NC：无线耳脑电图（ear EEG）监测嗜睡

摘要：神经可穿戴设备能够为飞行员和驾驶员提供监测嗜睡和健康的功能。当前的神经可穿戴设备前景广阔，但大多数需要湿电极和笨重的电子设备。本项工作展示了使用入耳式干电极耳机和紧凑硬件来监测嗜睡状态的方法。该系统集成了用于干式、通用型耳机的增材制造技术、现有的无线电子设备和离线分类算法。记录了九名受试者在进行嗜睡诱导任务时的35小时电生理数据。支持向量机分类器在评估已见过的用户时准确率为93.2%，在评估从未见过的用户时准确率为93.3%。这些结果表明，无线、干式、通用型耳机在分类嗜睡状态方面的准确率与现有最先进的湿电极入耳式和头皮系统相当。此外，这项工作还展示了在未来电生理应用中实现基于人群训练的分类的可行性。

1. 引言

操作重型机械时，嗜睡与疲劳状态极有可能危及生命。据估算，美国每年有超过16.5%的致命车祸涉及酒驾，导致8000多人丧生，并造成高达1090亿美元的经济损失。除了个人与商业（如卡车运输）事故外，美国国家安全委员会还将疲劳列为建筑和采矿行业的首要风险。尽管这些事故风险可通过常规风险评估来预防，但疲惫不堪的个体往往难以在灾难发生前充分认识到自身状态的恶化。为此，嗜睡监测技术应运而生，它们利用基于摄像头的眼动追踪、转向轨迹传感器或电生理记录设备等手段。其中，眼动追踪在汽车环境中表现出色，但易受太阳镜等障碍物遮挡；而转向传感器则在崎岖道路上可能产生误报。相比之下，以用户为中心的记录方法，如随身相机、光电容积脉搏波描记法（PPG）、皮肤电活动、心电图（ECG）、眼电图（EOG）和脑电图（EEG），因其便携性和适应性强，在专业工作环境中日益受到青睐。这些技术已被融入各种设备形态中，如眼动追踪眼镜、PPG/ExG追踪头盔以及入耳式ExG传感器等。在这些方法中，ExG通常展现出最高的嗜睡检测精度。

表面脑电图（EEG）作为一种安全、无创的技术，能够监测头皮上的大脑电活动。在临床上，EEG主要用于监测和诊断与睡眠和癫痫相关的神经系统疾病。传统临床系统采用大型的金（Au）和银/氯化银（Ag/AgCl）电极阵列，这些电极通过形成电容界面（Au）或法拉第界面（Ag/AgCl）来确保稳定的电极-皮肤接触。然而，湿电极阵列往往体积庞大且脆弱，不适合日常使用，且长期使用需皮肤准备，易导致皮肤刺激和损伤。为促进实验室外应用并简化临床操作，最新的可穿戴EEG监测系统致力于开发更小巧的湿电极阵列（如cEEGgrid）及无需水凝胶的干电极技术，将电子元件与电极集成于耳机形态，并配备便于日常使用的软件包。尽管改进的湿电极系统能提供长时间的隐蔽EEG监测，但仍需水凝胶应用，限制了其日常便利性。干电极系统则在研究、商业及业余爱好者领域展现了卓越的神经信号记录能力，广泛应用于疾病监测、脑机接口（BCI）及冥想指导等领域。随着商业化进程的推进，无线EEG系统正被开发并部署于更多元的环境中。尽管如此，最轻便的系统仍采用干电极，尽管减少了设置时间，但通常仍需皮肤清洁和电极表面处理，且相关软件包需专业培训后方可使用。此外，耳机电子设备更适用于研究和临床环境，而非日常公共使用。

耳道内的离散、多通道EEG记录技术已得到验证，其最新进展聚焦于听筒设计、电极材料以及多传感器阵列的优化。耳道作为传感器位置的理想选择，因其机械稳定性强且具备丰富的记录模式。入耳式传感器和电极能够记录颞叶活动、血氧饱和度、头部运动及咬肌活动，适用于多模态传感，尤其在不需要高空间覆盖的情况下表现尤为出色。尽管某些应用可能将肌肉活动或耳道变形视为干扰信号，但这些信号在其他ExG应用场景中可能具有潜在价值。需注意的是，与广泛覆盖的头皮阵列相比，耳内及耳周EEG在收集空间编码大脑活动方面存在本质上的限制。许多成功的设计利用涂有水凝胶的柔性PCB阵列或定制听筒来记录ExG特征，如EOG、低频EEG（1-30Hz）及诱发电位（40-80Hz）。这些基于湿电极的定制听筒系统验证了耳内监测在注意力、癫痫发作、整夜睡眠监测及睡眠阶段分类中的可行性。然而，由于采用定制方法，听筒需逐个集成以最小化体积，导致电极定位各异，且皮肤准备和水凝胶使用易引发电极间导电桥接，影响用户舒适度和电极寿命。因此，未来耳内ExG记录的发展将聚焦于用户通用听筒设计、干电极、无线电子设备及免维护电极材料的应用。

最新一代用户通用耳机集成了湿电极、干电极、PPG及/或化学传感器，在脑状态与活动分类中展现出高度准确性。基于干电极的耳内ExG记录与湿电极在低频神经节律、诱发电位及EOG方面的表现相当。尽管干电极因较高的电极-皮肤阻抗（ESI）界面而可能更易受噪声影响，但其省去了水凝胶的使用，简化了听筒操作过程，提升了用户舒适度。为在舒适性与低ESI之间找到平衡点，最先进的干电极技术采用了多种解决方案，包括特殊材料、导电复合材料、电容式界面、固体凝胶及高表面积3D电极（如微针、指状电极和纳米线）。导电柔性复合材料如镀银玻璃硅胶和碳注入硅胶虽导电性稍逊于PEDOT和IrO，但提供了更高的舒适度。这些材料由聚合物或弹性体制成，可塑性强，适用于解剖学适配电极，并通过添加导电颗粒实现理想的ESI。然而，导电颗粒的增加会限制聚合物交联，可能导致长期使用后开裂。临床和行业标准材料通常为银/氯化银（Ag/AgCl）和金，因其成本效益、生物相容性和电气特性而备受青睐。Ag/AgCl可通过在3D电极上涂漆形成一致的法拉第低阻抗界面，而金电极则因其惰性更强、可重复使用及形成不依赖于导电离子的电容界面而适用于长效ExG记录系统。大多数商用可穿戴设备及现有耳内ExG系统均采用Ag/AgCl、Au或导电复合电极。

电极仅是信号采集的一环，还需神经记录硬件来数字化神经信号并将其传输至处理单元/基站进行离线分析。面向消费者的神经记录硬件往往定制化程度高，具备低带宽、低噪声和低功耗特性。这些设备的带宽通常在100Hz左右，且能实现超低功耗运行（<100μW）。而研究级设备则利用高分辨率和高带宽硬件进行更深入的分析，支持更多通道数、商业无线协议（蓝牙或Wi-Fi）、更高采样率（500-1000Hz）及多种信号模式（如EMG），但功耗也更高（>50mW）。低噪声和高分辨率系统提供了更大的灵活性、可重复的信号处理（如频率分析、时域平均等）及算法开发能力，有助于阐明不同特征类别、减轻干扰并发现新应用。此类系统已被用于构建基于P300响应和稳态诱发电位的BCI系统。在将现有电子设备适配于可穿戴干电极时，需考虑增加的ESI、系统噪声及干扰敏感性对电源需求和下游机器学习算法的影响。采用多功能、高功率电子设备及易于解释、轻量级的经典算法（如逻辑回归、支持向量机、随机森林）是优化传感器与电源的重要第一步。为此，本研究采用高通道数、高带宽系统来探讨ExG电极技术与嗜睡检测之间的关系。

除系统优化外，机器学习算法的选择也决定了系统功能的训练、数据及处理要求。理想的日常ExG系统应即插即用、持续改进，并在无线连接不稳定或大型处理能力受限时（如建筑工地、飞机和卡车）仍能提供反馈。经典算法如逻辑回归、SVM和随机森林在有限数据集上分类神经信号方面表现出色。基于神经网络的算法也取得了显著成果，是未来研究的有力候选。然而，神经网络算法通常需要更多训练数据，这限制了其在小型数据集上的应用。相比之下，可解释算法如逻辑回归和SVM能更深入地揭示哪些特征具有足够的信噪比进行分类，并可能跨不同应用推广。此外，SVM、逻辑回归和随机森林等算法对处理能力的需求较低，适合在现有微控制器上进行低功耗、边缘部署。尽管现有耳内ExG BCI通过用户特定训练和验证实现了高精度分类，但理想的入耳式ExG可穿戴设备应利用预先训练的算法，使新用户无需耗时培训即可使用。这种用户通用分类在头皮基嗜睡监测中已取得成功，但在耳内ExG领域尚待探索。

该项目标志着无线干电极入耳式ExG传感器在睡意分类领域的首次成功集成与演示。为实现这一目标，我们创新性地提出了一种耳内脑电图传感器制造方案，该方案无缝集成了现有的无线数据采集平台，并通过针对九位受试者的开源机器学习分类方法进行了全面验证。历经数月的电极使用周期优化，我们引入了专为重复使用、佩戴舒适且低阻抗设计的镀金干电极制造工艺，并在实际测试中展现出卓越性能。此电极技术为可循环使用的Au电极提供了前所未有的快速原型制作途径，这些电极在长达12个月的使用后依然保持性能稳定，有效替代了传统上依赖寿命较短的Ag/AgCl电极或昂贵的铂、IrO3等材料制成的电极。随后，我们将这些优化的听筒与先进的无线、隐蔽式电子设备相结合，打造出一个能够连续进行超过40小时低噪声神经测量的可穿戴入耳式ExG系统。此系统的核心成果——Ear ExG BCI，通过一项针对九名受试者的嗜睡监测研究得到了充分验证。研究中，我们从记录的ExG数据中提取了低复杂度的时间与频谱特征，并训练了多个离线机器学习模型，以实现高精度的自动睡意检测。最终，采用支持向量机的最佳模型在评估已知用户时，达到了93.2%的平均嗜睡事件检测准确率；而在面对全新用户时，该模型同样展现出了93.3%的卓越检测能力。这一系统及其与离线分类器的有效结合，不仅为未来的谨慎、完全无线、长期的大脑监测研究奠定了坚实基础，还预示着个性化健康管理与脑科学研究的新篇章（图1）。

图片

图1 设想的Ear ExG可穿戴设备

2. 结果：耳部 ExG 嗜睡监测平台

2.1 模块化电极设计、制造和组装

听筒设计：为了创造一款易于使用且适合各年龄段、人口统计广泛的神经可穿戴设备，我们设计了一个通用的耳机和电极方案，旨在实现跨多个用户群体的舒适、长期佩戴。我们开发了小型、中型和大型尺寸的模块化电极设计，以适应不同用户的耳道大小。考虑到耳道随年龄增长可能发生的形态变化，我们的听筒设计特别注重适应这些变化。基于先前研究的成果，我们选择了能够最小化通道间相关性并最大化机械稳定性的高价值电极位置。为了扩大电极与不同个体的接触面积，我们为小型、中型和大型听筒设计了略有差异的电极尺寸。最终选定的“中型”听筒配置了四个位于耳道内的6mm²电极和两个位于耳甲镲及耳甲腔上的3cm²电极（图2），这样的布局优化了数据采集效果与佩戴舒适度。入耳式电极采用悬臂设计，能够温和地施加向外压力，降低了ESI（在50Hz时介于370kΩ至120kΩ之间），并增强了机械稳定性。外耳电极作为基准点，确保每次佩戴时电极均能接触相同位置，提高了数据的一致性。同时，耳外电极作为良好的参考和接地选择，因其与大脑和肌肉的距离较远，减少了干扰。为了改进听筒组件的舒适度，我们采用了透明的甲基丙烯酸酯光敏聚合物进行3D打印，制作出柔软的听筒主体（图2）。每个刚性电极都连接至弹性基材上，能够独立移动以适应不同用户的耳朵形状。这种新的模块化设计不仅展示了我们在歧管听筒制造工艺上的能力，也为未来神经可穿戴设备的个性化定制和广泛应用奠定了基础。

电极制造：开发了一种低成本、完全化学沉降的电镀工艺，以实现任意形状电生理传感器的快速原型设计。电极是用透明的甲基丙烯酸酯聚合物 3D 打印的（图 2c） 进行喷砂处理以增加表面粗糙度。然后将样品浸没在不同的催化剂浴中，以形成铜、镍和金金属层。最后，镀锡铜线直接焊接到电极表面，以便与神经记录前端集成。这种电镀工艺增加了镍层，限制了铜的晶界扩散并显著延长了电极的使用寿命。此外，镀镍步骤消除了重复化学镀钯的需要和制造步骤的总数。而其他耳内电极使用昂贵的材料，如 IrO3或水凝胶，这种改进的层堆叠（Cu、Ni、Au）让人想起印刷电路板制造，并为电极原型制作提供了类似级别的规模。最终表面包含至少 0.5 μm 的铜、0.5 μm 的镍和 0.25 μm 的金，适用于干电极记录。

图片

图2 听筒组装、安装和制造过程

图片

图3 电镀表面特征

2.2 电镀工艺特征

材料酸浸测试和胶带测试：最终的电极表面在物理和化学性质上均展现出卓越的坚固性。我们在整个电极表面周围精心贴附Kapton胶带，随后将其移除，此过程中未观察到金、镍或铜的明显脱落，这有力证明了胶带对甲基丙烯酸酯基材具有极强的粘附力。为进一步验证金表面的致密度与连续性，我们将镀金电极样品浸入硝酸浴中进行测试。值得注意的是，尽管浓硝酸和稀硝酸分别对铜和镍具有显著的溶解作用，但在将镀金电极浸入1M硝酸浴后，其表面并未显现出任何可察觉的变化，而对照组的铜和镍样品则迅速被蚀刻，暴露出底层的甲基丙烯酸酯基材。随后进行的酸浸试验结合显微镜检查（图3a），细致入微地检查了电极表面，结果令人欣慰：未发现任何可能影响电极表面完整性或电气性能的微裂纹或纳米级缺陷。这一发现不仅确认了镀金电极的高品质，也为其在神经可穿戴设备中的长期应用提供了坚实的保障。

表面粗糙度特征：我们采用光学显微镜图像与测针轮廓测量技术，详尽评估了单个平面样品在电镀工艺各步骤间的表面粗糙度变化。图3b直观展示了各电镀阶段样品表面的归一化形貌演变，其中报告的Rp值（即绘制线的标准差）作为量化指标，反映了表面粗糙度的具体变化。尽管在每个连续的电镀步骤中，样品的表面粗糙度均呈现出轻微的下降趋势，但值得注意的是，最终形成的金表面相较于初始的平面状态，仍保持着更为显著的粗糙特征。这种粗糙化不仅有效增大了电极的表面积，为薄膜附着提供了更有利的条件，还通过减少ESI的数值，进一步优化了电极的电气性能。因此，这一设计改进对于提升神经可穿戴设备的整体效能具有重要意义。

薄层电阻：电镀工艺完成后，我们迅速采用四点探针法对各样品的薄层电阻进行了精确表征。针对每个镀铜、镀镍及镀金样品，均执行了40次独立的薄层电阻测量以确保数据的可靠性。结果显示，镀铜样品、镀镍样品及镀金样品的平均薄层电阻分别为177.9 ± 10.9 mΩ⁻¹、95.5 ± 1.3 mΩ⁻¹和30.3 ± 3.7 mΩ⁻¹（图3c）。这一数据清晰表明，随着电镀过程中后续金属层的依次形成，样品的薄层电阻逐渐减小，表面导电性显著增强，达到了更为稳定且高效的导电状态。

2.3 多个用户耳内电极的生物阻抗

为了全面评估耳内电极与皮肤之间的阻抗特性，我们采用了阻抗谱分析技术，并邀请了四名受试者参与了对入耳式电极及耳外镲电极的阻抗测量实验，共计进行了20次独立测量。为了模拟真实生活中的耳道环境，包括耵聍和油脂的存在，我们在每次测试前均未进行皮肤准备，并坚持重复测量，直至成功获取耳道内所有四个电极的阻抗数据。鉴于ESI（电极皮肤阻抗）测量值通常涉及两个干电极，我们特地将记录下的ESI值除以2，以准确反映单个干电极的平均ESI水平。所有阻抗测量均借助由墙壁插座供电的Keysight E4980A LCR表完成，该表被配置为两点探头模式，其中每个电极独立作为一个探头进行工作。为确保受试者的安全与舒适，LCR表被设定为0.5mA的电流限制，有效避免了任何不适或潜在伤害。尽管LCR表本身已具备在电力线干扰环境下实现高精度测量的能力（误差控制在3%以内），我们仍采取了额外的预防措施，即使用地线对电极电缆进行屏蔽，以进一步降低外界干扰对测量结果的影响。随后，我们将所有阻抗测量结果拟合至一个等效电路模型中（电路模型示意图见图3d），这一步骤不仅有助于我们更深入地理解电极-皮肤接口处相位元件相关的运动伪影建立过程，还为未来模拟前端的设计提供了宝贵的参考依据。具体而言，在50Hz频率下，该接口的平均阻抗值为120kΩ，相位角为-33°，这些数据为优化电极性能、提升信号质量奠定了坚实基础。

3. 轻型ExG记录系统

我们采用了一款固定于头带上的创新紧凑型无线记录平台——WANDmini，来高效捕获ExG（电生理信号）数据（图4a）。WANDmini作为一款专为耳内脑电图研究量身打造的无线神经记录前端，已在多项研究中成功部署。该平台源自原本用于皮层电图记录的系统，经过精心改造与升级，集成了定制的神经记录电路、高性能微控制器以及蓝牙无线电模块，实现了数据的无线传输。NMIC以其卓越的1 kSps（每秒千次采样）速率，能够同时数字化多达64个全差分电生理通道，确保了数据的全面性与准确性。在WANDmini中，这些通道被巧妙地配置为单极蒙太奇模式，通过一个共享的参考电极进行信号整合，这一设计不仅优化了脑电图（EEG）、心电图（ECG）及肌电图（EMG）等多种生理信号的记录，还预留了足够的采样率与通道数冗余，有效消除了记录设备本身可能带来的瓶颈限制。数据在板载微控制器的处理下被打包，随后通过低功耗蓝牙（BLE）技术，高效、稳定地传输至主基站，实现了数据的即时获取与远程监控（图4a）。值得一提的是，系统的主要功耗集中在微控制器与蓝牙传输模块上，约占总体功耗的98.3%，因此，即便部分通道未被激活使用，也不会对整体功耗产生显著影响。在NMIC与WANDmini分别保持700μW与46mW低功耗运行的状态下，一块3.7V、550mA的电池即可提供长达约44小时的不间断工作时间，充分满足了长时间监测的需求。相较于市面上常见的商用神经记录前端（如ADS1298/1299），NMIC以其极低的功耗、高通道数及优异的本底噪声表现脱颖而出，成为了我们模块化耳内脑电图原型开发中的理想之选。此外，我们还开发了专有的图形用户界面（GUI），为主机提供直观的数据可视化与保存功能，同时集成了反应时间游戏、听觉提示及视觉警报等互动元素，为实验监督者与测试对象提供了便捷的操作体验与实时反馈。

图片

图4 实验设置、记录和标记方案

4. 脑电图表征和用户通用嗜睡检测

嗜睡研究：为了全面评估系统的整体性能，我们开展了一项针对9名受试者的长达35小时的嗜睡状态研究，期间连续记录了Ear ExG数据。每位受试者佩戴了两个听筒，电极布局采用对侧单极蒙太奇方式，这种设计既确保了电极间的适当间距以有效捕捉ExG信号，又通过双耳配置增强了信号幅度。为了诱导嗜睡状态，受试者参与了一个重复性的反应时间游戏，该游戏要求他们每60秒对屏幕上随机出现的0至9之间的数字进行快速响应，同时系统自动记录其反应时间（图4a）。此外，每5分钟，系统会提示受试者根据卡罗林斯卡嗜睡量表（KSS）进行主观嗜睡程度评估，该量表采用李克特式评分，范围从0（极度警觉）到10（极度困倦，努力保持清醒），是评估主观嗜睡感受的常用工具。我们精心设定的60秒和5分钟的测试间隔，是基于初步实验及过往研究的综合考量，旨在平衡减少测试干扰与获取足够数据点之间的需求。所有记录的ExG数据、提示时间、反应时间及KSS评分均通过我们自主研发的图形用户界面（GUI）进行保存，为后续的数据处理及机器学习模型训练提供了坚实基础（图4b）。实验结束后，我们立即对每位受试者的反应时间及KSS评分进行了阈值处理，以此自动生成每次试验的嗜睡/警觉标签。这一步骤基于先前研究的发现，即行为反应与嗜睡状态之间存在紧密关联。通过结合客观（反应时间）与主观（KSS评分）嗜睡测量，我们能够在考虑到用户错误及记忆偏差的情况下，生成高置信度的数据标签。值得注意的是，只有当客观与主观测量均指向同一嗜睡分类时，该事件才会被最终确认。此外，鉴于不同受试者间反应时间及KSS评分的变异性（如先前研究所指出），我们在为每个受试者设定阈值时采用了个性化方法。最终，在总计34次试验中，我们成功记录了65个嗜睡事件，确保了每项试验至少包含一个嗜睡事件，为后续的深入分析提供了丰富的数据支持。

嗜睡分类：ExG数据的处理与训练流程涵盖了后处理、特征提取及模型训练三大关键步骤（图5a）。首先，我们参考ExG记录，通过最大化空间覆盖、应用带通滤波，并将数据分割为50秒或10秒的窗口，以确保数据的连续性与分析的高效性。在数据预处理阶段，若某数据窗口内出现超过10mV的显著伪影（通常由运动引起），该窗口将被自动剔除，尽管这种情况在实际操作中较为罕见，因为大多数伪影的幅度远低于基线RMS电压的1mV阈值。接下来，我们聚焦于与ExG嗜睡检测紧密相关的时间与频谱特征提取，这些特征覆盖了标准EEG频带中可能影响嗜睡检测的眼部伪影及脑电活动，具体包括：delta（δ，0.05-4 Hz）、theta（θ，4-8 Hz）、alpha（α，8-13 Hz）、beta（β，13-30 Hz）以及gamma（γ，30-50 Hz）频段。这些特征的选择旨在全面捕捉与嗜睡状态变化相关的神经电生理信号变化。在模型训练阶段，我们采用了多种机器学习算法，包括低复杂度的logistic回归、支持向量机（SVM）以及随机森林分类器，以构建二元分类模型（清醒/嗜睡）。这些模型的选择基于其各自在分类任务中的优异表现与泛化能力，旨在通过对比不同算法的性能，选出最适合于ExG嗜睡检测任务的模型。

为了在不同使用场景下评估模型性能，我们采用了三种交叉验证技术。由于嗜睡和清醒类别之间固有的不平衡性，每个分类模型都采用了平衡方案，其中过多表示的类别被赋予比表示不足的类别更小的类别权重。在嗜睡与清醒的情况下，清醒的时段被赋予与时段数量成反比的类别权重。这允许在所有训练/交叉验证方案中更公平地对待各个类别（因为它们将具有不同的类别平衡）。在验证过程中，分类器模型返回的类别概率通过设置阈值以获得最终的二进制输出（图5b）。

图片

图5 嗜睡检测器训练和验证图

5. 嗜睡分类结果

α波(8- 12hz)是一种自发的神经信号，可以反映一个人的放松状态，这使其成为基于exg的嗜睡分类的重要频谱特征。来自单个用户演示alpha波调制的样本记录如图6a所示。这种调制在时频谱图中是清晰的(图6a)。为了更定量地评估调制比，图6a还绘制了受试者每30秒睁眼和闭眼时整个α波段的平均功率。所提样本数据的调制比为2.001。

跨验证方案的分类器比较：在所有模型和特征窗口大小中，用户特定分类结果的总体平均值从77.9%到92.2%不等。在用户通用的leave-one-trial-out案例中，当在34个试验中交叉验证时，平均分类准确率更高，范围为91.4%至93.2%。这很可能是由于可用于培训的数据量增加了。最后，留一个用户验证方案在所有用户、窗口大小和模型上的平均分类准确率为88.1%-93.3%。图6b-g显示了适当的平均建模精度和标准偏差。

图片

图6 脑电测量及分类性能

10秒vs 50秒：研究了两种特征窗口方案，10 s(图6b-d)和50 s(图6e-g)窗口。所有的训练步骤，包括特征选择，都是独立完成的。在特定于用户的验证方案中，10s特性窗口会导致显著的性能损失。例如，当特征窗口大小增加到50s，基于用户特定逻辑回归的分类器的平均性能从77.9%增加到90.8%。然而，当对10个窗口的特征使用“留一个试用”和“留一个用户退出”验证方案时，可以观察到最小的准确性损失。这种最小的准确性损失很可能是由于相对于单个模型只训练1-4次试验的用户特定情况，模型可用的训练数据量增加了。

分类器架构比较：为了提高睡意检测平台的可扩展性和可用性，采用了三个低复杂度的机器学习模型。所有模型都是在Python 3.8中使用scikit-learn包实现的。Logistic回归模型采用随机平均梯度下降求解器实现。使用L1正则化来添加一个等于特征系数大小绝对值的惩罚。支持向量机是用径向基函数(RBF)内核来实现的，以考虑可能不可线性分离的数据。训练的模型使用最多400个支持向量和一个正则化参数C=1。随机森林模型采用100棵树，最大深度为5，以防止过拟合。这些实现导致使用python的pympler包估计内存占用。逻辑回归、SVM和RF模型分别需要2.8 kB、144.2 kB和63.8 kB。这些内存要求完全在现代微控制器的嵌入式存储器(例如，32位ARM Cortex-M)的容量之内。由于这三种模型都达到了很高的准确率，很明显，困倦是可以用入耳式脑电图记录进行分类的。没有模型显示出明显更好的性能。逻辑回归模型的计算效率更高，需要更少的内存，并且可以更容易地训练/部署更小的数据集。

6. 讨论

我们已经报道了入耳式干电极的设计和制造，以及无线、可穿戴、入耳式ExG平台的组装和评估，该平台可用于对从未见过的用户进行离线困倦检测。这个平台的所有方面都可以适应不同的用例。3D打印和化学镀金电极可以快速增强任何解剖优化的可穿戴设备和长时间使用/重复使用，WANDmini可以支持多日电生理监测，并且提出的离线分类器展示了未来基于干电极的大脑状态分类的潜力。

我们的研究结果为下一代独立可穿戴设备的开发提供了希望，这些设备可以在工作环境和日常公共场景中监测大脑和肌肉的活动。为了实现这些独立的无线系统，未来的工作需要将这些分类器集成在芯片上进行实时大脑状态分类，并将所有硬件小型化到一对耳塞中。此外，硬件将需要支持在线分类，以允许全天、巡回使用。最后，重要的是采用这种小型化的硬件，并在更广泛的人口统计中实施用户研究。通过监测18-65岁以上个体的耳内脑电图，可以进一步研究年龄特异性模型。如果一个单一的模型无法在如此大的年龄范围内对困倦的刻板印象进行分类，那么为模型提供年龄、性别、已知的睡眠障碍和前一晚的睡眠质量等背景将是很有趣的。此外，在这项工作中进行的特征选择表明，更简单的计算，如带宽功率比，足以用于困倦分类。如果这种情况在更大的人口统计数据中仍然存在，那么特征提取器可以忽略计算成本高的特征，如标准偏差、不同的熵度量等，以减少嵌入式分类场景中的功耗。通过上述集成，一对耳塞将显著实现长期、每日记录的ExG，而不会打断用户的一天或耻辱。这些测量将开启一个全新的研究时代，用于追踪抑郁症、阿尔茨海默氏症、嗜睡症或压力等疾病引起的长期认知变化。

7. 方法

研究批准和道德同意：用户研究、受试者招募和所有数据分析均由加州大学伯克利分校机构审查委员会批准。所有参与研究的人都获得了他们的知情同意，他们的结果将被纳入所呈现的图表/数据中。

电极制造：电极和耳机都是用立体光刻(SLA) 3D打印机(Formlabs Form 3打印机)用标准的、透明的甲基丙烯酸酯光聚合物打印的(图2c)。使用SLA打印机是因为它比标准的长丝沉积建模(FDM)打印机精度更高。在SLA打印机中，光敏聚合物的薄层是用激光固化的。由此产生的打印表面必须在紫外线下清洗和固化，以实现最终的3D部分。由于结构的均匀打印层，原始3D打印表面具有高度的各向异性。为了创造一个更均匀的表面，电极结构用100粒白色熔融氧化铝喷砂介质进行喷砂，以去除印刷过程中遗留的规则表面图案，同时增加有效表面积。喷砂后的样品在Alconox清洗液中超声处理-10分钟，用去离子水冲洗。最后，电极结构在1%苯扎氯铵表面活性剂溶液中处理10分钟。这些表面处理步骤确保了具有高表面能的清洁电镀表面，并改善了催化剂/金属层的附着力。然后将样品浸泡在催化剂和镀液中。首先，将电极浸入盛有钯锡催化剂的烧杯中10分钟，然后用镀铜溶液浸泡至少6小时。这一初始电镀步骤产生了一层厚厚的铜层，如果放在周围的大气中，铜层将被氧化。因此，样品将被迅速冲洗，干燥，并放置在镀镍浴-10分钟。之后，将电极置于化学镀金溶液中约15分钟。在电镀步骤之间，用去离子水冲洗样品并彻底干燥。

WANDmini: ExG记录硬件：WANDmini板包含一个神经记录前端(NMIC)，一个带有166 MHz Advanced RISC Machine (ARM) Cortex-M3处理器的SoC FPGA和低能量无线电。SoC FPGA通过单个NMIC形成定制设计的2Mb/s数字信号和时钟接口，将所有数据和命令聚合成数据包，然后将所有数据包流式传输到2Mb/s 2.4 GHz低能无线电。WANDmini还包含一个20 MHz晶体振荡器作为时钟源，板载降压转换器，一个电池充电器电路，和一个6轴加速度计和陀螺仪。WANDmini可以记录多达64个通道的电生理数据和来自加速度计的运动信息，而困倦检测应用程序仅使用11个通道进行ExG监测。未来的应用可能会将实时运动伪影消除和分类直接集成到WANDmini的SoC FPGA中。

电生理记录装置：每个耳机有六个电极，四个在耳道内，两个在耳道外。默认的录音安排采用两个对侧佩戴的耳机，以最大限度地扩大空间覆盖和记录的信号功率27.39。这两个耳机提供多达11个ExG通道与一个共同的参考。任何一个铜锣电极都可以用作参考(未使用的电极可以用作附加的检测电极)。经过初步的实验，确定正确的铜锣电极是足够的，作为所有受试者的参比电极。因此，在单极蒙太奇中，每个ExG通道都参照右铜管钹电极(图2a中的电极Y)。将单个湿Ag/AgCl电极应用于受试者的右侧乳突，并连接到电池接地以减少干扰。

嗜睡试验概述：受试者参加了多次嗜睡试验，以实现用户特定和用户通用的训练。被试对耳部脑电图工作不熟悉。每个受试者记录的试验不超过5次，以保持多样化的数据池。在试验之前，受试者被告知研究目的，并要求在试验前“正常休息”(主观上)，不喝咖啡因。审判在早上8点到下午5点开着灯的一个安静的室内办公空间进行。戴上耳部脑电图系统后，受试者被单独留在试验空间，直到录音结束。在试验期间，受试者将坐在一张桌子前，面对一台带有定制GUI的笔记本电脑。实验对象被要求只完成反应游戏任务，在整个试验过程中不要看个人设备。受试者被允许移动他们的头，重新调整他们的座位，并移动他们的手臂，但被要求在整个过程中保持坐姿(以减少运动伪影)。每次试验时长为40-50分钟，由受试者自行结束，以防止困倦事件的中断。在试验结束时，受试者自己取下头带和耳机。他们被要求至少等待24小时才能参加随后的嗜睡试验，以最大限度地提高睡眠质量。

标签的生成：记录客观和主观的睡意测量，使得标签生成过程对用户错误的瞬间分心(当警觉的用户不看笔记本电脑时)具有鲁棒性。如果用户报告的困倦Likert项>5，并且他们的反应时间超过记录前5分钟平均时间的两倍，则Ear ExG样本被标记为“困倦”。标签然后通过一个3样本滚动平均滤波器和阈值，以实现二进制标签。

重参考和滤波：使用ExG重新引用来最大化空间覆盖。侧头戴式耳机。将每个耳内电极与左侧耳廓琴电极重新参照，并与右侧耳廓琴电极记录的11个脑电通道进行处理。为了消除电力线干扰(北美为60 Hz)，同时保持尽可能多的EEG活动，记录和重新引用的EEG通道都在0.05-50 Hz范围内进行了带通滤波。滤波器由一个5阶巴特沃斯高通滤波器(0.05 Hz角)和一个5阶巴特沃斯低通滤波器(50 Hz角)实现。这两个滤波器都是用python实现的，但也可以用16位寄存器的无限脉冲响应(IIR)滤波器实现，用于FPGA/嵌入式应用。

特征提取和选择：在Python 3.8中从分割的ExG数据中提取时间和光谱特征。计算了ExG数据的每个窗口以及所有记录和参考通道的低复杂性特征。在时域内计算电压标准差和最大峰间电压幅值，以目标人眼的眨眼伪影和运动。Welch的方法被用来计算功率谱密度(PSD)，并获得与注意力和放松相关的频率特性。在训练前计算以下频谱特征:计算δ、θ、α、β、γ脑电波段的最大PSD、峰值频率和PSD方差。计算了8、θ、α、β、γ、α/β、θ/β、(α+θ)/β、(α+θ)/(α+ θ)/(α+β)的绝对和相对波段功率。相对带宽功率是相对于总PSD在0.5- 50hz范围内的特定频段。此外，由于时间和光谱特征与嗜睡开始时的变化特征(如注意力和眼球运动)有关，因此将前一时期的特征包括在内，以解释ExG活动的变化。

通过减去中位数并根据其四分位数范围缩放所有特征。为了减少输入特征数，使用方差分析进行特征选择，以确定在训练期间最小化冗余和最大化类变化的前20个特征(总数)。在模型训练和验证过程中只包含这20个特征。这个特征选择也隐式地选择了用户中表现最好的电极(很可能是由于一些电极比其他电极更适合)。

统计和可重复性：未采用统计学方法预先确定样本量。没有数据被排除在分析之外。实验不是随机的。在实验和结果评估过程中，研究人员对分配并不盲目。

参考文献：Wireless ear EEG to monitor drowsiness.