| Issue |
JNWPU
Volume 43, Number 2, April 2025
|
|
|---|---|---|
| Page(s) | 357 - 367 | |
| DOI | https://doi.org/10.1051/jnwpu/20254320357 | |
| Published online | 04 June 2025 | |
The efficacy of transcranial direct current stimulation effect on vigilance decrement predicted by a fuzzy logic model
经颅直流电刺激技术干预警觉度下降效应的警觉度量化方法
1
School of Electronics and Information, Northwestern Polytechnical University, Xi'an 710072, China
2
School of Life Sciences, Northwestern Polytechnical University, Xi'an 710072, China
3
Institute of Medical Research, Northwestern Polytechnical University, Xi'an 710072, China
Received:
23
March
2024
Vigilance quantification and fatigue modulation are concerned. However, previous vigilance quantification methods often face limitations in label subjectivity and interpretability when monitoring prolonged task performance. To address these challenges, we established a novel three-layer fuzzy logic framework to explore the feasibility of utilizing the three types of EEG features (amplitudes and latencies of ERPs, power ratio) to predict the vigilance decrement, and to determine a clear mapping relationship for vigilance quantification. Using objective time-on-task behavioral performance, we achieved the classification between vigilance, moderate vigilance, and fatigue, as well as the assessment of intervention effect of transcranial direct current stimulation technology (tDCS) on the vigilance decrement. The results demonstrate that we achieved an average classification accuracy (90.91%) between vigilance, moderate vigilance, and fatigue states, and the tDCS can remediate the vigilance decrement effect to a certain extent.
摘要
准确量化和监测人员在执行长时间任务后的低警觉状态, 并及时进行调控干预, 是目前的研究热点之一。针对当前警觉度监测及警觉度量化方法研究中选取分类标签的主观性强、现有基于深度学习的分类模型可解释性不佳等问题, 提出了一种基于3层模糊逻辑的警觉度量化方法。通过对多个与警觉度下降相关的脑电特征的合并推理, 确定出明确的警觉度量化映射关系, 以长时间任务诱发的客观行为表现作为标签, 实现高警觉、中等警觉、疲劳的三分类, 并评估经颅直流电刺激技术对于警觉度下降效应的干预效果。实验结果证明基于三层模糊逻辑的警觉度量化方法的平均准确度达到90.9%, 在明确了警觉度量化的映射关系的基础上, 验证了经颅直流电刺激在一定程度上能够减弱警觉度下降效应。
Key words: transcranial direct current stimulation (tDCS) / vigilance / vigilance decrement / fuzzy logic / EEG
关键字 : 经颅直流电刺激 / 警觉度 / 警觉度下降 / 模糊逻辑 / 脑电
© 2025 Journal of Northwestern Polytechnical University. All rights reserved.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
警觉度(vigilance), 是指对具有重复、非唤醒性质的刺激进行自我导向式清醒加工处理并维持的能力, 人员的警觉度会随任务时间的增加发生变化, 例如反应时间变慢、正确率降低等, 即警觉度下降效应(vigilance decrement)。如何准确量化并监测到人员在执行长时间任务后的低警觉状态, 及时调控干预其低警觉状态, 是目前的研究热点之一。
近些年来, 基于脑电(electroencephalogram, EEG)信号的警觉度量化和分类方法受到广泛关注, 通过不同的脑电解码算法提取出鲁棒特征用于分类或回归以得到警觉度水平, 具有实时性高、可靠性强的优点。Jap等[1]对模拟驾驶任务中采集的脑电信号进行解码, 发现(α+θ)/β功率比值能够更好地反映出警觉程度, 范晓丽等[2]也验证了功率比值能够用于衡量脑力疲劳。Wang等[3]揭示了任务所需注意资源增加的重要生理证据, 即大脑枕叶区域的血流动力学活动与肌肉收缩的显著相关关系。Hadra等[4]发现脑电信号中的近似熵能够用于判别警觉状态。Li等[5]运用自适应图学习网络成功地证明了左右手指的顺逆时针、正逆向运动与警觉性注意有关。Guo等[6]提出了基于支持向量机与粒子群优化的驾驶员警觉水平分类方法。Chen等[7]利用时频域融合脑电特征来评估警觉度状态。然而, 目前的警觉度监测研究中, 其真实分类标签主要依据待监测人员的主观问卷量表评价信息或行为表现反应时间的阈值, 不能很好地反映随任务时间增加而表现出的警觉度下降; 且现有分类模型仅进行对警觉状态进行二分类判断, 仍缺乏对警觉状态进行等级划分的研究; 现有的基于深度学习的警觉度分类模型可解释性不佳。
精准的警觉度分类和量化模型是实现警觉状态调控的前提, 而基于此的调控干预技术, 是对抗甚至消除低警觉度状态的一种可能途径。随着神经刺激技术易用性的提高, 经颅直流电刺激(transcranial direct current stimulation, tDCS)技术的出现为实现不同极性电极在头骨外对不同大脑区域内含的神经组织兴奋性进行调节成为可能[8]。该技术具备更平价、更易操作、无明显副作用的优点, 成为一种倍受关注的能够用于研究大脑神经可塑性和认知功能的技术手段[9]。Mcintire等[10]将阳极tDCS以2 mA施加至额叶前皮层30 min, 以补救睡眠剥夺的影响, 结果发现与咖啡因相比, 该干预手段能够有效改善受试者的疲倦状态。Linnhoff等[11]在左侧背外侧前额叶上施加阳极tDCS成功抵消了疲劳性。但是仍需明确地量化tDCS技术干预警觉度下降效应的效果。
针对上述警觉度量化研究中选取分类标签的主观性强、现有基于深度学习的分类模型可解释性不佳等问题, 本文提出了一种基于3层模糊逻辑的警觉度量化方法: 通过对多个与警觉度下降效应相关的电生理特征输入(比如事件相关电位P300、N200的幅值和潜伏期、功率比值)的模糊化、模糊规则、解模糊化等在内的合并推理, 确定出明确的警觉度量化映射关系; 将长时间任务诱发的客观行为表现作为标签, 实现高警觉、中等警觉、疲劳的三分类。该方法能够明确警觉度量化的映射关系, 具有很强的可解释性, 亦可用于评估经颅直流电刺激技术对于警觉度下降效应的干预效果。
1 基于模糊逻辑的警觉度量化方法
本文的整体方法框图如图 1所示。
模糊逻辑(fuzzy logic)利用设计者积累的经验及推理解决实际问题, 而模糊规则(fuzzy rule)就是依赖于经验或仿真实验设计出的能达到特点效果的一系列规则[12]。不同于经典二值逻辑中以0表示“假”以1表示“真”, 模糊逻辑中的命题不再非真即假, 它可以被认为是“部分的真”或者是“部分的假”, 基于此, 模糊逻辑取消二值之间非此即彼的对立, 用隶属度表示二值间的过渡状态, 将输入空间映射到非两值空间的闭区间过渡状态内。因此可以利用该特点, 实现高警觉、中等警觉、疲劳的三分类。
模糊逻辑从宏观出发, 抓住了人脑思维的模糊性特点, 可以模仿人的综合推断(经验、感觉、理解)来处理常规数学方法难以解决的模糊信息处理问题, 因此可以利用该特点, 利用事件相关电位(event related protential, ERP)和功率谱特征确定出警觉度的映射关系。模糊逻辑不依赖研究对象的数学模型, 只需要人类的经验、知识, 具有鲁棒性和自适应性好的特点, 能够较好地解决警觉脑电信号中的非线性问题。
 |
图1 经颅直流电刺激技术干预警觉度下降效应的警觉度量化方法框图 |
1.1 三层模糊逻辑
本文提出一种基于3层模糊逻辑的警觉度量化模型: 第一层模糊逻辑中, 输入信号为从警觉脑电信号中提取出的P300、N200的幅值和潜伏期, 输出分别得到4类状态(无、低、中、高); 第二层模糊逻辑中, 输入信号为P300、N200的状态, 输出得到ERP特征的4类强度值(无、低、中、高); 第三层模糊逻辑中, 输入信号为ERP的强度值、从警觉脑电信号中提取出的功率比值, 最终输出警觉度的三阶量化值(高警觉、中等警觉、疲劳)。依据各层输入信号的均值、方差等来设计每层的隶属函数。模型的示意图如图 2所示。
在第一层模糊逻辑中，输入信号为从警觉脑电信号中提取出的P300、N200的幅值和潜伏期特征。根据幅值和潜伏期特征的实际值，本文分别定义了幅值的3类状态，包括低幅值(LA)、中幅值(MA)、高幅值(HA)，和潜伏期的3类状态，包括提前(BT)、最佳时间(OT)、推迟(AT)。之后将幅值和潜伏期状态值通过表 1~2所示的模糊规则计算得到N200和P300的状态值。其中输出的P300被划分成4类状态：无P300(NP)、低P300(LP)、中P300(MP)、高P300(HP)；N200被划分成4类状态：无N200(NN)、低N200(LN)、中N200(MN)、高N200(HN)。
在第二层模糊逻辑中, 输入为上一层的P300、N200的状态值。本文定义了ERP的4种状态, 无ERP (NE)、低ERP (LE)、中ERP (ME)和高ERP (HE)。进行如(1)式所示的模糊并运算, 输出得到ERP的信号强度值, 其模糊规则库如表 3所示。
式中，E表示ERP的信号强度值。
最后, 在第三层模糊逻辑中, 根据ERP的信号强度值和从警觉脑电信号中提取出的功率比值来确定警觉度的量化值, 定义为疲劳(LV)、中等警觉(MV)、高警觉(HV)。其中ERP强度值与功率比值P进行如(2)式所示的模糊交运算, 输出得到警觉度的量化值V, 如表 4所示。
式中，E表示ERP的信号强度值；P表示功率比值。
本研究涉及到的模糊化模块和解模糊化模块中均选取常用的三角形隶属函数(triangular)。本研究计算了各层输入信号的最小值、最大值、均值、方差等, 利用其数据分布情况在Matlab的模糊控制工具箱(fuzzy logic)中具体调整每层的隶属函数。在模糊推理部分中, 选用模糊控制中常用的Mamdani推理法[13]来进行推理和决策, 将输入的模糊状态变量集合通过一组模糊规则映射到输出, 这些规则通常用“If-Then”语句表示, 本研究中每层模糊逻辑的模糊规则库如表 1~4所示。另外解模糊模块选取了最大平均值法(middle of maximum, MOM)来获得解模糊后的值。
 |
图2 基于3层模糊逻辑的警觉度量化模型示意图 |
N200状态值的模糊规则库
P300状态值的模糊规则库
ERP强度值的模糊规则库
警觉度量化值的模糊规则库
1.2 警觉脑电数据采集
实验共有11名被试参与, 其中男性9人, 女性2人, 年龄在22~25岁之间, 平均年龄23.28岁。被试均为右利手、身体健康、无脑部外伤史, 裸眼视力或矫正视力正常, 无中枢神经系统异常症状, 无服用精神类药物的情况。所有实验程序均经西北工业大学医学和实验动物伦理委员会批准, 在实验开始前, 所有参与本项实验的被试均提前阅读了书面知情同意书并签名。
实验选用NE公司的Starstim 20通道经颅电刺激系统脑电帽, 支持同步进行tDCS刺激和EEG数据采集。该设备最高采样率500 Hz, 参考电极CMS, 模数转换率24 bit, 使用锂电池供电, 单电池供电时间可达4 h。实验在无噪声干扰的屏蔽室内完成。整个实验过程中, 被试坐在高度合适且离屏幕距离合适的带扶手的椅子上, 被要求注意力集中, 按照范式的提示进行实验。此外, 为了保证数据含有尽可能少的肌电、眼动、眼电等伪迹, 除了必要的按键盘操作外, 被试被要求在数据采集时头部及身体尽量保持不动, 尽可能减少吞咽、咀嚼等动作。
脑电帽符合国际脑电图学及临床神经电生理学会制定的10-20脑电图电极安放法[14]。本研究选择了18个电极(P3、P4、P7、P8、T7、T8、F4、F7、F8、C3、C4、Fp1、Fz、Cz、Pz、O1、Oz、O2)采集被试的EEG数据, 并保证所有电极的阻抗降到10 kΩ以下。
本实验旨在运用tDCS技术干预受试者在实验诱发出的低警觉状态, 并且能够对比评估受试者的警觉状态。因此在2次警觉度下降诱发范式之间实施tDCS刺激, 即仅在警觉度下降诱发范式时同步采集被试的脑电信号, 这种异步实验不涉及到电刺激波形对EEG信号的电磁干扰[15]。在每次范式后要求被试填写自评量表(卡罗林斯卡嗜睡量表KSS和斯坦福嗜睡测试量表SSS[16]), 用于监测其疲劳的主观表现。这2个量表分别由一组描述不同心理生理状态的选项组成, 其中KSS量表的选项分值在1~9分之间, 而SSS量表的选项分值在1~7分之间。本实验的流程如图 3所示。
本研究选择钟表测验(mackworth clock test, MCT)[13, 17]为警觉度下降的诱发范式, 范式的编写基于Matlab的Psychtoolbox平台。首先向被试展示了1个黑色背景上有30个洞状白色圆圈的视觉显示器, 这些圆圈均匀排布在一个半径为20 cm的时钟状圆形的圆周上, 被试需要尽可能地保持注视时钟圆心。实验过程中, 绿色圆圈每一秒跳动1次, 当绿色圆圈跳动到下一个相邻圆圈时, 被视为是一个正常信号, 此时被试无需做任何操作; 当绿色圆圈移动到通常距离的2倍(即跳过一个圆圈)被认为是一个关键信号, 此时需要参与者用手指尽可能快地按键盘上的空格键来响应这个信号。实验持续时间为30 min，多项研究证实[18–19]30 min足够诱发出与任务时间(time-on-task)有关的警觉度下降效应。在正式实验开始前进行5 min的练习, 每圈内关键信号出现次数为3~5次, 30 min绿色圆圈信号可以跳动约60圈, 出现180~300次关键信号。范式显示界面如图 4所示。
 |
图3 经颅直流电刺激干预及警觉脑电数据采集的流程图 |
 |
图4 钟表测验示意图 |
1.3 经颅直流电刺激实验参数
本研究选择被试额叶区的F3导联作为刺激阳极, Fp2导联作为刺激阴极[17], 刺激电极选择直径为20 mm的海绵电极, 设备支持同步进行tDCS刺激以及EEG数据采集, 无需更换脑电帽。
本研究采用了常用的1 mA、20 min的tDCS刺激[19–20]。为了缓解电刺激可能对被试造成的不适, 实验设置电流从0上升至1 mA的时间为15 s, 下降时间相同。为了排除被试因心理暗示因素导致的警觉度变化, 实验引入了假tDCS的对照实验。假tDCS是现有研究中通常采用的单盲实验方式, 目的是通过电流产生的轻微刺激感使被试无法辨别刺激真伪, 进而消除因心理因素导致的“安慰剂”效应对实验结果的影响。本实验设置了1 min时长的假tDCS, 在tDCS开始后的30 s内施加一个15 s时长的电流上升阶段、一个15 s时长的电流下降阶段, 二者衔接进行, 即在电流达到峰值后迅速下降, 同理, 在tDCS结束前30 s内重复上述刺激电流变化[17]。
2 警觉度下降效应的行为表现
考虑到警觉度下降效应与任务时间有关, 本文在时域上划分出6个5 min时长的时间窗。针对不同刺激类型(真、假刺激)和刺激前后的实验条件, 在每个时间窗内对所有被试进行平均, 得到反应时间和正确率随时间变化的曲线如图 5~6所示。所有被试的主观量表评分结果如图 7所示。
单因素重复测量方差分析表明, 第一个5 min时间窗和最后一个5 min时间窗的反应时间之间具有显著的差异(F=20.9, p < 0.001), 并随时间增长呈增长趋势。这说明, 随着时间的增长, 被试的反应速度越来越慢, 这种行为表现变差的现象符合警觉度下降效应的定义。因此, 本文设计的警觉度下降的诱发范式为在被试执行长时间任务后, 即在最后一个5 min时间窗内诱发出了低警觉状态。但是双因素重复测量方差分析表明, 不同刺激类型(真、假刺激)和刺激前后之间的反应时间差异未达到显著水平(F=0.08, p=0.78;F=0.02, p=0.87)。
所有时间窗的平均按键正确率为87.31%。反应准确率随着时间的增长整体呈降低趋势, 尤其在第一个时间窗和最后一个时间窗的反应准确率之间。但是反应准确率的计算是基于每个时间窗内所有试次的按键正确比例计算得到的, 无法用于不同时间窗之间的统计检验。进一步地, 双因素重复测量方差分析表明不同刺激类型(真、假刺激)和刺激前后之间的正确率差异未达到显著水平(F=0.1, p=0.75;F=0.14, p=0.72)。
此外, 所有被试的量表评分值箱型图如图 7所示。从图 7中可以看出, 相比于刺激前, 被试在接受真伪刺激之后, KSS和SSS量表值都出现了下降。但是进一步地对11名被试真假刺激前后做双因素重复测量分析, 结果表明在真假刺激和刺激前后之间, KSS量表评分值差异未达到显著水平(F=0.46, p=0.51;F=0.71, p=0.41), SSS量表评分值差异也未达到显著水平(F=0.10, p=0.75;F=0.09, p=0.76), 这说明, 被试在主观感受上警觉状态的下降不明显, 对于真伪刺激的主观感受差别也不明显。
因此, 基于第一个和最后一个时间窗的反应时间具有的显著差异(p < 0.001)和反应准确率的下降, 本文在时域上分别标记第一个5 min时间窗、最后一个5 min时间窗为警觉、疲劳。
 |
图5 平均反应时间随时间变化的曲线图 |
 |
图6 平均正确率随时间变化的曲线图 |
 |
图7 所有被试的量表评分值的箱型图 |
3 警觉脑电数据预处理和特征提取
3.1 EEG数据预处理
为得到干净无噪的脑电信号, 对采集到的脑电数据进行了数据预处理, 主要包括平均参考、0.1~45 Hz低频带通滤波、伪迹去除(±110 μV作为伪迹阈值)、对[-200, 500]ms的数据进行分段(目标呈现前200 ms至呈现后500 ms)、对[-200, 0]ms的数据进行基线校正(0 ms表示目标出现)等, 如图 8所示。得到的脑电数据用于后续的分析处理。
 |
图8 脑电信号预处理流程图 |
3.2 ERP分析结果
P300主要出现在中心区、顶叶的导联上(C3、C4、Cz、P3、P4、Pz), N200主要出现在枕叶、顶叶的导联上(O1、O2、P3、P4、P7、P8)。对所有被试的相应导联集合上的ERP进行平均后，得到不同刺激类型(真、假刺激组)和刺激前后6个时间窗内P300波形、N200波形如图 9~10所示。
本文定义P300、N200的幅值分别为最高峰、最低峰前后共20 ms的平均幅值, 其对应的潜伏期定义为目标出现到幅值出现的时间间隔。得到的不同刺激类型(真、假刺激)和刺激前后P300和N200的幅值、潜伏期值如表 5~6所示。
 |
图9 不同刺激类型(真、假刺激组)和刺激前后6个时间窗内P300的波形图 |
 |
图10 不同刺激类型(真、假刺激组)和刺激前后6个时间窗内N200的波形图 |
真刺激组，刺激前后的P300、N200、功率比特征
假刺激组，刺激前后的P300、N200、功率比特征
3.3 功率比值
将预处理后的脑电数据划分为4个频段, 分别是δ频段(0.1~4 Hz)、θ频段(4~8 Hz)、α频段(8~13 Hz)、β频段(14~45 Hz)。这些固定频段上的功率可以表示为
式中：b代表频段，b=δ, θ, α, β; i代表频率点, i=1, 2, …, n。
选用被证明与警觉状态相关的(α+θ)/β特征[1], 用于后续处理。得到的真刺激前后、假刺激前后的功率比值如表 5~6所示。
4 模型参数设置和结果分析
4.1 3层模糊逻辑的参数设置
本文提出的基于3层模糊逻辑的警觉度量化模型的每层模糊逻辑的参数设置如表 7~10所示。
第一层模糊逻辑中N200和P300幅值和潜伏期状态值的参数设置
第一层模糊逻辑中N200和P300状态值的参数设置
第二层模糊逻辑中ERP状态值的参数设置
第三层模糊逻辑中功率比值和警觉度量化值的参数设置
4.2 警觉度量化结果
每个被试在2种刺激类型(真刺激、假刺激)前后的第一个、第六个时间窗内的警觉量化结果如表 11~12所示。以[0, 4]、[4, 8]、[8, 10]分别为疲劳、中等警觉、高警觉的阈值范围, 从结果可以看出本文提出的基于3层模糊逻辑的警觉度量化模型能够实现高警觉、中等警觉、疲劳的三分类, 明确警觉度量化的映射关系。
依据警觉度下降效应的行为表现, 本文将第一个时间窗的警觉量化值减去最后一个时间窗的警觉量化值为正值定义为正确, 得到的每个被试不同刺激类型(真、假刺激)和刺激前后的警觉度变化量和模型准确度如表 13所示。
模型的平均准确度达到90.9%。其中被试8的准确度只有50%, 可能与他在2次实验任务期间按键误触率一直很高有关。
被试在真刺激前、后第一个、第六个时间窗内的警觉量化值
被试在假刺激前、后第一个、第六个时间窗内的警觉量化值
被试在真、假刺激及其前后警觉变化量(第一个时间窗减去第六个时间窗)及准确度
5 经颅直流电刺激干预警觉度下降效应的评估效果
首先, 在被试执行警觉度下降诱发范式的行为表现上, 如第2节中所述, 反应时间在第一个和最后一个时间窗之间具有显著差异, 证明了随任务时间增加警觉度下降效应。但是不同刺激类型(真、假刺激)和刺激前后之间的反应时间、按键正确率、主观量表值之间没有显著差异, 即经颅直流电刺激的干预效果可能没有体现在行为表现上。
其次, 对警觉脑电提取出的P300、N200特征和功率比值进行统计分析, P300幅值在第一个和最后一个时间窗之间有显著差异(F=4.83, p=0.031 < 0.05), 在真刺激前与刺激后也具有显著的差异(F=6.07, p=0.016 < 0.05), 而P300潜伏期、N200的幅值和潜伏期、功率比值在不同刺激类型(真、假刺激)和刺激前后之间均未达到显著水平。这说明, 与反应时间的行为表现能够体现出显著的警觉度下降效应一样, P300的幅值能够体现出显著的警觉度下降效应。此外, 鉴于前文研究发现注意警觉功能主要对应着大脑中心区、顶区上的神经元群放电[21–22], 这也说明被试在接受tDCS真刺激之后, 大脑的中心区、顶区上的皮质兴奋性发生改变, 尤其体现在P300的幅值上, 这也与前人研究发现P300幅值增加与认知能力增强有关相一致[13], 验证了tDCS刺激通过干预大脑中心区和顶区上皮质兴奋性, 进而影响被试的警觉程度。
最后, 基于3层模糊逻辑的警觉度量化模型, 得到了警觉量化结果, 并且第一个和最后二个时间窗之间的警觉量化值是降低的, 模型的平均准确度达到90.9%。这验证了警觉度下降效应, 证明了提出的基于3层模糊逻辑的警觉度量化模型能够用于量化警觉度。进一步地, 在真刺激组, 相较于刺激之前的警觉变化量, 90.91%的被试在刺激之后的警觉变化量降低或者持平; 而在假刺激组, 81.81%的被试在刺激之后的警觉变化量降低或者持平。这说明, 相比于假刺激组, 采用的真刺激方式的确在一定程度上减弱了警觉度下降效应, 验证了tDCS刺激对于警觉度下降效应的干预后效应。
6 结论
本文提出了一种基于3层模糊逻辑的警觉度量化方法, 通过对多个与警觉度下降效应相关的电生理特征输入的合并推理, 确定出明确的警觉度量化的映射关系, 实现了高警觉、中等警觉、疲劳的三分类, 模型的平均准确度达到90.9%。该方法明确了警觉度量化的映射关系, 具有很强的可解释性。该方法亦用于评估经颅直流电刺激技术对于警觉度下降效应的干预效果, 说明采用的真刺激方式在一定程度上减弱了警觉度下降效应。在后续的研究中可能需要考虑更多的经颅电刺激的多种刺激方式, 比如交流电刺激, 而且考虑到被试的个体化差异, 可进一步验证基于个体化的警觉度干预方案。
致谢
感谢陕西省脑机一体化及其无人系统应用国际联合研究中心提供数据和设备支持。
References
- JAP B T, LAL S, FISCHER P, et al. Using EEG spectral components to assess algorithms for detecting fatigue[J]. Expert Systems with Applications, 2009, 36(2): 2352–2359. [Article] [Google Scholar]
- FAN Xiaoli, NIU Haiyan, ZHOU Qianxiang, et al. Mental fatigue characteristics based on EEG analysis[J]. Journal of Beijing University of Aeronautics and Astronautics, 2016, 42(7): 1406–1413 (in Chinese) [Google Scholar]
- WANG X, LUO Z, ZHANG M, et al. The interaction between changes of muscle activation and cortical network dynamics during isometric elbow contraction: a sEMG and fNIRS study[J]. Frontiers in Bioengineering and Biotechnology, 2023, 11: 1176054. [Article] [Google Scholar]
- HADRA M,OMIDVARNIA A, MESBAH M. Temporal complexity of EEG encodes human alertness[J]. Physiological Measurement, 2022, 43(9): 095002. [Article] [Google Scholar]
- LI L, ZHANG M, CHEN Y , et al. TAGL: temporal-guided adaptive graph learning network for coordinated movement classification[J]. IEEE Trans on Industrial Informatics, 2024, 20(11): 12554–12564. [Article] [Google Scholar]
- GUO Z, PAN Y, ZHAO G, et al. Detection of driver vigilance level using EEG signals and driving contexts[J]. IEEE Trans on Reliability, 2018, 67(1): 370–380. [Article] [Google Scholar]
- CHEN K, LI Z, AI Q, et al. An improved CNN model based on fused time-frequency features for mental fatigue detection in BCIs[C]//12th International Conference on Information, Intelligence, Systems and Applications, Chania Crete, 2021 [Google Scholar]
- EUSKIRCHEN N, NITSCHE M A, VAN THRIEL C. Direct current stimulation in cell culture systems and brain slices-new approaches for mechanistic evaluation of neuronal plasticity and neuromodulation: state of the art[J]. Cells, 2021, 10(12): 3583. [Article] [Google Scholar]
- ZHOU Peng, WEI Jinwen, SUN Chang, et al. Research advancements in the regulation of transcranial direct current stimulation(tDCS) for cerebral cognitive function[J]. Chinese Journal of Biomedical Engineering, 2018, 37(2): 208–214 (in Chinese) [Google Scholar]
- MCINTIRE L K, MCKINLEY R A, GOODYEAR C, et al. The effects of anodal transcranial direct current stimulation on sleep time and efficiency[J]. Frontiers in Human Neuroscience, 2020, 14: 357. [Article] [Google Scholar]
- LINNHOFF S, WOLTER-WEGING J, ZAEHLE T. Objective electrophysiological fatigability markers and their modulation through tDCS[J]. Clinical Neurophysiology, 2021, 132(7): 1721–1732. [Article] [CrossRef] [PubMed] [Google Scholar]
- CZABANSKI R, JEZEWSKI M, LESKI J. Introduction to fuzzy systems[C]//Proceedings Electronic Technology Directions to the Year 2000, 1995 [Google Scholar]
- SAMIMA S, SARMA M, SAMANTA D, et al. Estimation and quantification of vigilance using ERPs and eye blink rate with a fuzzy model-based approach[J]. Cognition, Technology & Work, 2018, 21(3): 517–533 [Google Scholar]
- HOMAN R W. The 10-20 Electrode System and Cerebral Location[J]. American Journal of EEG Technology, 1988, 28(4): 269–279. [Article] [Google Scholar]
- LIU A, VÖRÖSLAKOS M, KRONBERG G, et al. Immediate neurophysiological effects of transcranial electrical stimulation[J]. Nature Communications, 2018, 9(1): 1–12. [Article] [CrossRef] [PubMed] [Google Scholar]
- SHAHID A, WILKINSON K, MARCU S, et al. STOP, THAT and one hundred other sleep scales[M]. New York: Springer, 2012 [CrossRef] [Google Scholar]
- DAI J, WANG H, YANG L, et al. The neuroelectrophysiological and behavioral effects of transcranial direct current stimulation on executive vigilance under a continuous monotonous condition[J/OL]. (2022-09-07)[2025-03-09]. [Article] [Google Scholar]
- PATTYN N, NEYT X, HENDERICKX D, et al. Psychophysiological investigation of vigilance decrement: boredom or cognitive fatigue?[J]. Physiology & Behavior, 2008, 93(1): 369–378 [Google Scholar]
- AL-SHARGIE F, TARIQ U, MIR H, et al. Vigilance decrement and enhancement techniques: a review[J]. Brain Sciences, 2019, 9(8): 178. [Article] [Google Scholar]
- PLEWNIA C, ZWISSLER B, LÄNGST I, et al. Effects of transcranial direct current stimulation(tDCS) on executive functions: influence of COMT Val/Met polymorphism[J]. Cortex, 2013, 49(7): 1801–1807. [Article] [Google Scholar]
- DUAN K, XIE S, ZHANG X, et al. Exploring the temporal patterns of dynamic information flow during attention network test(ANT)[J]. Brain Sciences, 2023, 13(2): 247–267. [Article] [Google Scholar]
- DUAN K, XIE S, XIE X, et al. Neural dynamics underlying the cue validity effect in target conflict resolution[J]. Cerebral Cortex, 2025, 35(4): 1–16 [Google Scholar]
All Tables
All Figures
|
图1 经颅直流电刺激技术干预警觉度下降效应的警觉度量化方法框图 |
| In the text | |
|
图2 基于3层模糊逻辑的警觉度量化模型示意图 |
| In the text | |
|
图3 经颅直流电刺激干预及警觉脑电数据采集的流程图 |
| In the text | |
|
图4 钟表测验示意图 |
| In the text | |
|
图5 平均反应时间随时间变化的曲线图 |
| In the text | |
|
图6 平均正确率随时间变化的曲线图 |
| In the text | |
|
图7 所有被试的量表评分值的箱型图 |
| In the text | |
|
图8 脑电信号预处理流程图 |
| In the text | |
|
图9 不同刺激类型(真、假刺激组)和刺激前后6个时间窗内P300的波形图 |
| In the text | |
|
图10 不同刺激类型(真、假刺激组)和刺激前后6个时间窗内N200的波形图 |
| In the text | |
Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.
Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.
Initial download of the metrics may take a while.