驾驶疲劳可直接导致交通事故，对人民群众的行车安全、生命财产造成了严重危害．据统计，由于疏忽大意、判断错误、措施不当三项相加产生的交通事故占20.3%，产生的死亡率是20.8%，而在这三项事故原因中都很可能夹杂着驾驶疲劳[1]．调查还显示有70%的受访者承认在高速路上驾驶时有过打瞌睡的经历．据公安部交通管理局统计，截至2022年6月底，全国机动车保有量达4.06亿辆，其中汽车3.10亿辆，新能源汽车1 001万辆；机动车驾驶人4.92亿人，其中汽车驾驶人4.54亿人[2]．随着各种恶性交通事故的频发，人们对行车安全越来越重视．驾驶疲劳是指驾驶员由于休息不足或长时间持续行车造成身体机能下降的现象，该现象通常表现为驾驶人身心疲惫[3]．研究表明：疲劳状态下驾驶人的脑电(EEG)、心电、肌电等生理特征及眨眼、瞳孔等眼动特征与非疲劳状态呈现明显差异[4]．疲劳驾驶已成为一个全球性的安全问题，为应对这一问题，许多研究人员在过去十几年里对疲劳检测与预警开展了很多研究，取得了很多进展．特别是随着科技水平的不断提高和信息技术的飞速发展，信号采集设备不断更新，疲劳检测方法不断改进，疲劳检测系统日臻完善．研究人员早期通过在方向盘中加入传感器来获取司机在驾驶过程中握方向盘的力度、方向盘角度的转向频率等来检测司机的驾驶情况．研究发现：驾驶员处于疲劳状态时，方向盘所受的握力会逐渐下降[5]．基于此，研究者又提出了一种分析驾驶方向盘握力变化规律的算法．随着机器视觉技术的快速发展，研究人员通过在驾驶室内加装摄像头，以检测司机在驾车过程中的脸部特征：眼睛闭合时间比例(PERCLOS)、头部位置检测、眼睛注视检测、眨眼频率检测、打哈欠检测，作为司机疲劳程度的衡量标准．卡耐基梅隆大学驾驶研究中心于1998年开发PERCLOS系统[6]，其实验表明眼睛闭合时间与疲劳程度有正相关关系．文献[7]提出了一种在真实照明条件下的实时眼睛检测和跟踪方法，通过将红外成像与物体识别技术相结合，可实现眼睛稳健地跟踪．文献[8]利用计算机视觉技术提取驾驶员眼睛信息，计算眨眼频率用于驾驶员疲劳分析．打哈欠是疲劳驾驶的最明显的面部特征之一，研究人员通过提取司机的嘴部特征来判断是否打哈欠，从而检测司机是否疲劳[9-10]．文献[11]采用Fisher分类器来提取嘴型和位置，然后提取嘴部区域的几何特征，并将特性结合在一起构成一个特征向量作为三级反向传播网络的输入，以此来预测精神状态．诚然，根据司机每单位时间打哈欠的次数和驾驶员打哈欠时张开嘴的程度来评估驾驶员的疲劳程度是可行的，但存在的主要问题是无法确定司机是在说话还是打哈欠．传统的驾驶疲劳预测方法，如机器视觉，存在受光照、遮挡(带眼镜)因素影响较大的问题．而脑电一向被视为监测疲劳的“金标准”[12]．主动式脑机接口其目的主要在于将脑电解码转化为控制指令，拓展人与外界沟通、交流的能力[13-16]．近年来，被动式脑机接口(BCI)引起了研究人员的关注[17]，其研究旨在通过受试者自发的大脑活动来监测其认知状态[12,18]．早期用脑电研究驾驶疲劳时，只分为清醒与疲劳两类精神状态．最常用的频带为delta波、theta波、alpha波和beta波．文献[19]研究得到人体脑电脑从清醒到疲劳过程中会有显著的不同，alpha波与bata波的振幅及数量增加明显．进一步根据四种典型脑电波的能量变化来反映人的精神状况．文献[20]通过实验测试，并采用目测法与热力学熵分析得到：当人十分疲倦时，alpha波出现数量明显增多，beta波出现数量明显减少，其Shannon熵和K-L(Kullback-Leibler)熵值同时明显下降．文献[21-22]完成了基于无线、可穿戴干电极脑电帽的驾驶员警觉度估计系统，通过一顶帽子监测驾驶员的疲劳状况．文献[23]采用小波熵、传递熵等方法研究驾驶疲劳取得了较好的效果．文献[24-25]开展了驾驶疲劳研究并实现了一种基于脑动态分析的四维卷积神经网络驾驶性能预测系统和更符合驾驶实际需求的在线模糊系统．文献[26]提出了一种新的基于EEG的时空卷积神经网络来检测驾驶员疲劳．文献[27]为克服个体差异，提出了一种特征加权的情景训练(FWET)，以完全消除校准要求．文献[28]设计了基于功率谱估计和样本熵估计的实时驾驶疲劳检测系统，获得了上述疲劳指标与反应时间的相关关系，为在线驾驶疲劳预警提供了一种可靠的方法；文献[29]比较了三个回归模型和三个时间窗，证明其对疲劳估计性能的影响，提出了动态时间规划作为评价疲劳性能的新方法．新设备的更新和新算法的涌现助推驾驶疲劳检测领域不断取得新的进展．本研究将分别论述脑电采集设备、脑电信号特征提取及脑电信号分类方法，最后进行总结和展望．1 脑电采集设备目前基于脑电信号的驾驶疲劳检测研究工作主要在实验室开展，由于BCI系统的限制，如脑电采集设备的价格、体积、功耗等因素，因此在实际驾驶环境下普及使用仍有很大的改进和优化空间，即小型化、便携化和可穿戴化．目前脑电采集设备由有线传输发展为无线传输，从湿式电极发展到干式电极，这两方面的改进都极大地促进了实用性和可穿戴的舒适度．可穿戴式脑电采集设备的出现已逐步从有线传输迈向无线传输(蓝牙技术、射频和网络协议等)，轻便舒适，无线传输，可移动，易于操作，提升用户友好度，并能在驾驶过程中长时间采集数据，很大程度上突破了有线BCI系统的局限性[30-33]．表1列举了国内外BCI采集设备的相关信息[34]．10.13245/j.hust.221105.T001表1国内外主要脑电采集设备对比品牌代表型号单通道采样率/kHz采样精度/bit通道数输入噪声(有效电压)/V共模抑制比/dB连接方式国外脑电采集设备BrainProductsBrainAmp51632~2560.2110光纤，USBNeuroScanActichamp1002432~1600.4100光纤，USBBioSemiSynAmp202470~2800.5110SCSI，USBEGIActive Two16248~2561.0100光纤CGXGES400202432~2560.7100光纤QuasarQuick-30224300.6120蓝牙TMSIDSI 10/20416123.0120专有通信TMSISAGA42432~1280.8120光纤，USB，WifiCognionicsQuick-32r0.524320.8100Bluetooth国内脑电采集设备布润科技BrainCyb16248~5121.0110RJ45，WIFI博睿康科技NeuSen H1624128~1 0240.4120MicroUSB脑电信号采集系统的升级和改进重点体现在功耗、集成度、传输方式和信息传输速度四方面．文献[35]开发了可穿戴无线BCI系统，具有干式微型机电系统脑电传感器、低功耗信号采集、信号放大和数字化、无线遥测和在线信号处理等特点．文献[36]开发了一种无线脑电信号多通道系统，该系统使用了一种混合的(电容式/电阻式)生物电极技术的的传感器．采用了微型、超低功耗微处理器和无线收发方式，两节AAA电池可运行72 h以上．文献[37]开发了一种在线稳态视觉诱发电位(SSVEP)系统，仅使用两个电极测量脑电信号，由于采用无线传输方式用户可自主移动．文献[38]开发了一种针对失神癫痫患者的脑电信号监测系统，该系统利用蓝牙技术，连接前端(脑电信号采集系统)和数据分析系统．该系统可实现对自由活动的患者进行日常活动时的脑电信号监测，这种无线脑电信号采集技术又称为可移动的脑机接口(Mobile BCI)[39]．为改进湿电极给受试者带来的安装耗时、佩戴不便、舒适度不佳等问题，使其更适合实际应用，研究人员一直在寻找湿式电极的替代方案．湿式电极使用时需要较长的准备时间，且须要定期维护，以防止电极氧化等问题[40-41]．此外，湿式电极所使用的导电膏会随着时间的推移而造成水分蒸发，导致皮肤与电极间阻抗的增大而无法正常使用[32]．干式电极由半导体、金属和金属填充聚合物制成[42-45]，该电极不需要导电膏，可直接使用，特别适用于可穿戴环境．干式电极的出现一定程度上促进了BCI系统的发展，越来越多科学家也开始使用干式电极进行BCI研究[46]．文献[28]较早采用24路无线干电极脑电采集系统开发了虚拟现实模拟驾驶环境．虽然干式电极在实验准备时间、运动伪影和环境静电抑制方面比湿式电极有优势，但是仍存在以下几方面问题：一是干式电极须要与皮肤直接接触，会造成一定的压迫感；二是由于角质层的阻抗，造成干式电极通常比湿式电极显示出更高的阻抗[47-48]；三是当使用者出汗时，造成干式电极和皮肤之间的阻抗发生变化，对数据质量有一定影响．2 脑电信号特征提取脑电信号具有便于采集、高时间分辨率等优点，在被动式脑机接口认知状态检测中具有重要应用价值，因此研究团队都尝试使用不同的信号处理技术对脑电信号进行分析，以准确地检测驾驶过程中司机的疲劳状态．借鉴特征提取算法的新进展，研究人员开始不断尝试把新的算法应用到脑电信号的特征提取，以获得与疲劳相关的有用特征．特征提取研究的角度从通道内特征转变到通道间特征及多特征融合，从手工特征提取向自动特征提取转变．2.1　通道内特征2.1.1　功率谱密度分析功率谱密度(PSD)可表示为单位频带内的信号功率，已广泛应用于基于脑电信号的疲劳检测和情绪识别[49]．表2总结了驾驶疲劳相关研究中各频段对应的精神活动．其中alpha波主要出现在清醒期间大脑的枕叶区域，当闭眼时增加，当睁开眼睛时减少，当注意力下降时严重减弱[50]．文献[51]研究发现：当驾驶者在单一任务表现不佳时，会伴随着theta波增加．在疲劳期间，delta波、theta波和alpha波有明显的变化，研究中也发现了脑电信号中个体间和个体内差异的影响[52]．研究还发现delta波和theta波的变化与司机从清醒状态向疲劳状态过渡有关[53]．当疲劳程度增强时，delta波会随之降低[54]；当司机的注意力下降时，alpha波会随之增加[55]．因此，通过脑电信号中相关频段的频谱变化可以反映驾驶员的疲劳状态．对于以上出现在疲劳状态下不同频段的变化，研究人员多以Ptheta/Pbeta，Palpha/Pbeta，(Ptheta+Palpha)/Pbeta和(Palpha+Ptheta)/Palpha+10.13245/j.hust.221105.T002表2各频带对应的精神活动频带名频率范围/Hz精神活动alpha8~13静息状态beta14~26思考和集中注意力theta4.0~7.5无意识或冥想delta0.5~4.0深度睡眠gamma30~45手指、脚趾、舌头的动作Pbeta)的值作为预测疲劳的指标[56](Px为x波段的功率谱密度，x代表频段alpha/beta/theta)．图1展示了一名受试者在90 min(5 400 s)内从清醒到疲劳过程中，(Ptheta+Palpha)/Pbeta(指标1，P1)和Ptheta/Pbeta(指标2，P2)在疲劳敏感导联的变化趋势，同时也验证了两种计算疲劳指标随着时间的变化规律，揭示了疲劳程度在时间上的表征[28]．10.13245/j.hust.221105.F001图1一名受试者从清醒到疲劳过程中(90 min内)指标1和指标2在疲劳敏感导联的变化趋势经过文献查阅可知：在从清醒到疲劳的演变过程中，利用功率谱密度频谱作为检测疲劳程度的指标是可行的．然而，功率谱密度分析的通道内脑电信号属性缺乏对各脑区之间相互作用的信息利用，导致挖掘脑区之间的潜在特征不够充分．2.1.2　熵特征分析熵特征在不同领域得到了广泛应用[57]．文献[58]采用样本熵、模糊熵、近似熵和谱熵四种方法对原始脑电信号进行了分析，并通过10种最先进的分类器进行了比较，结果表明：利用CP4通道、模糊熵特征和随机森林分类器的组合能够实现单通道的最佳性能．其中，谱熵计算方法是将香农函数应用于归一化功率谱[59]；近似熵由文献[60]首先提出，它在时域计算中不须要对信号进行相位空间重构；样本熵是由文献[61]提出，与近似熵相似；近似熵和样本熵的计算过程在文献[62]中有明确的定义；模糊熵在不同参数下都能得到稳定的结果，并且具有更好的抗噪声性能．文献[63]使用支持向量机分类器，结合近似熵特征和样本熵特征检测驾驶员的疲劳状态，在P3通道中得到了最高的准确率，达到91.3%．文献[64]通过熵率界最小化分析对源分离和自回归(AR)模型进行特征提取，利用贝叶斯神经网络进行分类，准确率达到88.2%．文献[23]提取了脑电信号的小波熵和样本熵、眼电信号的小波熵及肌电信号的近似熵来预测司机的疲劳程度，准确率达到96.5%～99.5%．文献[65]采用了五种熵来评估驾驶者的疲劳程度，分别为香农熵、二阶瑞丽熵、三阶瑞丽熵、Tsallis小波熵和广义EscortTsallis熵．文献[66]提出了一种有效的脑电特征差分熵，用于警觉性预测和情绪识别．文献[67]提取两个通道(O1H和O2H)脑电信号的平均样本熵对疲劳进行检测，研究发现：当驾驶者疲劳出现时，样本熵模式有下降的趋势．22名受试者的三种熵值的平均值如图2所示[68]，可以发现：从疲劳阶段计算得出垂直眼电的样本熵大于清醒阶段，表明当受试者感到疲劳时眨眼的频率会上升；从疲劳阶段计算得到的水平眼电的样本熵小于清醒阶段，表明当受试者感到疲劳时，眼睛的运动会变慢，出现不愿意注意外部环境或反应迟缓的情况．图2表明：随着驾驶的进行，大多数受试者在枕叶区域的熵(谱熵、样本熵和近似熵)呈现出明显的下降趋势．10.13245/j.hust.221105.F002图222名受试者的三种熵值的平均值上述文献证明熵特征是一种有效的检测疲劳的方法．熵特征的计算与功率谱特征相似，依然是通道内的特征提取，不能有效利用大脑各个脑区之间的关联信息，挖掘与疲劳产生机理相关的生理机制特征．2.2　通道间特征2.1节所述的大多研究主要分析各个导联中的脑电信号，提取其频谱特征或熵特征，较少考虑脑内各个区域之间的内在联系及疲劳形成机理．实际上，当大脑工作时，神经元通过轴突和树突相互连接形成网络．已有证据表明脑内区域之间的连接强度和模式与大脑的状态息息相关[69]．文献[70]发现度量人类大脑各个区域的动态相互作用模式，有利于揭示其动态变化的产生机制．若仅依赖通道内脑电信号的特征而忽略通道间的连接特征，则可能会造成重要信息的缺失，因此须要进一步考虑通道间连接特征以推测大脑的内在连接，探索疲劳的形成机理．随着技术的发展，利用脑电信号构建脑功能网络(BFN)，进一步解码脑电信号的隐藏信息，分析脑区之间的耦合关系成为研究热点．BFN作为一种探索复杂网络中脑神经科学的新方法，已广泛应用于癫痫和阿尔茨海默病等脑神经系统疾病的研究．BFN描述各节点之间的统计性连接关系，为无向网络，两通道之间的关系是通过同步似然法、相位滞后指数、普通相干性、皮尔逊相关系数、小波相干和小波相位相干等方法量化，它与脑电信号的结合为疲劳驾驶的检测提供了一个新的视角．文献[67，71]分别分析了疲劳驾驶状态，发现基于BFN的全局特征度量参数具有良好的稳定性，不会因受试者不同而发生很大变化．文献[72]选择以0.68为阈值的固定边权值，以静息状态和疲劳状态下BFN的四个局部特征作为状态识别的分类特征，分类准确率最高达到97.62%，结果表明BFN的局部特征可作为客观评价疲劳驾驶的检测指标．文献[73]通过探究从0.1~0.8(间隔范围0.005)的整合边权值范围来构建BFN，结果表明：随着驾驶过程中疲劳的加深，额叶、中央和颞叶区域的功能连接显著增加，聚类系数和特征路径长度明显增加．文献[74-75]研究单个频段的功能连接变化，包括低alpha和theta频段，采用基于脑电信号的功能连接分析，发现当精神疲劳出现时大脑网络重组的现象[76-77]，而且特征路径长度与任务持续时间呈正相关，在驾驶疲劳检测的准确率上达到92%．图论属性作为一种探索功能连接的分析方法，已被用于心理状态相关信息的挖掘，如工作记忆[76]、持续注意任务[69,77]和视觉注意任务．图论属性可以从局部分化和全局整合[78]两方面来评估功能连接．在后来的研究中，文献[79]提取了BFN中的两类特征(图论属性和关键连接)，利用相位滞后指数建立了多波段功能连接矩阵，作为图论分析和确定清醒状态和疲劳状态之间临界连接的输入，研究表明：图论属性和关键连接能够检测疲劳变化，且关键连接是一种有效的驾驶疲劳检测特征，文中利用关键链接特征，在beta波段下得到了96.76%的准确率．图3展示了关键链接特征驾驶疲劳检测的关键连接特征[80]，图中Fp，F，P和O分别表示额极区、额叶区、顶叶区和枕叶区．在研究图论属性对疲劳的影响中发现：BFN的拓扑结构从清醒状态到疲劳状态发生了变化，说明图论特征用于检测驾驶疲劳的可行性与有效性．此外，研究还发现了关键连接对疲劳的影响，实验结果表明疲劳相关节点的相互作用表现出基本的局部分化和全局整合效应．额叶区在所有频段中均表现出明显的驾驶疲劳中断．当司机出现疲劳时，额叶区域的节点更活跃．10.13245/j.hust.221105.F003图3驾驶疲劳检测的关键连接特征在BFN研究中，研究者认为静态BFN中存在着最佳的小世界特征，它代表了全局整合和局部分化的平衡．然而在静态网络中，不同时间窗下的BFN是相互独立的，之间没有对同一精神活动表达的先后关系，无法体现在认知任务过程中新加入的节点及边的影响．因此文献[80]将静态网络的小世界属性定义推广到动态系统中，比较了疲劳相关的动态BFN和相应的动态随机网络的时域效率，找到了两种状态下最优的时-空小世界结构．图4展示了时域动态BFN，疲劳状态下的动态BFN表现出较低的时域全局效率和较高的时域局部效率，表明大脑的信息处理能力随着驾驶时间的延长而下降，而大脑优化信息交互的结构以获得更高效和具体局部功能以抵抗驾驶疲劳，弥补了静态网络中大脑区域间信息传递功能因疲劳而逐渐变低效的缺点．研究表明：当大脑在由清醒状态转变向疲劳状态时，脑功能网络结构为了应对大脑功能的下降，拓扑结构产生了重组，表现为大脑整体功能连接普遍减弱，疲劳相关的区域连接有所增强[80]．10.13245/j.hust.221105.F004图4时域动态脑功能网络3 脑电信号分类方法3.1　传统机器学习方法机器学习作为人工智能的核心技术，被广泛运用于脑电信号的分类识别．国内外学者从模式分类角度，应用支持向量机(SVM)[81]、随机森林、决策树等浅层机器学习方法对驾驶员的疲劳状态进行分类，获得了精确、可靠的检测结果．表3列举了不同特征和分类器所得的驾驶疲劳检测准确率．10.13245/j.hust.221105.T003表3驾驶疲劳检测相关研究对比文献被试数特征分类器准确率/%机器学习[82]20PSDSVM99.30[83]28模糊熵、样本熵、近似熵、谱熵和组合熵Adaboost96.90[84]22样本熵、模糊熵、近似熵和谱熵GBDT94.00[64]43ARBNN88.20深度学习[105]37CCNN/CCNN-R86.08±0.46/76.72±3.70[104]10EEG-Conv/EEG-Conv-R91.78/92.68[102]43Sparse-Deep Belief Networks93.10[106]8EEG-based spatial-temporal CNN97.37[103]10RN-CNN92.85[100]17ANN94.37±1.95[46]29AMCNN-DGCN95.65注：深度学习结合了特征提取和分类两个过程．SVM已在许多疲劳检测系统中得到应用．在文献[82]中，清醒脑电以显性beta活动为特征，而疲劳脑电以alpha波缺失为特征，并采用四个主频段的四个频率特征判别准则，对两种状态下的脑电信号样本进行SVM训练，分类准确率达到99.3%．Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强大的最终分类器(强分类器)．在文献[83]中，从脑电信号中计算四个特征集，包括模糊熵、样本熵、近似熵、谱熵和组合熵，作为Adaboost的输入向量以完成对驾驶疲劳的分类．决策树(DT)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法．文献[84]计算了样本熵、模糊熵、近似熵和谱熵并作为特征集，将其作为梯度提升决策树(GBDT)的输入，从而判断脑电信号是否处于疲劳状态，平均最高准确率可达94.0%，取得了较好的效果．上述的浅层机器学习方法包含两个步骤，即手工提取疲劳相关的脑电特征和有监督分类．手工特征提取过程繁琐、耗时，并且高度依赖于该领域的专业知识．为攻克这一难题，深度学习被引入到驾驶疲劳检测，其提供了一个端对端的训练框架，取得比传统浅层机器学习更好的分类效果．3.2　端到端的深度学习方法深度学习结合了特征提取和分类两个过程，极大程度地减轻了对手工特征提取的需求，在计算机视觉和语音识别等领域有较好的性能[85-86]．深度学习在很多富有挑战性的图像分类问题上都获得了成功[87-91]，超越了依赖手工特征的方法[92]．借鉴图像分类领域的成功经验，近年来，研究者们开始探索深度学习在脑电信号上的应用．例如：将CNN用于癫痫预测与监测[93-95]、SSVEP检测和运动想象分类[96]；深度置信网络(DBN)用于睡眠阶段检测[97]、异常检测[98]和SSVEP分类；受限玻尔兹曼机器用于运动想象分类[99]等．深度学习算法能够结合通道内和通道间信息进行特征提取，从而提取时-空特征．深度学习算法将原始数据直接输入到网络中，让算法(模型)根据标记好的数据，实现权值的选取，相比功率谱、熵等特征，其特征无须人工参与获取，是一种自动特征．人工神经网络(ANN)已被广泛应用于驾驶疲劳的检测中，如：在文献[100]中，将全谱脑电信号半球间和半球内交叉谱密度的时间序列作为输入信号，通过神经网络自动提取其特征，用于区分清醒和疲劳两种状态，其准确率高达94.37%；在文献[101]中，将脑电信号的时域数据分解成alpha，beta，delta和theta四个频段，并将其传递给人工神经网络，用以检测司机疲劳状态．通过测试专业货车司机和非专业司机的数据，分别达到80.53%和82.44%的准确率．这些文献都验证了ANN的有效性．贝叶斯神经网络(BNN)通过为神经网络的权重引入不确定性进行正则化，也相当于集成某权重分布上的无穷多组神经网络进行预测．文献[64]将脑电信号进行AR特征提取后，采用BNN成功识别驾驶过程中的清醒和疲劳两种状态．深度置信网络(DBN)既可以用于无监督学习，类似于一个自编码器，又可以用于有监督学习，作为分类器来使用．从无监督学习来看，DBN的目的是尽可能保留原始特征，同时降低特征维度．从监督学习来看，在于使得分类错误率尽可能小．综合来看，DBN算法是一个特征学习的过程，即如何得到更好的特征表达．在文献[102]中，将脑电信号采用自回归模型提取特征后，再使用稀疏深度置信网络(sparse-DBN)对其进行分类．sparse-DBN属于半监督学习方法，在预训练层进行模型特征的无监督学习后进行分类的有监督学习，结果表明：这种半监督学习的DBN获得了优于ANN，BNN和DBN的分类效果．卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，近年来被广泛应用于驾驶疲劳检测领域．文献[103]从脑电信号中构造多重递归网络(RN)以融合原始时间序列的信息，再利用CNN对多重RN的特征进行提取和学习，从而实现驾驶疲劳分类任务．文献[104]提出了利用深度卷积神经网络和深度残差学习从脑电信号中预测驾驶员的心理状态，并在此基础上开发了两种分类模型，即EEG-Conv和EEG-Conv-R．这两种模型在预测驾驶疲劳中，均表现出良好的分类性能．文献[105]提出了一种基于信道的新型卷积神经网络和一种使用受限玻尔兹曼机代替卷积滤波器的CCNN的变体，即CCNN-R，提出的方法不仅在受试者内的测试中获得不错的分类结果，而且在跨受试者的测试中也毫不逊色．图卷积神经网络(GCNN)是传统CNN的扩展，它将CNN与谱理论相结合．CNN仅能处理欧氏空间的数据，而BFN的图论数据并非是欧氏空间数据．GCNN弥补了CNN这一缺陷，它在处理离散空域信号的特征提取方面更具优势．文献[46]采用GCNN挖掘BFN中存在的高度非线性结构．针对脑电信号的特点，采用动态GCNN分析不断变换的BFN结构非常适用．4 结论和展望本研究围绕基于脑电信号的驾驶疲劳检测这一主题，通过对脑电信号采集设备、脑电信号特征提取、脑电信号分类方法三个方面的研究现状，分析驾驶疲劳检测面临的问题和发展脉络，梳理和总结该领域的实验研究成果和研究进展，为开展驾驶疲劳检测的研究提供向导．a．脑电采集设备的发展逐渐由有线采集方式向无线方式转变，从湿式电极逐渐向干式电极过度，体现出更加轻便和实用趋势．此外，当设计脑机接口系统时，所使用的通道数也逐渐减少，提高了系统整体的便携性与舒适度．b．在特征层面上，为从脑电信号中提取与疲劳相关的特征，从通道内特征提取逐渐发展为通道间特征，甚至是两种的融合特征是新趋势．c．深度学习具有很好的自学习能力，能自动从信号中提取特征．近期的研究引入深度学习进行疲劳检测，在很大程度上可以弱化人为对模型参数的设定，减少模型对手工特征提取的依赖．综上所述，驾驶疲劳直接关系人身生命安全，具有重要的研究意义，本研究旨在为发展客观准确的驾驶疲劳测量技术提供一定的理论基础和技术支持，给相关研究者带来一定启发．