01 研究背景

駕駛員疲勞的對策對于降低長時間駕駛過程中警惕性失效引起的事故風險具有重要意義。聽收音機(Listening to the radio, RADIO)已被證明是一種相對有效的車內對策，但支持其警報效果的大腦機制仍是未知的。本文旨在探討RADIO效應的方法，以提高對策的精度，更有效地保持駕駛員的警覺性。

02 研究方法

2.1、被試

實驗組：14名男性參與者，平均年齡為22.57歲；控制組：14名男性參與者，平均年齡為25.64歲。

視力或矯正視力正常，沒有食用酒精和咖啡因，沒有人報告有精神障礙或神經障礙。

2.2、實驗材料

在駕駛模擬器(QJ-3A1)制作的單調高速公路環境下，每名參與者在白天行駛1個多小時。于虛擬現實技術的仿真器交互顯示系統，虛擬現實場景以120°顯示在類似汽車的三面屏幕上。

2.3、實驗過程

圖1 實驗場景圖

實驗組被試是在聽錄音機條件下駕駛，他們選擇了通常在旅行中選擇的脫口秀電臺，音量由被試自己決定。控制組未采取任何對策，被試只是在模擬駕駛環境下駕駛，以誘導疲勞。

2.4、數據采集和處理

圖2  腦電信號處理流程圖

①采集：德國ANT Neuro eego maylab 腦電系統，根據國際10-20系統放置，腦電信號的采樣頻率為500Hz。選取19個標準電極(即Fp1，Fp2, F7, F3, Fz, F4, F8, T3, C3, Cz, C4, T4, T5, P3, Pz、P4, T6, O1、O2)。

②降噪：去除高頻和低頻噪聲干擾，如工頻噪聲、身體運動、眨眼等，采樣小波變換對原始腦電信號數據進行9級小波分解濾波。之后，利用第5級小波系數(7.8-15.6 Hz)重建α波，并用小波閾值技術對濾波后的信號進行矯正。

③分析：去除被分割成10分鐘的片段。段16分別對應于0-10 min、10-20 min、20-30 min、30-40 min、40-50 min、50-60 min內的數據。在頻域，計算每段和每組的α比率，實現振蕩分析。Alpha比率定義為Alpha頻帶能量除以EEG頻帶總能量。因此，它反映了α活動水平的變化。

④大腦網絡的建構：根據圖論，大腦網絡可以用圖G（N,E）來表征。全局連通性能量定義為所有連通性矩陣元素的總能量。在本研究中計算了全局連通性能量，以比較實驗中各部分之間以及兩組之間的警覺性水平。

⑤腦網絡的聚類：在構建的腦網絡中，采用無監督聚類算法在組級搜索重要的連接信息(連接聚類)。由于每個連接簇只有一個節點，所以對簇的分類等于對大腦網絡中它們的節點的分類。然后，連接集群的連接被定義為其節點的屬性。

⑥微分熵（Differential Entropy,DE）：本文將預處理后的α振蕩作為時間序列來計算DE值。對腦網絡的所有節點進行DE處理，根據連接簇的時空分布特征確定用于DE統計分析的節點。

⑦統計分析：為了比較警覺性評價表現，上述腦電特征(即全局連通性能量、α比、控制組和實驗組被試的每個駕駛階段(segment 1-6)取平均值，計算標準差來衡量其變異性。觀察到的組均值之間的差異是否反映了兩組樣本總體的實際差異。

03 實驗結果

圖3 控制組的平均功能連通性矩陣

圖4 實驗組的平均功能連通性矩陣

上圖（圖3、圖4）分別顯示了控制組和實驗組被試的平均功能連接矩陣。節點Fp1、Fp2、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、O1、O2編號為1-19。矩陣中每個小的方形曲面表示兩個節點之間的連接。顏色表示反映連接強度的相關系數的值。主對角線上的相關系數設為零(深藍色)，以排除自連接。所有的功能連通性分析都基于功能連通性矩陣。傳統的連通性分析方法受到虛假交互的影響。如上圖所示，從Segment1到Segment6，警覺性的變化影響功能連接性。在第1段后，控制組和實驗組的整體連通性強度都變弱(更多的藍色顯示)，但觀察第1段后的幾段幾乎沒有變化，組間和組內無差異。

圖5 實驗組和控制組的整體連接能量

表1.整體連通性能量Mann-Whitney U檢驗的結果

兩組間差異無統計學意義，但兩組被試的標準差均較大。研究表明，網絡平均行為在很大程度上受到被試個體差異的影響。

圖6  控制組和實驗組的α能量比

（圖解：被試的平均值和標準差被繪制出來。C-額葉和C-頂枕葉代表對照組的額葉和頂枕葉比例。E-額葉和E-頂枕葉分別代表實驗組的額葉和頂枕葉比值。**表示p<0.01。）

圖6顯示了控制組和實驗組大腦兩個區域的能量比，即額葉和頂枕比分別通過額葉通道(即Fp1、Fp2、F7、F3、Fz、F4和F8)和頂枕通道(即T5、P3、Pz、P4、T6、O1和O2)的平均比值。從第1段到第6段，控制組和實驗組的額葉比逐漸下降，而頂枕比逐漸升高。

表2.Mann-Whitney U檢驗顯示額部和頂枕部的alpha能量比

Mann-Whitney U檢驗顯示額部和頂枕部的alpha能量比在每個節段都有顯著性差異。圖6用星號標出了兩個區域之間存在顯著差異的α能量比。**表示p<0.01。因此，在控制組和實驗組中，隨著時間的推移，額枕比和頂枕比可以分為兩類。控制組與實驗組的差異不顯著。

圖7 控制組各階段腦網絡連接簇的分類

圖8 實驗組各階段腦網絡連接簇的分類

圖7（a）顯示，引起疲勞在第1段中,大腦網絡連接的分類集群呈現在圖7中被認為是默認模式網絡(DMND)。與DMND相比，在圖7的其他節段中，強連接集中在額葉和頂枕區，額葉和頂枕區之間的連接明顯減弱，與圖5的趨勢一致。特別是大腦網絡中連接簇(或節點)的分類變化隨疲勞積累呈現階段性。如圖7 a-f所示，高等級節點(即青色、綠色、黃色節點)逐步移至頂枕區。在圖8a中，駕駛員在聽收音機（RADIO）環境中，大腦聽覺區和額葉區節點(T3, T4, Fz)分別標記為Class 2-4 (High Class)，顯示在聽覺區有中間活躍的簇。因此認為圖8a中的腦網絡是RADIO (DMNR)的默認模式網絡。與DMNR相比，圖8中其他部分的表面連接似乎恢復到疲勞模式，額葉和頂枕區之間的連接較弱。此外，青色結節向頂枕區移動。然而，被標記為第3和第4類的最活躍的簇仍然位于第2段至第6段的額葉區。

圖9 類集來自所有節點和段

（圖解：(a)控制組的類集；(b)實驗組的類集。節點Fp1、Fp2、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、O1、O2編號為1-19）

圖9顯示了與圖7和圖8相對應的每個節點上的類改變。在圖9a中，在Segment2之后的腦網絡中實現的聚類算法主要將高等級(class 3)標記在頂枕區(Nodes 13-19)。與圖9a相比，圖9b中頂枕區大部分集群(以節點為代表)的活動水平降低了一級，為Class2。相比之下，額葉區第5段和第6段保持高級別。結果表明，在長時間駕駛任務時，基于α振蕩構建的主動連接簇從頂枕區向額區轉移。

圖10.使用Louvainalgorithm檢測群落

（圖解：(a-f)對照組第16-6段檢測到的群落;(g-l)實驗組第16-6段檢測到的群落）

圖11. 駕駛過程中的DE變化

（圖解：(a)對照組各受試者平均DE；(b)實驗組各被試平均DE。將各組被試的所有DE值取平均值，陰影部分為標準差）

表3. 每段DE值、表4 Mann-Whitney U測試DE差異的結果

圖10中兩組的群落劃分隨時間的變化都沒有變化。圖10證實了圖7和圖8中連接簇的時空演化產生了信息內容的變化。在圖7和圖8中的所有節點上計算DE。根據動作之間的連接集群額和頂枕區,DE值平均跨節點Fp1, Fp2, F7, F3, F4, Fz,跨節點和F8, T5, P3, P4, Pz, T6, O1,和O2量化信息內容的額和頂枕區。

如圖11a所示，對照組的額區熵值隨時間呈下降趨勢，頂枕區熵曲線呈明顯上升趨勢。總體上，圖11b中實驗組的DE值與圖11a呈現相反的趨勢。圖11中的熵值用被試間的平均標準差(mean standard deviation, SD)表示。如表3所示，實驗組的平均熵值大于對照組。通過Mann-Whitney U檢驗，各組間DE差異在各節段均有統計學意義(見表4)。表3以星號標出各組間DE差異顯著值。*表示p<0.05和**表示p <0.01,由于p值均小于0.05，因此該方法有助于評價實驗組的報警效果。

04 結論

①本文提出了一個改進聽收音機探測連通性分析性能的新框架。不是分析網絡系統的行為，而是劃分電極子集獲得更強大的結果。利用腦網絡中實現的聚類算法對子集進行自動分類。基于DE的定量分析證明了該方法的有效性，分類后的主動聚類運動產生了信息內容的變化。

②聽收音機的警覺性效應與抑制額葉向頂枕區的簇運動有關，有助于駕駛員在長時間駕駛過程中保持警惕性。

05 文獻名稱及DOI號

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