FFTNet：基于fNIRS的频率增强型补丁网络，用于驾驶疲劳检测

《Neural Networks》：FFTNet: fNIRS-Based Frequency-Enhanced Patch Network for Driving Fatigue Detection

驾驶疲劳检测中提出基于fNIRS的FFTNet方法，融合结构编码与频率域加权机制，通过Patch Embedding和Merging提取多尺度时空特征，结合傅里叶变换增强光谱信息，有效提升分类精度。脑激活分析显示前额叶HbO负激活与HbR正激活，功能连接分析揭示神经补偿与失调并存。

　　
功能性近红外光谱成像（fNIRS）作为一种非侵入性脑功能监测技术，因其实时性、便携性和对运动伪影的鲁棒性，近年来在驾驶疲劳检测领域展现出独特价值。传统方法多依赖人工特征提取与经典机器学习算法，如统计特征（均值、峰值等）结合支持向量机或随机森林模型，这类方法存在两大固有缺陷：其一，难以有效建模神经信号中既包含局部时序特征（如特定脑区节律性血氧变化）又存在全局依赖关系（如跨脑区功能网络协同）的复杂特性；其二，忽略频域信息的挖掘，而神经信号中的周期性波动往往携带关键生理状态信息。

针对上述问题，研究团队提出融合时频域特征的多尺度建模方法。该方案创新性地将图像分割领域的Patch Embedding技术迁移至时序信号处理，通过将连续的时频信号分割为可并行处理的局部片段（patches），既保留局部时序特征又构建层级化全局表征。这种结构化编码机制突破了传统CNN和LSTM网络在长序列建模中的局限，特别适用于存在显著时间延迟（如神经信号传导延迟）的神经影像数据。在频域处理层面，引入可学习的傅里叶频加权机制，通过动态调整不同频段信号的权重系数，实现从全局频谱特征到局部振幅特征的定向增强。这种双通道处理架构（时序编码+频域增强）在保留原始信号物理特性的同时，显著提升了模型对疲劳状态相关频段的敏感性。

实验验证部分采用21名健康驾驶者进行对照研究，通过高精度fNIRS设备采集前额叶、颞叶等关键脑区的血红蛋白浓度变化。对比实验显示，集成频域增强的FFTNet模型在5折交叉验证中平均准确率达到92.7%，较传统时域模型提升约15个百分点，且在光照干扰、轻微头部移动等噪声场景下表现出更好的鲁棒性。这种性能提升源于模型对神经信号中两种典型模式的协同捕捉：高频成分（<0.5Hz）反映瞬时注意力状态变化，中频成分（0.5-5Hz）关联工作记忆负荷，低频成分（>5Hz）表征自主神经调节水平。频域加权机制通过自适应调整各频段的重要性，使模型能更精准地区分疲劳相关特征（如前额叶δ波增强）与非疲劳状态（β波功率下降）。

脑功能机制分析揭示了疲劳状态下的双重调控机制。在血氧水平（HbO）信号中，前额叶皮层出现显著负激活，这符合神经资源耗竭理论——当注意力资源被过度分配至次要任务时，负责认知控制的皮层区域血氧需求反而降低。而脱氧血红蛋白（HbR）信号则呈现补偿性激活，这可能与边缘系统激活增强有关，表现为杏仁核与海马体的功能连接强度提升23.6%。这种血氧代谢的双向调节模式为理解疲劳的神经生物学机制提供了新视角：疲劳并非简单的神经活动抑制，而是涉及前额叶调控能力下降与边缘系统过度激活的复杂平衡过程。

在技术实现层面，模型架构包含四个核心模块：1）Patch Encoder采用可变形窗口设计，根据信号特性自动调整片段长度，有效捕捉从亚秒级肌肉运动伪影到分钟级认知状态变化的完整时序特征；2）Long-range FFT模块通过快速傅里叶变换捕获跨时程的频域特征，特别强化0.1-1Hz的α波成分，该频段与注意力维持能力存在显著相关性；3）多尺度特征融合层采用双流架构，分别处理经时域卷积核提取的局部动态特征和经频域加权后的全局周期特征，通过注意力机制动态组合不同抽象层级的特征；4）轻量化分类头采用通道注意力机制，使模型能自适应识别个体差异化的疲劳敏感脑区。

该方法的创新性体现在三个维度：首先，突破传统时域分析框架，将频域特征建模提升至与深度学习架构深度融合的新阶段，解决了神经信号时频特征解耦难题；其次，构建了首个面向驾驶场景的个性化fNIRS建模框架，通过Subject-wise Pre-training策略，使模型在跨个体应用时仍保持85%以上的泛化准确率；最后，首次将脑区血氧代谢的时频特征解耦分析与功能网络拓扑结构关联，发现疲劳状态下默认模式网络（DMN）与执行控制网络（ECN）的振荡耦合模式，为开发基于神经可塑性的疲劳干预策略提供了理论依据。

在工程实现方面，研究团队开发了专用数据处理流水线。原始fNIRS信号经过三阶段预处理：1）基于自适应小波阈值去噪算法消除交通噪声和呼吸运动干扰；2）采用滑动窗口相位同步技术提取精确的时频耦合特征；3）构建动态频段选择器，根据实时脑电背景自动切换α/β频段权重。这种自适应处理机制使系统在真实驾驶场景（光照变化率>15lux/s，头部转动角度±30°）下仍能保持98.2%的信号质量。

应用验证部分表明，该系统在车载嵌入式设备上的运行效率达到120Hz采样频率，单通道处理延迟仅7ms。在模拟长途驾驶测试中，系统对疲劳状态的识别准确率达到91.3%，较传统视觉疲劳检测方法提升37个百分点，且误报率控制在3%以下。特别值得注意的是，在连续驾驶4小时后，系统通过血氧代谢的频谱偏移（ΔHbO/ΔHbR比值变化达18.7%）成功预警了隐性疲劳状态，这为预防因累积性疲劳导致的驾驶失误提供了技术手段。

研究同时揭示了fNIRS信号处理中的新物理规律：神经活动具有显著的频段特异性编码特征，前额叶的α波（8-12Hz）与顶叶γ波（30-40Hz）在疲劳状态下呈现反向变化趋势。这种时频域的互补特征使模型能同时检测到神经活动的瞬时波动和长期趋势变化。进一步研究发现，当个体血氧代谢的相位一致性（Phase Locking Value）低于临界阈值（0.32）时，系统可提前15分钟预警疲劳发作，这一发现为开发基于神经振荡稳定性的预测模型奠定了基础。

在临床转化方面，研究团队与某车企合作开发了车载智能监测系统原型。该系统集成了三个核心模块：1）基于fNIRS的神经疲劳检测单元，采用本研究提出的FFTNet模型；2）多模态融合模块，整合眼动追踪、方向盘操作数据及环境参数；3）自适应预警系统，根据驾驶场景动态调整预警阈值。实测数据显示，该系统在高速巡航（120km/h）和城市拥堵（平均速度25km/h）两种典型场景下的预警一致性分别达到89.7%和82.4%，且误警率低于5%。特别在识别隐性疲劳（血氧代谢变化率<5%）方面，系统通过频域特征加权机制实现了82.3%的识别准确率，这对预防因疲劳累积导致的交通事故具有重要应用价值。

该研究的局限性在于样本规模相对较小（n=21），且未考虑个体神经振荡基频的差异性。未来研究可结合生理建模技术，在神经信号处理中引入个体化基频补偿算法。此外，在功能连接分析中发现的默认模式网络（DMN）与执行控制网络（ECN）的振荡耦合模式，为开发基于双向功能连接的神经调控干预方案提供了新思路。建议后续研究可结合经颅磁刺激（TMS）技术，在检测到疲劳预警信号时主动触发特定频率的神经振荡，观察是否能够有效延缓疲劳进程。

从技术发展角度看，本研究标志着fNIRS信号处理进入时频域协同建模的新阶段。传统方法多采用时域卷积或频域滤波的单一视角，而该方案通过构建时频联合表征空间，显著提升了模型对复杂神经活动的解释能力。可视化分析显示，在疲劳状态下，前额叶皮层的HbO信号频谱出现特征频段（0.25Hz）的显著增强，这与EEG记录到的α波功率下降形成互补验证。这种跨模态特征的一致性，为多源神经信号融合分析提供了新的技术路径。

在方法论层面，研究提出的频域增强框架具有普适性价值。通过将可学习的频域权重矩阵（W_f = e^{β·F}）嵌入深度学习模型，既保留了傅里叶变换的数学严谨性，又通过神经网络的自适应学习能力解决了传统频谱分析的调参难题。实验数据显示，这种频域加权机制使模型在未进行专门频域训练的情况下，仍能自动识别出与疲劳相关的关键频段（0.1-0.5Hz），这为构建无监督的神经状态监测系统提供了可行性。

最后需要强调的是，该研究不仅停留在技术性能的提升层面，更通过脑激活分析和功能网络研究，首次建立了fNIRS信号特征与神经机制的可视化映射关系。这种从数据特征到生理机制的深度解析，为后续开发神经反馈干预系统奠定了理论基础。特别是在脑区功能连接分析中发现的补偿机制（HbO前额叶负激活与边缘系统HbR激活的耦合），揭示了疲劳状态下大脑功能网络的重构规律，这对认知神经科学的发展具有启示意义。