- · 《临床心电学杂志》期刊[01/26]
- · 《临床心电学杂志》投稿[01/26]
- · 临床心电学杂志版面费是[01/26]
考虑性别因素的驾驶人疲劳状态非线性特征(3)
作者:网站采编关键词:
摘要:(a) HRV非线性特征1 (b) HRV非线性特征2 3 讨论 疲劳通常用作包含瞌睡和脑力疲劳的总括性术语[2].HRV非线性特征反映心脏自主神经系统的非线性动力学机制.已
(a) HRV非线性特征1
(b) HRV非线性特征2
3 讨论
疲劳通常用作包含瞌睡和脑力疲劳的总括性术语[2].HRV非线性特征反映心脏自主神经系统的非线性动力学机制.已有研究表明,这些特征与精神紧张[25]、疾病[26-27]等因素密切相关.在驾驶疲劳领域,已有部分HRV非线性特征得到了研究[7-8,12-13].但上述研究均未考虑性别因素对HRV特征的影响.为了与已有研究进行对比,本文首先采用Poincaré散点图、近似熵、样本熵、DFA分析、关联维和RPA分析等非线性方法分别提取驾驶人清醒状态和疲劳状态的HRV特征,并分析这些特征在不同精神状态间的差异.
表4 不同精神状态/不同性别驾驶人HRV非线性特征的Mann-Whitney U检验结果特征均值±方差MA(N=44)MF(N=109)FA(N=44)FF(N=114)Mann-Whitney U检验MA-MFFA-FFMA-FAMF-FFLSD1/ms24.?NSNS?LSD2/ms66.????NS??rSD2/SD13. 63.436 592.728 93.089 6271.097 0521.146 7581. 813NSNSNS?? 221.436 911.534 571.501 15NSNSNSNSα11.269 51.334 761.064 971.193 02NS?????α20.892 010. 720.930 690.938 12.409 33.196 92NS?NS?Lmean/beats11. 511. 111. 411. 6NSNSNSNSLmax/beats253./%34. 634. 332. 133. 9NSNSNSNSrDET/%98. 798. 1997. 398. 6NSNSNSNSEShan3. 093.173 523. 493.163 76NSNSNSNS
Poincaré散点图的LSD1反映心率的短期变异性,LSD2反映心率的长期变异性.LSD1和LSD2分别受副交感神经活动和总体自主调节的影响[26,28-29].rSD2/SD1或rSD1/SD2表征交感-副交感平衡的情况[28].吸烟与冥想均能引起Poincaré散点图特征的变化.冥想过程中,rSD1/SD2显著上升[28].与吸烟前相比,吸烟过程中,被试的LSD1和rSD2/SD1显著下降[29].在疾病方面,新陈代谢综合征患者在仰卧位时LSD1和LSD2显著低于参考组,在倾斜位时LSD2显著低于参考组[26].在驾驶疲劳领域,Abtahi等[8]的研究表明,与清醒状态相比,驾驶人在瞌睡状态LSD1(清醒为(21.6±11) ms,瞌睡为(27.9±14) ms)和LSD2(清醒为(53.0±22) ms,瞌睡为(69.7±30) ms)显著上升.本文的研究表明,与清醒状态相比,驾驶人在疲劳状态LSD1(清醒为(23.) ms,疲劳为(30.) ms)、LSD2(清醒为(61.) ms,疲劳为(86.) ms)和rSD2/SD1(清醒为2.995 9,疲劳为3.259 3)显著上升.本文的研究结果与文献[8]基本一致.需要指出的是,文献[8]的实验在真实道路上开展,一名研究人员坐在副驾位置,要求被试每隔5 min报告自身的KSS评分.而在本文的实验中,被试在高性能模拟器上进行无干扰的模拟驾驶实验.此外,本文报告了驾驶人疲劳状态的rSD2/SD1变化情况.HRV的频域特征与Poincaré散点图特征类似,低频段功率PLF(abs)特征反映心率短期变异性,高频段功率PHF(abs)反映心率长期变异性,低频-高频段功率比rLF/HF反映交感-副交感平衡情况.上述频域特征被认为具有区分驾驶人清醒和疲劳状态的能力[3,6,8].然而,Poincaré散点图分析和频域分析相比,具有如下优势[29]:① 不需要假设RR间期序列的线性和平稳性;② 可以同时提供所有RR间期的总体特征和细节特征;③ 可以对描述相邻RR间期的点实现可视化.
近似熵、样本熵和关联维是基于Takens定理开拓的时间序列相空间表示的方法[11].在过去的20多年中,近似熵和样本熵是量化生物信号规则度的最常见方法[30].近似熵是一个有偏的统计量,严重依赖于数据长度且结果缺乏一致性,而样本熵克服了上述局限[31].关联维用于度量产生时间序列系统的复杂程度[11].上述方法均已用于提取HRV的非线性特征.Papaioannou等[32]的研究表明,脑死亡病人的EAp显著下降.庄建军等[31]的研究表明,射击比赛时,运动员的ESamp和EAp均小于休息状态.秦明新等[15]的研究表明,正常青年人的D2大于老年人.Brindle等[16]的研究表明,相比于传统的心脏自主神经功能测量方式,D2可以提供更多的关于心脏应激反应的信息.已有研究表明ESamp与主观疲劳程度显著相关[13,33],而本文的研究表明,驾驶人疲劳状态ESamp和EAp均有下降趋势,但未见显著性差异.本文的研究表明(见图2和表3),驾驶人疲劳状态时D2特征显著上升.这一特征在驾驶人从清醒到疲劳的变化情况,目前未见可供对比的文献.
DFA分析用于研究波动时间序列长程自相关性质,特别适用于处理高平稳信号等经典相关分析无法应用的场合[34].DFA分析通过短程标度指数α1和长程标度指数α2量化心率的分形结构[27].da Silva等[27]通过HRV的DFA分析研究了评估阻塞性睡眠呼吸暂停严重程度的方法,结果表明,α2与呼吸暂停通气指数(AHI)、觉醒指数(AI)和氧减指数(ODI)显著正相关.Chen等[35]的研究表明,随着肌肉疲劳程度的增加,HRV信号的α(4≤n≤64)值下降.文献[7]研究表明,驾驶人清醒状态和疲劳状态的α1存在显著性差异(清醒为(1.) ms,疲劳为(1.) ms).文献[12]研究表明,驾驶作业开始时和结束时驾驶人HRV的α1存在统计学差异(清醒为(1.) ms,疲劳为(1.) ms).本文的研究进一步表明驾驶人疲劳时α1显著上升(清醒为(1.167 87) ms,疲劳为(1.262 69) ms),与上述结果基本一致.
文章来源:《临床心电学杂志》 网址: http://www.lcxdxzz.cn/qikandaodu/2021/0715/1281.html