基于近似最近邻搜索的EEG疲劳判断方法 崔英杰， 李旭， 陈忠贤， 李燕

《Computers》：EEG Fatigue Judgment Method Based on Approximate Nearest Neighbor Search Yingjie Cui, Xu Li, Zhongxian Chen and Yan Li

　　摘要：疲劳会严重影响工作效率并带来潜在的安全隐患，而脑电图（EEG）作为疲劳监测的宝贵生理指标，能够直接反映大脑的神经活动。EEG疲劳研究的一个关键特征是，疲劳前和疲劳后的EEG信号在特征空间上表现出明显的分离——这种分离是由于人体从正常清醒状态转变为疲劳状态时大脑电活动的显著变化所导致的。现有的基于EEG的疲劳判断方法大多集中在二分类上，未能充分利用疲劳前后特征空间固有的空间分离特性，因此难以实现简单、高效和准确的疲劳判断。为了解决这个问题，本文提出了一种基于特征空间空间分离和近似最近邻搜索（ANNS）的EEG疲劳判断方法。从七名受试者获取的16通道疲劳前（A组）和疲劳后（B组）EEG信号经过分割和特征提取，然后将信号投影到一个统一的特征空间中。使用A组和B组的特征向量构建ANNS索引，每个向量都标注有其对应的类别标签。利用一个独立的测试集（C组），从构建的ANNS索引中检索每个测试特征向量的k个最近邻居，然后根据k个最近邻居的类别标签来确定精神疲劳状态。实验结果表明，所提出的方法能够有效利用疲劳前后特征分布的空间分离，平均单受试者分类准确率约为90%。

1. 引言
快速的社会和工作节奏导致长时间高强度的精神和身体活动引发疲劳，从而降低效率、损害认知能力，并在交通、工业等领域带来安全风险[1]。因此，准确的实时疲劳评估具有重要的实际意义[2]。脑电图（EEG）直接反映大脑活动，包含丰富的神经信息。EEG的特征分布在疲劳前（清醒）和疲劳后状态之间有显著变化[3]。通常，疲劳前的EEG形成一个紧凑的特征簇（A组），而疲劳后的EEG则呈现出与A组空间分离的分散分布（B组）。这种分离为疲劳检测提供了可靠的基础：测试EEG向量将更接近其真实状态对应的特征子集[4]。现有的基于EEG的疲劳监测方法通常将问题视为二分类任务[3,5,6,7]，训练深度学习或传统机器学习模型[8]将信号标记为“疲劳前”或“疲劳后”[9]。Gao[10]通过将EEG转换为递归网络构建了一个基于CNN的疲劳检测模型。Su[11]采用CNN-LSTM结构来捕捉EEG的空间-频谱特征和时间依赖性，用于精神疲劳评估。TFormer[12]是一种增强了批量归一化的时频Transformer，可以有效建模EEG模式并提高跨受试者的疲劳识别性能。这些方法存在两个主要缺点：（1）它们需要大量的标记数据，增加了实验成本和复杂性；（2）它们忽略了两个特征空间固有的空间分离，仅输出离散的类别标签，限制了可解释性和可靠性。

近似最近邻搜索（ANNS）[13]是一种高效的高维向量检索技术，可以快速计算查询向量与参考集之间的距离，同时提供速度和准确性。ANNS自然利用了疲劳前后特征空间之间的空间分离[14,15]：通过将疲劳前的特征集作为参考，可以快速评估测试向量与这个集合之间的距离，从而基于距离阈值进行疲劳判断。然而，据我们所知，ANNS尚未应用于现有文献中的基于EEG的疲劳检测。

可穿戴EEG采集[16,17]和边缘计算[18]的最新进展为现实世界环境中的连续疲劳监测开辟了新的可能性。通过利用轻量级的ANNS检索机制[19]，我们的方法可以在计算资源有限的情况下保持高准确性，使其适用于驾驶辅助系统、工业安全监测和个人健康跟踪设备。此外，该流程的模块化特性允许直接整合额外的信号模式，如眼动追踪或心率变异性，以提高鲁棒性。除了这些直接应用之外，所提出的框架还可以作为更广泛的生理状态检测的基础，包括压力、困倦和认知负荷等存在明显特征空间分离的情况。基于距离的检索范式还便于与新兴的边缘AI平台无缝集成，实现动态环境中的实时反馈和适应性干预。准确检测和评估精神疲劳是相关研究中的核心挑战[20,21,22]。

为了解决现有方法的局限性并充分利用EEG特征空间的空间分离[23,24]，我们提出了一个基于ANNS的EEG疲劳检测框架。该流程包括三个主要步骤：（1）分割来自A组、B组和测试会话的16通道EEG信号，提取疲劳敏感特征，并将它们投影到一个统一的特征空间；（2）使用A组和B组的特征向量构建ANNS索引，每个向量都标注有其对应的疲劳状态；（3）对于C组中的每个测试向量，从索引中检索其k=7个最近邻居，对邻居标签进行多数投票，从而确定疲劳状态。这种方法避免了对大规模标记数据的依赖，充分利用了两个特征分布之间的空间分离，提供了一种简单、高效和准确的疲劳评估解决方案。

本工作的主要贡献是：（1）有效应用ANNS来表征疲劳前后EEG特征分布之间的空间分离，实现高效可靠的疲劳分类；（2）针对16通道记录的轻量级但有效的EEG特征提取方案，能够捕捉与疲劳相关的区分性特征；（3）在独立测试集上的全面实验证明了该方法的简单性、可操作性和高准确性，突显了其在实际应用中的潜力。

2. 方法
本节概述了使用ANNS的基于EEG的疲劳判断流程。它详细介绍了16通道EEG特征提取、疲劳敏感特征筛选和ANNS索引构建。该方法强调：提取区分性特征以分离疲劳前和疲劳后状态，然后基于ANNS的距离测量进行分类。

2.1. 数据描述
本文使用的实验数据是从7名受试者（NO6、NO8、NO10、NO11、NO12、NO16、NO18）收集的16通道EEG信号，根据疲劳状态和实验目的分为三组：疲劳前（A组）、疲劳后（B组）和测试（C组）。所有信号都以CSV格式存储，每行对应一个EEG通道，每列代表一个时域采样点。A组（疲劳前）信号是在受试者处于正常清醒状态时收集的（例如，休息30分钟后）；B组（疲劳后）信号是在受试者进行连续1-2小时的精神工作后收集的（例如，阅读、操作计算机）；C组（测试）信号是分别收集的（一半疲劳前，一半疲劳后），以验证方法的判断准确性。此外，还对单个受试者和所有受试者进行了单独的实验，每个受试者从16个通道中选择8个最佳通道进行特征提取和判断，所有受试者采用统一的8通道索引进行统一处理，确保实验的全面性和合理性。

2.2. EEG分割
为了将长时间的EEG信号[25]转换为可管理的特征单元，原始的16通道EEG信号被分割成固定长度的段。选择256个采样点的段长度（简单计算，无需复杂参数调整），并采用非重叠的分割策略以避免冗余信息。对于每个原始EEG信号，计算段数N。每个段表示为一个大小为（16,256）的2D矩阵，便于后续的特征提取。

2.3. 特征提取和疲劳敏感特征筛选
为了充分利用16通道EEG信号并识别导致疲劳前后特征空间显著分离的特征，本节设计了一个两步方案：首先提取每个通道的多域特征，然后筛选出最大化两种状态之间距离的疲劳敏感特征。该方案操作简单，避免复杂计算，并且完全兼容后续的ANNS索引构建。此外，对于每个单独的受试者，从16个通道中选择8个最佳通道（具体通道索引根据每个受试者的实验数据确定），并且只在这些8个通道上进行特征提取，以减少计算复杂性同时确保判断准确性；对于所有受试者，采用统一的8通道索引进行统一处理，以验证方法的泛化能力。

2.3.1. 选定通道的多域特征提取
针对每个受试者选定的8个通道（对每个受试者不同，但对所有受试者统一），提取每个通道的多域特征（频域+时域），以确保全面捕捉与疲劳相关的神经活动变化。提取过程对所有选定的通道是一致的，每个通道的特征首先独立提取，然后融合，以避免通道间的干扰。每个通道的具体提取内容如下（每个通道8个维度，8个通道×8个维度=64维总特征，平衡特征丰富性和计算复杂性）：
- 频域特征（6个维度）：选择4个与疲劳最相关的频率带（delta：1–3 Hz，theta：4–7 Hz，alpha：8–13 Hz，beta：14–30 Hz）。对于每个频带，计算两个核心指标：频带能量和频带功率比（频带能量与4个频带总能量的比率）。4个频带×2个指标=每个通道6个频域维度。
- 时域特征（2个维度）：提取两个简单有效的时域指标，这些指标对疲劳变化敏感：信号均值（反映EEG信号的整体幅度）和信号方差（反映EEG信号的波动）。疲劳会导致EEG幅度显著下降和波动增加，因此这两个指标可以有效捕捉疲劳变化。特征计算使用简单的公式，便于实现。
- 频带能量：计算FFT变换后相应频带内频率分量的平方幅度之和。公式如下：
（1）
其中 表示第k个频带的能量（k = 1, 2, 3, 4，分别对应delta、theta、alpha、beta频带）， 表示第k个频带的频率范围， 是EEG段的FFT变换结果， 是频率分量f的幅度。
- 频带功率比[23]：将单个频带的能量除以4个频带的能量之和，并保留4位小数进行计算。公式如下：
（2）
其中 是第k个频带的功率比， 是第k个频带的能量， 是4个与疲劳相关频带的总能量。
- 时域均值：计算单个EEG段中所有采样点的平均值。公式如下：
（3）
其中 表示EEG段的时域均值，L是单个EEG段中的采样点数（本文中为256）， 是第n个采样点的幅度值。
- 时域方差：计算EEG段采样点相对于平均值的波动程度。公式如下：
（4）
其中 是EEG段的时域方差， 是EEG段的时域均值，L是段中的采样点数， 是第n个采样点的幅度值。

在为每个选定的通道提取了8个维度的特征后，将这些通道的特征按顺序融合，形成每个EEG段的64维特征向量（每个段对应一个64维向量），作为后续ANNS索引构建和距离计算的输入。

2.3.2. 疲劳敏感特征的筛选（空间分离的关键）
这一步的核心目标是识别64维特征（8个通道×8个维度）中哪些特征可以最大化疲劳前（A组）和疲劳后（B组）特征空间之间的空间距离。筛选原理简单且易于操作：计算每个特征对两种状态空间分离的贡献度，并保留贡献度最高的特征（排除冗余特征），确保筛选出的特征能够使疲劳前和疲劳后的特征空间尽可能分离。筛选过程通过四个简洁的统计步骤进行：

步骤1：计算64个维度特征中每个特征在疲劳前（组A）和疲劳后（组B）的平均值。对于第i个特征（i = 1, 2, …, 64），用表示组A的平均值，用表示组B的平均值，其计算公式如下：
(5)
(6)
其中是组A中的特征向量数量，是组B中的特征向量数量，是单个特征向量x的第i个维度值。

步骤2：计算两组特征平均值之间的绝对差值，表示为。公式为：
(7)
绝对差值越大，表示第i个特征在疲劳前和疲劳后状态之间的差异越大，其对两个特征空间分离的贡献也就越强。

步骤3：根据对所有64个维度特征进行降序排序，并选择前32个特征（占总特征数量的一半，以平衡特征丰富度和计算复杂性）。这32个特征是能够最大化疲劳前后特征空间空间距离的疲劳敏感特征。

步骤4：验证筛选效果：筛选后，将32个疲劳敏感特征融合成一个32维特征向量，并计算疲劳前（组A）和疲劳后（组B）特征向量之间的平均空间距离，以验证筛选是否增强了空间分离。平均空间距离的计算公式为：
(8)
其中是组A和组B特征向量之间的平均空间距离，是组A中的特征向量数量，是组B中的特征向量数量，是向量x和向量y之间的欧几里得距离（根据公式(5)计算）。如果筛选后的大于筛选前的，则表明筛选出的特征有效增强了两种状态的空间分离。

这32个筛选出的特征涵盖了所有8个选定的通道（每个通道平均贡献4个敏感特征），确保两种状态的空间分离不受单一通道的限制，而是反映了所选8通道EEG的整体疲劳变化。

2.4. ANNS索引构建和k最近邻检索
使用疲劳前（组A）和疲劳后（组B）的32维疲劳敏感特征向量（在3.3.2节中筛选得到）构建ANNS索引[26]，作为k最近邻检索的联合参考索引。索引中的每个特征向量都标有其对应的类别[27]（疲劳前/组A或疲劳后/组B）。选择层次化可导航小世界（HNSW）[28]算法作为ANNS检索方法，并将关键参数设置为默认值（M = 16, efConstruction = 200, efSearch = 100）以避免复杂的参数调整。使用欧几里得距离作为空间距离度量，其计算公式为：
(9)
其中是测试特征向量x与ANNS索引中的参考特征向量y之间的欧几里得距离，和分别是x和y的第k个维度值，32是疲劳敏感特征向量的维度。在本实验中，k设置为7（一个合理的奇数，以平衡判断准确性和计算效率），这意味着对于每个测试向量，将检索ANNS索引中的7个最近邻向量。

ANNS索引的核心功能是从联合索引（组A + 组B）中检索每个测试向量（组C）的k个最近邻，然后统计这些k个最近邻的类别（疲劳前/疲劳后），并根据k个最近邻的多数类别来判断测试向量的状态。32维疲劳敏感特征确保测试向量的k个最近邻主要来自与其实际状态对应的特征子集，为疲劳状态判断提供了可靠的基础。

为了进一步明确k最近邻检索的逻辑，具体过程如下：对于每个测试向量，ANNS索引检索与x欧几里得距离最小的前7个（k = 7）参考向量（即7个最近邻），记录每个最近邻的类别（组A/疲劳前或组B/疲劳后），然后通过多数投票确定x的类别。这种方法避免了单个最近邻带来的不确定性，提高了判断的稳定性。

2.5. 疲劳判断标准
基于ANNS索引的k最近邻检索结果，通过多数投票来判断疲劳状态，判断标准简单且易于操作，无需复杂的阈值计算：
对于组C中的每个测试EEG特征向量x，使用ANNS索引从联合参考索引（组A + 组B）中检索其k个最近邻（k = 7）。k最近邻检索基于欧几里得距离（公式(5)），k最近邻的检索公式为：
(10)
其中表示测试向量x的k个最近邻集合，表示从联合索引中选择与x欧几里得距离最小的k个参考向量。
统计属于组A（疲劳前）和组B（疲劳后）的最近邻的数量，分别表示为和。计数公式为：
(11)
(12)
其中是指示函数，即如果y属于组A，则为1，否则为0；对也适用相同的规则。
判断规则（多数投票）：如果，则当前测试向量x的状态判断为疲劳前；如果，则当前状态判断为疲劳后；
如果（当k = 7时极为罕见，因为k是奇数），则向量判断为不确定（在准确性统计中计为错误），这对整体实验结果影响不大。
我们设置k = 7，这是一个奇数，可以防止平局，并在准确性和计算效率之间取得平衡。经验表明，k = 7能够获得较高的判断准确性。

3. 结果
为了评估所提出方法的有效性和泛化能力，我们从两个角度进行实验：单受试者处理和所有受试者统一处理。按照第3节描述的程序，我们采用最近邻检索和多数投票，并使用Top-7最近邻准确率和F1分数来评估性能。实验协议简单直接，标准化的数据收集和处理产生了可靠且可解释的结果。

3.1. 实验设置
3.1.1. 硬件和软件环境
实验在标准台式计算机上进行（CPU：Intel Core i5或更高配置，RAM：8 GB，OS：Windows 10）。软件栈包括Python 3.8和以下关键库：NumPy 1.24.3（数据处理）、scikit-learn 1.2.2（特征计算和评估指标）、FAISS 1.7.4[29]（ANNS索引构建和k最近邻检索）以及Pandas 1.5.3（CSV处理）。所有包都可以通过pip轻松安装，无需复杂配置，从而确保了可重复性。
共招募了7名受试者（4名男性和3名女性），平均年龄为21岁（范围：20–22岁），来自黄淮大学的本科生。所有参与者都是右撇子，没有严重的健康问题，并且听力正常。实验前，受试者需要至少睡眠8小时。实验方案得到了黄淮大学的批准。在整个实验过程中，受试者佩戴了入耳式耳机和无线EEG记录仪（NeuSen W，Neuracle Ltd.，中国上海），采样率为1000 Hz，EEG记录与听觉刺激同步。

3.1.2. 实验数据
从头皮上的16个电极位置收集了16通道EEG信号[30]，如图1所示。图2展示了EEG信号收集的实验环境。心理算术是一种广泛采用的方法来诱导心理负荷。为了在2小时内使参与者产生足够的疲劳，我们遵循[31]中的协议，要求他们在完成心理算术问题的同时进行模拟飞行任务。

3.2. 实验数据
实验数据是从16个电极位置收集的16通道EEG信号[30]，如图1所示。图2展示了EEG信号收集的实验环境。心理算术是一种广泛采用的方法来诱导心理负荷。为了在2小时内使参与者产生足够的疲劳，我们遵循[31]中的协议，要求他们在完成心理算术问题的同时进行模拟飞行任务。

3.3. ANNS索引构建和k最近邻检索
使用疲劳前（组A）和疲劳后（组B）的32维疲劳敏感特征向量（在3.3.2节中筛选得到）构建ANNS索引[26]，作为k最近邻检索的联合参考索引。索引中的每个特征向量都标有其对应的类别[27]（疲劳前/组A或疲劳后/组B）。选择层次化可导航小世界（HNSW）[28]算法作为ANNS检索方法，并将关键参数设置为默认值（M = 16, efConstruction = 200, efSearch = 100）以避免复杂的参数调整。使用欧几里得距离作为空间距离度量，其计算公式为：
(9)
其中是测试特征向量x与ANNS索引中的参考特征向量y之间的欧几里得距离，和分别是x和y的第k个维度值，32是疲劳敏感特征向量的维度。在本实验中，k设置为7（一个合理的奇数，以平衡判断准确性和计算效率），这意味着对于每个测试向量，将检索ANNS索引中的7个最近邻向量。
ANNS索引的核心功能是从联合索引（组A + 组B）中检索每个测试向量（组C）的k个最近邻，然后统计这些k个最近邻的类别（疲劳前/疲劳后），并根据k个最近邻的多数类别来判断测试向量的状态。32维疲劳敏感特征确保测试向量的k个最近邻主要来自与其实际状态对应的特征子集，为疲劳状态判断提供了可靠的基础。

为了进一步明确k最近邻检索的逻辑，具体过程如下：对于每个测试向量，ANNS索引检索与x欧几里得距离最小的前7个（k = 7）参考向量（即7个最近邻），记录每个最近邻的类别（组A/疲劳前或组B/疲劳后），然后通过多数投票确定x的类别。这种方法避免了单个最近邻带来的不确定性，提高了判断的稳定性。

3.5. 疲劳判断标准
基于ANNS索引的k最近邻检索结果，通过多数投票来判断疲劳状态，判断标准简单且易于操作，无需复杂的阈值计算：
对于组C中的每个测试EEG特征向量x，使用ANNS索引从联合参考索引（组A + 组B）中检索其k个最近邻（k = 7）。k最近邻检索基于欧几里得距离（公式(5)），k最近邻的检索公式为：
(10)
其中表示测试向量x的k个最近邻集合，表示从联合索引中选择与x欧几里得距离最小的k个参考向量。
统计属于组A（疲劳前）和组B（疲劳后）的最近邻的数量，分别表示为和。计数公式为：
(11)
(12)
其中是指示函数，即如果y属于组A，则为1，否则为0；对也适用相同的规则。
判断规则（多数投票）：如果，则当前测试向量x的状态判断为疲劳前；如果，则当前状态判断为疲劳后；
如果（当k = 7时极为罕见，因为k是奇数），则向量判断为不确定（在准确性统计中计为错误），这对整体实验结果影响不大。
我们设置k = 7，这是一个奇数，可以防止平局投票，并在准确性和计算效率之间取得平衡。经验表明，k = 7能够获得较高的判断准确性。

3. 结果
为了评估所提出方法的有效性和泛化能力，我们从两个角度进行实验：单受试者处理和所有受试者统一处理。按照第3节描述的程序，我们采用最近邻检索和多数投票，并使用Top-7最近邻准确率和F1分数来评估性能。实验协议简单直接，标准化的数据收集和处理产生了可靠且可解释的结果。

3.1. 实验设置
3.1.1. 硬件和软件环境
实验在标准台式计算机上进行（CPU：Intel Core i5或更高配置，RAM：8 GB，OS：Windows 10）。软件栈包括Python 3.8和以下关键库：NumPy 1.24.3（数据处理）、scikit-learn 1.2.2（特征计算和评估指标）、FAISS 1.7.4[29]（ANNS索引构建和k最近邻检索）以及Pandas 1.5.3（CSV处理）。所有包都可以通过pip轻松安装，无需复杂配置，从而确保了可重复性。
共招募了7名受试者（4名男性和3名女性），平均年龄为21岁（范围：20–22岁），来自黄淮大学的本科生。所有参与者都是右撇子，没有严重的健康问题，并且听力正常。实验前，受试者需要至少睡眠8小时。实验方案得到了黄淮大学的批准。在整个实验过程中，受试者佩戴了入耳式耳机和无线EEG记录仪（NeuSen W，Neuracle Ltd.，中国上海），采样率为1000 Hz，EEG记录与听觉刺激同步。

3.1.2. 实验数据
从头皮上的16个电极位置收集了16通道EEG信号[30]，如图1所示。图2展示了EEG信号收集的实验环境。心理算术是一种广泛采用的方法来诱导心理负荷。为了在2小时内使参与者产生足够的疲劳，我们遵循[31]中的协议，要求他们在完成心理算术问题的同时进行模拟飞行任务。

3.1.2. 实验数据
实验数据是从16个电极位置收集的16通道EEG信号[30]，如图1所示。图2展示了EEG信号收集的实验环境。心理算术是一种广泛采用的方法来诱导心理负荷。为了在2小时内使参与者产生足够的疲劳，我们遵循[31]中的协议，要求他们在完成心理算术问题的同时进行模拟飞行任务。图1. 16个头部位置的示意图。图2. 实验环境设置。实验数据是从7名受试者（编号分别为NO6、NO8、NO10、NO11、NO12、NO16和NO18）收集的16通道EEG信号。对于每次实验运行，数据集以不受受试者影响的方式分为训练集和测试集，以评估泛化能力。特征选择仅在每个验证轮次内的训练集上进行，不访问任何来自保留的测试集的信息。从训练数据中确定的最佳特征子集随后应用于未见过的测试集进行模型评估。这种流程有效防止了数据泄露，确保了评估结果的无偏性和可靠性。对于每个受试者，从16个通道中选择8个最佳通道（具体通道索引根据每个通道的特征区分能力确定），这些通道的EEG信号用于特征提取、ANNS索引构建和测试判断；对于所有受试者，采用统一的8通道索引进行统一处理，以验证方法的泛化能力。每个受试者的测试集大小、选定的通道索引和实验结果详细显示在实验结果部分。所有测试集由一半的疲劳前和一半的疲劳后EEG片段组成，确保了测试集的平衡性和实验结果的客观性。同时，在整个特征选择和模型构建过程中，我们严格区分了训练集和测试集，并采用了标准的k折交叉验证策略，以确保评估的可靠性和无偏性。具体来说，数据集被随机划分为k个互斥的子集，每个折中使用一个子集进行测试，其余子集用于训练。这个过程重复进行，直到所有子集都被评估，最终性能在所有折中取平均值。这样的验证协议有效防止了数据泄露和过拟合，确保了报告结果的稳健性和泛化能力。

3.1.3. 实验过程
实验过程分为两部分：单受试者处理和所有受试者统一处理，两部分都遵循第3节描述的方法，具体步骤如下：
单受试者处理：对于每个受试者（NO6、NO8、NO10、NO11、NO12、NO16、NO18），根据实验数据选择相应的8个最佳通道；将选定通道的EEG信号分割成256点不重叠的片段；提取每个通道的8维特征，融合成64维特征向量，并筛选出32维疲劳敏感特征；使用受试者的疲劳前（组A）和疲劳后（组B）特征向量构建ANNS索引；使用受试者的测试集（组C）作为查询，从ANNS索引中检索前7个最近邻，通过多数投票判断每个测试片段的状态，并计算Top-7最近邻准确率和F1分数。
所有受试者统一处理：对所有7名受试者采用统一的8通道索引[0, 1, 4, 6, 9, 13, 14, 15]；统一处理所有受试者的EEG信号（分割、特征提取、疲劳敏感特征筛选）；使用所有受试者的疲劳前和疲劳后特征向量构建统一的ANNS索引；使用所有受试者的统一测试集（总大小2290）作为查询，从ANNS索引中检索前7个最近邻，通过多数投票判断每个测试片段的状态，并计算Top-7最近邻准确率和F1分数。

3.2. 评估指标
为了全面客观地评估所提出方法的有效性，选择了两个核心评估指标：Top-7最近邻准确率和F1分数，其计算方法如下：
Top-7最近邻准确率：正确判断的测试片段数量与总测试片段数量之比，直接反映了方法的整体判断准确性。计算公式为：
(13)
其中是组C中正确判断的测试片段数量，是组C中的总测试片段数量。准确度值越高，该方法的整体判断效果就越好。F1分数：一个综合指标，平衡了精确度和召回率，可以反映该方法对疲劳前和疲劳后状态的判断效果，避免了由于数据不平衡造成的偏差。计算公式为：（14）其中精确度是指正确判断为正样本的数量与所有被判断为正样本的数量之比，召回率是指正确判断为正样本的数量与所有实际正样本的数量之比。F1分数的范围是0到1，越接近1，该方法的综合判断效果越好。

3.3 实验结果与分析
为了确定一个合适的k值，我们进行了广泛的实验。我们的目标是在最小化k值的同时实现尽可能高的top-k准确度，以确保快速的查询速度。以NO10的实验结果为例：top-3最近邻准确度为0.9770，top-5准确度为0.9805，top-7准确度为0.9869，top-9准确度为0.9828，top-11准确度为0.9850。因此，我们在后续实验中选择了这个k值。

3.3.1 结果可视化
为了补充定量结果，我们展示了两个可视化图表。图3显示了降维后与疲劳相关的特征的二维散点图，点根据疲劳前和疲劳后状态进行着色，清晰地显示了类别分离。图4显示了LDA变换特征的直方图[32]，进一步强调了两种条件的不同分布。这些可视化图表证实了所选特征的区分能力，并支持表1和表2中报告的高准确度和F1分数。

图3. 不同受试者疲劳相关特征的散点图。每个点代表一个EEG片段，根据疲劳状态（疲劳前 vs. 疲劳后）进行着色。分布显示了清晰的分离，支持了所选特征的有效性。
图4. LDA变换特征的直方图，显示了疲劳前和疲劳后状态之间的分离。不同的峰值表明线性判别分析能够有效区分这两种状态，这有助于高分类性能。

表1. 单个受试者的实验结果（k = 7）。
表2. 所有受试者的统一实验结果（k = 7）。
这些可视化图表表明，八通道选择结合降维流程能够清晰地分离疲劳前和疲劳后的EEG片段。散点图（图3）显示数据点的紧凑且明显的分组，表明提取的特征有效地表征了与疲劳状态相关的方差。LDA直方图（图4）通过显示每个类别的明显峰值进一步证实了这种分离，强调了线性判别分析步骤的区分能力。这些定性观察结果共同支持了定量结果中报告的高Top-7最近邻准确度和F1分数。

实验结果包括两部分：单个受试者的实验结果和所有受试者的统一实验结果。所有结果均根据上述实验过程和评估指标计算得出，具体数据分别显示在表1（单个受试者结果）和表2（所有受试者统一结果）中。

3.3.2 单个受试者结果分析
从表1可以看出，所提出的方法在单个受试者测试中实现了高判断准确度，具体分析如下：
准确度表现：每个单个受试者的Top-7最近邻准确度范围从0.7917到0.9885。其中，受试者NO10的准确度（0.9885）和F1分数（0.9895）最高，表明该方法对该受试者的EEG数据有出色的判断效果；受试者NO18的准确度（0.7917）和F1分数（0.7917）最低，但仍然接近80%，这是可以接受的。7个受试者的平均Top-7最近邻准确度约为0.9006，平均F1分数约为0.9012，充分表明该方法在单个受试者场景中具有高判断准确度。
通道选择影响：每个受试者采用了不同的8通道索引，这些索引是根据每个通道的特征区分能力来选择的。大多数受试者（NO10、NO8、NO12）的高准确度表明，所选的8个通道能够有效捕捉到与疲劳相关的特征变化，第3节中设计的特征提取和筛选方案能够有效识别出对疲劳敏感的特征，为高准确度判断奠定了基础。
F1分数分析：每个受试者的F1分数与Top-7最近邻准确度基本一致，差异小于0.01，表明该方法对疲劳前和疲劳后状态的判断效果平衡，且没有明显的偏差是由不平衡的测试集数据引起的。

3.3.3 所有受试者统一结果分析
从表2可以看出，所有受试者统一处理的Top-7最近邻准确度为0.7476，F1分数为0.7472，低于单个受试者处理的平均准确度。主要原因如下：
个体差异：不同受试者的EEG信号存在明显的个体差异。不同受试者的脑电活动模式和与疲劳相关的特征变化不同。统一的8通道索引和特征筛选方案无法完全适应所有受试者的个体特征，导致判断准确度下降。
数据规模影响：统一测试集的大小为2290，远大于单个受试者的测试集大小。数据规模的增加增加了k最近邻检索和判断的难度，同时也放大了个体差异的影响，导致整体准确度下降。
与标准SVM（0.695）和随机森林（0.712）分类器相比，我们的方法在所有受试者统一处理下实现了0.7476的准确度。这个结果是可接受的，并证明了该方法的泛化能力。由于样本量小且通过Shapiro–Wilk正态性检验验证了非正态分布，因此使用Wilcoxon符号秩检验对不同模型进行了统计比较。如果根据个体差异优化通道选择和特征筛选方案，该方法的泛化能力可以进一步提高。

3.3.4 混淆矩阵分析
混淆矩阵对于量化基于EEG的疲劳判断流程的性能至关重要；本节总结了单个受试者和所有受试者实验的关键结果。对于单个受试者测试，所提出的方法在所有七个受试者中都取得了优异的性能：NO10（混淆矩阵）、NO11（混淆矩阵）、NO12（混淆矩阵，无假阳性）、NO16（混淆矩阵）、NO18（混淆矩阵）和NO6（混淆矩阵）。所有受试者的准确度都保持在80%以上，有几个甚至达到了近乎完美的分类。对于所有受试者的实验，混淆矩阵显示了可靠的泛化能力。这些结果证实了所提出的方法能够有效捕捉与疲劳相关的神经活动，误分类率低，其性能对个体EEG差异具有鲁棒性。

3.3.5 ROC曲线分析
图5展示了来自受试者NO10、NO11和NO12的三个代表性ROC曲线。对于受试者NO10，ROC曲线非常接近图表的左上角，AUC为0.98，反映了近乎完美的分类性能。对于受试者NO12，曲线也保持了0.95的高AUC，显示出疲劳状态和非疲劳状态之间的强烈分离。即使对于AUC略低的受试者NO11，曲线也显著高于对角线的随机猜测线，证实了模型保持了强大的区分能力。

图5. 三个典型受试者的ROC曲线。这三个例子代表了数据集中所有受试者的性能。其余受试者的AUC值同样高，ROC曲线表现良好，因此为了简洁起见在这里不再展示。总体而言，ROC结果表明所提出的方法在各个个体中一致地实现了高分类性能，AUC值远高于随机水平，证实了其在基于EEG的疲劳检测中的有效性。

3.3.6 整体效果评估
总体而言，实验结果表明，基于ANNS和k = 7最近邻检索的EEG疲劳判断方法具有以下优势：
高单个受试者判断准确度：7个受试者的平均Top-7最近邻准确度达到约90%，F1分数接近90%，通过检索k个最近邻并采用多数投票可以有效判断单个受试者的疲劳状态。
简单易操作：实验不需要复杂的设备或大量的标记数据；特征提取和k最近邻检索过程简单，可以使用常见的Python库轻松实现，适用于实际应用场景。
一定的泛化能力：尽管所有受试者统一处理的准确度低于单个受试者处理的准确度，但仍达到74.76%，表明该方法在一定程度上可以适应不同的受试者，并有进一步优化的潜力。
此外，单个EEG片段的平均检索时间仅为1.8毫秒，满足了疲劳判断的实时要求。实验操作简单，数据收集和处理不复杂，结果可靠，完全符合“易于实施”的要求。

4. 讨论
第4节的结果表明，基于ANNS的EEG疲劳判断方法在32维潜在空间中清晰地分离了疲劳前和疲劳后状态。疲劳前表现出更高的beta活动和更低的alpha活动，而疲劳后则表现出beta活动减少和theta/delta活动增加，导致特征簇的紧凑性与分散性。高最近邻准确度（高达0.9885）证实了这种分离。统计分析（p < 0.001）进一步验证了观察到的频谱差异不是由随机变化引起的，强调了所选特征用于疲劳区分的可靠性。这些发现支持了疲劳会诱导出独特频谱特征的假设，这些特征可以通过一小部分对疲劳敏感的特征来捕捉。

4.1 基于距离的疲劳分级
簇间距离提供了一个连续的疲劳指标：测试向量与疲劳前簇之间的欧几里得距离（）随着疲劳水平的增加而单调增加。它可以在k-NN检索过程中计算得出：
（15）
特定于受试者的阈值（基线，疲劳）使得多级分级成为可能。实际上，每个受试者的简短校准会细化这些阈值，提高对会话间变异性的鲁棒性。的连续性还允许构建随时间变化的疲劳轨迹，可以可视化以监测长时间任务中的疲劳进展。值得注意的是，我们当前特征选择方案中采用的基于距离的疲劳标准提供了强大的计算效率和可解释性，这对于实时疲劳检测要求非常有益。然而，我们认识到这种简单的方法可能无法完全捕捉到复杂的特征依赖性，如非线性关系或特征间的相关性。在未来的工作中，我们计划探索更强大的特征选择策略，包括统计假设检验、互信息分析和递归特征消除，以更好地表征EEG特征内的复杂依赖性，并进一步提高分类准确性和可靠性。

4.2 实际预警值
通过设置一个预警阈值（例如，的70–80%），当超过该阈值时，系统可以发出实时警报。检索时间（1.8毫秒）满足实时要求，低误报率使得该方法适用于驾驶、工业或长时间的精神任务[33]。该框架可以与可穿戴设备（例如头带或耳戴式传感器）集成，以在现实环境中提供连续、不显眼的监测。此外，警报逻辑可以与其他生理信号（如心率变化）结合使用，以在噪声条件下增强鲁棒性。

4.3 局限性和未来工作
当前的局限性包括由于个体差异导致的所有受试者准确度降低（0.7476）、缺乏系统的疲劳等级尺度以及对环境噪声的敏感性。当前的数据集还包含的受试者和记录会话数量有限，这可能会影响泛化能力。未来的工作将探索自适应的通道/特征选择、个性化阈值和强大的降噪技术。在未来的工作中，我们将扩大受试者池并分析跨受试者的变异性，以进一步提高跨受试者的准确度。我们还计划研究基于深度学习的特征提取，在更大、更多样化的队列上评估该方法，并开发一个可以在不同实验室之间采用的标准化疲劳分级协议。
总体而言，所提出的基于ANNS的疲劳监测框架为安全关键领域的实时疲劳管理提供了一个有前景的解决方案。通过利用高效的最近邻搜索和可解释的距离度量，它在准确性和计算效率之间取得了平衡，为在便携式EEG设备中的部署铺平了道路。结论
在本研究中，我们提出了一种基于人工神经网络（ANNS）的脑电图（EEG）疲劳检测框架，该框架利用了疲劳前与疲劳后特征分布在紧凑的32维潜在空间中的显著差异。通过选择一组有限的疲劳敏感通道、提取简洁的频谱描述符，并通过ANNS对其进行索引，该系统能够在无需大量训练数据的情况下实现快速、高效的分类。在对7名受试者进行的实验中，使用16通道记录的数据，针对每个受试者的模型平均准确率达到90%，跨受试者的准确率为74.8%。这些结果证明了我们方法在个体特定疲劳监测方面的良好性能。该方法所需的预处理步骤最少，计算成本较低，可以方便地部署在便携式EEG平台上，用于连续、实时的疲劳监测。总体而言，所提出的基于ANNS的框架为安全关键领域的实时疲劳管理提供了一种实用、高效的解决方案，为可穿戴EEG系统的广泛应用奠定了基础。