基于心率变异性（HRV）的驾驶警觉状态分类：一项受控睡眠剥夺方案下的初步研究

《Sensors》：Tracking Vigilance While Driving: Pilot Study of Heart Rate Variability Classification Under a Controlled Sleep-Deprivation Protocol

　　

与嗜睡相关的警觉性下降是机动车碰撞的主要原因，但由于行为和环境混杂因素，其生理特征描述和检测仍然困难。本研究提出了一种原创实验框架，结合了高度受控的睡眠剥夺方案、重复驾驶模拟以及基于机器学习的心率变异性（HRV）分析，用于研究长时间清醒期间驾驶时警觉性的生理和行为变化。12名健康年轻成年人参与了一项30小时睡眠剥夺恒定常规方案，该方案每两小时包含一次驾驶模拟，并收集了心电图（ECG）、主观嗜睡评分、精神运动警觉性测试和驾驶表现数据。所收集的数据被分为两个清晰可辨的警觉状态，即方案中首次和末次驾驶会话对应的“休息”和“疲劳”状态。从ECG记录中提取心率变异性（HRV）特征，进行统计分析，并使用参与者独立验证的方式输入监督式机器学习分类器，以评估其区分两种实验定义警觉状态的能力。基于在疲劳状态下与休息状态相比观察到的嗜睡评分和精神运动表现的显著改变，验证了状态分离的准确性。驾驶行为的变异性（驾驶能力受损的一个指标）从休息状态到疲劳状态显著增加。多项HRV特征揭示了休息状态与疲劳状态之间的显著差异，观察到若干指标的效应量从中等到大不等。参与者独立的机器学习分析，即留一法交叉验证（LOSO-CV），表明HRV指标能够可靠地区分警觉状态，所有评估的分类器的平均准确率均超过85%。这项初步研究表明，所提出的实验框架通过减少主要的行为和环境混杂因素，能够在生理和行为层面产生两种不同的警觉状态，从而实现对实验数据的可靠分离，而无需依赖任何额外的基本事实。该框架分离出的状态能够检测到驾驶性能的下降，并为警觉性分类高效地标记HRV数据。尽管如此，这些发现应在针对一小批健康年轻成年人进行的初步研究的背景下进行解读。

研究背景与现存问题

嗜睡导致的警觉性下降是全球机动车碰撞的主要原因之一。尽管疲劳驾驶的危害已被广泛认识，但其准确的量化仍面临挑战，因为事故数据库中常存在漏报。疲劳会损害认知功能、降低精神运动警觉性、延长反应时间并增加失误概率。急性睡眠剥夺和累积睡眠债对表现和事故风险均有负面影响，尤其常见于轮班工作者。

在此背景下，实时检测驾驶嗜睡至关重要，而生理信号提供了一种监测警觉性变化的直接途径。具体而言，心率（HR）、心率变异性（HRV）和呼吸活动的变化反映了自主神经系统（ANS）平衡的转变。现有检测方法主要分为分析技术和机器学习方法，但存在一些未完全解决的问题，特别是关于基本事实标签设定和受试者条件控制方面。

实验设计和基本事实的定义是主要的方法学挑战。以往研究中，嗜睡的诱导方式多样（如睡眠剥夺、昼夜节律操纵、长时间单调驾驶），基本事实标签也各不相同（如主观量表KSS、精神运动警觉任务PVT、脑电图EEG定义的入睡点、行为观察量表等）。这些差异使得不同研究间的生理学发现难以直接比较。此外，实验室环境和情境因素引入的变异性限制了纯粹生理效应的分离。虽然恒定常规方案（constant routine protocol）作为一种时间生物学中的参考方案，能通过严格控制外部因素来隔离内源性昼夜节律，但其在驾驶员嗜睡分类中的应用尚不充分。因此，尚无研究将受控的睡眠剥夺方案、驾驶模拟和机器学习分类清晰地结合起来。本研究旨在填补这一空白。

研究目的与结论

本研究的实验框架有两个目标：一是通过减少主要行为和环境影响来改善对警觉性相关生理变化的表征；二是提供一个直接的框架，用于在高度受控的睡眠剥夺条件下将实验数据预定义为“休息”（Rested）和“疲劳”（Tired）状态，从而促进对警觉性下降相关生理和行为变化的研究。本研究的机器学习目标是分类实验定义的警觉状态。

研究得出的主要结论包括：

1. 1.
   该集成框架能够在机器学习环境中，独立于KSS、VAS和PVT等测量手段，准确地将实验数据分类为预定义的休息和疲劳状态。
2. 2.
   利用该框架分离驾驶数据，与驾驶性能的可测量差异相关，并能检测到性能下降。
3. 3.
   根据该框架结构化的HRV特征，使机器学习模型能够对与两种不同觉醒水平和睡眠压力水平相关的驾驶警觉状态进行分类。

主要关键技术方法

1. 1.
   实验方案：采用高度受控的30小时恒定常规（constant routine）睡眠剥夺方案。12名健康年轻成年参与者（5女7男，平均年龄24.8±3.3岁）在进入实验室前进行一周的家庭作息稳定化。实验室环境严格控制光照（≤10 lux）、室温（23.5±2.0°C）、姿势（坐位）、饮食（每小时等热量零食）和活动。
2. 2.
   数据采集：每两小时进行一次30分钟固定基座高保真驾驶模拟，同时采集多导睡眠图（PSG），包括心电图（ECG，512Hz）。同步收集主观嗜睡评分（Karolinska嗜睡量表KSS、视觉模拟量表VAS）、精神运动警觉任务（PVT）和驾驶性能参数（车道偏离、车速、方向盘转角）。
3. 3.
   数据处理与特征提取：选取首次（休息状态）和末次（疲劳状态）驾驶模拟的ECG数据进行分析。将每次驾驶模拟的30分钟ECG信号分割为51个300秒（5分钟）的片段，步长30秒。使用改进的Pan-Tompkins算法检测R峰，计算RR间期，并进行异常值剔除。从有效正常窦性心搏间期（NN间期）中计算27个HRV特征（包括时域、频域和非线性域）。
4. 4.
   数据分析与分类：使用配对Wilcoxon符号秩检验进行统计比较，效应量用Cohen's d_z衡量。采用留一法交叉验证（LOSO-CV）训练四个分类模型：AdaBoost（AB）、k近邻（KNN）、随机森林（RF）和支持向量机（SVM）。特征选择使用最小冗余最大相关性（MRMR）算法。预处理包括对称对数变换、反双曲正弦缩放和受试者级z-score标准化。

研究结果

3.1 状态分离由主观评分和精神运动表现验证

通过对12名受试者的KSS、VAS和PVT数据进行配对比较，疲劳状态相较于休息状态显示出更高的KSS评分、更低的VAS评分和更长的反应时间。所有差异均具有统计学显著性，且效应量大。疲劳状态下的标准差和范围也更大。

3.2 状态分离由驾驶行为验证

通过对12名受试者的车道位置、车速和方向盘转角的标准差进行配对比较，疲劳状态在所有三个变量上的变异性均显著高于休息状态，且效应量大。

3.3 状态分离由HRV验证

对所有27个HRV特征的配对比较显示，从休息状态到疲劳状态，HRV变量平均变化15%。41%的特征变化显著，48%的特征具有中到大效应量。时域特征的表现优于频域和非线性特征。数据围绕均值的高度离散（变异系数CV>0.4）在疲劳状态下有所减小。

3.4 使用机器学习的状态检测

在LOSO-CV框架下，所有四个分类器均实现了高分类性能。AdaBoost表现最佳，平均准确率91.26%，敏感性89.22%，特异性90.66%，精确率93.55%，F1分数90.77%。随机森林紧随其后，准确率90.28%，精确率94.50%。所有分类器的敏感性和特异性保持良好平衡。受试者层面的准确率进一步证实了模型的泛化能力。特征子集分析表明，时域HRV特征子集（平均准确率90.28%）的分类性能优于全特征集（85.21%）、MRMR选择的Top09子集（86.27%）、非线性域（83.66%）和频域（75.08%）。

讨论总结

本研究成功整合了高度受控的睡眠剥夺方案、驾驶模拟和机器学习分类。通过将数据分配至实验定义的休息和疲劳状态，并验证了其在主观、精神运动和驾驶行为上的显著差异，证明该方案成功诱发了两种不同的警觉状态。研究发现，多个HRV特征在两种状态间存在显著差异，但并非均匀分布，且存在显著的个体间变异性。这解释了以往研究结果不一致的部分原因，可能与方法学差异和未控制的混杂因素有关。

机器学习分析表明，HRV指标，尤其是时域特征，能有效捕捉两种状态间的生理变化，实现了可靠的参与者独立分类。这是首个将上述三要素整合进单一实验框架的研究。研究承认了样本量小、未纳入连续警觉性演变、未考虑呼吸等其他生理信号、以及驾驶模拟环境与现实驾驶的差距等局限性。未来研究需在更大样本人群中验证，并探索更先进的建模方法和实时嵌入式系统的应用。

研究结论翻译

在这项初步研究中，研究人员提供了初步证据，表明将标准化方案、驾驶模拟和机器学习相结合，为研究长时间清醒期间警觉性的变化提供了一个有用的框架。通过最小化主要的行为和环境混杂因素，研究人员发现，在长时间清醒方案中实验定义的休息和疲劳状态与多个HRV特征的显著变化、以及主观警觉性、精神运动表现和驾驶表现的显著下降相关联。尽管并非所有HRV特征对状态分离的贡献相同，但在LOSO-CV验证下，使用时域HRV特征获得了对实验定义的休息和疲劳状态的可靠参与者独立分类。这一结果凸显了使用受控实验方案和多变量HRV分析来研究与警觉性相关的生理变化的可行性。总体而言，这项工作支持了面向道路安全应用的无创、基于生理学的警觉性监测系统的开发。未来的研究需要在更大、更多样化的人群中进行，以评估所呈现发现的普遍性。