基于EEG的疲劳检测框架：整合可解释特征选择与高效时序建模

《Frontiers in Neuroscience》：An EEG-based fatigue detection framework integrating interpretable feature selection and efficient temporal modeling

　　

引言：疲劳是导致操作失误、交通事故和心理障碍的关键因素。当前疲劳检测的一个主要挑战在于难以清晰识别大脑中与疲劳相关的神经通道，这阻碍了从高维脑电图（EEG）信号中准确提取有效特征。方法：本研究提出了AXELLSTM疲劳检测框架，这是一种基于EEG的跨被试疲劳检测框架，整合了可解释特征选择与高效时序建模。具体而言，采用嵌套留一被试（LOSO）验证策略来评估跨被试泛化能力并减少特征和通道选择过程中潜在的数据泄漏。在每个LOSO折中，首先使用ANOVA和XGBoost识别有区分力的疲劳相关特征，随后采用L1正则化稀疏选择模型估计通道重要性。此外，研究人员设计了一个EfficientLSTM模型，通过整合特征压缩模块、双向长短期记忆网络、通道注意力和时序注意力机制来捕获序列级EEG时序表征。结果：结果显示，包括均值、均方根、过零率、伽马功率、贝塔功率、标准差、方差和峰峰值在内的8个特征在所有LOSO折中均被一致选择。此外，包括F8、AF8、TP8、F2、Fp1、F4、FT10、F6、Fz、P7、FT9、O1、C5、FT8、CP4、F3、FC6和P3在内的18个EEG通道被稳定保留，表明疲劳相关的EEG信息分布在前额、额极、额颞、顶叶和枕叶区域。在LOSO协议下，EfficientLSTM达到了0.7454 ± 0.2147的准确率、0.7436 ± 0.2139的平衡准确率和0.7143 ± 0.2452的宏F1，参数量为0.1959 M，模型大小为0.7474 MB，FLOPs为3.7069 M。与基线模型相比，EfficientLSTM获得了最高的平均宏F1，并在跨被试识别性能、模型复杂度和时序建模能力之间展现了良好的平衡。讨论：这些发现表明，提出的AXELLSTM框架为基于EEG的疲劳检测提供了一种可解释且计算高效的解决方案，并为便携式疲劳监测系统的开发提供了潜在支持。

**论文解读文章**

**研究背景与问题**
疲劳作为一种复杂的多维心理生理状态，被认为是导致操作失误、交通事故和心理障碍的关键因素。传统的疲劳评估方法主要依赖主观自评量表，易受个体差异、回忆偏差和主观意愿影响，信效度受限。非生理信号如面部表情和语音虽可用于疲劳检测，但易受有意控制而缺乏可靠性。相比之下，生理信号测量技术，尤其是脑电图（EEG）能够直接记录中枢神经系统电活动，具有高时间分辨率，可捕捉疲劳发展过程中脑功能的动态变化，因此成为更直接、可解释的疲劳检测模态。然而，现有研究多采用固定通道配置的高密度EEG采集范式，未能充分考虑个体间神经反应差异，导致冗余数据增加计算负担，且可能引入与疲劳无关的噪声，降低模型判别性能。因此，亟需从高维EEG数据中提取真正与疲劳状态强相关的特征，并设计有效的通道选择策略，识别最小但最具判别力的电极子集，以提升计算效率和模型鲁棒性，为开发轻量化、可穿戴的疲劳监测系统奠定基础。

**研究内容与结论**
为此，本研究提出AXELLSTM框架，一种基于EEG的跨被试疲劳检测框架，整合可解释特征选择与高效时序建模。该框架采用嵌套留一被试（LOSO）交叉验证策略，避免数据泄漏。在特征选择阶段，通过ANOVA和XGBoost逐步筛选出8个稳定选择的关键特征（均值、均方根、过零率、伽马功率、贝塔功率、标准差、方差和峰峰值），并利用L1正则化稀疏选择模型估计通道重要性，最终在16个LOSO折中一致保留18个EEG通道（F8、AF8、TP8等），分布在前额、额极、额颞、顶叶和枕叶区域。在此基础上，研究人员设计了EfficientLSTM模型，整合特征压缩模块、双向长短期记忆网络（BiLSTM）、通道注意力和时序注意力机制，以捕获序列级EEG时序表征。在优化后的特征矩阵C（8×18×6,872）上，EfficientLSTM在LOSO协议下达到0.7454±0.2147的准确率、0.7436±0.2139的平衡准确率和0.7143±0.2452的宏F1，参数量仅0.1959 M，模型大小0.7474 MB，FLOPs为3.7069 M。与基线模型（如GRU、XGBoost、TF_Transformer、1D-CNN、LSTM、BiLSTM等）相比，EfficientLSTM获得了最高的平均宏F1，并在跨被试识别性能、模型复杂度和时序建模能力之间展现了良好平衡。该研究具有重要意义：验证了渐进式特征与通道选择策略能有效降低冗余信息并提升分类性能，同时为开发便携式、可解释的EEG疲劳监测系统提供了新方法。论文发表在《Frontiers in Neuroscience》。

**主要关键技术方法**
研究人员采用嵌套留一被试（LOSO）交叉验证策略（16名参与者来自重庆交通大学和重庆医科大学），以评估跨被试泛化能力并减少数据泄漏。主要关键技术包括：（1）基于ANOVA的统计显著性筛选，保留p<0.05的特征；（2）基于XGBoost的内层交叉验证评估特征独立判别能力，保留平均准确率>0.60的特征；（3）基于L1正则化逻辑回归的稀疏通道选择模型，计算复合通道重要性评分（融合平均绝对系数幅值与支持比），以筛选稳定保留的18个通道；（4）EfficientLSTM模型，由特征压缩模块（FCM）、双向LSTM（BiLSTM）、通道注意力（CA）和时序注意力（TA）组成，用于捕获序列级EEG时序表征并分类三态疲劳（警觉、中间、疲劳）。

**研究结果**
**4.1 评估指标**：采用准确率、平衡准确率和宏F1作为分类性能指标，同时报告参数量、模型大小和FLOPs评估计算效率。

**4.2 实现细节**：实验在Ubuntu 22.04系统、NVIDIA RTX 4090 GPU上进行，使用Python 3.12和PyTorch 2.3.0。

**4.3 疲劳诱导的行为与主观验证**：通过配对t检验和Wilcoxon符号秩检验发现，疲劳诱导后主观疲劳评分显著升高（从3.69±1.89升至6.75±0.86，p=2.02×10^-4），PVT总反应时显著延长（从7896.81±2685.67 ms升至9339.56±2738.01 ms，p=1.79×10^-6），所有16名被试反应时均增加，验证了疲劳诱导范式的有效性，支持将PVT1、MID、PVT2分别定义为警觉、中间和疲劳状态。

**4.4 通道选择实验结果**：通过嵌套LOSO框架，总结16个外折中每个特征的选择频率。结果显示，8个特征（均值、均方根、过零率、伽马功率、贝塔功率、标准差、方差和峰峰值）在所有折中均被一致选择，其中均值、均方根和过零率具有极小的中位ANOVA p值和较高的XGBoost内层CV准确率。基于L1正则化模型计算的复合通道重要性评分显示，18个EEG通道（F8、AF8、TP8等）在所有LOSO折中稳定保留，其中F8具有最高平均重要性评分，疲劳相关EEG信息分布在前额、额极、额颞、顶叶和枕叶区域。

**4.5 EfficientLSTM的实验比较结果**：在特征矩阵A（19×62×6,872）、B（8×62×6,872）和C（8×18×6,872）上，EfficientLSTM与10种基线模型（GRU、XGBoost、TF_Transformer、1D-CNN、KNN、SVM、LSTM、LR、MLP、BiLSTM）比较。在最优矩阵C上，EfficientLSTM获得最高平均准确率（0.7454±0.2147）和宏F1（0.7143±0.2452），且参数量（0.1959 M）、模型大小（0.7474 MB）和FLOPs（3.7069 M）低于BiLSTM（0.2072 M、0.7905 MB、4.1173 M），表明良好平衡。

**4.6 LOSO协议下的成对统计显著性分析**：通过Wilcoxon符号秩检验（Holm-Bonferroni校正）比较EfficientLSTM与基线模型的每被试LOSO宏F1。EfficientLSTM在所有基线模型上均获得正平均差异，其中与KNN的差异显著（校正p=3.05×10^-4），但与其他高性能模型差异未达统计显著，可能由于跨被试变异性大。

**4.7 计算效率-性能权衡与敏感性分析**：以XGBoost为计算基线（FLOPs=0.0036 M），EfficientLSTM的FLOPs为3.7069 M（相对1029.69倍），但准确率提升0.0486，宏F1提升0.0696，表明在识别性能与计算成本间实现有利权衡。

**4.8 EfficientLSTM的消融研究结果**：通过调整隐藏单元数、dropout率、学习率和压缩比，发现64隐藏单元、dropout=0.3、学习率=0.001、压缩比=2时性能最优（准确率0.7454±0.2147，宏F1 0.7143±0.2452）。

**4.9 EfficientLSTM的组件消融研究**：在特征矩阵C上，逐步移除或添加FCM、BiLSTM、CA、TA模块。完整EfficientLSTM（FCM+BiLSTM+CA+TA）获得最佳性能，优于LSTM（宏F1从0.6878提升至0.7143），且参数量和FLOPs低于BiLSTM，表明各组件整合而非简单堆叠实现性能提升。

**4.10 基于SHAP的可解释性分析**：SHAP分析显示，通道贡献度排序中C5、F2、F3、O1、Fp1等较高，分布于额叶、额极、中央、顶叶和枕叶，疲劳信息呈分布式。特征类型中过零率最重要，其次为均值、均方根等，表明EfficientLSTM主要依赖信号波动特征及幅度统计与频谱信息。

**讨论与结论**
本文提出AXELLSTM框架，整合可解释特征-通道选择与高效时序建模。通过嵌套LOSO框架，稳定筛选出8个疲劳相关特征和18个EEG通道，证明疲劳信息分布式存在于前额、额极、额颞、顶叶和枕叶区域。EfficientLSTM模型在LOSO协议下获得最高平均宏F1，同时保持较低计算复杂度。研究结论指出：渐进式特征与通道筛选策略能在保留判别信息的同时减少冗余和计算负担；EfficientLSTM比标准BiLSTM实现更优的平均识别性能且参数更少；AXELLSTM为跨被试EEG疲劳识别提供了竞争性且计算高效的解决方案，并为便携式疲劳监测系统开发提供了潜在支持。