本研究Exploring the Brain Responses to Driving Fatigue Through Simultaneous EEG and fNIRS Measurements 發(fā)表于2020年的International Journal of Neural Systems（IF:8.0）。
摘要
在這項研究中，通過同時功能近紅外光譜(fNIRS)和腦電圖(EEG)記錄來探索駕駛疲勞的多模態(tài)生理現(xiàn)象，目的是研究血流動力學和腦電特征與駕駛表現(xiàn)之間的關系。研究中16名被試參與了一項事件相關的車道偏離駕駛?cè)蝿铡榱朔奖惚容^，將被試按照駕駛表現(xiàn)分為三個組，分別為表現(xiàn)最優(yōu)組、表現(xiàn)次優(yōu)組和表現(xiàn)較差組。從分析中我們發(fā)現(xiàn)，車道偏離之前，大腦會發(fā)生緊張性變化（tonic variations）；而在車道偏離之后，大腦會發(fā)生時相性變化（phasic variations）。緊張性（tonic）變化即氧合血紅蛋白(HbO2)濃度升高，腦電圖θ、α和β波段功率變化，這兩種變化都與駕駛表現(xiàn)水平下降顯著相關。時相性（phasic）腦電圖結(jié)果表明，所有頻段的腦電信號都表現(xiàn)出與車道偏離任務啟動的事件相關去同步，并且，隨著駕駛表現(xiàn)水平下降，時相性（phasic）HbO2的濃度下降。此外，緊張性（tonic）腦電δ和α功率與HbO2振蕩之間的負相關表明，HbO2濃度的上升與精神疲勞相關?？傊Y(jié)合血液動力學和腦電活動可以提供完整的大腦反應，作為疲勞駕駛期間狀態(tài)變化的證據(jù)。
研究背景
駕駛疲勞是交通事故的一個重要因素，因此了解大腦如何響應駕駛疲勞對提高道路安全至關重要。過去的研究已經(jīng)使用EEG和fNIRS來研究駕駛疲勞，但很少有研究同時使用這兩種技術(shù)，這篇文獻填補了這一空白。在本研究中，我們設計了一個與事件相關的車道偏離駕駛?cè)蝿眨?以模擬真實的駕駛環(huán)境。本研究主要目的是探索駕駛員RT-ratio1和大腦動力學之間的關系。
注：RT-ratio，是指對反應時RT進行標準化處理，即分別將每名被試的反應時排序后，取最短的20%的值進行平均，得到每個被試的RT-ratio。
研究方法
01 實驗設計
利用三維圖形庫WorldToolKit (WTK)軟件構(gòu)建虛擬現(xiàn)實場景。駕駛場景是在顯示器上呈現(xiàn)一條無盡頭的四車道公路。該程序模擬了夜間在高速公路上以100公里/小時的速度駕駛汽車。該仿真程序可使車輛以相同的概率從巡航車道向左或向右漂移。路上沒有其他車輛，也沒有任何可能影響司機注意力的刺激。任務時長為60分鐘。實驗開始后，每個被試都要連續(xù)完成一個小時的車道保持任務。漂移事件（drifting events）是隨機觸發(fā)的，被試必須通過轉(zhuǎn)動羅技公司的賽車輪將汽車移回巡航車道。下一次車道偏離會在車輛回到巡航車道后的16 - 20秒內(nèi)隨機出現(xiàn)。車道偏離有三個時間點，包括偏離開始時間、反應開始時間和反應結(jié)束時間，如圖1所示。偏離開始是程序觸發(fā)汽車漂移的時刻。反應開始和反應結(jié)束分別表示被試在偏離任務后開始和停止轉(zhuǎn)動方向盤使汽車移回巡航車道的時刻偏離開始和反應開始之間的時間間隔為反應時RT。從偏離開始前的2秒和偏離開始后的15秒定義為一個epoch。以刺激前2秒為基線(緊張性tonic)，偏離發(fā)生后15秒為事件相關腦動力學變化(時相性phasic)。
圖1：實驗方案為模擬夜間行車60min。該程序每隔16 - 20秒就會隨機向右或向左偏移一次。要求被試使用方向盤將車輛移回原來的車道。
02 數(shù)據(jù)采集
同時記錄實驗過程中收集的行為、腦電圖和近紅外光譜數(shù)據(jù)。使用WTK軟件連續(xù)記錄反應時RTs，使用V-Amp 16腦電系統(tǒng)(Brain Products，國內(nèi)由瀚翔腦科學獨家代理)記錄EEG數(shù)據(jù)，電極布局在符合國際10-20系統(tǒng)的標準128通道fNIRS測量帽(https://nirx.net/nirscaps/)。在128個EEG通道中，我們只選擇了5個通道記錄枕區(qū)(POO9h和POO10h)和頂區(qū)(PPO1h、Pz和PPO2h)的EEG和fNIRS信號，如圖2中紫色圓圈所示。
采用NIRScout設備(NIRx medical Technologies,國內(nèi)由瀚翔腦科學獨家代理)記錄近紅外數(shù)據(jù)。該系統(tǒng)由8個光源和16個探測器組成，記錄了HbO2 和HbR在760和850nm兩個波長下對近紅外光的吸收情況。使用標準的fNIRS測量帽將光源和探測器放置在左右頂葉和枕葉區(qū)域。準確位置如圖2所示?？紤]到希望覆蓋的區(qū)域，我們總共使用了26個通道：12個通道用于枕葉區(qū)域，7個通道用于右頂葉區(qū)域，7個通道用于左頂葉區(qū)域。
圖2：EEG電極和fNIRS通道放置在標準的fNIRS測量帽上。位置符合國際10-20系統(tǒng)。紅色圓圈是近紅外光源，藍色圓圈是探測器。紫色的圓圈代表頂葉和枕葉區(qū)域的腦電電極。
結(jié)果
01 緊張性（tonic）結(jié)果
為了確定駕駛員意識缺失時fNIRS和EEG信號之間的關系，我們分析了被試在緊張性（tonic）和時相性（phasic）兩個時段的大腦動力學數(shù)據(jù)。圖3顯示了枕區(qū)血流動力學響應與四個EEG頻帶的t檢驗相關系數(shù)。結(jié)果顯示，含氧血紅蛋白HbO2 濃度與腦電各波段呈顯著負相關(Pearson’s correlation coefficient, p＜0.05)。行為表現(xiàn)（即RT ratio）與與腦電波段也呈負相關，其中RT ratio與δ波段、α波段的相關性分別為- 0.57和- 0.54。
圖3：枕區(qū)HbO2 濃度與頻率變化的相關性。(A) δ波段，(B) θ波段，(C) α波段，(D) β波段。
圖4顯示了三個表現(xiàn)組(最優(yōu)、次優(yōu)和較差)的枕區(qū)平均HbO2 Z分數(shù)。在最優(yōu)組和次優(yōu)組中，HbO2 Z分數(shù)上升；但在較差組中，HbO2 Z分數(shù)下降了，這表明表現(xiàn)較差組的被試未能保持駕駛性能。此外，在所有試次中，表現(xiàn)較差組被試的HbO2Z分數(shù)值最低。
圖4：三組被試(最佳、次優(yōu)和較差)枕區(qū)HbO2 水平
02 時相性（phasic）結(jié)果
四個腦電頻段的相位功率變化如圖5所示。時相性（phasic）分析能夠觀察到隨著RT-ratio的增加，大腦動力學的變化：δ波段和θ波段功率在車道偏離任務開始后立即顯著增加。在偏離任務開始后，到做出反應前，α和β波段功率降低，隨后其活動增加。
圖5 枕區(qū)四個頻段的相位變化及RT-ratio
黑色實線表示偏離任務開始時間，白色虛線表示反應開始時間。
每個圖中按照RT-ratio排序（從快到慢）。
color bar：紅色表示EEG相對功率動態(tài)增強，藍色表示相對功率動態(tài)降低。
相對于RT-ratio，枕區(qū)的時相性HbO2反應如圖6所示。HbO2濃度Z分數(shù)在偏離任務開始后的8秒呈正值，在8 ~ 15秒呈負值，之后開始恢復正常(恢復期)。隨著RT-ratio的增加，偏離任務開始后枕區(qū)HbO2正值略有下降。此外，我們注意到恢復期的HbO2的Z分數(shù)隨著RT-ratio的增長而降低。
圖6：枕區(qū)與駕駛表現(xiàn)相關的HbO2 濃度變化(z分數(shù))
圖7顯示了三組被試的血流動力學反應和θ、α頻帶腦電功率的關系。偏離任務開始后，首先出現(xiàn)腦電神經(jīng)激活，隨后出現(xiàn)HbO2水平變化。這一血流動力學反應與對事件反應的神經(jīng)元活動有關。隨著RT-ratio的增加，θ和α的活動明顯減少，尤其是在表現(xiàn)不佳的組。
圖7：偏離任務開始后三組被試(最佳、次優(yōu)和較差)的腦電功率和HbO2濃度水平的變化對比
結(jié)論
我們對車道偏離前的兩秒進行了緊張性分析，對車道偏離后的15秒進行了時相性分析。分析結(jié)果揭示了腦電功率譜與枕區(qū)HbO2濃度水平之間的關系。總的來說，在緊張性和時相性分析中，枕區(qū)腦電功率的變化趨勢與先前的研究結(jié)果一致。隨著駕駛表現(xiàn)水平的下降，θ, α和β波段的頻譜功率增加，我們認為這與駕駛疲勞有關。HbO2濃度與腦電圖各頻帶呈負相關，尤其是α節(jié)律。此外，隨著駕駛表現(xiàn)水平的下降，HbO2濃度降低。δ和α腦電功率與HbO2振蕩的關系表明，HbO2的激活與精神疲勞有關。因此，發(fā)生在次優(yōu)組的枕區(qū)HbO2緊張性變化最高，可能是因為這些駕駛員分配了更多的大腦資源來對抗疲勞，以保持可接受的駕駛水平。枕區(qū)血液動力學和腦電功率的變化可以提供駕駛過程中大腦對嗜睡反應的完整神經(jīng)基礎，因此，進一步探索與駕駛員疲勞相關的大腦狀態(tài)變化是值得的。
這項研究提供了關于駕駛疲勞對大腦的影響的重要見解。通過同時使用EEG和fNIRS多模態(tài)測量技術(shù)，研究人員能夠更全面地了解駕駛疲勞的神經(jīng)機制，這有助于開發(fā)更有效的駕駛疲勞檢測和預防方法。此外，這項研究還強調(diào)了神經(jīng)影像技術(shù)在交通安全研究中的重要性，以幫助降低交通事故的發(fā)生率。
