基于EEG动态脑功能连接分析及其在情绪识别与疲劳驾驶检测中的验证研究

《IEEE Access》：Dynamic Brain Functional Connectivity Analysis and Recognition Scenario Validation Based on EEG Signals (Aug 2025)

　　本研究针对传统静态脑功能连接(FC)模型在脑电信号(EEG)处理中忽略时序动态变化的问题，开展了基于EEG的动态脑功能连接分析及其在情绪识别与疲劳驾驶场景下的验证研究。通过构建动态邻接矩阵表征时变脑网络，并结合图卷积网络(GCN)进行多任务验证，结果表明动态FC作为图结构先验知识可显著提升分类性能（疲劳检测任务提升3%，情绪识别提升5%），为高时间分辨率脑网络分析提供了新的方法论支持。

　　

在人脑的复杂活动中，不同脑区之间的协同工作一直是神经科学研究的核心。传统观点认为，在相同情境下，大脑的功能连接模式是相对稳定的，个体或环境差异是导致连接变化的主要原因。然而，随着神经科学研究的深入，科学家们发现大脑功能连接其实是动态变化的，即使在同一情境下，连接模式也会随时间不断演变。这种动态特性在功能性磁共振成像(fMRI)研究中已被证实，并应用于脑疾病分类，但fMRI较低的时间分辨率（通常大于10秒）限制了其在实时任务中的应用，比如驾驶员疲劳监测或运动意图识别。而脑电信号(EEG)以其毫秒级的高时间分辨率，为捕捉大脑活动的快速动态变化提供了独特优势。

现有EEG信号处理应用通常假设不同脑区在相同场景下呈现一致的功能连接模式，变异仅归因于个体或环境差异。但近年研究揭示，大脑功能连接本质上是动态的，即使在相同或连续场景下，同一个体的脑区连接也会持续变化。当前研究常用EEG通道间的相关性矩阵来表示脑区连接，但这些矩阵通常是预先计算好的静态矩阵，或在静态假设下迭代更新。虽然新兴医学研究利用fMRI的动态功能连接进行脑疾病分类，但由于fMRI的低时间分辨率，其在实时任务中的应用受限。

为此，研究人员开展了一项创新性研究，旨在利用EEG信号构建动态功能连接特征，并验证其在情绪识别和驾驶员疲劳场景中的有效性。该研究基于两个公开数据集：SEED-VIG（驾驶员疲劳数据集，包含21名受试者的17通道EEG信号）和SEED-IV（情绪数据集，包含15名受试者的62通道EEG信号）。研究人员采用滑动窗口计算皮尔逊相关系数，构建动态邻接矩阵，并通过环形布局图、热图和t-SNE等方法对动态功能连接进行可视化分析。同时，选取连接强度最强的10对连接，计算其Cohen's D值，以表征不同状态下脑连接强度的变化。此外，还比较了动态与静态脑连接在网络特性（如连接强度、最短路径、全局效率等）上的差异。

为了验证动态功能连接的有效性，研究人员将其作为图结构先验知识，结合差分熵(DE)特征，构建了一个两层图卷积网络(GCN)模型，分别进行了个体内和跨个体的疲劳驾驶识别与情绪分类任务。GCN的传播层使用归一化的邻接矩阵进行特征聚合，并通过批量归一化和全连接层完成分类。

研究结果显示，动态功能连接在时间上表现出显著的变化，即使在同一任务状态下，不同时间点的连接模式也存在较大差异。通过环形布局图的可视化分析，研究人员发现，虽然个体间的瞬时脑连接不断变化，但这些变化是基于静态脑连接的，且不同状态下（如清醒、疲劳、 drowsiness）的平均连接强度存在差异， drowsiness状态下大多数受试者的平均连接强度更高。热图分析进一步揭示了动态邻接矩阵展开后的一维向量具有高时间变异性，但也存在稳定的持续连接和重复出现的连接模式。强连接分析表明，在疲劳状态下，基于O2和OZ电极的连接活动较为活跃，但仅有少数连接达到了统计显著性（p值<0.05）。网络特性比较发现，动态脑连接均值的网络特性与静态脑连接并无显著差异。t-SNE降维可视化显示，不同状态的脑连接特征有一定的聚类效果，但不足以实现明显的分类。

在任务性能方面，动态功能连接的引入显著提升了GCN模型的分类准确率。在疲劳驾驶识别任务中，使用动态邻接矩阵的GCN模型在个体内和跨个体测试中的准确率分别达到91%和82%，相比静态邻接矩阵的GCN（88%和79%）有显著提升。在情绪识别任务中，动态邻接矩阵的GCN模型在个体内准确率达到85%，跨个体准确率为57%，同样优于静态模型（79%和52%）。值得注意的是，单独使用动态功能连接作为特征输入SVM模型时，分类效果不佳（准确率仅23%），但与DE特征融合后，分类性能大幅提升，这证明了动态功能连接作为先验知识的有效性。研究人员还发现，在通道数更多的SEED-IV数据集（62通道）上，动态功能连接带来的提升更为明显，这可能是因为高维邻接矩阵能更细致地表征不同脑区的连接情况。

本研究通过构建高时间分辨率的动态功能连接特征，证实了其能有效捕捉大脑连接的时变模式，既包含稳定信息，也包含瞬态信息。研究表明，动态功能连接本身作为独立特征进行分类任务的效果有限，但将其作为图结构先验知识引入图神经网络，与其他特征进行卷积运算，可以显著提升模型在实时任务中的性能，为高时间分辨率脑网络分析提供了新的思路和方法。未来工作将进一步探索功能连接的时间演化规律及其在更广泛场景中的应用。