摘 要： 以实验为基础来研究精神疲劳，实验采用图片随机轮换的视觉诱发刺激模式来诱发P300，利用诱发电位的锁时关系，应用叠加平均技术来提取P300特征参量——幅值，并提出了一种标定视觉疲劳的方法。对比受试者疲劳前后的特征参量，发现疲劳时的P300波峰值约为清醒时幅值的50%，由清醒和疲劳两个状态的极值可以对中间状态的疲劳程度做一个大致的线性描述，因此P300幅值可作为标定疲劳程度的指标。

　　关键词： 视觉疲劳；叠加平均；P300；幅值

　　精神疲劳是一个比较抽象的概念，也是一种复杂的生理现象，能引起人体多种指标的变化，如注意力不集中、警觉度降低、反应速度下降等[1]，目前国际上并没有一种公认有效的检测标定精神疲劳的方法。由于人的疲劳（如汽车、船舶、龙门吊等的驾驶疲劳）是造成很多重大事故的主要原因，因此对人的疲劳进行客观、准确地检测和评估开展研究是非常有价值的，对减少安全事故以及提高效率均具有重要意义。

　　因精神疲劳属于一种复杂的生理心理现象，往往伴随着反应能力的降低和工作效率的下降，最简单的方法是基于心理学问卷量表[2]，方法虽然简单但受个体差异和主观因素影响过大，为此人们希望能找到反应精神疲劳程度的生理参数指标，如李延军等通过读书笔算实验与放松时作为对比来研究心率变异性与疲劳的关系[3]，赵晓华等通过驾驶实验前后填写的SOFI-C调查表来分析研究心电、脑电信号与疲劳程度的关系[4]，赵春临记录一天中不同时间的脑电信号研究分析了基于脑电功率谱-连续隐马尔科夫链的精神疲劳特征[5]，张连毅也采用类似的方法分析一天不同时间采集的EEG信号的柯尔莫哥洛夫熵测度与精神疲劳的关系[6]，以上方法对被试者疲劳程度的标定基于生活经验的直观判断，无法达到定量标定。为了对疲劳程度进行定量标定，很多文献采用作业成功率作为疲劳程度量化的指标，如参考文献[7-8]都是在按一定时间间隔播放的声音序列中随机插入动作命令集合的某一个，统计被试者按键的正确率来标定疲劳的程度，参考文献[9]采用心理学的Oddball作业实验范式通过统计正确率来标定疲劳状态，但是由于人的个体身体差异，在相同疲劳程度下不同人作业的成功率也会呈现较大差异。由于事件相关电位能反映认知过程中大脑的神经电生理改变，因此也成为研究精神疲劳的重要手段，如Murata研究了被试者在VDT作业前后视觉刺激P300相关参数的变化[10]，杨博等设计了认知实验，并结合问卷量表研究在疲劳前后P300潜伏期和峰值变化的统计性质[11]，宋国萍等针对出租车司机疲劳组和对照组研究了P300参数的差异统计特性[12]，以上研究结论显示在疲劳作业前后视觉诱发P300的潜伏期变化较小而听觉诱发P300潜伏期变化较大，但两者分布都比较分散，而疲劳前后P300波幅降低幅度较大且较为集中。JarchiD.等研究了基于Rao-blackwellised粒子滤波模型单次提取P300并进行疲劳分析的方法[13]。以上研究虽然得到了有价值的结果，但没有对疲劳程度的量化标定给出具体有效的方法。

　　由于基于视觉的认知能力对汽车、船舶驾驶等很多工作非常重要，本文以视觉诱发P300参数提取为基础，结合心理学问卷量表研究精神疲劳量化标定的实验范式和评估模型。

1 精神疲劳标定实验设计

　　本实验选用的数据采集设备为奥地利G.tec公司生产的16导联的g.USBamp信号放大采集设备，电极采用的是银/氯化银合金电极。实验中，所用到的电极位于10-20电极导联系统中的Fpz，Fz，Cz，P3，Pz，P4，PO7，Oz和PO8 9个位置(其中Fpz为接地，耳垂为参考点极)。采样频率设置为256 Hz，带通滤波范围为0.5~30 Hz，50 Hz陷波。实验的受试者选择20名有午睡习惯的在校大学生且实验选择在中午进行。

　　⑴诱发电位获取模式的设计

　　为获取P300信号，实验采用图片轮换的视觉诱发刺激的方式，提供7幅不同的图片作为视觉诱发源，供受试者观察。图片随机出现（这样靶图片出现的概率为14.3%，非靶图片出现概率为85.7%），每幅图片占据1 s时长，前100 ms显示图片，后900 ms关闭图片。事先设定图片显示次数，由受试者选择其中一幅图片（靶图片）进行计数。实验过程中，当受试者观看到靶图片时立即按键‘↑’，并同时默数图片出现的次数。一次‘trail’（一次数据采集过程）经历5 min。

　　⑵疲劳模式的设计

　　为采集受试者不同状态下的疲劳数据，本实验制定了相应的精神疲劳调查表，其10个参数指标为：注意力不集中、反应迟钝、困倦、精神涣散、头脑昏沉、思想不集中、需要休息、复视（重影）、眼睛酸痛、眼皮沉重。受试者根据自身状态用[0,10]之间的数来描述自身的状态，其中“0”代表没有，“10”代表完全有。可以大致将疲劳状态分为：当状态值的均值小于1时，此时认为受试者处于清醒状态；均值大于9时，受试者处于疲劳状态；其余为中间状态。

　　⑶实验过程

　　实验开始前，受试者首先填写疲劳调查表，数据符合清醒状态值时开始实验。实验时，将实验室的光线调暗，并且为受试者提供一个安静的实验环境，受试者身体放松地坐于离计算机显示器约0.8 m左右的距离处。在受试者充分了解实验任务及实验步骤后，开始实验。为采集受试者不同状态下的疲劳数据，实验分为3个阶段，每个阶段采集4组“trail”数据。在每个阶段完成后下一个阶段开始前，受试者要经历一个疲劳过程，每个阶段及实验完成前后让受试者填写实验疲劳调查表。疲劳过程为闪烁频率4 Hz的蓝色图片，受试者集中注意力观看，持续时间10 min。

2 实验结果分析

　　由于自发脑电可以看作是零均值、方差确定的平稳随机信号，而且在每次实验中，刺激条件相同，可以将P300近似认为是一个确定性的信号，且P300对于每一次刺激它们之间都是互不相关的。所以可以利用叠加平均技术提取诱发的P300电位，信号残留噪声下降程度与迭加次数的平方根成正比[14]。

　　对每组实验数据，提取出靶刺激与非靶刺激1 s时长的数据分别进行叠加平均处理。提取各个通道的P300幅值，发现顶区及枕区（P3、Pz、P4、PO7、Oz和PO8）的P300现象明显。选取特征最为明显的PO7、Oz和PO8 3个通道作为研究对象，结合疲劳调查问卷以及P300的幅值，通过实验数据可以得出以下结论。

　　⑴按照制定的疲劳标准，疲劳前后疲劳表的值差异显著（如表1所示,为其中一个受试者的调查表），受试者的量表总平均值在实验疲劳前后的分别为（0.1 0.303）和（9.18，1.289），P<0.05,说明实验设计合理，能使受试者从清醒达到疲劳状态。

　　⑵对同一受试者，清醒时，靶刺激的P300幅值要比非靶刺激幅值要明显，如图1所示；疲劳时，靶刺激与非靶刺激的P300幅值则非常接近，如图2所示，靶刺激幅值稍大。这是因为疲劳时，受试者对靶刺激与非靶刺激区分度明显下降。同时，清醒和疲劳的非靶刺激的幅值有所降低，但变化不大，说明疲劳会导致脑电信号电位值下降。

　　⑶对不同受试者的整个疲劳过程的P300幅值分析，每个样本选取对应的3个状态分别为：清醒（取值为第一阶段最大幅值），中间状态（取值为第二阶段任意幅值），疲劳（取值为第三阶段最小幅值）。各个状态取PO7、Oz和PO8 3个通道值的中间值作为状态值，选取10个样本数据。通过统计分析得出：虽然不同受试者的清醒和疲劳时的P300幅值不同，但是在整个实验过程中P300幅值下降的比例均接近50%，波动范围为（0.5，0.0209）。即当受试者P300幅值下降50%左右时，可以认为受试者为疲劳状态，如表2所示。

　　综上，通过测定个体清醒与疲劳的P300幅值，可以用精神疲劳系数MFC(Mental Fatigue Coefficient)给精神疲劳予一个初步的线性刻画：

　　其中，missing image file为清醒时幅值，missing image file为疲劳时幅值，missing image file为其他状态的幅值。

　　由此，可以得出当MFC为0时，处于清醒状态，当MFC为1时处疲劳状态，处于0~1之间的值则代表了中间状态的疲劳程度。对选取的中间状态计算相应的MFC值（0.4~0.6）与对应阶段疲劳调查表的4个疲劳指标的值（范围集中在4~7）相对比，其值在体现疲劳程度上相当，因此可以利用MFC值对疲劳程度作出大致的描述。

　　本研究中，以P300幅值作为疲劳特征参量，通过研究疲劳程度与P300幅值的关系来标定疲劳程度。通过本文分析可以看出，不同个体在清醒与疲劳状态的P300幅值各不相同，但是在整个疲劳过程中，P300幅值下降的百分比却十分接近——约50%，具有一定的普遍性。MFC值所描述的疲劳指数与对应疲劳调查表的数值大致接近，因此可以用MFC值刻画个体精神疲劳状态，这样就将抽象的疲劳概念定量化了，为研究精神疲劳提供了一种新的思路和方法。然而，本实验也具有一定的局限性。⑴在本研究中，要求受试者整个过程持续集中注意力，这样产生的疲劳与人体在正常作业或轻松状态的自然疲劳关系未知。⑵实验对象为在校大学生，没有针对不同人群。因此，基于EEG信号的生理性精神疲劳分析技术的研究，必将是现在和今后相当长时间内相关工作者的研究热点之一，也值得进一步探索。

参考文献

　　[1] 王瑞元.运动生理学[M],北京:人民体育出版社,2002.

　　[2] Taigang H, Jianping L,Chongxun Z. Mental fatigue and measurement[J]. Journal of Biomedical Engerning,1996,13(3):276-273.

　　[3] 李延军，严洪，杨向，等.基于心率变异性的精神疲劳的研究[J].中国生物医学工程学报，2010，29 (1): 1-6.

　　[4] 赵晓华，房瑞雪，荣建，等.基于生理信号的驾驶疲劳综合评价方法试验研究[J].北京工业大学学报，2011，37(10): 1511-1516.

　　[5] 赵春临, 郑崇勋, 赵敏.基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型[J].西安交通大学学报，2007，41(2): 1474-1478.

　　[6] 张连毅，郑崇勋，李小平，等.基于柯尔莫哥洛夫熵的生理性精神疲劳分级的可行性研究[J].航天医学与医学工程，2005(5): 375-380.

　　[7] Shen Kaiquan, Ong Chongjin, Li Xiaoping, et al. A feature selection method for Multilevel Mental Fatigue EEG classification[C]. IEEE Transactions on Biomedical Engineering, 2007, 54（7）：1231-1237.

　　[8] Tyagi R, Shen Kaiquan, Shao Shiyun, et al. A novel auditory working-memory vigilance task for mental fatigue assessment[J]. Safety Science, 2009，47 (7) : 967-972.

　　[9] Zhao Chunlin, Zhao Min, Liu Jianpin,et al. Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J]. Accident Analysis and Prevention，2012（ 45 ）：83- 90.

　　[10] Murata A, Uetake A, Takasawa Y. Evaluation of mental fatigue using feature parameter extracted from event-related potential[J]. International Journal of Industrial Ergonomics, 2005, 35(8): 761-770.

　　[11] 杨博，苗丹民，吕静，等.持续认知操作任务诱发脑力疲劳对注意测验和事件相关电位P300的影响[J].中华行为医学与脑科学杂志，2009，18(4):328-330。

　　[12] 宋国萍，张侃.驾驶疲劳对随意注意影响的ERP研究[J].人类工效学，2009，15(4):1-4。

　　[13] Jarchi D, Sanei S, Mohseni H R, et al. Coupled particle filtering: A new approach for P300-based analysis of mental fatigue[J]. Biomedical Signal Processing and Control, 2011, 6(2): 175-185.

　　[14] 聂能，尧德中，谢正祥．生物医学信号数字处理技术及应用[M]．北京：科学出版社，2005．