[论文解读] Hearables: Ear EEG Based Driver Fatigue Detection

Metin Yarıcı, Pierluigi Vito Amadori+5 more|arXiv (Cornell University)|Jan 16, 2023

Sleep and Work-Related FatiguePsychology被引用 3

一句话总结

本研究证明，通过可穿戴式听筒设备采集的耳部-EEG（ear-EEG）可实现与传统头皮-EEG相当的准确率（70%准确率，MCC 0.4），利用机器学习对delta、theta、alpha和beta频段功率特征进行分析，检测驾驶员精神疲劳。该研究首次提供了实证证据，表明耳部-EEG能够捕捉到与头皮-EEG一致的疲劳相关脑电活动变化，从而实现实时、超可穿戴的疲劳监测。

ABSTRACT

Ear EEG based driver fatigue monitoring systems have the potential to provide a seamless, efficient, and feasibly deployable alternative to existing scalp EEG based systems, which are often cumbersome and impractical. However, the feasibility of detecting the relevant delta, theta, alpha, and beta band EEG activity through the ear EEG is yet to be investigated. Through measurements of scalp and ear EEG on ten subjects during a simulated, monotonous driving experiment, this study provides statistical analysis of characteristic ear EEG changes that are associated with the transition from alert to mentally fatigued states, and subsequent testing of a machine learning based automatic fatigue detection model. Novel numerical evidence is provided to support the feasibility of detection of mental fatigue with ear EEG that is in agreement with widely reported scalp EEG findings. This study paves the way for the development of ultra-wearable and readily deployable hearables based driver fatigue monitoring systems.

研究动机与目标

• 探究使用耳部-EEG作为头皮-EEG的更不具侵入性的替代方案，检测驾驶员精神疲劳的可行性。
• 比较耳部-EEG在检测与疲劳相关的脑电频段变化方面与传统头皮-EEG的性能表现。
• 开发并评估一种仅基于耳部-EEG中具有生理意义的脑电特征的机器学习模型，用于自动疲劳分类。

提出的方法

• 在十名受试者佩戴耳部-EEG与头皮-EEG传感器的情况下，开展模拟单调驾驶任务。
• 每通道提取十四项脑电特征：delta、theta、alpha和beta频段的平均功率与峰值频率（因肌电噪声影响，排除beta频段）。
• 采用梯度提升的XGBoost分类器，并通过五折交叉验证评估疲劳检测性能。
• 使用准确率和Matthews相关系数（MCC）评估模型性能，MCC在平衡二分类任务中更具优势。
• 分析特征重要性，识别对疲劳预测贡献最大的脑电特征。
• 将单通道耳部-EEG的性能与标准头皮-EEG导联（Fz、Cz、POz）进行对比，作为模型基准。

实验结果

研究问题

• RQ1 在单调驾驶过程中，耳部-EEG能否检测到与头皮-EEG相同的疲劳相关脑电频段变化（delta、theta、alpha）？
• RQ2 基于耳部-EEG训练的机器学习模型在疲劳分类方面的性能，与基于头皮-EEG训练的模型相比如何？
• RQ3 在耳部-EEG中，哪些脑电特征（平均功率 vs. 峰值频率）对疲劳检测最具信息量？
• RQ4 耳部-EEG信号是否足够稳健且能代表脑活动，以支持实时疲劳监测？
• RQ5 单侧耳部-EEG导联能否实现与标准头皮-EEG导联相当的疲劳检测性能？

主要发现

• 耳部-EEG实现了70%的疲劳分类准确率和MCC 0.4，与三通道头皮-EEG设置（74%准确率，MCC 0.48）相当。
• 耳部-EEG模型中表现最佳的特征为各频段的平均功率特征，表明功率水平比峰值频率对疲劳检测更具信息量。
• 特征重要性分析显示，多个平均功率特征对预测有显著贡献，表明耳部-EEG信号蕴含丰富的信息内容。
• 单侧耳部-EEG的性能与标准头皮-EEG导联相当：Fz（69%准确率，MCC 0.39）、Cz（68%准确率，MCC 0.68）、POz（70%准确率，MCC 0.4）。
• 本研究提供了新颖的数值证据，表明耳部-EEG能够反映与头皮-EEG相同的脑电关键变化——特别是与精神疲劳相关的theta和alpha功率增加。
• 该模型在10秒测量窗口内表现出实时可行性，支持在实际连续监测系统中的部署。