基于脑功能网络的脑力疲劳检测技术及其形成机理研究

摘要

当今社会中，生活节奏日益加快、社会竞争压力逐步增大，脑力疲劳显著增多，并在社会人群中呈蔓延之势。脑力疲劳往往是由大脑长时间认知活动积累所致，大脑疲劳后工作绩效降低、警戒性水平下降、认知功能受损。在实时监控、车辆驾驶、飞机驾驶、高风险作业等行业，许多事故的发生都与脑力疲劳有关。例如，全球平均每年有21％的重大交通事故与疲劳驾驶有显著的因果关系，给人民的生命、财产安全造成严重威胁。因此，为脑力疲劳监测提供一种客观有效的指标、为其对应的对抗措施提供一种稳定可靠的评价手段是一项具有很大应用价值的重要课题。
　　在脑力疲劳评价的众多方法中，electroencephalogram(EEG)信号因为可以直接测量大脑的神经活动状态，被国内外研究人员认为是最可靠、最有前景的方法，被誉为检测脑力疲劳的“金标准”。传统基于EEG的脑力疲劳评价指标可以分为线性指标和非线性指标，线性指标主要以基于各EEG节律功率和功率比值为主，非线性指标主要包括各种类型的熵、复杂度、相关维数、Lyapunov指数等。然而，传统指标只包含了EEG的幅值信息，忽略了相位信息对结果的影响，并且这些指标都不能反映大脑不同区域之间的功能连接关系，无法对大脑整体功能状态进行描述，因此传统脑力疲劳评价指标有很大的局限性。
　　本文将脑功能网络理论引入脑力疲劳研究中，以探索其在脑力疲劳评价上的应用、分析脑力疲劳形成的神经动力学机制，为此设计了详细的脑力疲劳诱导实验，精确采集了脑力疲劳过程中静息态与任务态下的EEG数据，并基于各EEG节律功率和功率比值确定了脑力疲劳模型的可行性。
　　基于脑功能网络理论，利用互信息度量不同脑区间的功能连接，并对静息态与任务态下五个时间段间的功能连接权值进行统计学差异分析，发现任务态下的Alpha1节律(8-10Hz)对脑力疲劳响应最灵敏，表明脑功能网络分析方法更适合在任务态中应用，弥补了传统线性方法的不足。然后在传统两种方法下分别建立了任务态下的Alpha1节律加权和二值脑功能网络，系统分析了各网络特征量在脑力疲劳过程中的变化规律。结果表明，随着脑力疲劳程度的加深，最大特征值、平均聚类系数、全局效率和局部效率增大，平均路径长度变短;加权网络中各网络特征量对脑力疲劳的评价效果更好;描述脑功能网络整体特性的特征量（最大特征值、平均路径长度、全局效率）比刻画脑功能网络局部特性的特征量（平均聚类系数、局部效率）对脑力疲劳响应更灵敏。
　　利用加权度中心度得到脑力疲劳过程中脑功能网络的中心节点为F3、F4、C3、C4、P3、P4、Fz、Cz、Pz，并基于所提取的9个中心节点缩减了脑功能网络规模，重新构建了加权脑功能网，将其应用于脑力疲劳评价中，发现各加权网络特征量在脑力疲劳过程中的变化趋势与简化前的脑功能网络得到的结果完全一致，简化后的脑功能网络同样也能用于脑力疲劳的评价，其中加权最大特征值是最好的评价脑力疲劳指标。
　　针对脑功能网络在实际应用中构建过程过于专业化这一缺点，提出了一种基于功能连接的权值与物理距离、网络模体理论的自动建立脑功能网络模型的新方法。通过与传统建立脑功能网络方法对比，证明了模型能提取出邻接矩阵中大多数权值较大的强连接边，并发现模型具有自优化功能、能够区别出权重不同的脑功能网络，而且从权重分布的角度证明了此功能的必然性。将此模型应用于脑力疲劳评价中，得到了与传统构建脑功能网络方法一致的结果，表明模型具有很好的应用价值。
　　基于脑功能网络理论，从脑功能连接、网络特征量、小世界特性和分形特征四个角度来分析脑力疲劳形成机理。结果表明，大脑在疲劳阶段为了完成所给定的任务，需激活更多的脑功能区域，增强不同脑功能区域间的功能连接强度，并进行着快速的功能分离和功能整合过程，同时调整脑功能网络结构使其聚类系数、全局和局部效率增大，平均路径长度变短，以提高脑功能网络中信息传递与信息处理的速度，后果是大脑中优化的脑功能网络结构慢慢被破坏，脑功能网络结构的自相似性增强、复杂程度变高，并使网络结构趋向于随机化，致使疲劳过程加剧。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景

1．2 国内外研究现状

1．2．1 传统脑力疲劳检测研究现状

1．2．2 基于脑功能网络理论的脑力疲劳研究现状

1．3．1 课题来源

1．3．2 主要研究内容

1．3．3 研究意义

第2章 基于EEG信号的脑力疲劳实验及数据预处理

2．1 脑力疲劳模型

2．1．1 被试者

2．1．2 实验设计

2．1．3 EEG信号采集

2．2 EEG数据预处理

2．2．1 伪迹去除

2．2．2 频带划分

2．3 EEG信号分析方法

2．3．1 单通道脑电分析方法

2．3．2 双通道脑电分析方法

第3章 基于EEG功率谱的脑力疲劳评价

3．1 脑力疲劳中EEG节律相对平均功率分析

3．1．1 静息态中相对平均功率分析

3．1．2 任务态中相对平均功率分析

3．1．3 结果讨论

3．2 基于EEG节律功率比值的脑力疲劳检测

3．2．1 静息态中功率参数分析

3．2．2 任务态中功率参数分析

3．2．3 结果讨论

3．3 本章小结

第4章 基于脑功能网络的脑力疲劳检测研究

4．1 脑功能网络构建

4．1．1 脑功能网络节点、边和邻接矩阵

4．1．2 脑功能网络构建

4．2 脑力疲劳评价数据提取

4．3 脑力疲劳中脑功能网络特征量分析

4．3．1 最大特征值分析

4．3．2 平均路径长度分析

4．3．3 平均聚类系数分析

4．3．4 全局效率分析

4．3．5 局部效率分析

4．3．6 结果讨论

4．4 基于加权度中心度的脑功能网络简化及其应用

4．4．1 基于加权度中心度的脑功能网络简化

4．4．2 简化的脑功能网络应用于脑力疲劳评价

4．5 本章小结

第5章 自动建立脑功能网络模型及其应用研究

5．1 模型提出

5．1．1 传统建模方法的缺点

5．1．2 模型构建

5．1．3 模型可行性分析

5．2 模型验证

5．2．1 网络结构分析

5．2．2 平均物理距离分析

5．2．3 网络特征量分析

5．3 模型功能分析

5．3．1 模型自优化功能

5．3．2 模型应用分析

5．4 模型在脑力疲劳评价上的应用

5．4．1 模型应用于19导联EEG

5．4．2 模型应用于9导联EEG

5．5 本章小结

第6章 基于脑功能网络的脑力疲劳形成机理研究

6．1 基于脑功能网络拓扑结构的脑力疲劳形成机理分析

6．1．1 脑功能网络结构分析

6．1．2 脑功能网络特征量分析

6．2 基于脑功能网络小世界特性的脑力疲劳形成过程分析

6．2．1 复杂网络小世界特性简介

6．2．2 脑力疲劳过程中小世界特性分析

6．3 基于脑功能网络分形维数的脑力疲劳形成过程分析

6．3．1 复杂网络分形性质简介

6．3．2 复杂网络分形维数计算算法改进

6．3．3 脑力疲劳过程中二值脑功能网络分形维数分析

6．3．4 脑力疲劳过程中加权脑功能网络分形维数分析

6．3．5 结果讨论

6．4 本章小结

第7章 总结与展望

7．1 结论

7．2 创新点

7．3 展望

参考文献

致谢

攻读博士学位期间发表的学术论文及科研情况