这项探索性研究的目的是调查驾驶时发生的车道偏离是否与驾驶员大脑出现局部睡眠有关,在5 - 9 Hz频率范围内,通过由局部源定位的脑电图(EEG)测量大脑活动中的θ波功率。30名参与者在先进的驾驶模拟器中驾驶,结果有135条车道行驶的记录,在驾驶员自我报告高度困倦的状态下产生了偏离。
研究人员将这些车道偏离者的实验数据与同一个在相同睡眠水平下未产生车道偏离的驾驶员数据进行了比较。得到的结果是车道偏离和全脑范围下θ波活动之间没有对应关系。然而,在大脑局部区域的水平上,车道偏离风险的增加与和运动功能相关大脑区域的θ波含量增加有关。
司机瞌睡是10-30%道路交通事故的一个促成因素。尽管驾驶员嗜睡的不良后果很明显,但仍有必要更清楚地了解与嗜睡相关的交通事故背后的驾驶员生理因素影响。这项探索性研究的目的是调查在源定位脑电图(EEG)记录中,车道偏离前是否伴有增加的θ波功率。
睡眠需求在一定程度上是在大脑的局部水平层面调节的,即大脑的各个区域在不同的时间可处于安静状态。哪些神经回路处于安静状态似乎取决于依赖经验的可塑性和先前神经网络的活动水平。最近,相关研究还发现,清醒的人可能会出现局部睡眠的迹象。一些位于大脑皮层的神经元出现了“脱机”现象,就像它们通常在睡眠时的“脱机”表现一样。这些神经元的间歇期长度随着睡眠剥夺的持续时间增加而增加,且与局部脑电图下的θ波含量有关。当这个现象发生在与行为相关的脑功能区域时,会导致行为表现的错误。处于这些局部性的间歇期内,大鼠似乎是完全清醒的,整体脑电图显示出典型的清醒状态下的低电压快速活动。在人类身上也有类似的发现。在本项研究中,我们探寻了驾驶过程中困倦引起的行为错误(车道偏离)中是否伴随着大脑局部区域睡眠的迹象。
材料与方法
从瑞典的车主登记中随机挑选了30名参与者。入选标准是:年轻(年龄18-25岁)男性司机,身体质量指数较高(BMI)小于30,没有轮班工人,没有睡眠障碍。在实验测试之前,参与者必须戒酒72小时,戒掉尼古丁和咖啡因3小时。该研究得到了当地(Linkoping)伦理委员会的批准。
这项研究是在先进的移动驾驶模拟器(VTI Sim III)中进行的。该模拟器有3个用于后视镜的液晶显示器(LCD)和提供120°的前方视野的6个SXRD投影仪。Saab 9-3座舱定位在一个运动平台上,提供线性和倾斜运动(4df)。
为了控制困倦因素,我们使用了白天和夜间驾驶的因素模拟。参与者在6个不同场合的驾驶模拟中进行驾驶,每个场合由三个模拟场景组成:(1)白天单调的乡村公路,限速80km/h,迎面车道车辆出现频率为120辆车/小时,但除去两次被超车的情况,在自己的车道上没有车辆。(2)在黑夜条件下,同样的道路,采取了较低的交通密度(迎面车道车辆出现频率为60辆车/小时,两次后方超车情况)。(3)还有更复杂的白天条件下的郊区道路,车速限定为60km/h,在迎面的车道与驾驶员所在车道中都会出现车辆,出现频率为720辆车/小时。本设计旨在从光照条件、交通环境和一致性三个方面分析驾驶员的困倦程度。这些结果将在其他地方公布。排除了城市场景条件下的数据,因为车道偏离具有定性差异,并且合并了白天和黑夜条件下的数据,以增加车道偏离的数量。
三次驾驶的时长均为30 min,每次驾驶测试间隔为1.5 h。在每次测试的第一次驾驶之前,参与者坐在模拟器中并被指示盯着屏幕中的一个黑点时,就会进行基线的记录。总共进行了540次驾驶(30名司机×6种场合×3次模拟驾驶)。使用Karolinska嗜睡量表(KSS)每五分钟对主观嗜睡程度进行一次评分。报告的值与最后5分钟的平均感觉相对应。
g.HIamp有线高通道生物电信号采集系统
根据国际10-20标准的电极定位,通过主动电极系统(g.HIamp; g.tec生物医学工程公司,Schiedlberg,奥地利)获得30通道的脑电图。信号经过0.5 - 60Hz的带通滤波和限波器以去除50Hz的线路噪声。在每次驱动之前,都要检查阻抗,调整电极,并在需要时填充导电凝胶。眼球运动和肌电伪迹按照Daly等人(2015)的研究方式进行移除。自动算法的结果通过对每个场合的有限样本数据进行视觉检查来验证。使用了信号截止频率为5 - 9Hz的带通滤波器,因为睡眠需求在清醒脑电图中表现为theta波的广泛增加。5 - 9Hz的频段曾被用于调查人类的局部睡眠。
为了深入了解局部睡眠,使用标准的低分辨率大脑电磁断层扫描(sLORETA,standardized low-resolution brain electromagnetic tomography)算法估计了局部源下的大脑活动。基线记录用于估计噪声协方差矩阵,ICBM152模板被视为默认的解剖学结构模板,并采用对称边界元模型建立头部模型。所有的源定位分析都在Brainstorm中执行。sLORETA计算每个体素在跨越整个大脑的密集网格中的电流源密度。根据Desikan-Killiany脑图谱,这些体素被分为18个区域;如图1。
图1 对头皮上的大脑区域进行编号、命名和定位
每个区域的θ功率是在每次车道偏离发生之前的时间段中推导出来的。由于不知道这些片段的时长应该是多少,所以研究了从4秒到30秒不等的片段大小。包含额外车道偏离的部分被排除在外。为了排除非睡意引起的车道偏离,仅使用发生在KSS = 9的车道偏离。车道偏离与同一个体内的未偏离时段的数据相匹配,以解释个体差异。
所有含有“5-分钟KSS测试”的数据区段没有出现车道偏离,并将KSS=9的数据段作为用于匹配对照的片段。只使用完整的5-分钟KSS段数据的原因是为了避免与其数据附近的车道的偏离数据形成混淆。当司机睡觉时(闭着眼睛)发生的车道偏离也被排除在分析之外。
条件logistic回归匹配被用来测试增加的theta波活动是否增加了偏离车道的风险,如果有关,则找出这是在大脑的哪个部位发生的theta波活动增加。车道偏离和非偏离被用作个体内部匹配的二元结果,并用18个脑区作为协变量。使用clogit函数对R(一个包含残差平方的对角矩阵)进行回归分析(Therneau and Grambsch, 2000)。置信水平设置为0.05。分别对不同的段大小进行了分析。采用逐步条件logistic回归将不同脑区组合成一个模型,目的是区分车道偏离和非车道偏离。对全脑θ活动也进行了类似的回归分析,在低嗜睡水平(KSS≤5)与高嗜睡水平(KSS = 9)间,对所有功能区域上进行了平均。
结果
与KSS = 9时相比,KSS≤5时的全局theta功率显著降低[似然比检验= 29.6,P = 5.3×10-8, = 2.04, OR(Odds Ratio) = 7.74]。车道偏离数随KSS呈指数增长(图 2)。
图 2 在两种不同的道路环境中,车道偏离数与Karolinska嗜睡量表(KSS)的函数关系。
从236段车道偏离数据中,选出KSS=9的135车道偏移数据与对比数据(KSS=9且无车道偏离)进行了对比。与任何不同长度的对比数据比较后,并未发现车道偏离数据的全脑theta波活动有明显变化,但在几个大脑的局部区域的长区段数据范围内存在显著差异(图 3)。
图 3 车道偏离前,每个大脑区域根据数据段长度得到的条件logistic回归z分数分布
使用20秒的分段长度进行的逐步分析显示,区域7和12具有显著的同时效应,似然比检验=25.42,P=3.02×10-6;见表1。并且,向该实验模型中添加更多的大脑区域并没有改善其表现。
表 1
讨论
逐步分析表明,在大脑的7区和12区,θ波功率每增加一个单位,出现车道偏离的几率分别增加1.48和1.60。7区代表额叶上皮层,与感觉系统整合,可调节智力功能和行为,与运动的规划、调节和组织有关。12区代表运动皮层。与清醒大鼠局部睡眠相关的性能衰减类似,直观地说,车道偏离与机动车控制人员大脑相关区域的θ波增加有关。在发生车道偏移前,大脑区域的主要关注度变化可通过数据的长度体现出来(图 3)。在发生车道偏移前的30秒种,大脑中代表运动的控制、计划和组织功能的7区与12区出现明显的θ波功率增加。在距车道发生偏离时间点更近的时段,θ波功率的增加在运动和躯体感觉皮层中占主导地位(12-14区)。这表明,实际运动功能的衰减是发生在靠近车道偏离时的时段内,而运动规划能力的衰减是这些现象发生前的一个更早的前兆。
需要进一步的研究的问题:(i) 3-4、11-12、16-17区域在左右脑半球中的不对称性;(ii)由于对多个脑区和数据段的多重比较,结果可能存在偏差;(iii)驾驶模拟器的结果是否可推广至真实道路情况。
参考文献:
1. Daly, I., Scherer, R., Billinger, M. and Muller-Putz, G. FORCe: fully online and automated artifact removal for brain-computer interfacing. IEEE Trans. Neural Syst. Rehabil. Eng., 2015, 23: 725–736.
2. Desikan, R. S., Segonne, F., Fischl, B. et al. An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest. NeuroImage, 2006, 31: 968–980.
3. Ferrara, M. and De Gennaro, L. Going local: insights from EEG and stereo-EEG studies of the human sleep–wake cycle. Curr. Top. Med. Chem., 2011, 11: 2423–2437.
4. Gramfort, A., Papadopoulo, T., Olivi, E. and Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. Biomed. Eng. Online, 2010, 9: 45.
5. Horne, J. A. and Reyner, L. A. Driver sleepiness. J. Sleep Res., 1995, 4: 23–29.
6. Hung, C. S., Sarasso, S., Ferrarelli, F. et al. Local experiencedependent changes in the wake EEG after prolonged wakefulness. Sleep, 2013, 36: 59–72.
7. Krueger, J. M. and Tononi, G. Local use-dependent sleep; synthesis of the new paradigm. Curr. Top. Med. Chem., 2011, 11: 2490–2492.
Mazziotta, J., Toga, A., Evans, A. et al. A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos. Trans. R. Soc. Lond. B Biol. Sci., 2001, 356: 1293–1322.
8. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find. Exp. Clin. Pharmacol., 2002, 24: 5–12.
9. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D. and Leahy, R. M. Brainstorm: a user-friendly application for MEG/EEG analysis. Comput. Intell. Neurosci., 2011, 2011: 879716.
10. Therneau, T. M. and Grambsch, P. M. Modeling Survival Data: Extending the Cox Model. Springer, New York, 2000.
11. Vyazovskiy, V. V., Olcese, U., Hanlon, E. C., Nir, Y., Cirelli, C. and Tononi, G. Local sleep in awake rats. Nature, 2011, 472: 443–447.
Åkerstedt, T. and Gillberg, M. Subjective and objective sleepiness in the active individual. Int. J. Neurosci., 1990, 52: 29–37.
仅用于学术交流,若有侵权,请后台留言,管理员即时删侵!