半干电极EEG真实驾驶疲劳监测：自动导电液补充+递归量化分析

论文信息

项目 内容
标题 Research on a driver EEG fatigue monitoring method in real driving environments based on novel semi-dry electrodes and order recurrence quantification analysis
期刊 Sensors and Actuators A: Physical (Elsevier)
发表 2026年6月27日
链接 https://www.sciencedirect.com/science/article/abs/pii/S0924424726007168
PubMed https://pubmed.ncbi.nlm.nih.gov/41228910/
电极类型 半干电极（自动导电液补充）
分析方法 递归量化分析（RQA）

核心创新

  1. 自动导电液补充半干电极：解决传统湿电极需手动涂导电膏、干电极信号不稳的问题
  2. 真实驾驶环境验证：非模拟器，真实道路驾驶条件下的EEG监测
  3. 递归量化分析（RQA）：非线性动力学方法分析EEG疲劳特征，捕获传统频谱分析遗漏的模式

问题定义

EEG电极三难选择

电极类型 优点 局限 适用场景
湿电极 金标准信噪比 需导电膏、需专业人员、洗头 实验室
干电极 无需导电膏 信噪比低、运动敏感 可穿戴（低精度）
半干电极 平衡 需手动补充导电液 可穿戴（本论文解决）

真实驾驶环境挑战

挑战 模拟器 真实驾驶
振动 无/低 3-15Hz车辆振动
温度 恒温 变化大（汗液影响电极）
时间 1-2小时 长时间→导电液蒸发
运动 轻微 头部运动频繁

方法详解

1. 半干电极设计

flowchart TD
    A[半干电极结构] --> B[Ag/AgCl电极片]
    A --> C[多孔陶瓷渗透膜]
    A --> D[导电液储液腔]
    A --> E[微型泵自动补充]
    E --> F[传感器检测阻抗↑]
    F --> G[自动泵入导电液]
    G --> H[阻抗恢复正常]

2. 电极参数

参数 数值
电极材料 Ag/AgCl
接触面 多孔陶瓷渗透膜
导电液 0.9% NaCl 凝胶
储液容量 2mL（可持续8小时）
阻抗监测 实时（<5kΩ为合格）
自动补充 阻抗>10kΩ时触发微型泵
补充精度 0.05mL/次
佩戴方式 头带式4通道

3. 递归量化分析（RQA）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
import numpy as np
from scipy.spatial.distance import pdist, squareform

class RecurrenceQuantificationAnalysis:
    """
    递归量化分析（RQA）
    
    论文方法：非线性动力学分析EEG疲劳特征
    捕获传统频谱分析遗漏的时序模式变化
    """
    
    def __init__(self, dim: int = 3,  # 嵌入维度
                 delay: int = 5,      # 时间延迟
                 threshold: float = 0.2):  # 递归阈值
        self.dim = dim
        self.delay = delay
        self.threshold = threshold
        
    def phase_space_reconstruction(self, signal: np.ndarray) -> np.ndarray:
        """
        相空间重构
        
        Args:
            signal: [N] 一维EEG信号
            
        Returns:
            embedded: [N-(dim-1)*delay, dim] 重构相空间
        """
        N = len(signal)
        embedded_len = N - (self.dim - 1) * self.delay
        
        embedded = np.zeros((embedded_len, self.dim))
        for i in range(self.dim):
            embedded[:, i] = signal[
                i * self.delay : i * self.delay + embedded_len
            ]
        
        return embedded
    
    def recurrence_matrix(self, signal: np.ndarray) -> np.ndarray:
        """
        构建递归矩阵
        
        Args:
            signal: [N] EEG信号
            
        Returns:
            R: [M, M] 二值递归矩阵
        """
        # 相空间重构
        embedded = self.phase_space_reconstruction(signal)
        
        # 计算距离矩阵
        dist = squareform(pdist(embedded))
        
        # 阈值化
        max_dist = np.std(signal) * 0.2  # 阈值=0.2σ
        R = (dist < max_dist).astype(int)
        
        return R
    
    def extract_rqa_features(self, signal: np.ndarray) -> dict:
        """
        提取RQA特征
        
        Returns:
            features: dict of RQA metrics
        """
        R = self.recurrence_matrix(signal)
        N = R.shape[0]
        
        # 1. 递归率（RR）：递归点比例
        RR = np.sum(R) / (N * N)
        
        # 2. 确定性（DET）：构成对角线的递归点比例
        diagonal_sum = 0
        total_recurrence = np.sum(R)
        
        for i in range(-N+1, N):
            diag = np.diagonal(R, offset=i)
            if len(diag) > 2:
                # 找长度≥2的对角线
                runs = np.diff(np.where(np.diff(diag))[0])
                if len(runs) > 0:
                    diagonal_sum += np.sum(runs[runs >= 2] + 1)
        
        DET = diagonal_sum / (total_recurrence + 1e-8)
        
        # 3. 平均对角线长度（L）
        diag_lengths = []
        for i in range(1, N):
            diag = np.diagonal(R, offset=i)
            if np.any(diag):
                lengths = self._find_runs(diag)
                diag_lengths.extend(lengths)
        
        L = np.mean(diag_lengths) if diag_lengths else 0
        
        # 4. 熵（ENTR）：对角线长度分布的香农熵
        if len(diag_lengths) > 1:
            hist, _ = np.histogram(diag_lengths, bins='auto')
            p = hist / hist.sum()
            p = p[p > 0]
            ENTR = -np.sum(p * np.log2(p))
        else:
            ENTR = 0
        
        # 5. 层流度（LAM）：构成垂直线的递归点比例
        vertical_sum = 0
        for j in range(N):
            col = R[:, j]
            runs = self._find_runs(col)
            if len(runs) > 0:
                vertical_sum += np.sum(runs[runs >= 2])
        
        LAM = vertical_sum / (total_recurrence + 1e-8)
        
        # 6. 诱捕时间（TT）：垂直线平均长度
        vert_lengths = []
        for j in range(N):
            col = R[:, j]
            runs = self._find_runs(col)
            vert_lengths.extend(runs)
        
        TT = np.mean(vert_lengths) if vert_lengths else 0
        
        return {
            'RR': RR,        # 递归率
            'DET': DET,       # 确定性
            'L': L,           # 对角线长度
            'ENTR': ENTR,     # 熵
            'LAM': LAM,       # 层流度
            'TT': TT,         # 诱捕时间
        }
    
    def _find_runs(self, binary: np.ndarray) -> list:
        """找连续1的段长度"""
        runs = []
        count = 0
        for v in binary:
            if v == 1:
                count += 1
            else:
                if count > 0:
                    runs.append(count)
                count = 0
        if count > 0:
            runs.append(count)
        return runs


# 测试
if __name__ == "__main__":
    rqa = RecurrenceQuantificationAnalysis(dim=3, delay=5)
    
    # 模拟清醒EEG（复杂度高）
    np.random.seed(42)
    alert_eeg = np.random.randn(2000) * 0.5
    
    # 模拟疲劳EEG（复杂度低、规律性强）
    fatigue_eeg = np.sin(2 * np.pi * 6 * np.arange(2000) / 200) * 0.5
    fatigue_eeg += np.random.randn(2000) * 0.1  # 少量噪声
    
    alert_features = rqa.extract_rqa_features(alert_eeg)
    fatigue_features = rqa.extract_rqa_features(fatigue_eeg)
    
    print("清醒EEG RQA特征:")
    for k, v in alert_features.items():
        print(f"  {k}: {v:.4f}")
    
    print("\n疲劳EEG RQA特征:")
    for k, v in fatigue_features.items():
        print(f"  {k}: {v:.4f}")
    
    print("\n变化:")
    for k in alert_features:
        change = (fatigue_features[k] - alert_features[k]) / alert_features[k] * 100
        print(f"  {k}: {change:+.1f}%")

实验结果

电极性能

指标 湿电极 干电极 半干电极（本论文）
初始阻抗 <2kΩ 15-50kΩ 3-5kΩ
8h后阻抗 <2kΩ 30-80kΩ 3-5kΩ（自动补充）
信号SNR 25dB 12dB 22dB
佩戴时间 30min安装 2min 3min
导电膏 需要 不需要 不需要（自动液体）

RQA疲劳检测性能

特征 清醒 疲劳 变化 p值
RR 0.12 0.28 +133% <0.001
DET 0.45 0.72 +60% <0.001
L 3.2 6.8 +113% <0.01
ENTR 2.8 1.5 -46% <0.01
LAM 0.35 0.58 +66% <0.001
TT 2.5 4.2 +68% <0.01

检测准确率

方法 准确率 特征数
频谱（θ/β比） 78.5% 5
RQA 85.2% 6
频谱+RQA 89.7% 11

IMS开发启示

1. 半干电极可穿戴方案

组件 规格 成本
Ag/AgCl电极片 4通道 $5
多孔陶瓷渗透膜 4片 $3
微型泵+储液腔 1套 $8
阻抗监测电路 4通道 $5
BLE传输 nRF52840 $5
总计 - ~$26

2. 真实驾驶 vs 模拟器的关键差异

指标 模拟器 真实驾驶 半干电极可靠性
电极阻抗稳定性 稳定 波动（振动/温度） ✅ 自动补充解决
8小时连续监测 可行 需要自动维护 ✅ 微型泵自动维护
信号质量 湿电极最好 振动干扰 半干电极平衡

3. 与DeltaGateNet+EEG-FADE的完整管道

步骤 工具 功能
1. 采集 半干电极 真实驾驶8h连续EEG
2. 标签 EEG-FADE RBT θ/β比值自动标签
3. 特征 RQA + 频谱 11维非线性+5维频谱
4. 模型 DeltaGateNet 45K参数2ms推理
5. 部署 耳道/头带式 可穿戴

总结

半干电极+RQA是EEG驾驶疲劳检测从实验室走向量产的关键桥梁：

  1. 自动导电液补充：8小时连续监测无需人工干预，阻抗始终<5kΩ
  2. RQA捕获非线性特征：疲劳时RR+133%、DET+60%，补充传统频谱分析
  3. 真实驾驶验证：非模拟器，生态效度高
  4. 成本$26/套：量产可行，4通道头带式
  5. 与EEG完整管道协同：半干电极采集→RBT标签→RQA特征→DeltaGateNet分类
https://dapalm.com/2026/09/21/2026-09-21-26-semi-dry-electrode-eeg-rqa-real-driving-ims/
作者
Mars
发布于
2026年9月21日
许可协议