# 列车运行噪声暴露下驾驶行为调制的功能性脑网络架构 > AI 辅助翻译，非官方版本。专业判断、引用和争议应以原文及其勘误为准。 - 来源 ID：S0082 - DOI：10.1371/journal.pone.0306729 - 原始来源：https://www.ebi.ac.uk/europepmc/webservices/rest/PMC11326564/fullTextXML - 许可：CC BY 4.0 - 翻译方法：Independent manual review; SHA-256-pinned source and translation - 审校状态：独立人工审校完成 ## 原始文件映射 - [fullTextXML.xml](../original/fullTextXML.xml) ## 许可文件（保留原文） - [creative-commons-legalcode.txt](../license/creative-commons-legalcode.txt)：法律或许可证据原文未翻译 - [europepmc-fullTextXML.xml](../license/europepmc-fullTextXML.xml)：法律或许可证据原文未翻译 ## 原始文件：fullTextXML.xml # 列车运行噪声暴露下驾驶行为调制的功能性脑网络架构 - 期刊：PLOS ONE - 文章类型：研究论文 - 作者：Yashuai Zhao；Yuanchun Huang；Zhigang Liu；Yifan Zhou - 作者单位：上海工程技术大学城市轨道交通学院，中国上海 - 学术编辑：Abdolvahed Narmashiri（基础科学研究所，伊朗伊斯兰共和国） - 通讯作者：Yuanchun Huang（yc_huang@sues.edu.cn） - 作者贡献：Yashuai Zhao 负责概念构建、可视化、初稿撰写及审阅与编辑；Yuanchun Huang 负责数据整理和方法学；Zhigang Liu 负责项目管理；Yifan Zhou 负责研究实施。 - 收稿日期：2023-12-20；接受日期：2024-06-22；发表日期：2024-08-15 - 卷（期）：19（8）；文章号：e0306729 - DOI：10.1371/journal.pone.0306729 - PMCID：PMC11326564 - PMID：39146301 - 版权：© 2024 Zhao et al - 许可：本文依据知识共享署名许可协议发布。只要注明原作者和来源，即可不受限制地使用、传播和复制。 - 利益冲突：作者声明不存在利益冲突。 ## 摘要 嘈杂环境会显著影响驾驶员的注意力并加重疲劳，进而危及行车安全。本研究设计了模拟驾驶实验，分析城市轨道交通列车运行噪声对驾驶员功能性脑网络的影响。实验招募 16 名受试者，模拟驾驶设置 50、60、70 和 80 dB 四种噪声水平。研究采用加权相位滞后指数（WPLI）评估不同频带下所有电极对之间的功能连接，并据此构建脑网络；图论分析指标包括网络全局效率、度和聚类系数。在高噪声环境（70 dB、80 dB）中，θ 频带和 α 频带的 WPLI 值显著升高，脑同步性增强。脑网络拓扑指标也显示，与 50 dB 和 60 dB 相比，70 dB 和 80 dB 环境下 θ 频带和 α 频带脑网络的全局效率、节点度及聚类系数均明显增大。这说明高噪声环境会影响功能性脑网络的重组，使网络倾向于形成全局效率更高的结构。研究结果有助于理解噪声暴露下驾驶的神经机制，并可能为减少交通事故提供参考。 ## 1. 引言 城市轨道交通安全长期受到关注。研究表明，列车事故的首要原因是人为失误 [1]，驾驶员失误与列车事故之间存在明确相关性 [2, 3]。城市轨道列车驾驶员长时间在照明不足、噪声较大且工作负荷较高的恶劣环境中执行单调任务，容易产生疲劳 [4]，从而损害驾驶表现和行车安全。因此，驾驶员对列车运行安全负有重大责任。环境噪声还可能损害驾驶员的生理健康 [5]、认知能力和决策能力 [6]，最终威胁运行安全。 既往研究表明，职业噪声暴露可对健康造成显著影响；当噪声水平超过 80 dB 时，高血压和心脏病的患病风险会上升 [7]。就交通噪声而言，道路噪声会影响驾驶员的情绪和驾驶行为 [8]，还会加重困倦 [9]，降低注意力和反应能力 [10]。以往噪声研究主要考察其对驾驶员生理和心理状态的影响 [11, 12]，对于噪声暴露下驾驶员脑网络的结构仍缺乏认识，也很少有研究分析驾驶员如何在高噪声情境中调节功能性脑网络的组织。 脑电图（EEG）是一种无创头皮电位测量方法，可用于监测和识别自发脑活动 [13]。认知理论认为，驾驶涉及感知、判断、决策和操作等过程，驾驶员的生理与心理活动会反映在 EEG 信号中 [14]，因而 EEG 能够捕捉其生理和心理变化。许多研究已用 EEG 评估驾驶疲劳的变化。驾驶疲劳程度可由 θ、α 和 β 频带功率的变化以及 EEG 信号的熵特征来表征。疲劳加重通常伴随 θ 节律和 α 节律增强、β 节律减弱 [15]；EEG 信号的样本熵通常也会随疲劳程度上升而降低 [16]。 随着脑研究的深入，许多研究发现大脑是一个复杂网络 [17]。复杂网络可以描述脑功能连接的变化 [18]，抑郁症等精神病理研究也支持这一观点 [19, 20]。在交通领域的人因研究中，功能性脑连接是研究驾驶疲劳的重要工具。疲劳会影响驾驶表现，这种影响可体现为功能性脑网络的动态重组；具体而言，疲劳时动态脑网络的时间全局效率降低，时间局部效率升高 [21]。将脑网络连接特征与支持向量机、多尺度卷积神经网络、胶囊神经网络等技术结合，可以较高准确率识别疲劳 [22–24]。因此，利用 EEG 构建功能性脑网络，有助于理解噪声与驾驶员脑网络拓扑之间的关系。 本研究采用加权相位滞后指数（WPLI）评估电极对之间的功能连接并构建功能性脑网络。我们假设，在驾驶过程中暴露于列车噪声会显著改变不同频带的功能性脑网络配置，并尝试确定噪声暴露期间较为敏感的脑网络拓扑特征指标。与既往关于噪声影响驾驶安全的研究相比，本文主要开展三方面工作：(1) 考察噪声暴露下驾驶是否会改变脑网络属性，并用复杂网络方法分析不同噪声水平下脑网络的拓扑变化；(2) 采用对容积传导效应较稳健的 WPLI 分析相位同步；(3) 运用图论分析理解噪声暴露下驾驶时脑网络的调节与重组。 ## 2. 材料与方法 ### 2.1. 受试者 为尽量减小受试者间差异，本研究招募了 16 名本科生和研究生，年龄为 21–25 岁。由于列车驾驶员大多为男性，本研究招募的受试者均为男性。所有受试者均自述健康状况良好，视力正常或矫正后正常，听力正常，无重大病史。实验前 24 h 内，受试者不得饮酒、摄入咖啡因或服用药物，并须在前一晚至少睡眠 8 h。 本研究经上海工程技术大学伦理委员会批准，批准号为 EST-2023-022。所有受试者均为成年人，并签署了书面知情同意书。受试者招募时间为 2023-03-15 至 2023-04-15。 ### 2.2. 任务与流程 如图 1 所示，本研究以轨道交通驾驶模拟系统为实验平台，通过扬声器播放现场采集的地下区段运行噪声。实验在温度受控、室内无回声的环境中进行。使用 COINV 的 INV3080B-SLM 型手持式声级计测量受试者耳旁的噪声暴露水平，并使用华东师范大学研制的综合反应时测定仪测量选择反应时。测量时，受试者先将手指放在起始位置按钮上；信号源随机亮起某种颜色后，须迅速按下对应颜色的按钮。反应时定义为松开起始按钮到按下对应颜色按钮之间的时间差。 #### 图 1：实验设备。 为排除生物节律的影响，实验统一安排在每天 14:00 至 16:00。驾驶模拟实验设置 50/60/70/80 dB 四种噪声水平，受试者沿预先设定的上海轨道交通线路驾驶，在晴天条件下模拟高架和地下区段。驾驶过程中，驾驶员须控制列车加速和减速，使列车平稳运行且不超过相应区段的限速。到站后，须确认信号并手动停车，再进行乘客上下车作业。完整实验流程见图 2。实验开始前，受试者填写基本信息问卷和实验知情同意书，并听取实验流程说明。随后，受试者佩戴 EEG 电极帽，完成 20 min 驾驶模拟练习，以减小对模拟器熟悉程度的差异。正式实验开始后，先测量反应时，休息 5 min，再在噪声暴露条件下完成 90 min 模拟驾驶任务，并在驾驶结束时再次测量反应时。EEG 共记录 95 min，从休息阶段开始直至驾驶阶段结束；噪声只在驾驶阶段播放。模拟驾驶期间，受试者不得进食或饮水，不得使用移动设备，也不得与实验人员交谈。模拟结束后，受试者获得一定金额的补偿。 #### 图 2：实验设计概览。 ### 2.3. 数据采集与处理 整个研究期间均使用 Neuracle NeuSen W 系列无线 EEG 电极帽的 33 个通道记录 EEG 信号。如图 3 所示，原文按标准 10–20 系统列出的 33 个 EEG 电极位置为：Fpz(1), Fp1(2), Fp2(3), AF3(4), AF4(5), Fz(6), F3(7), F4(8), FCz(9), FC3(10), FT7(12), FT8(13), Cz(14), C1(15), Cz(14), C1(15), C2(16), C3), FC4(11), FT7(12), FT8(13), Cz(14),C1(15), C2(16), C3(17), C4(18), C5(19), C6(20), T7(21), T8(22), CP3(23), CP4(24), TP7(25), TP8(26), Pz(27), P3(28), P4(28), P3(29), P4(29), P4(31), P4(31), P4(31), P4(31), P4(31), P3(32), P4(33), P4(35), P4(36), Pz(37), P3(38), 以及 P4(39) (28), POz (30), PO3 (31), PO4 (32), 以及 Oz (33)；该清单在原文中存在重复和编号异常，此处未作推断性更正。电极阻抗保持在 15 KΩ 以下。研究使用 MNE-Python 预处理 EEG 信号 [25]：先采用平均参考法重参考，再用高通和低通滤波保留 1–30 Hz 的 EEG 信号，以便构建功能性脑网络。NeuSen W 的原始采样率为 1000 Hz，本研究将其降采样至 256 Hz，以加快数据处理。为减少眼动、眨眼等非 EEG 因素的影响，研究采用独立成分分析（ICA）检查伪迹成分，并使用 ICLabel 模型将其剔除 [26]。最后通过带通滤波，把 EEG 数据分为 θ（4–8 Hz）、α（8–13 Hz）和 β（13–30 Hz）三个频带 [27]。 #### 图 3：EEG 电极位置。 ### 2.4. 功能连接分析 功能连接用于评估不同脑区所记录生理时间序列之间的统计依赖关系，从而分析脑区之间的功能联系。相位同步指数常用于评估脑功能连接，其中常见指标包括相位锁定值（PLV）、相位滞后指数（PLI）和加权相位滞后指数（WPLI）[28]。PLV 可以检测相位耦合的程度和方向，但不能解决 EEG 采集中的容积传导问题。PLI 对容积传导的抵抗能力较强，却更容易受到信号振幅扰动。相比之下，WPLI 对容积传导和噪声均不敏感，在样本量较小时表现也更好 [29]。因此，本研究采用 WPLI 衡量功能性脑网络的连接。设 *X* 为 *x(t)* 与 *y(t)* 的互谱，则 WPLI 定义为： WPLI=|E{ℑ(X)}|E{|ℑ(X)|}=|E{|ℑ(X)|sgn(ℑ{X})}|E{|ℑ(X)|} 其中，ℑ(*X*) 是 *x(t)* 与 *y(t)* 互谱的虚部。0 ≤ WPLI ≤ 1；0 表示两个信号之间没有相位同步，1 表示完全相位同步。 功能性脑网络的构建流程见图 4。本研究提取所有受试者模拟驾驶末段的 EEG 信号进行预处理，分别计算 θ、α 和 β 频带下各电极之间的 WPLI 值，形成 WPLI 矩阵。同一背景噪声下的 WPLI 矩阵经过叠加并取平均，得到该噪声条件的连接矩阵。为减少干扰造成的虚假连接和无意义的弱连接，需要设置适当阈值，把连接矩阵转化为二值矩阵 [30]，再用该矩阵构建脑网络。低于阈值的 WPLI 值设为 0，表示两个节点之间无连接；超过阈值的值设为 1，表示存在连接。每个电极在本研究中定义为一个节点。阈值策略同时考虑网络连通性、网络效率和成本；选择标准为网络密度 *S* < 0.5 [31]，平均度 *K* ≥ ln(*N*) ≥ 0，其中 *N* 为节点总数。不同频带采用不同阈值对连接矩阵进行二值化。McNemar 检验常用于医学研究，以判断二分类样本之间的差异 [32]。本研究在 SPSS 中对阈值处理后的二值矩阵进行 McNemar 检验，评估各频带在不同噪声条件下脑网络模式的变化。 #### 图 4：功能性脑网络的构建流程。 ### 2.5. 复杂网络与图论分析 荷兰的 Stam 教授及其同事 [33, 34] 曾用脑磁图（MEG）分析健康个体的脑网络属性，并用 EEG 研究阿尔茨海默病患者的功能性脑网络。他们的研究确认，人脑功能网络具有复杂的“小世界”特征。因此，用图论分析复杂网络是研究功能性脑网络的有效方法 [35]。 本研究选用全局效率量化功能性脑网络的整体特征 [36]。整体特征通常用特征路径长度表示，但阈值化脑网络中的断连节点会影响特征路径长度的计算，因此本文改用全局效率评估功能性脑网络传输和处理信息的能力。全局效率（*E*）定义为： E=1N(N−1)∑i≠j1Lij 其中，*N* 表示网络中的节点总数，*L**ij* 表示节点 *i* 与节点 *j* 之间的最短路径长度。全局效率越高，说明网络传输和处理信息的能力越强。 本研究选用节点度和聚类系数量化功能性脑网络的局部特征 [37]。度是复杂网络理论中的基本指标，表示与特定顶点相连的边数，即通过该顶点的边数。度（*K*）定义为： Ki=∑j=1Nhij 其中，*h**ij* 是所构建二值矩阵中的元素，*N* 表示网络节点总数。节点 *i* 与 *j* 断开时，*h**ij* 取 0；两者相连时取 1。节点的度值越大，该节点在网络中越重要。 聚类系数用于量化复杂网络中节点的聚集程度。具体而言，节点 *i* 的聚类系数，是其相邻节点之间实际连接边数与这些节点之间最大可能连接边数之比。聚类系数（*C*）定义为： Ci=2eiki(ki−1) 其中，*k**i* 表示节点 *i* 的相邻节点数，*e**i* 表示这些相邻节点之间实际存在的连接边数。聚类系数越高，说明相应节点在网络中越重要。 本研究使用 NetworkX 软件包 [38] 计算复杂网络的图论特征指标。Shapiro-Wilk 检验显示样本不符合正态性要求，因此采用 Wilcoxon 符号秩检验，分析每个频带内不同噪声条件下特征指标的局部差异。 ## 3. 结果 ### 3.1. 功能性脑网络 图 5 显示了采用 WPLI 方法计算的不同噪声水平（50、60、70 和 80 dB）下的平均邻接矩阵。各矩阵依次对应 θ、α 和 β 频带，横轴和纵轴为电极编号。颜色越偏黄，WPLI 值越大，表示相位同步越强。图 5 表明，不同噪声水平对应的邻接矩阵存在差异。尤其在 θ 频带和 α 频带中，70 dB 和 80 dB 条件下的 WPLI 值显著高于 50 dB 和 60 dB，说明高噪声情境中的相位同步水平较高。 #### 图 5：不同噪声水平下的 WPLI 邻接矩阵。图中 1–33 表示上述 33 个电极，每个色块表示一对电极之间的 WPLI 值；颜色越偏黄，WPLI 值越大。 在绘制功能性脑网络拓扑图之前，本研究采用阈值法把上述邻接矩阵转化为二值矩阵。图 6 排除了图 5 中 WPLI 值低于阈值的电极对弱连接，可根据网络的连接密度清楚观察节点（电极）之间的连接；颜色越深，表示两个节点之间的连接越强。图 6 显示，噪声水平升高时脑网络的连接数量和连接强度均会增加，在 θ 频带和 α 频带中尤为明显，网络密度和强度随之显著上升。当噪声水平大于 70 dB 时，噪声对这两个频带脑网络连接和强度的影响更明显。比较 50 dB 与 60 dB 后发现，50 dB 条件下脑网络连接略强；而在 β 频带中，噪声的影响在 80 dB 时更明显。 #### 图 6：不同噪声水平下的功能性脑网络拓扑。图中线段表示相应电极所代表脑区之间存在连接；颜色越深，连接越强。 为验证上述差异，本研究对阈值处理后的二值矩阵进行 McNemar 检验，分析各频带在不同噪声条件下的脑网络差异，结果见表 1。除 β 频带中 50 dB 与 60 dB、50 dB 与 70 dB 的比较无显著差异外，其余噪声水平比较均有显著差异。这说明不同噪声条件会影响脑网络，与图 6 所示脑网络拓扑变化一致。 #### 表 1：McNemar 检验结果。 | 频带 | 比较 | McNemar 检验（*p* 值） | |---|---|---:| | θ | 50 dB 与 60 dB | **<0.0001** | | θ | 50 dB 与 70 dB | **0.0011** | | θ | 50 dB 与 80 dB | **0.0035** | | θ | 60 dB 与 70 dB | **<0.0001** | | θ | 60 dB 与 80 dB | **<0.0001** | | θ | 70 dB 与 80 dB | 0.5907 | | α | 50 dB 与 60 dB | **<0.0001** | | α | 50 dB 与 70 dB | **<0.0001** | | α | 50 dB 与 80 dB | **<0.0001** | | α | 60 dB 与 70 dB | **<0.0001** | | α | 60 dB 与 80 dB | **<0.0001** | | α | 70 dB 与 80 dB | **0.0001** | | β | 50 dB 与 60 dB | 0.0589 | | β | 50 dB 与 70 dB | 0.9317 | | β | 50 dB 与 80 dB | **<0.0001** | | β | 60 dB 与 70 dB | 0.0565 | | β | 60 dB 与 80 dB | **<0.0001** | | β | 70 dB 与 80 dB | **<0.0001** | | 注 | 加粗文本表示结果有统计学意义（*p* <0.05）。 | | ### 3.2. 图论特征 功能性脑网络属于复杂网络，可用复杂网络的统计属性描述其变化。本研究对不同噪声水平下各频带的脑网络进行图论表征，并计算全局效率，结果见图 7。θ 频带和 α 频带中，70 dB 和 80 dB 环境下脑网络的全局效率最高；β 频带中，80 dB 环境下的脑网络全局效率高于其他噪声条件。还可以看出，50 dB 环境下的网络全局效率略高于 60 dB。 #### 图 7：不同噪声水平下功能性脑网络的全局效率指标。 全局效率描述网络的整体变化，局部特征指标（度、聚类系数）则用于考察网络的局部属性。因此，本文计算 33 个节点的度和聚类系数，并以脑地形图呈现。图 8 显示了不同噪声水平下局部特征的变化。在 θ 频带中，60 dB 环境下的度（*p* < 0.0001）和聚类系数（*p* = 0.0027）总体上显著低于 50 dB 条件；70 dB 和 80 dB 环境下的度（分别为 *p* = 0.0284、*p* = 0.0417）和聚类系数（均为 *p* < 0.0001）总体上显著高于 50 dB 条件。70 dB 与 80 dB 之间的度（*p* = 0.3513）和聚类系数（*p* = 0.562）则无显著差异。在 70 dB 和 80 dB 高噪声条件下，度和聚类系数的最高值集中在中央区和颞叶。 #### 图 8：不同噪声水平下功能性脑网络的局部特征指标。图中给出 θ、α 和 β 频带内 33 个电极的度和聚类系数计算结果。 在 α 频带中，60 dB 噪声下的度（*p* = 0.0004）和聚类系数（*p* = 0.0304）总体上显著低于 50 dB 条件；70 dB 和 80 dB 噪声下的度（分别为 *p* = 0.0065、*p* < 0.0001）和聚类系数（分别为 *p* = 0.03411、*p* = 0.0002）总体上显著高于 50 dB 条件。与 θ 频带不同，80 dB 条件下的度（*p* = 0.0119）和聚类系数（*p* = 0.0011）也显著高于 70 dB 条件。70 dB 和 80 dB 高噪声条件下，度的最高值同样集中在中央区和颞叶，聚类系数的最高值则集中在枕叶；这一表现与 θ 频带一致。 在 β 频带中，只有 80 dB 噪声水平下的度相对于 50 dB、60 dB 和 70 dB 均显著升高（*p* < 0.0001、*p* < 0.0001、*p* < 0.0001）。80 dB 条件下的聚类系数仅在与 50 dB 和 70 dB 比较时存在显著差异（*p* < 0.0001、*p* < 0.0001）。 ### 3.3. 反应时差值 本研究用反应时差值，即驾驶前后反应时的增加量，表征受试者在不同噪声条件下的表现。如表 2 所示，单因素方差分析用于检验噪声对反应时的影响，结果显示该影响显著（*p* = 0.0057 < 0.05）。不同噪声条件下反应时差值的比较见图 9。与功能性脑网络结果一致，70 dB 和 80 dB 条件下的反应时差值显著大于 50 dB 和 60 dB，反应时也显著延长。这说明，在完成相同驾驶任务时，高噪声环境（70 dB 和 80 dB）下反应时增加得更多，驾驶员表现更差。60 dB 条件下反应时的增加量则小于 50 dB。 #### 表 2：不同噪声条件下反应时差值的单因素方差分析。 | 变异来源 | 平方和 | df | MS | F | *p* | |---|---:|---:|---:|---:|---:| | **组间变异** | 24100 | 3 | 8033 | 6.978 | **0.0057** | | **残差** | 13815 | 12 | 1151 | | | | **总计** | 37916 | 15 | | | | | 注 | 加粗文本表示结果有统计学意义（*p* <0.05）。 | | | | | #### 图 9：不同噪声水平下驾驶前后反应时的差值。 ## 4. 讨论 交通噪声在极端情况下会对血压和心率造成不良生理影响。尽管短时间暴露于地铁噪声不会对通勤者造成严重影响 [39]，既往研究表明，噪声会增加驾驶员驾驶疲劳的风险，还会降低人的决策表现 [40]。本研究旨在考察列车运行噪声对驾驶员功能性脑网络调节的影响。为此，研究设计了 50、60、70 和 80 dB 四种噪声水平下的模拟驾驶实验，通过记录受试者 EEG 信号构建功能性脑网络，并基于图论分析不同噪声水平下的脑网络变化。结果显示，在 θ 频带和 α 频带中，不同噪声水平会使脑网络发生显著变化；高噪声环境下，驾驶员的功能性脑网络倾向于通过自我调节形成全局效率更高的网络。β 频带的 McNemar 检验和 Wilcoxon 符号秩检验只在最高噪声水平（80 dB）下得到显著结果，提示 β 频带不适合用作驾驶员神经变化的指标，这与既往研究一致 [12, 41]。 WPLI 是分析功能性脑网络连接的方法，其数值反映不同脑区之间功能连接的程度 [42]。本研究发现，在 θ 频带和 α 频带中，70 dB 和 80 dB 条件下的 WPLI 值显著高于 50 dB 和 60 dB，说明高噪声增强了不同脑区之间的连接及协同。功能性脑网络拓扑图也显示，与 50 dB 和 60 dB 相比，70 dB 和 80 dB 噪声下的脑网络连接明显更紧密、连接强度更高。高噪声会损害驾驶员的注意力 [43, 44]；要在这种环境中完成驾驶任务，需要激活更多脑区并加强脑区间连接。不过，在 50 dB 至 80 dB 范围内，WPLI 值并未随噪声升高而持续增加。60 dB 条件下功能性脑网络的连接反而弱于 50 dB，提示适度噪声可能改善注意力并维持较好表现 [45]。驾驶前后反应时增加量也呈现了这一现象。 图论表征结果显示，在 θ 频带和 α 频带中，70 dB 和 80 dB 环境下的脑网络全局效率显著高于 50 dB 和 60 dB，说明高噪声环境下脑内信息传递效率有所提高。高分贝环境中驾驶列车可能引起困倦，妨碍持续注意，因此大脑会倾向于形成全局效率更高的网络 [46]。局部特征分析发现，在 θ 频带和 α 频带中，与 50 dB 和 60 dB 相比，70 dB 和 80 dB 环境下受试者所有节点的度和聚类系数均升高，提示各脑区均被激活 [47]。颞叶负责处理听觉信息 [48]，噪声会增加听觉信息处理的难度；中央区控制人的行为动作 [49]；枕叶处理视觉信息 [50]，并负责感知车辆运动。这可能解释了节点度和聚类系数最高值出现在颞叶、中央区和枕叶的现象。 统计分析显示，θ 频带在 70 dB 与 80 dB 条件之间的差异无统计学意义。在 θ 频带和 α 频带中，与 60 dB 噪声环境相比，50 dB 条件下功能性脑网络的连接趋于更紧密，全局效率也更高。单调的驾驶任务加上安静环境可能诱发被动疲劳，驾驶员必须抵抗疲劳才能完成任务 [51]。因此，把列车运行噪声控制在 70 dB 以下更具成本效益；但若把噪声降至 50 dB 以下，驾驶员的工作负荷可能增加，低噪声环境下驾驶员的生理特征仍需进一步研究。 ## 5. 结论 本研究采用复杂网络方法考察不同噪声水平下驾驶员的功能性脑网络，以分析列车噪声暴露对驾驶员脑网络的影响。结果表明，θ 频带和 α 频带的功能性脑网络变化更能反映噪声的影响。高噪声环境（70 dB、80 dB）会增强驾驶员不同脑区之间的同步，使功能连接更加紧密；具体而言，高噪声会调节功能性脑网络的重组，使其倾向于形成全局效率更高的脑网络。颞叶、中央区和枕叶的度与聚类系数较高，说明高噪声增加了处理视听信息的难度。本研究有助于理解列车运行噪声暴露如何影响驾驶员的神经调节。从应用角度看，结果也说明公共交通系统需要采取噪声控制措施，以改善运行安全。 本研究仍有局限。样本全部为学生，未招募具有实际驾驶经验的列车驾驶员；噪声暴露时长的影响也有待后续研究。 ## 补充信息 ### S1 数据集：包含 WPLI、脑网络特征指标和行为指标。 (ZIP) ## 数据可用性 所有 EEG 文件均可从德国神经信息学节点（German Neuroinformatics Node/G-Node）数据库获取（DOI：https://doi.org/10.12751/g-node.8cpchz）。 ## 资助声明 作者未获得用于本研究的专项资助。 ## 关联数据 ### 补充材料 #### S1 数据集：包含 WPLI、脑网络特征指标和行为指标。 (ZIP) ### 数据可用性声明 全部 EEG 文件可在德国神经信息学节点（German Neuroinformatics Node/G-Node）数据库中获取（DOI：https://doi.org/10.12751/g-node.8cpchz）。 ## 参考文献（保留原文） - 1. Lin C-Y, Rapik Saat M, Barkan CP. Quantitative causal analysis of mainline passenger train accidents in the United States. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit. 2020;234: 869–884. doi: 10.1177/0954409719876128 - 2. Edkins GD, Pollock CM. The influence of sustained attention on Railway accidents. Accident Analysis & Prevention. 1997;29: 533–539. doi: 10.1016/s0001-4575(97)00033-x - 3. Wilde GJS, Stinson JF. The monitoring of vigilance in locomotive engineers. Accident Analysis & Prevention. 1983;15: 87–93. doi: 10.1016/0001-4575(83)90065-9 - 4. Huang Y, Li L, Liu Z, Zhu H, Zhu L. Assessment of Urban Railway Transit Driver Workload and Fatigue under Real Working Conditions. Transp Res Rec. 2019;2673: 891–900. doi: 10.1177/0361198119826071 - 5. Stansfeld S, Clark C, Smuk M, Gallacher J, Babisch W. Road traffic noise, noise sensitivity, noise annoyance, psychological and physical health and mortality. Environ Health. 2021;20: 32. doi: 10.1186/s12940-021-00720-3 - 6. Zhou H, Molesworth BRC, Burgess M, Hatfield J. The effect of broadband noise on learning and dynamic decision-making and how cognitive workload and sex moderate its effect. Appl Ergon. 2022;98: 103604. doi: 10.1016/j.apergo.2021.103604 - 7. Pretzsch A, Seidler A, Hegewald J. Health effects of occupational noise. Current Pollution Reports. 2021;7: 344–358. doi: 10.1007/s40726-021-00194-4 - 8. Wi H, Park J, Lee J. The influence of noise in vehicles on the driver’s subjective evaluation of driveability. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering. 2018;232: 1494–1500. doi: 10.1177/0954407017730490 - 9. Anund A, Lahti E, Fors C, Genell A. The Effect of Low-Frequency Road Noise on Driver Sleepiness and Performance. Altmann CF, editor. PLOS ONE. 2015;10: e0123835. doi: 10.1371/journal.pone.0123835 - 10. Zeydabadi A, Askari J, Vakili M, Mirmohammadi SJ, Ghovveh MA, Mehrparvar AH. The effect of industrial noise exposure on attention, reaction time, and memory. Int Arch Occup Environ Health. 2019;92: 111–116. doi: 10.1007/s00420-018-1361-0 - 11. Chen Y, Yang Y, Li X. Study on the Influence of Tunnel Environmental Noise on Driving Fatigue. Iop Conf Ser: Earth Environ Sci. 2021;706: 012015. doi: 10.1088/1755-1315/706/1/012015 - 12. Low I, Molesworth BRC, Burgess M. The fatiguing effect of broadband noise: An EEG-based study. Accident Analysis & Prevention. 2021;151: 105901. doi: 10.1016/j.aap.2020.105901 - 13. Aricò P, Borghini G, Di Flumeri G, Sciaraffa N, Babiloni F. Passive BCI beyond the lab: current trends and future directions. Phys Meas. 2018;39: 08TR02. doi: 10.1088/1361-6579/aad57e - 14. Ismail LE, Karwowski W. Applications of EEG indices for the quantification of human cognitive performance: A systematic review and bibliometric analysis. Mumtaz W, editor. PLOS ONE. 2020;15: e0242857. doi: 10.1371/journal.pone.0242857 - 15. Wang H, Dragomir A, Abbasi NI, Li J, Thakor NV, Bezerianos A. A novel real-time driving fatigue detection system based on wireless dry EEG. Cogn Neurodynamics. 2018;12: 365–376. doi: 10.1007/s11571-018-9481-5 - 16. Zhang T, Chen J, He E, Wang H. Sample-Entropy-Based Method for Real Driving Fatigue Detection with Multichannel Electroencephalogram. Applied Sciences. 2021;11: 10279. doi: 10.3390/app112110279 - 17. Achard S, Salvador R, Whitcher B, Suckling J, Bullmore E. A Resilient, Low-Frequency, Small-World Human Brain Functional Network with Highly Connected Association Cortical Hubs. J Neurosci. 2006;26: 63–72. doi: 10.1523/JNEUROSCI.3874-05.2006 - 18. Simpson SL, Bowman FD, Laurienti PJ. Analyzing complex functional brain networks: Fusing statistics and network science to understand the brain. Stat Surv. 2013;7. doi: 10.1214/13-SS103 - 19. Hasanzadeh F, Mohebbi M, Rostami R. Graph theory analysis of directed functional brain networks in major depressive disorder based on EEG signal. J Neural Eng. 2020;17: 026010. doi: 10.1088/1741-2552/ab7613 - 20. Tijms BM, Wink AM, De Haan W, Van Der Flier WM, Stam CJ, Scheltens P, et al. Alzheimer’s disease: connecting findings from graph theoretical studies of brain networks. Neurobiology of Aging. 2013;34: 2023–2036. doi: 10.1016/j.neurobiolaging.2013.02.020 - 21. Wang H, Liu X, Hu H, Wan F, Li T, Gao L, et al. Dynamic Reorganization of Functional Connectivity Unmasks Fatigue Related Performance Declines in Simulated Driving. IEEE Trans Neural Syst Rehabil Eng. 2020;28: 1790–1799. doi: 10.1109/TNSRE.2020.2999599 - 22. Chen C, Ji Z, Sun Y, Bezerianos A, Thakor N, Wang H. Self-Attentive Channel-Connectivity Capsule Network for EEG-Based Driving Fatigue Detection. IEEE Trans Neural Syst Rehabil Eng. 2023;31: 3152–3162. doi: 10.1109/TNSRE.2023.3299156 - 23. Wang H, Xu L, Bezerianos A, Chen C, Zhang Z. Linking Attention-Based Multiscale CNN With Dynamical GCN for Driving Fatigue Detection. IEEE Trans Instrum Meas. 2021;70: 1–11. doi: 10.1109/TIM.2020.304750233776080 - 24. Wang H, Liu X, Li J, Xu T, Bezerianos A, Sun Y, et al. Driving Fatigue Recognition With Functional Connectivity Based on Phase Synchronization. IEEE Trans Cogn Develop Syst. 2021;13: 668–678. doi: 10.1109/TCDS.2020.2985539 - 25. Gramfort A, Luessi M, Larson E, Engemann DA, Strohmeier D. MEG and EEG data analysis with MNE-Python. Front Neurosci. 2013;7: 1–13. doi: 10.3389/fnins.2013.00267 - 26. Pion-Tonachini L, Kreutz-Delgado K, Makeig S. ICLabel: An automated electroencephalographic independent component classifier, dataset, and website. NeuroImage. 2019;198: 181–197. doi: 10.1016/j.neuroimage.2019.05.026 - 27. Hu L, Zhang Z. EEG Signal Processing and Feature Extraction. Singapore: Springer Singapore; 2019. - 28. Cao J, Zhao Y, Shan X, Wei H, Guo Y, Chen L, et al. Brain functional and effective connectivity based on electroencephalography recordings: A review. Hum Brain Mapp. 2022;43: 860–879. doi: 10.1002/hbm.25683 - 29. Vinck M, Oostenveld R, Van Wingerden M, Battaglia F, Pennartz CMA. An improved index of phase-synchronization for electrophysiological data in the presence of volume-conduction, noise and sample-size bias. NeuroImage. 2011;55: 1548–1565. doi: 10.1016/j.neuroimage.2011.01.055 - 30. Ismail LE, Karwowski W. A Graph Theory-Based Modeling of Functional Brain Connectivity Based on EEG: A Systematic Review in the Context of Neuroergonomics. IEEE Access. 2020;8: 155103–155135. doi: 10.1109/ACCESS.2020.3018995 - 31. Achard S, Bullmore E. Efficiency and Cost of Economical Brain Functional Networks. Friston KJ, editor. PLoS Computational Biology. 2007;3: e17. doi: 10.1371/journal.pcbi.0030017 - 32. Pembury Smith MQR, Ruxton GD. Effective use of the McNemar test. Behav Ecol Sociobiol. 2020;74: 133. doi: 10.1007/s00265-020-02916-y - 33. Stam C, Jones B, Nolte G, Breakspear M, Scheltens P. Small-World Networks and Functional Connectivity in Alzheimer’s Disease. Cereb Cortex. 2006;17: 92–99. doi: 10.1093/cercor/bhj127 - 34. Stam CJ. Functional connectivity patterns of human magnetoencephalographic recordings: a ‘small-world’ network? Neurosci Lett. 2004;355: 25–28. doi: 10.1016/j.neulet.2003.10.063 - 35. Centeno EGZ, Moreni G, Vriend C, Douw L, Santos FAN. A hands-on tutorial on network and topological neuroscience. Brain Struct Funct. 2022;227: 741–762. doi: 10.1007/s00429-021-02435-0 - 36. Stam CJ, Reijneveld JC. Graph theoretical analysis of complex networks in the brain. Nonlinear Biomedical Physics. 2007;1: 3. doi: 10.1186/1753-4631-1-3 - 37. Bin S, Sun G, Chen C-C. Analysis of functional brain network based on electroencephalography and complex network. Microsyst Technol. 2021;27: 1525–1533. doi: 10.1007/s00542-019-04424-0 - 38. Hagberg A, Swart PJ, Schult DA. Exploring network structure, dynamics, and function using NetworkX. Los Alamos National Laboratory (LANL), Los Alamos, NM (United States); 2008 Jan. Report No.: LA-UR-08-05495; LA-UR-08-5495. Available: https://www.osti.gov/biblio/960616 - 39. Shah RR, Suen JJ, Cellum IP, Spitzer JB, Lalwani AK. The effect of brief subway station noise exposure on commuter hearing: Subway noise exposure. Laryngoscope Investigative Otolaryngology. 2018;3: 486–491. doi: 10.1002/lio2.216 - 40. Saeki T, Fujii T, Yamaguchi S, Harima S. Effects of acoustical noise on annoyance, performance and fatigue during mental memory task. Appl Acoust. 2004;65: 913–921. doi: 10.1016/j.apacoust.2003.12.005 - 41. Craig A, Tran Y, Wijesuriya N, Nguyen H. Regional brain wave activity changes associated with fatigue: Regional brain wave activity and fatigue. Psychophysiol. 2012;49: 574–582. doi: 10.1111/j.1469-8986.2011.01329.x - 42. Imperatori LS, Betta M, Cecchetti L, Canales-Johnson A, Ricciardi E, Siclari F, et al. EEG functional connectivity metrics wPLI and wSMI account for distinct types of brain functional interactions. Sci Rep. 2019;9: 8894. doi: 10.1038/s41598-019-45289-7 - 43. Golmohammadi R, Darvishi E, Faradmal J, Poorolajal J, Aliabadi M. Attention and short-term memory during occupational noise exposure considering task difficulty. Applied Acoustics. 2020;158: 107065. doi: 10.1016/j.apacoust.2019.107065 - 44. Tecchio F, Zappasodi F, Chiovenda P, Moffa F, Pasqualetti P, Tomei F, et al. Cognitive and attentive variations induced by long lasting exposition to traffic noise: an MEG study. NeuroImage. 2001;13: 366. doi: 10.1016/S1053-8119(01)91709-4 - 45. Wang C, Lyu S. Experimental study on influence to safety attention by noise. Journal of Safety Science and Technology. 2016;12: 160–164. doi: 10.11731/j.issn.1673-193x.2016.03.029 - 46. Han C, Sun X, Yang Y, Che Y, Qin Y. Brain Complex Network Characteristic Analysis of Fatigue during Simulated Driving Based on Electroencephalogram Signals. Entropy. 2019;21: 353. doi: 10.3390/e21040353 - 47. Kar S, Routray A, Nayak BP. Functional network changes associated with sleep deprivation and fatigue during simulated driving: Validation using blood biomarkers. Clinical Neurophysiology. 2011;122: 966–974. doi: 10.1016/j.clinph.2010.08.009 - 48. Baker CM, Burks JD, Briggs RG, Milton CK, Conner AK, Glenn CA, et al. A Connectomic Atlas of the Human Cerebrum—Chapter 6: The Temporal Lobe. Operative Neurosurgery. 2018;15: S245–S294. doi: 10.1093/ons/opy260 - 49. Brodmann K, Gary LJ. Brodmann’s localisation in the cerebral cortex: the principles of comparative localisation in the cerebral cortex based on cytoarchitectonics. New York, NY: Springer; 2006. - 50. Baker CM, Burks JD, Briggs RG, Stafford J, Conner AK, Glenn CA, et al. A Connectomic Atlas of the Human Cerebrum—Chapter 9: The Occipital Lobe. Operative Neurosurgery. 2018;15: S372–S406. doi: 10.1093/ons/opy263 - 51. Körber M, Cingel A, Zimmermann M, Bengler K. Vigilance Decrement and Passive Fatigue Caused by Monotony in Automated Driving. Procedia Manufacturing. 2015;3: 2403–2409. doi: 10.1016/j.promfg.2015.07.499 ## 原文 DOI 与数字核对索引 下列不变量从原始载荷自动提取，仅用于核对译文完整性，不构成额外证据摘要。 - `10.1002` - `10.1002/hbm.25683` - `10.1002/lio2.216` - `10.1007` - `10.1007/s00265-020-02916-y` - `10.1007/s00420-018-1361-0` - `10.1007/s00429-021-02435-0` - `10.1007/s00542-019-04424-0` - `10.1007/s11571-018-9481-5` - `10.1007/s40726-021-00194-4` - `10.1016` - `10.1016/0001-4575(83)90065-9` - `10.1016/S1053-8119(01)91709-4` - `10.1016/j.aap.2020.105901` - `10.1016/j.apacoust.2003.12.005` - `10.1016/j.apacoust.2019.107065` - `10.1016/j.apergo.2021.103604` - `10.1016/j.clinph.2010.08.009` - `10.1016/j.neulet.2003.10.063` - `10.1016/j.neurobiolaging.2013.02.020` - `10.1016/j.neuroimage.2011.01.055` - `10.1016/j.neuroimage.2019.05.026` - `10.1016/j.promfg.2015.07.499` - `10.1016/s0001-4575(97)00033-x` - `10.1038` - `10.1038/s41598-019-45289-7` - `10.1088` - `10.1088/1361-6579/aad57e` - `10.1088/1741-2552/ab7613` - `10.1088/1755-1315/706/1/012015` - `10.1093` - `10.1093/cercor/bhj127` - `10.1093/ons/opy260` - `10.1093/ons/opy263` - `10.1109` - `10.1109/ACCESS.2020.3018995` - `10.1109/TCDS.2020.2985539` - `10.1109/TIM.2020.3047502` - `10.1109/TIM.2020.304750233776080` - `10.1109/TNSRE.2020.2999599` - `10.1109/TNSRE.2023.3299156` - `10.1111` - `10.1111/j.1469-8986.2011.01329.x` - `10.11731` - `10.11731/j.issn.1673-193x.2016.03.029` - `10.1177` - `10.1177/0361198119826071` - `10.1177/0954407017730490` - `10.1177/0954409719876128` - `10.1186` - `10.1186/1753-4631-1-3` - `10.1186/s12940-021-00720-3` - `10.1214` - `10.1214/13-SS103` - `10.12751` - `10.12751/g-node.8cpchz` - `10.1371` - `10.1371/journal.pcbi.0030017` - `10.1371/journal.pone.0123835` - `10.1371/journal.pone.0242857` - `10.1371/journal.pone.0306729` - `10.1523` - `10.1523/JNEUROSCI.3874-05.2006` - `10.3389` - `10.3389/fnins.2013.00267` - `10.3390` - `10.3390/app112110279` - `10.3390/e21040353` - `0` - `0.0001` - `0.0002` - `0.0004` - `0.0011` - `0.0027` - `0.0035` - `0.0057` - `0.0065` - `0.0119` - `0.0284` - `0.0304` - `0.03411` - `0.0417` - `0.05` - `0.3513` - `0.5` - `0.562` - `00` - `0001` - `00033` - `001` - `00194` - `0030017` - `00720` - `01` - `012015` - `0123835` - `018` - `019` - `02` - `020` - `021` - `022` - `0242857` - `02435` - `026010` - `0265` - `02916` - `03` - `0306729` - `0361198119826071` - `04` - `0420` - `0429` - `04424` - `048011` - `05` - `05.2006` - `053` - `0542` - `05495` - `06` - `07` - `0726` - `08` - `09` - `092` - `0954407017730490` - `0954409719876128` - `098` - `0e814` - `1` - `1.0` - `10` - `1000` - `10279` - `103604` - `1040353` - `105901` - `107065` - `11` - `111` - `1112` - `11326564` - `116` - `12` - `12110279` - `122` - `123835` - `1250` - `13` - `1315` - `1326564` - `133` - `1361` - `14` - `1469` - `14729226` - `1484` - `1494` - `15` - `1500` - `151` - `1525` - `1533` - `1548` - `155103` - `155135` - `1565` - `1571` - `158` - `1598` - `16` - `160` - `16399673` - `164` - `16452642` - `1673` - `17` - `17274684` - `1741` - `1753` - `1755` - `1790` - `17908336` - `1799` - `18` - `181` - `1827` - `1883` - `189131` - `19` - `197` - `198` - `1983` - `1997` - `1998` - `1999` - `1e15` - `2` - `20` - `2001` - `2003.10.063` - `2003.12.005` - `2004` - `2006` - `2007` - `2008` - `2010.08.009` - `2011` - `2011.01.055` - `2012` - `2013` - `2013.00267` - `2013.02.020` - `2015` - `2015.07.499` - `2016` - `2016.03.029` - `2018` - `2019` - `2019.05.026` - `2019.107065` - `2020` - `2020.105901` - `2020.2985539` - `2020.2999599` - `2020.3018995` - `2020.3047502` - `2020.304750233776080` - `2021` - `2021.103604` - `2022` - `2023` - `2023.3299156` - `2024` - `2036` - `20864397` - `2090` - `2092` - `21` - `2100` - `21276857` - `214` - `216` - `22` - `22324302` - `227` - `23` - `232` - `234` - `235` - `23541878` - `24` - `2403` - `2409` - `242857` - `24431986` - `25` - `25309643` - `2552` - `256` - `25683` - `25874883` - `26` - `2673` - `27` - `28` - `29` - `2940` - `3` - `30` - `30039806` - `30137873` - `30259083` - `30260435` - `30260447` - `302728` - `30599034` - `306729` - `31` - `31103785` - `31222021` - `3152` - `3162` - `32` - `32053813` - `32746289` - `33` - `33267067` - `33275632` - `33360089` - `33766056` - `34` - `344` - `3442823` - `34662750` - `34668603` - `35` - `35142909` - `353` - `355` - `358` - `36` - `365` - `366` - `37` - `370` - `37494165` - `376` - `38` - `3874` - `388` - `39` - `398381` - `4` - `4.0` - `40` - `402` - `41` - `416` - `42` - `43` - `43672` - `44` - `45` - `45289` - `4575` - `46` - `4631` - `47` - `470` - `48` - `486` - `49` - `491` - `5` - `50` - `51` - `514837` - `533` - `539` - `5495` - `55` - `574` - `582` - `586889` - `592775` - `5968e539` - `6` - `60` - `609` - `613` - `620` - `63` - `643` - `65` - `6579` - `668` - `674299` - `678` - `6829` - `696` - `697` - `7` - `70` - `700` - `706` - `717519` - `72` - `720201` - `7252` - `73` - `74` - `741` - `742` - `750` - `762` - `775` - `794324` - `8` - `80` - `8017e46` - `803` - `81` - `8119` - `83` - `8375` - `86` - `860` - `869` - `87` - `872725` - `879` - `884` - `887748` - `888039` - `8894` - `891` - `8986.2011.01329` - `9` - `90` - `900` - `90065` - `913` - `91709` - `92` - `921` - `9248512` - `93` - `930803` - `94` - `942` - `9481` - `95` - `960616` - `966` - `97` - `974` - `976403` - `98` - `99` - `995714` - `>0.0565` - `>0.0589` - `>0.5907` - `>0.9317` - `>1` - `>10` - `>10.1371` - `>11` - `>11326564` - `>1151` - `>12` - `>13` - `>13815` - `>14` - `>15` - `>16` - `>17` - `>18` - `>19` - `>2` - `>20` - `>21` - `>22` - `>24` - `>24100` - `>25` - `>26` - `>27` - `>28` - `>29` - `>3` - `>30` - `>31` - `>32` - `>33` - `>34` - `>35` - `>36` - `>37` - `>37916` - `>38` - `>39` - `>39146301` - `>4` - `>40` - `>41` - `>42` - `>43` - `>44` - `>440` - `>45` - `>46` - `>47` - `>48` - `>49` - `>5` - `>50` - `>51` - `>6` - `>6.978` - `>60` - `>7` - `>70` - `>8` - `>8033` - `>9`