保证识别准确率的前提下仅使用8个通道的信息使得处理速度提高了9倍，有助于以后在实时工作中的实现。提出了一种利用EEG信号识别驾驶行为的两层学习方法，在第一层中，先使用支持向量机递归特征算法从原始驾驶行为数据中选择和提取表示驾驶风格稳定性程度的二维驾驶行为特征，再将这些二维驾驶行为特征通过K-means算法分为五类。在第二层中，将第一层的分类结果与LDA算法提取的EEG特征量一并输入到KNN分类器。交叉验证结果表明，该学习方法具有较好的准确性。另一部分研究集中在对新型分类器的搭建上。为准确预测与驾驶表现相关的驾驶员认知状态，提出了一种新的基于EEG信号通道式卷积神经网络（CCNN），以及一种使用受限玻尔兹曼机代替卷积滤波器的CCNN变型CCNN-R，其结构皆考虑了EEG信号的特性，并且这两种通道式动态学习算法在使用原始EEG数据预测驾驶员认知状态方面比传统逻辑算法更具有鲁棒性和有效性。王斐等基于多通道EEG信号的电极—频率分布图，提出了通过搭建深度卷积神经网络实现对驾驶员疲劳检测的方法。实验结果表明，卷积神经网络模型能够很好地从电极—频率分布图中获得与疲劳状态相关的特征信息。此外，基于迁移学习策略可以将训练好的深度网络模型迁移到其他识别任务上，有助于推动脑电信号在驾驶疲劳检测系统中的应用。在α阻滞现象和α波衰减—消失现象分别代表放松清醒和睡眠开始两种不同嗜睡水平的基础上，搭建了一种基于长短期记忆（LST