这是“神经工程管理”第25篇推送

内容来源：王卓琳

本期编辑：薛朋东

校       对：王萌萌

审       核：侯彩霞

仅用于学术交流，原文版权归原作者和原发刊所有

本文是针对《通过分析可穿戴脑电设备（EEG）的信号频谱对建筑工人进行职前疲劳筛查》（Pre-service fatigue screening for construction workers through wearable EEG-based signal spectral analysis）的一篇论文解析。该论文于2019年10月发表在《Automation in Construction》上，研究作者包括Heng Li、 Di Wang、 Jiayu Chen、 Xiaochun Luo、 Jue Li、 Xuejiao Xing

摘要：由于休息不足和饮酒，建筑工人在工作前经常会出现职前疲劳。许多研究表明，这种职前疲劳会导致工人的工作表现不佳并出现高伤亡风险。为了确保工人在上岗前得到良好的休息，承包商启动了各种职前疲劳检查方法。由于缺乏实用、客观和自动化的评估疲劳的工具，传统的筛查高度依赖于现场管理人员的主观判断和工人的体征。与身体疲劳相比，仅通过观察更难以识别精神疲劳。本研究提出了一种使用可穿戴式脑电图（EEG）设备收集脑电原始数据，并通过分析重力频率和功率谱熵等频谱参数检测工人精神疲劳的新型筛查方法。应用四个疲劳指标来测量精神疲劳，并开发了一种定量评估受试者精神疲劳水平的方法。为了验证所提出方法的有效性，进行了室内疲劳试验。实验结果表明，通过比较他们的测试性能和反应时间，可以成功地识别出筛选目标。

关键词：

施工安全管理 （Construction safety management）

职前疲劳筛查 （Pre-service fatigue screening）

基于脑电图的信号处理（EEG-based signal processing ）

精神疲劳（Mental fatigue）

思维导图：

1.研究背景

2.问题提出

本研究开发了一种利用可穿戴式脑电图（EEG）设备收集原始脑电数据，并通过对重力频率和功率谱熵等频谱参数的分析检测工人精神疲劳的职前筛查方法。基于对脑电节律的已有研究，本研究应用了四个评价指标用于测量精神疲劳（获取精神疲劳值MFV），并开发了一种定量评估受试者精神疲劳水平的方法。为了验证所提出方法的有效性，进行了室内疲劳实验作为验证实验。实验结果表明，通过比较他们的测试性能和反应时间，可以成功地识别出筛选目标。本研究选择可穿戴式脑电图设备作为传感平台，旨在开发一种客观、可行、快速的职前筛查方法。

3.研究方法

在线MF（精神疲劳）测试 ：衡量受试者精神疲劳水平的一个可行方法是比较其对挑战性认知任务的反应。本研究利用Stroop效应来区分不同程度的精神疲劳，Stroop效应是指字体的内容与颜色不匹配所导致的反应延迟。Stroop颜色和单词测试(SCWT)是一种经典的神经心理学测试，也被认为是一种实用的精神健康神经生理学评估方法。用Stroop测试记录原始脑电图（EEG）数据结果，为后续计算功率谱熵(PSE)和重力频率(GF)等指标提供数据支撑。

实验开始，所有受试者使用笔记本电脑作为Stroop测试平台，在计算机屏幕上随机生成具有16种组合的80个单词样本。在每次试验中，计算机将随机选择一个组合。单词内容和颜色有两种可能的组合：一致和不一致（表1显示了所有一致和不一致的组合）。当每个颜色单词出现时，被试必须大声朗读单词颜色，同时尽快按下表示墨水颜色的键(例如，‘R’键代表墨水颜色‘红色’，‘G’键代表‘绿色’，‘B’键代表‘蓝色’，‘Y’键代表‘黄色’)。例如，当出现红色“红色”（一致的条件）时，被试被要求在键盘上尽快按下“R”键时并大声朗读“红色”。当黄色（墨水颜色）“蓝色”（单词颜色）出现（不一致的情况）时，受试者应该大声说“蓝色”，但按下键“Y”。图2显示了Stroop测试的过程。每两个样本有一个0.5秒的中断，颜色单词将在屏幕上停留2秒，单词出现到键盘按压之间的时间是反应时间（或响应时间）。最后，按键结果将在0.5秒内显示为“正确”或“错误”。每组实验有80个试验，总实验时间为80-240秒（1.4-4分钟）。

表1 在Stroop测试中显示的16种类型的组合

图2 单词测试在Stroop测试中的过程

由于干扰和随机误差的存在，原始脑电信号中含有噪声。这项研究采用50Hz陷波滤波器和0.5-50Hz带通滤波器去除这些伪迹。除此之外，采用主成分分析(PCA)选择最有效的通道，对信号进行聚类和重建，消除信道间干扰和冗余信息，保证数据处理时间和效率。图3介绍了脑电原始数据预处理的主要步骤。

图3 脑电原始数据预处理

在数据清理和预处理后，可以使用基于重力频率和功率谱熵的回归模型来评估精神疲劳水平。重力频率可以表示功率谱的高频成分和密度分布；还能反映脑电功率谱重心的偏移。功率谱熵是对信号复杂性的测量，它可以表示时间序列信号的无序性和多频分量的混沌程度。为了评估精神疲劳水平，本研究提出了一种四步算法来处理信号GF（重力频率）和PSE（功率谱熵）。

除此之外，基于脑电节律，研究者们开发了检测嗜睡和精神疲劳的模型，Strijkstra等人发现α功率与嗜睡之间有很强的负相关关系；Lal和Graig表明在疲劳过程中，四个频段的脑电图发生了显著变化；Waard和Brookhuis发现操作人员的相对能量参数（α+θ）/β随着操作任务的延长而降低；Hong等人的结果表明，在连续记录的50分钟内，基于8个通道的脑电图的α、β、β/α和（α+β）/θ在操作期间有显著差异；Jap则证明了脑电信号的（α+β)/θ、α/β、(θ+α)/(α+β）和θ/β可以显示操作员疲劳。基于头皮上的四个通道(P3、P4、F3和F4)，Schier发现脑电图信号的α活动与长期操作中注意力整体减少的想法是一致的。本研究采用了Jap等人提出的（θ+α)/β(指标1)、α/β(指标2)、(θ+α)/（α+β）(指标3)和θ/β（指标4）四个疲劳指标用于测量精神疲劳。这四个根据α、β和θ带之间的功率分布来评估精神疲劳的指标被计算为精神疲劳值(MFV)。

测试结束后，被试将通过问卷报告之前任务的任务需求(TD)，结果将被转化为自我报告的精神疲劳值。

在测试之前，收集被试的人口统计学信息、神经疾病病史和药物摄取情况，同时了解他们的休息和日常生活习惯，例如他们通常睡眠多少小时。标准任务和实验任务结束后，要求被试报告自己的主观疲劳感。该调查采用9点Likert量表（0-无，9-高)收集精神疲劳症状的强度，包括(1)注意力不集中、(2)头晕、(3)反应延迟、(4)流泪，然后通过对所有症状的平均得分计算出主观精神疲劳(SMF)评分，并据此判断疲劳状态，为确定MFL阈值提供帮助。

表3 所有受试者的Stroop测试和MFL/MFV结果

应用策略来筛选出不合格的个人，根据不同的任务要求和个人统计信息，可以将精神疲劳水平(MFL)确定为筛查标准的阈值。

Ahmaddian等人提出，建筑工人的行业不同，对(视觉、听觉、心理运动和认知)四种大脑资源的需求也不同。Cigularov和Fung等人识别了10种不同行业的潜在风险和任务需求。基于他们的理论，本研究针对不同行业的不同任务复杂度，开发了定性的脑资源需求基准。表4总结了不同建筑行业对视觉、听觉、精神运动和认知的需求。在标准任务测试后，本研究进行了挖掘机实验来验证所提出的方法。

如表4所示，MFL是确定工人是否适合在现场工作的筛选阈值，可以手动分配MFL作为一个灵活的控制因素来设置严格或松散的规则，并可以根据项目需要进行调整。

表4 不同行业的任务需求

Stroop效应指标是通过测量一致性平均反应时间(CCRT)和不一致性平均反应时间(ICRT)的差值来计算的。结果显示，被试对一致样本的反应比对不一致样本的反应快300毫秒；两组的Stroop效应指标也有显著差异(不合格组的Stroop效应时间为332.3s，合格组为266.1s)。表5显示了对标准任务（单词读取任务）进行Stroop测试的结果。

表5  Stroop试验结果

经过数据预处理后，计算了频带功率、MFV、重力频率和功率谱熵，计算X1和X2的值，并根据X1和X2的值可以得到回归方程。表6显示了用GF和PSE计算的X1和X2的结果，使用X1和X2进行回归分析计算，回归模型的系数可以计算为MF=1.397X1−4.121X2+0.670。

表6 各段的功率谱熵和重力频率

在手动分配MFL阈值(MFL≤3)的情况下，如图4所示，对象1、对象5、对象8、对象11和对象13由于疲劳而被筛选为不合格。作为对照，图5显示了四个MFV指标的筛选结果。此外，在对不合格组和合格组的睡眠时间进行平均后，显然合格组的休息时间较长（不合格组平均睡眠时间为4.5小时，合格组平均睡眠时间为7小时）。

图4 用MFL筛选结果

图5 用MFV指标筛选结果

本研究以Stroop测试和工人自我报告为基础，建立了以重力频率和功率谱熵为指标的回归模型，计算了定量脑电（EEG）指标阈值，开发并进行了验证实验。实验结果表明，在睡眠时间不同的情况下，不合格组的平均Stroop效应明显大于合格组，较高的Stroop效应与高疲劳相关的假设成立。验证实验证实，该方法能有效地识别出高度精神疲劳的不合格个体。

（1） 样本数量不足以建立更全面的回归模型，小样本量可能会导致回归模型出现偏差。

（2） 当前的验证实验只在实验室环境中进行，为了证明发现的准确性，有必要对真实工人进行现场实验。当前的验证实验比较单一，为了在不同的建筑行业中得到更广泛的应用，应在虚拟环境中开发更多建筑任务，并邀请不同行业的工人参加测试

（3） 鼓励将更多的传感源和评估指标纳入模型。

Li, H.; Wang, D.;Chen, J.; Luo, X .; Li, J.; Xing, X. Pre-service fatigue screening for construction workers through wearable EEG-based signal spectral analysis. Automation in Construction. 2019, 106: 102815.