功能近红外光谱下多生理特征融合的脑力疲劳检测提升准确性

该篇论文《基于功能近红外光谱的多生理脑力疲劳检测》主要探讨了在现代人机交互系统中，实时检测脑力疲劳的重要性，因为过度的脑力疲劳可能导致性能下降，甚至引发安全事故。目前，尽管脑力疲劳的研究众多，但仍缺乏统一的生理指标来衡量。为了克服这个问题，研究者们倾向于采用多生理检测方法，但这种方法通常会增加设备的复杂性。 论文的核心技术是功能近红外光谱（Functional Near-Infrared Spectroscopy, fNIRS），这是一种非侵入性的脑部成像技术，通过测量大脑皮层血氧活动间接反映认知功能。然而，fNIRS信号中包含了心跳（心率）和呼吸频率等生理活动信息，这些信息被认为是敏感的，但在以往的研究中往往被当作干扰信号剔除，从而导致有用信息的丢失。 作者提出了一种创新的方法，即从fNIRS信号中提取心跳和呼吸数据作为新的生理特征，这些特征被认为与疲劳状态高度相关。他们还结合了常规的特征，如均值斜率，利用支持向量机（Support Vector Machine, SVM）算法建立了一个脑力疲劳检测模型。实验部分，研究团队让15名受试者进行了60分钟的2-back任务，以诱发疲劳状态，并监测了他们前额皮层（PFC）的10个通道的fNIRS信号。 研究结果显示，提取的心跳和呼吸特征显著提高了疲劳识别的准确性，将初始的84%提升到了90%。这意味着他们所开发的模型不仅能有效检测脑力疲劳，而且通过集成这两项生理特征，成功降低了多生理检测系统的复杂性。 总结来说，这篇论文不仅贡献了一种新的脑力疲劳检测策略，而且还展示了如何利用近红外光谱技术结合生理信号来提高疲劳检测的精度和效率。这对于保障人机系统的安全性和优化工作负载管理具有实际应用价值。