基于多元经验傅里叶分解的驾驶疲劳检测研究学术报告
一、 研究团队与发表信息
本研究由来自印度理工学院印多尔分校（Indian Institute of Technology Indore）电气工程系的 Ashok Mahato, Kritiprasanna Das 和 Ram Bilas Pachori*（通讯作者）共同完成。研究成果以论文形式《A multivariate approach for drowsiness detection using empirical Fourier decomposition》发表于学术期刊 Biomedical Signal Processing and Control 第113卷（2026年），论文识别码为108944。
二、 学术背景与研究目标
本研究属于生物医学信号处理与模式识别交叉领域，具体聚焦于利用生理信号进行驾驶疲劳（Drowsiness）的自动检测。驾驶疲劳是导致交通事故的关键因素之一，开发可靠的警觉性监测系统对提升道路安全至关重要。现有基于行为参数（如眼动、头部姿态）或驾驶参数的方法易受光照、路况等环境因素干扰。相比之下，生理信号，特别是脑电图（Electroencephalogram, EEG）和眼电图（Electrooculography, EOG），因其直接反映神经认知状态和眼部活动，被认为是检测疲劳的更可靠指标。
然而，EEG和EOG信号具有非平稳、非线性的特点。传统的基于固定基函数（如傅里叶变换）或需要预先选择参数（如小波变换）的信号分析方法在处理这类信号时存在局限，可能无法提供最优的信号表示。尽管已有如经验模态分解（Empirical Mode Decomposition, EMD）及其多元扩展等自适应分解方法，但它们常面临计算复杂、缺乏严格数学理论支撑或模态混叠等问题。近年来，经验傅里叶分解（Empirical Fourier Decomposition, EFD）作为一种新的自适应信号分解方法被提出，但其最初仅适用于单通道信号。
基于此背景，本研究旨在解决多通道生理信号（EEG和EOG）在疲劳检测中的有效分析问题。具体研究目标包括：1) 将单通道EFD方法扩展为适用于多通道信号的多元经验傅里叶分解（Multivariate EFD, MEFD）方法，以实现跨通道的模态对齐；2) 利用MEFD分解EEG和EOG信号，并从中提取有效的特征；3) 开发一个基于多模态（EEG+EOG）通道融合的、与受试者无关的疲劳检测框架，实现对清醒（Awake）、疲倦（Tired）和困倦（Drowsy）三种状态的分类；4) 验证所提出框架的性能，并与现有先进方法进行比较。
三、 详细研究流程与方法
本研究遵循一个系统的数据处理与分析流程，主要包括数据预处理、信号分解、特征提取与选择、分类建模及性能评估。
1. 数据预处理与分段： 研究采用了公开的SEED-VIG数据集。该数据集包含23名受试者在虚拟现实模拟驾驶环境中记录的EEG（17个通道，采样率1000 Hz）和EOG（7个通道）信号，总时长118分钟。原始信号首先经过1-75 Hz的带通滤波以去除伪影，随后EEG和EOG分别被下采样至200 Hz和125 Hz以降低计算复杂度。最后，将每位受试者的连续信号以8秒为长度进行分段，得到885个数据段（Epoch）。
2. 信号分解——提出多元经验傅里叶分解（MEFD）： 本研究核心创新之一是提出了MEFD算法，用于同步分解多通道信号。其工作流程如下： * 输入：多通道时间序列信号。 * 步骤1：平均频谱估计：计算所有通道信号傅里叶频谱幅值的平均值，得到一个代表多通道共同频率特性的“平均频谱”。 * 步骤2：增强频谱分割方法（Enhanced Spectrum Segmentation Method, ESM）：在平均频谱上定位局部极大值点，选取前B个（B为预设的模态数量）最大幅值对应的频率点，并结合0频率和奈奎斯特频率，确定(B+1)个频谱边界。这些边界将频谱划分为B个频带，确保了所有通道基于相同的频率边界进行分解，从而实现了模态对齐。 * 步骤3：设计零相位滤波器组：根据步骤2得到的频谱边界，构建一组零相位带通滤波器。每个滤波器仅允许特定频带内的频率成分通过。 * 步骤4：滤波与重构：将每个通道的信号频谱分别通过这组滤波器，然后进行逆傅里叶变换，得到每个通道对应的B个模态分量（Modes）。所有通道的同一序号模态具有相同的频率范围。 * 输出：所有通道分解后的模态分量矩阵。
该方法的优势在于，通过共享的平均频谱确定分割边界，强制所有通道的分解在相同的频率尺度上进行，从而保留了多通道信号间的协同振荡特性，这对于后续提取一致、可比的特征至关重要。
3. 特征提取： 从MEFD分解得到的每个模态中，为每个通道提取了共计18个特征，构建了一个高维特征向量。这些特征分为四类： * 统计特征（8个）：均值、标准差、方差、中位数、最大值、最小值、峰度、偏度。 * Hjorth参数（3个）：活动性（Activity）、移动性（Mobility）、复杂性（Complexity），用于描述信号的基本时域特性。 * 能量特征（2个）：平均能量（Mean Energy, ME）、平均Teager能量（Mean Teager Energy, MTE）。 * 熵特征（5个）：香农熵（Shannon Entropy）、Tsallis熵、Rényi熵、对数能量熵（Log Energy Entropy）、微分熵（Differential Entropy），用于量化信号的复杂度和不规则性。
4. 特征选择与融合策略： * 特征重要性评估：使用单因素方差分析（Analysis of Variance, ANOVA）方法对所有提取的特征进行显著性检验，依据p值对特征进行排序，p值越小表明该特征对区分不同疲劳状态越重要。 * 多模态融合策略：提出了两种融合EEG和EOG信息的方式以提升性能： * 通道融合（Model 1）：在分解前将EEG和EOG的所有通道合并为一个24通道的多元信号，然后直接应用MEFD进行分解和特征提取。 * 特征融合（Model 2）：分别对EEG和EOG信号进行MEFD分解和特征提取，然后将提取的两组特征向量拼接在一起。
5. 分类模型构建与评估： 研究采用了六种机器学习分类器进行性能比较，包括集成提升树（Ensemble Boost, EBT）、装袋树（Ensemble Bagged, EB）、子空间K近邻（Ensemble Subspace K-Nearest Neighbors, ESKNN）以及精细树（Fine Tree, FT）、中等树（Medium Tree, MT）、粗糙树（Coarse Tree, CT）。采用五折交叉验证评估分类性能。主要评估指标包括准确率（Accuracy）、特异性（Specificity）、敏感性（Sensitivity）和F1分数（F1-score）。研究重点开发了“与受试者无关”的分类模型，即使用所有受试者的数据混合训练一个通用模型，以测试其在新受试者上的泛化能力。
四、 主要研究结果
1. MEFD算法验证结果： 在合成信号和真实EEG信号上的测试表明，MEFD成功实现了跨通道的模态对齐。与对每个通道单独应用单通道EFD相比，MEFD确保了不同通道中相同频率成分的振荡模式被分解到相同序号的模态中。例如，对于包含多个频率分量的3通道合成信号，MEFD能正确地将所有通道中存在的40Hz分量对齐到同一个模态中，而单通道EFD则无法保证这种一致性。这证明了MEFD处理多元生物医学信号的适用性。
2. 不同信号模态下的分类性能： * 仅使用EEG信号：基于EBT分类器的平均准确率达到79.7%。最佳个体受试者（Subject 19）使用EB分类器达到了92.2%的准确率。与受试者无关模型的准确率为80.0%（EBT）。 * 仅使用EOG信号：基于EBT分类器的平均准确率为79.3%。最佳个体受试者（Subject 2）使用EB分类器达到了93.0%的准确率。与受试者无关模型的准确率为81.4%（EBT）。 * 多模态融合结果： * 特征融合（Model 2）：平均准确率最高为81.3%（EBT），与受试者无关模型准确率为85.9%（EBT）。 * 通道融合（Model 1）：取得了最佳整体性能。平均准确率最高为82.3%（EBT）。更重要的是，其与受试者无关模型表现突出，在EB分类器上达到了94.3%的准确率（敏感性94.1%，特异性96.8%，F1分数94.2%）。这表明在分解阶段就融合多通道信息（通道融合）比在特征层面融合（特征融合）更能有效提取互补信息，提升模型泛化能力。
3. 特征分析结果： ANOVA分析显示，在所有18类特征中，能量特征（特别是平均能量ME和平均Teager能量MTE）的区分能力最强（p值最小）。通过依次添加按显著性排序的特征进行测试发现，仅使用ME和MTE这两个特征就能达到最高的分类准确率，添加更多特征并未带来显著提升。这一发现不仅证实了能量特征在疲劳检测中的核心作用，也极大地简化了特征集，降低了计算复杂度。对重要特征的箱线图分析进一步揭示，来自第9和第10模态（对应较低频率成分）的特征，尤其是源自枕叶（如O1, O2）、顶叶（如P1）和额颞区（如FT7, FT8）EEG电极以及部分EOG通道的特征，对于区分清醒、疲倦和困倦状态具有最显著的判别力。
4. 与现有分解方法的对比结果： 研究将MEFD与另外三种多元信号分解方法——多元经验模态分解（MEMD）、多元变分模态分解（MVMD）和多元迭代滤波分解（MIFD）进行了全面比较。对比指标包括分解计算时间和与受试者无关模型的分类准确率（均使用通道融合策略及ME、MTE特征）。 * MEFD：取得了最高的分类准确率（94.3%），同时保持了较低的计算时间（约0.25秒/数据段）。 * MEMD和MVMD：虽然也能获得较高的准确率（分别为82.8%和81.6%），但其计算时间远高于MEFD。 * MIFD：计算速度最快，但其分类准确率（89.8%）低于MEFD。 综合来看，MEFD在分类精度和计算效率之间取得了最佳平衡。
五、 研究结论与价值
本研究成功开发并验证了一个高效、可靠的基于多元生理信号的驾驶疲劳检测框架。核心结论与价值如下： 1. 方法学创新：提出的多元经验傅里叶分解（MEFD）方法有效解决了多通道信号分解中的模态对齐问题，为分析EEG、EOG等多变量生理信号提供了一种新的自适应工具。 2. 高性能检测框架：通过结合MEFD分解、有效的能量特征（ME, MTE）以及多模态通道融合策略，构建了一个与受试者无关的疲劳检测模型。该模型在公开数据集上对三状态（清醒、疲倦、困倦）分类达到了94.3%的高准确率，表现出优异的泛化性能。 3. 实用性与应用前景：该框架在保持高精度的同时，通过使用最简特征集（仅两个能量特征）和相对高效的分解算法，降低了计算负担，增强了其实时应用的潜力。这为开发嵌入到车载系统或可穿戴设备中的实时疲劳预警系统提供了有力的技术方案。 4. 学术贡献：研究通过系统的实验比较，证明了所提方法相对于其他主流多元分解方法（MEMD, MVMD, MIFD）在疲劳检测任务上的综合优势（精度与速度），为相关领域的研究者提供了有价值的参考。
六、 研究亮点
七、 其他有价值的补充
研究中对SEED-VIG数据集的预处理和划分依据（使用PERCLOS指标，以0.35和0.7为阈值划分清醒、疲倦、困倦状态）进行了说明，并剔除了数据严重不平衡的受试者，保证了实验的严谨性。此外，论文详细列出了所有机器学习分类器的参数设置，增加了研究的可复现性。整个研究从问题提出、方法创新、实验设计到结果分析，逻辑链条完整，为基于生理信号的疲劳检测研究提供了一个优秀的范例。