利用EEG和动态编码器-解码器建模框架实时估算驾驶员睡意

嗜睡/困倦(Drowsiness)是道路交通事故的主要原因之一，因为它会对驾驶员安全驾驶汽车的能力产生负面影响。EEG(Electroencephalograph，EEG)电极记录的神经活动是一个广泛应用的与驾驶员睡意相关的生理特征信号。本文提出了一种利用EEG信号评估驾驶员瞬时水平睡意的动态建模方法，其中眼睑闭合度(PERcentage of eyelid CLOSure，PERCLOS)被用作司机睡意的基本评判指标。我们认为所提出的方法是一种稳固和可靠的评估实时睡意的解决方案。并且，为在驾驶员睡意检测系统中，使用基于EEG的测量的方法打开了大门。

g.Nautilus Multi-Purpose 无线式 EEG+X 生物电信号采集系统

介绍

最近的研究表明，嗜睡是造成大量导致死亡和经济损失的交通事故的主要因素之一[1-4]。美国国家公路交通安全管理局(NHTSA)宣布，2019年约1.9%的驾驶死亡人数(697人死亡)是由困倦的司机造成的[5]。在另一份报告中，NHTSA估计，2017年，91000起警察报告的撞车事故涉及困倦嗜睡的司机，导致了大约5万人因交通事故受伤，800人死亡[6]。美国汽车协会(AAA)的一项评估发现，约24%的司机在过去一个月里至少有过一次在开车时伴随极度困倦的状态[7]。此外，根据2008年进行的一项研究，美国14.5%的司机至少经理过一次与瞌睡有关的交通事故[8]。一些研究还表明，自动驾驶(Automated Driving)时的睡意水平明显高于手动驾驶(Manual Driving)[10-12]。鉴于所有这些证据，司机疲劳程度的评估对道路安全至关重要，而且未来的智能交通系统需要一个警惕的司机来接管无法安全运行的自动车辆的请求。一个警觉的驱动程序(a Vigilant Driver)，对无法安全运行的自动驾驶车辆提出接管要求。

总地来说，文献中使用了三种类型的数据来设计驾驶员睡意检测系统：(1) 基于车载的[13,14]；(2)基于视觉的[15,16]；(3)基于生理数据的[17,18]。文献表明，EEG等生理数据可能比其他系统更适合检测司机的睡意[19,20]，特别是因为基于车辆和基于视觉的系统可能来不及在司机睡意的早期阶段警告司机，而那时可能还有时间防止事故发生。困倦的严重症状，如打哈欠和点头，通常出现在汽车横向位移和其他非生理性预示之前。基于视觉的系统虽然方便，但在不同的光照条件下也会受到鲁棒性的限制，当驾驶员佩戴眼镜或太阳镜时，它们的性能会显著下降[21,22]。此外，数据的隐私性也可能是基于视觉的睡意检测系统的另一个问题，需要在未来的研究工作中进行更多的研究。

利用EEG电极采集的神经活动已被广泛应用于驾驶员不同程度的睡意分类和预测研究当中。有许多方法来产生这些分类和预测，包括一系列有用的EEG设计和机器学习技术。例如，在设计驾驶员睡意检测系统时，Ma等人[23]使用主成分分析(Principal Component Analysis，PCA)技术和深度神经网络(Deep Neural Network)基于EEG数据提取特征并预测睡意实例。另一项研究使用了诸如Higuchi和Petrsian分形维数(Higuchi and Petrosian Fractal Dimensions)，以及从EEG中提取的能量的对数(Logarithm of Energy)作为神经网络(Neural Network,NN)的输入，以训练其对司机的困倦程度进行分类[24]。Chen等人使用类似的基于神经网络的分类器，利用小波变换(Wavelet Transformation)从EEG信号的部分波段中提取不同的非线性神经特征(Non-Linear Neural Features)[25]。也有研究表明，来自颞叶T7电极的单个脑电图通道记录具有检测驾驶员睡意的预测能力。利用小波变换对睡意通道进行特征提取，传统的分类器在睡意分类中取得了满意的效果[26]。Bajaj等人[27]提出了另一种基于可调Q因子小波变换(tunable Q-factor wavelet transformation)的EEG信号特征提取方法。然后通过支持向量机(Support Vector Machines)和K近邻(K-Nearest Neighbors)等分类器对提取的特征进行解释，将驾驶员的警觉性分为“警觉的”和“困倦的”。Yeo等人[28]还提出了一种基于支持向量机分类器的方法，该分类器由从EEG子带（Sub-Bands)中提取的几个频域特征(Frequency-Domain Features)训练而成。独立成分分析(Independent Component Analysis，ICA)在[29]中被用于提取EEG源(EEG Sources)，其中针对每个警觉和睡意状态设计了ICA模型。结果表明，ICA模型与警觉状态和困倦状态下的反应速度分别呈负相关和正相关。在[30]中对EEG子带的功率谱进行了分析，结果表明Alpha和Theta波段的能量在从警觉状态到昏睡状态的过渡过程中显著增加。Budak等人[31]还提出了使用不同EEG特征训练的三个深度网络的集体多数投票(the Ensemble Majority Voting)，将警觉状态分为两类：清醒状态与困倦状态。相反，在[32]中提出了一种基于支持向量机的后验概率模型(Posterior Probabilistic Model)，使用了EEG数据的Theta、 Alpha和Beta子带，并将睡意水平转换为0到1之间的任何值。

上述解决方案展示与总结了利用脑电图神经特征对驾驶员睡意进行分类的前景。为了让一个系统在受试者困倦之前就能有效地预测困倦，并有可能预防事故，我们可以通过提供关于困倦水平如何作为神经活动的函数变化的信息来改进这项工作。换句话说，这些现有的方法无法检测到司机睡意的早期阶段，而在这个阶段，司机可以得到足够早的警告，以防止危险驾驶。通过本文，我们试图通过开发一个框架来解决这个问题，该框架将神经活动的分布特征描述为驾驶员睡意的一个函数。一个科学建立的衡量司机睡意的方法是监测眼睑闭合度(PERCLOS)[33,34]。因此，我们使用这个变量作为驾驶员睡意的基本事实，我们提出的建模框架预测PERCLOS作为神经特征的函数(“we use this variable as the ground truth of the driver drowsiness and our proposed modeling framework predicts PERCLOS as a function of neural features”)。为了解决以往方法的问题，本文提出了一种生成式睡意跟踪模型，该模型提供了对眼睑闭合度的实时评估。该方法提供了眼睑闭合度的后验分布。因此，我们可以构建其他指标，如在特定时间或一段时间内的睡意水平，作为PERCLOS后验分布估计的函数。换句话说，这种方法可以预测PERCLOS在未来几秒钟内的轨迹，这是防止事故发生或及时制定对策的重要因素。

除了开发一种实时建模解决方案来估计司机的睡意，我们还对识别睡意的神经生物标记感兴趣，这可能对其他研究睡意和需要可靠的生物标记的人有用。在开发我们的建模解决方案时，我们扩展了动态神经编码器-解码器建模框架，该框架已成功应用于其他应用，如提取多维的听觉和视觉刺激-反应相关性[35]、解码神经记录信号以预测语音[36]、使用贝叶斯解码器重建自然图像(Reconstructing Natural Images)[37]和解码隐藏的认知状态(Hidden Cognitive States)[38]。

在对PERCLOS做评估的动态编码器-解码器建模框架的扩展中，我们提供了一个新的模型来描述PERCLOS的时间动态。使用神经编码器模型，我们搜索编码PERCLOS的神经特征子集。最后，我们演示了如何结合PERCLOS与神经编码器模型的状态过程来实时评估眼睑闭合度。

数据采集和研究步骤

设备

这项研究是在格拉茨理工大学(Graz University of Technology，TU Graz)的一个名为格拉茨自动驾驶模拟器(Automated Driving Simulator of Graz，ADSG)的固定基座驾驶模拟器中进行的，该模拟器基于一辆全量产汽车(a full production vehicle)。视觉提示(Visual Cues)由八个大型液晶显示器模拟，分别放置在挡风玻璃和左右车窗周围，还有一个放置在汽车后部。声学信号(Acoustic Cues)由立体声系统和几个震动器模拟搭建，提供发动机声音、背景噪声和振动。该车辆有一个自动变速箱，司机可以使用一个力反馈方向盘和踏板控制汽车。该模拟器的真实感效果已在以往项目的驾驶测试中得到验证[39]。自动驾驶功能实现了纵向(Longitudinal)(采用自适应巡航控制，By employing the adaptive cruise control)和横向(Lateral)车辆控制(采用车道保持辅助系统，By employing lane-keeping assist)。驱动(驾驶员)信息(The Driver Information)仅限于速度和指示灯信息，基于平板电脑。司机可以通过位于仪表板右侧的触摸屏来操作自适应巡航控制和车道保持辅助系统。在本研究中，使用g.Nautilus Research®(www.biorecosci.com或https://www.gtec.at)无线生物信号采集系统收集EEG通道数据，并使用名为SmartEye®的基于红外的眼球跟踪系统测量驾驶员的头部位置、眼睑运动、瞳孔直径和注视方向。图1显示了执行测试时驾驶员的四个不同视图。

图1：司机进行测试时的四种不同视角。夜间测试路段的展示，以及显示车辆在模拟测试车道上速度的仪表盘仪表如上两图中所示。眼动跟踪系统检测眼睑运动和瞳孔直径的输出显示在下方两图(转载自我们以前的研究[14];版权所有(2021)，Elsevier授权许可证No.505868 1457961。经知情同意，该司机同意发布他的照片。

下方两图中，被试司机使用了搭载了多功能电极的g.Nautilus无线生物信号采集系统，并且在此基础上与g.tec的呼吸气流传感器结合，同步记录两种生物信号。

驾驶测试过程

在这项研究中，司机参与了两种不同的驾驶模式:“手动(Manual)”和“自动(Automated)”。在自动模式下，车道保持和巡航控制系统分别调整车辆在测试轨道上的横向位置和纵向速度。司机们分别在“精力充沛”和“疲劳”两种状态下，在这两种模式下进行了30分钟的高速公路驾驶测试。在精力充沛的状态测试中，司机被要求在测试前保持一整晚的睡眠，不偏离他们通常的昼夜节律周期。为了进行疲劳状态下的试验，有两种选择。一种选择是在开始测试之前连续保持至少16个小时的清醒状态(目的是让被试达到在至少17到18个小时的清醒状态后进行驾驶测试)，并在他们通常的就寝时间进行测试。另一种选择是睡眠限制至少50%(最大值)。4小时睡眠)考试前一晚。总共有92名司机参加了上述四项不同的驾驶测试，年龄和性别相当。关于测试过程的更多信息可以在我们以前的工作中找到[14]。

在这项研究中，13名司机(5名女性和8名男性;年龄为44.5 ± 18.8岁)具有不同眼睑闭合度水平和可接受的眼睑数据质量的数据，被选取用来评估司机的睡意水平。本研究是根据赫尔辛基宣言的指导方针进行的，并由Graz医科大学伦理委员会批准(代码30-409 ex 17/18, 2018年8月3日批准)。实验前获得所有参与者的知情同意。

采用凝胶电极采集脑电图信号，采样频率为500 Hz，分辨率为24位。共采集了Cz、Fz、T7、T8、C3、C4、PO7、PO8，这8个电极位置的EEG信号。为了捕捉眼球运动，在右眼的上方和下方分别安装了1个EOG电极。EOG信号计算为两个EOG电极数据的差值。EEG电极的位置，以及放置在AFZ位置的地电极(GND)的位置，分别用图2中红色和黄色的圆圈标出。

图 2. Te positions of the EEG electrodes are shown by red circles. Tese electrodes cover the frontal lobe (by Fz), central lobe (by C3, C4, and Cz), temporal lobe (by T7 and T8), and parietal lobe (by PO7 and PO8). Two EOG electrodes (not shown here) were also placed in the lower and upper areas of the right eye to record eye movements. Te ground electrode was placed in the AFZ position, marked by a yellow circle.

研究方法

实际眼睑闭合度PERCLOS的计算

PERCLOS是一种睡意的衡量标准，它被定义为每分钟眼部闭合程度至少在80%的情况的时间比例[33]。对于较高PERCLOS值，即与PERCLOS值较低的人相比，眼睛闭上的时间更长，受试者与驾驶时常见的嗜睡症状(即车道偏离)有很强的相关性[33,40]。为了计算这一测量，每两个连续窗口之间有30秒重叠的1-分钟滑动窗口(一分钟滑动窗口，每两个连续窗口之间有30秒重叠)应用于眼睑信号检测。同一驾驶员的四种不同驾驶模式的PERCLOS如图3所示。在这个图中，PERCLOS在疲劳自动驾驶测试(Fatigued-Automated Test)中增加到0.9，在疲劳手动驾驶测试(Fatigued-Manual Test)中上升到1(即完全闭合)。PERCLOS的范围表明驾驶员在疲劳模式下极度困倦，而在休息模式下的PERCLOS仅略高于0.3。

图3. PERCLOS data of four tests in different driving modes: rested-manual, rested-automated, fatigued manual, and fatigued-automated. A sliding window with a 1-minute length and 30 s overlap between every two adjacent time windows has been used to compute PERCLOS from the eyelid signal.

脑电信号通道的预处理

脑电图信号受到不同噪声源的污染，包括眼球运动、眨眼和肌肉活动。研究人员提出了不同的方法对脑电信号进行预处理。例如，在[41,42]中使用了经验模态分解(Empirical Mode Decomposition, EMD)，将EEG信号分解为指定数量的模态函数(Mode Functions)，这些模态函数可以同时表征神经活动和肌肉伪迹。利用表示神经活动的模态函数，得到净化后信号。基于小波的去噪方法在以前的研究中也得到了应用[43-45]。该方法采用离散小波变换(Discrete Wavelet Transform，DWT)对脑电信号进行小波分解，得到相应的小波系数(Coefficient)。然后使用阈值滤波去除小波系数，小波系数代表噪声和伪影。最后，利用剩余系数对净化后的脑电信号进行重构。独立成分分析(Independent Component Analysis，ICA)也是一种广泛应用于脑电信号通道预处理的方法[46-48]。ICA将原始脑电图信号分解为独立的分量，其中每个分量的来源可以通过其头皮分布云图(Scalp Topography)来识别。去噪后的信号通过去除那些不是来自脑枕叶区(Brain Lobes)的成分来重建[49,50]。本文利用EEGLAB工具箱[51]对脑电信号数据进行ICA预处理。该工具箱使用头皮分布云图提供了一些可视化信息，当去噪后的数据保留在重建通道中时，这比其他方法更容易去除噪声成分。补充信息(Supplementary Information)提供了使用这个工具箱进行脑电图预处理的更多细节。

PERCLOS神经编码器模型

在本文中，驾驶员困倦被认为是一种无法被测量或直接可知的隐性认知状态。根据文献[33,52,53]，我们可以假设PERCLOS代表驾驶员的警觉性水平，因此我们可以通过使用EEG特征的编码器-解码器模型直接估计PERCLOS来估计驾驶员的警惕性。所提模型框架的结构图如图4所示。在本小节中，我们将讨论我们提出的编码器-解码器模型的元素。在构建编码模型之前，将驾驶测试随机分为两组：训练集和测试集。ID分别为6、9和15的驾驶员测试数据作为测试集，其他15名驾驶员的测试的数据作为训练集。只使用训练集设计编码器模型。编码器模型包括：(1)描述PERCLOS作为独立于脑电图数据的状态变量随时间变化的动态模型；(2)描述PERCLOS如何在神经特征中编码的观测模型(Observation Model)。每一个模型都有一组独立的可学习参数，这些参数使用线性回归(Linear Regression)估计。

图4. Flowchart of the proposed neural encdoer-decoder modeling framework for PERCLOS. This framework has two main steps: encoder model, and decoder model. In the encoder model, state transition process of PERCLOS and the relationship between every EEG feature and PERCLOS are defined. Biomarkers are obtained using t-test and they are used in the decoder step to predict the PERCLOS in real-time using Bayes filtering.

PERCLOS译码器模型

基于训练数据的该方法的参数学习在编码步骤中进行。学习过程将在“模型识别”部分进行解释。然而，在解码步骤中，学习到的参数被用于贝叶斯滤波的结构来估计PERCLOS。换句话说，模型参数不是固定的或预先知道的，它们在编码器步骤中使用训练数据进行估计，在解码步骤中使用相同的估计值。

给定带有估计参数的编码器模型，我们可以使用贝叶斯滤波从神经数据中估计PERCLOS。该滤波器提供了PERCLOS的最佳估计，它我们的动态状态，通过其后验分布(Posterior Distribution)给出了EEG特征的当前与以前的值。贝叶斯滤波是一种递归(Recursive)技术，可以通过每个时间指标计算两个方程来进行：one-step perdition与update[54]。贝叶斯滤波得益于两个过程：我们分别在式(1)和式(3)中定义了状态转换关系过程和观察过程。图5展示了贝叶斯滤波的一般结构，它有三个主要步骤：(1) Chapman-Kolmogorov equation that calculates the one-step prediction of the state；(2) Likelihood function that calculates the likelihood of possible values of PERCLOS given the observed neural feature；(3) Te Bayes’rule to update the one-step prediction based on the current EEG features。该步骤更新滤波器，并提供给定的测量观察(EEG特征)状态的后验分布(PERCLOS)。

模型识别

在前面的小节中，我们描述了如何定义编码器模型。我们还描述了解码器或使用神经数据的PERCLOS估计。对于解码器步骤，我们假设编码器和状态转移模型参数是已知的；在这里，我们将描述如何识别这些参。

我们还对EEG特征进行了对数函数和指数函数的变换，以检验这些变换是否能改善回归。计算残差(Residual Errors )和R2系数的自相关值，评价各EEG特征的拟合优度。

观测模型

尽管所有的神经特征都可以在解码步骤中使用，但更实际的方法是只使用显示出强编码特性的特征的子集。该过程通过排除那些缺乏可靠和一致预测能力的特征，有助于建立一个更稳固和可推广的解码器模型。通过神经特征的独立性假设，我们可以通过检验式(3)中所描述的αc,d的值来检验每个特征的编码能力的统计显著性。

我们的原假设是αc,d(式(4)中的斜率参数)为零。因此，针对每个神经特征应用t检验来检验零假设是否被拒绝。p-value设为0.05以做为阈值，只有它们对应的αc,d有强有力的证据证明属于备择假设(Alternate Hypothesis)的神经特征才被选取。然后在解码步骤中使用特征的子集。因此，在解码步骤中，只会选取神经特征的一个子集，其统计显著性有利于纳入编码器模型特征集。

方法的应用

在本节中，我们首先讨论如何从脑电图信号中提取神经特征；然后我们使用编码器-解码器管道来预测PERCLOS。预处理后的每个通道的脑电信号数据首先通过带通滤波分解为四个子带：delta (0.5–4 Hz),theta (4–8 Hz),alpha (8–12 Hz),以及 beta (12–30 Hz)[56,57]。将这些子带的统计特征(如谱功率)用于不同的应用，以降低EEG数据的维数，同时在特征提取过程中保留显著信息[58,59]。这些特征有助于对驾驶考试中驾驶员睡意水平发生变化时EEG数据的变化进行可解释的研究。在这里，从八个EEG通道和一个EOG通道中提取50个特征，结果为每个驾驶测试产生450个神经特征。提取的特征列在附表S1中。用于计算PERCLOS(1-minute length with a 30-second overlap between two adjacent time windows)的滑动时间窗也被应用于EEG特征提取。所提方法的所有部分都已在MATLAB R2021a中编程完成。并利用MATLAB中的EEGLAB工具箱(v14.1.2)对脑电信号数据进行ICA预处理。

为了找到状态转换过程参数，我们连接了所有用户的PERCLOS数据(结果是大约540分钟的驾驶)，并使用LS方法估计a、b和(σϵ)2参数。在这项工作中，假设所有用户都有一个相当相似的状态转换过程。因此，在贝叶斯滤波中使用状态转移过程(式1)的相同估计参数来估计PERCLOS。表1是由式(1)定义的PERCLOS动态模型的估计参数。

表1. State transition process model parameters. These parameters are estimated using LS method and they are assumed to be constant for all of the driving tests. In other words, state transition process of PERCLOS (Equation 1) has the same parameters in different driving tests.

通过改变这些参数，可以调整估计PERCLOS的动态变化。例如，如果a和b的每个参数都接近正无穷大，则PERCLOS的极限为1(其最大值)。另一方面，如果这些参数中的每一个都趋于负无穷，则PERCLOS的极限为零(其最小值)。图6显示了使用状态转移方程估计参数的LS方法输出结果的PERCLOS残差。如图6所示，部分残差的绝对值大约是其他部分残差的2 ~ 3倍。在检查了实际PERCLOS值之后，我们意识到这些部分要么与非常高(大约为1)或非常低(大约为0)的实际PERCLOS值相关联，它们分别表示了完全警觉和极度困倦的状态。然而，我们的目标是模拟这两种状态(完全警觉和极度困倦)之间的动态转换。实际PERCLOS和模型PERCLOS之间的均方根误差(Root Mean Squares Error，RMSE)为0.061。结果表明，所提出的状态转移过程(式1)可以合理地捕获PERCLOS动态的性能是可接受的。

图6. Te PERCLOS residual error of the LS method to identify the parameters of the state transition equation. Te root mean squares error (RMSE) between actual PERCLOS and modeled PERCLOS by state transition equation is 0.061. This error is higher in some parts of the data which are corresponding to either extremely low (alert) or extremely high PERCLOS (very drowsy) which are not of interest of this method since we want to track the transition of driver’s vigilance from alertness to drowsiness.

在编码器模型中，采用模型选择方法对脑电特征子集进行选择。注意，在预测PERCLOS时，解码器模型结合了两种不同时间尺度的信息源：(1)状态过程(式1)所携带的长期信息；(2)神经活动携带的关于PERCLOS的瞬时信息(公式3)。在PERCLOS的估计中，通过贝叶斯滤波将这两个信息源结合在一起。

利用提出的建模框架，我们构建了PERCLOS的用户特定的编码器和解码器模型。我们只假设跨用户的PERCLOS时间动态具有相同的特征。根据这个模型，有可能一个神经特征与一个参与者的PERCLOS呈正相关，而与另一个参与者的PERCLOS呈负相关。鉴于特定用户的模型的特异性，这可能提供更准确的预测，我们可以搜索可能的神经生物标记物，在参与者之间显示一致的编码属性。我们可以从编码步骤中受益，以寻找那些可能代表用户间PERCLOS变化一致的生物标记物。

实验结果

生物标志物鉴定结果

这一小节解释了搜索EEG特征以寻找嗜睡的生物标志物的结果。我们搜索了所有EEG特征，根据其斜率确定与PERCLOS的强相关性(公式9中的αc,d)。根据编码器模型的结果，识别出了28个适用于所有18次驾驶试验的高性能EEG特征。这意味着无论用户是谁，这些特征都与驾驶测试中记录的PERCLOS值显著相关。因此，它们有可能成为睡意的生物标记物，且在一起考虑时表现最佳。表2列出了这些特性，包括所有EEG通道和一个EOG通道的Alpha的偏度(Skewness)(9个特征)；所有EEG通道和一个EOG通道的Delta功率(9个特征)；除Cz和P08外，所有EEG通道的Theta功率(7个特征)；T8、P08和EOG通道的Delta的Hjorth移动性(Hjorth Mobility)(3个特征)。

表2.

图7还显示了所有驾驶测试中每个生物标志物与PERCLOS之间的回归系数。如图所示，在所有EEG通道中，平均一致的Delta和Theta功率与PERCLOS呈正相关。这一结果与已有的研究结果一致，这些研究报告称，Theta和Delta能量的增加是睡意的指标[4,58,60]。除T8和P07外，其余EEG通道中Alpha的偏度(Skewness)也与PERCLOS呈正相关。然而T8和P08中Delta的Hjorth移动性与PERCLOS呈负相关，在EOG通道中与PERCLOS呈正相关。因此，提出的框架建立了与PERCLOS具有一致关系的生物标志物。因此，这些神经特征可以在独立于司机和驾驶条件的情况下，从EEG信号中提取出来，以估计睡意。

图7. Representation of the slope of the biomarkers in the driving tests. Te average values of the Delta and Theta powers of EEG channels are positively correlated with PERCLOS in all of the driving tests.

结论

即将问世的自动驾驶汽车的要求之一是监控驾驶员的状态，因为当自动驾驶汽车的系统出现故障时，驾驶员负责控制汽车。睡意是司机的一种精神状态，在可以避免的危急情况下，会显著降低驾驶性能，增加反应时间。因此，我们专注于利用EEG信号来预测驾驶员的困倦，其在之前的研究中被用于识别困倦的早期阶段[19,20]。为了实现这一目标，提出了一种基于EEG信号的编解码框架来估计PERCLOS, PERCLOS是一种广泛使用的司机睡意的间接测量指标。该框架由两个主要步骤组成：编码器和解码器步骤。在编码器步骤中，假设EEG各特征与驾驶测试PERCLOS之间的关系为未知参数的线性关系，使用最小二乘法(Least-square Method)对未知参数进行估计。此外，还定义了不考虑EEG数据的PERCLOS状态转移过程，该过程具有另一组未知参数。同样也使用了用最小二乘方法估计了这组参数。

利用EEG数据的训练集，找出一组脑电特征的显著相关性PERCLOS进程为每一个驾驶考试。EEG数据的训练集用于找出一组EEG特征，这些特征与每次驾驶考试的PERCLOS进展显著相关。为了在每次驾驶测试中选择这些特征，在给定PERCLOS向量的情况下，使用阈值为0.05的t检验检验线性回归中每个EEG特征的斜率参数的大小(斜率参数的大小)。在解码器步骤中，只有在编码器步骤中选择的EEG特征被用作贝叶斯滤波的输入，以实时估计PERCLOS值。此外，对不同驾驶测试所选择的特征集进行搜索，以寻找编码PERCLOS的脑电图生物标志物，而不考虑驾驶员和驾驶条件。总的来说，我们从脑电图数据中提取了450个特征，根据结果，从所有特征中发现了28个EEG生物标志物。这28个生物标志物(而不是所有450个特征)被用于解码步骤来估计PERCLOS。

解码器步骤的结果表明，在所有驾驶测试中，所提方法估计的PERCLOS值的平均RMSE为0.117，平均HPD百分比为62.5%。因此，该方法不仅能实时估计睡意，而且能提供一些编码睡意的脑电图生物标志物。这些生物标志物减少了使用独立于驾驶员特定因素的EEG数据来估算驾驶员困倦发作所需的计算能力。

仅用于学术分享，若侵权请留言，即时删侵！