喬曉艷，彭佳卉

（山西大學物理電子工程學院，山西太原 030006）

0 引 言

腦－機接口（BCI）是一種不依賴于外周神經(jīng)和肌肉的全新通訊系統(tǒng)，該系統(tǒng)通過采集大腦的腦電波或其他電生理信號以實現(xiàn)與外界的通訊和控制［1］.視聽覺誘發(fā)腦電是指對視聽覺系統(tǒng)施加刺激時所引起的大腦電位變化，其幅值約為0.5μV～50μV，頻率范圍為0.5 Hz～100 Hz，信噪比為0～10 d B，屬于非平穩(wěn)和非高斯的微弱信號.誘發(fā)腦電反映了大腦在決策和判斷過程中的認知功能，成為臨床和實驗室腦功能測試的通常選擇，也被大量應(yīng)用于腦機接口系統(tǒng)中作為反映大腦活動的特征信號.常用的誘發(fā)腦電特征提取方法主要基于時域或頻域特征，包括功率譜分析、AAR模型、相干平均等［2］.其中，功率譜分析法利用了信號頻域的能量信息，但損失了時域信息；AAR模型法對偽跡很敏感，不適合分析非平穩(wěn)隨機信號；而相干平均法需多次刺激疊加，導(dǎo)致實驗記錄時間很長，容易引起受試者神經(jīng)系統(tǒng)疲勞，從而影響腦電特征提取的準確性.因此對誘發(fā)電位單次或少次疊加提取特征成為研究的關(guān)鍵.

目前，誘發(fā)腦電時域或頻域特征提取均基于對腦電產(chǎn)生系統(tǒng)的線性假設(shè)，即假設(shè)大腦是一個線性的動力學系統(tǒng)，但是腦電信號是大量神經(jīng)細胞的非線性耦合，是一個高度非線性的多單元連接的集合體，表現(xiàn)出明顯的非線性特征［3］.隨著非線性理論的進一步發(fā)展，基于非線性動力學系統(tǒng)的復(fù)雜度研究成為獲取腦電特征的一種新興方法.熵作為衡量時間序列復(fù)雜度的非線性動力學參數(shù)，已經(jīng)在眾多領(lǐng)域得到了較好的應(yīng)用.20世紀90年代初，Pincus［4］提出了量化時間序列復(fù)雜度的方法——近似熵，以所需數(shù)據(jù)量少及低噪聲敏感度的優(yōu)勢，成功地應(yīng)用于生物時間序列分析.但是，近似熵統(tǒng)計量容易導(dǎo)致不一致的結(jié)果.由此Richman等沿襲Grassberger的研究，發(fā)展了一種有別于近似熵的統(tǒng)計量，即樣本熵［5］.樣本熵是對近似熵算法的一種改進，具有與近似熵相同的物理意義，即樣本熵值越大，序列越復(fù)雜［6］.

針對腦電信號的非平穩(wěn)和非線性，本文提出少次相干平均結(jié)合樣本熵的特征提取方法.通過對預(yù)處理后的誘發(fā)腦電數(shù)據(jù)進行少次相干平均，結(jié)合樣本熵的非線性分析法，度量腦電信號的復(fù)雜度，反映其非線性特征.結(jié)合兩種方法的分析，能全面反映腦電信號時域的非線性特征.

1 視聽刺激實驗范式與腦電數(shù)據(jù)采集

設(shè)計了視聽誘發(fā)實驗范式，范式提供兩幅分別由紅色和藍色墨水呈現(xiàn)的“紅”字圖片，作為視覺誘發(fā)源，及“紅”和“藍”兩個同頻率的純音，作為聽覺誘發(fā)源.其中，紅色墨水呈現(xiàn)的“紅”字圖片為視覺靶刺激（V），藍色墨水呈現(xiàn)的“紅”字圖片為視覺非靶刺激（v）；“紅”純音為聽覺靶刺激（A），“藍”純音為聽覺非靶刺激（a）.

實驗采用單一通道刺激與雙通道刺激兩種模式進行，單一通道刺激分為視覺單一通道刺激（視覺靶刺激V與視覺非靶刺激v）和聽覺單一通道刺激（聽覺靶刺激A與聽覺非靶刺激a）；雙通道刺激分為視覺靶－聽覺靶刺激（VA）、視覺靶－聽覺非靶刺激（Va）、視覺非靶－聽覺靶刺激（v A）和視覺非靶－聽覺非靶刺激（va）.

每組實驗中V，A，VA，Va，v A，v，a，va 8種刺激方式隨機出現(xiàn)，每個刺激時間為2 s，前1 s無刺激，用于記錄受試者的自發(fā)腦電；后1 s呈現(xiàn)圖片或聲音刺激，用于記錄視聽誘發(fā)腦電.要求受試者在出現(xiàn)靶刺激的同時點擊鼠標鍵進行按鍵反應(yīng).

實驗利用Neuroscan 40導(dǎo)聯(lián)腦事件相關(guān)電位儀，在Scan4.5采集軟件平臺上進行腦電信號實時采集.選用DC采樣模式，以1 k Hz采樣頻率同步采集腦電信號.受試者為在校研究生，平均年齡為23歲，男性5名、女性4名，均為右利手.實驗開始時，讓受試者靜坐并保持放松狀態(tài)，當出現(xiàn)靶刺激時，要求點擊鼠標左鍵做出反應(yīng).

2 特征提取方法

2.1 相干平均特征提取

相干平均是將多次誘發(fā)刺激記錄得到的腦電信號以刺激產(chǎn)生時刻為參考點，對應(yīng)疊加平均，提取誘發(fā)腦電特征［7］.該方法是一種方便、有效的特征提取方法.

設(shè)各次測量信號x i（t）、誘發(fā)電位si（t）和隨機噪聲vi（t）的關(guān)系如下

誘發(fā)電位si（t）是各次相同的刺激過程，噪聲vi（t）是各次獨立的非平穩(wěn)隨機過程，經(jīng)N次疊加平均后，其均值和方差分別為

則N次疊加平均所得誘發(fā)響應(yīng)為

可見，經(jīng)N次相干平均后，信噪比提高了倍.

本文對原始腦電數(shù)據(jù)先采用獨立成分分析方法進行信源分離，去除眼電偽跡.然后利用AR模型對EEG中自發(fā)腦電信號建模，構(gòu)建白化濾波器，濾除自發(fā)腦電.最后利用相干平均方法提取誘發(fā)腦電波形特征.圖1所示為將預(yù)處理后的誘發(fā)腦電信號經(jīng)過300次相干平均，提取得到的CZ導(dǎo)聯(lián)上視覺、聽覺及視聽覺靶刺激誘發(fā)腦電特征信號.

圖1 CZ導(dǎo)聯(lián)視覺靶刺激（V）、聽覺靶刺激（A）及視聽聯(lián)合靶刺激（VA）特征提取波形Fig.1 The visual target stimulus（V），auditory target stimulus（A）and audio－visual target stimuli（VA）waveform in CZ lead

由此可以看到：當對視覺、聽覺和視聽覺刺激誘發(fā)腦電進行300次相干平均，可以有效提取相應(yīng)靶刺激下的事件相關(guān)電位ERP特征.由于每一次誘發(fā)事件的腦電記錄時間為2 s，則實驗總記錄時間需600 s，較長時間的視覺刺激會引起受試者視覺疲勞，導(dǎo)致腦電信號測量產(chǎn)生誤差，因此，在視覺誘發(fā)腦電測量中，需要減少記錄時間，因而對視覺和聽覺誘發(fā)腦電數(shù)據(jù)處理時應(yīng)盡量采用少次相干平均.同時，為了達到腦－機交互系統(tǒng)實時性，也需要盡量減少腦電信號相干平均的次數(shù)N，更好地滿足視聽誘發(fā)腦電信號特征實時提取.

2.2 樣本熵特征提取

樣本熵是在近似熵的基礎(chǔ)上發(fā)展起來的一種非線性分析法，通過度量信號的復(fù)雜度反映它的非線性特征，樣本熵值越低，序列自我相似性越高，即序列越簡單；樣本熵值越大，序列越復(fù)雜.樣本熵不但具備了近似熵的抗噪、抗干擾優(yōu)點，而且避免了近似熵在計算過程中因?qū)ψ陨頂?shù)據(jù)量進行比較而導(dǎo)致的統(tǒng)計量不一致問題［8］.樣本熵這種統(tǒng)計量的精確性使其適用于分析非線性的腦電信號和其他生物時間序列.具體算法步驟如下：

1）將15次相干平均后的單一導(dǎo)聯(lián)腦電信號組成原始信號x（1），x（2），…，x（N），共N個點；

2）按數(shù)據(jù)點順序組成一組m維矢量

3）定義矢量Xm（i）與Xm（j）之間的距離d［Xm（i），Xm（j）］為兩者對應(yīng)元素中差值最大的一個，即

4）給定一個閾值r（r＞0），對每一個i值統(tǒng)計d［X m（i），X m（j）］小于r的數(shù)目（模板匹配數(shù)），并計算該數(shù)目與總矢量個數(shù)的比值，用表示，即

5）求其對于所有的i的平均值，用Bm（r）表示，即

6）將維數(shù)增加1，即組成m＋1維矢量，重復(fù)步驟2）～5），并分別用和表示.

7）計算樣本熵［9］

式中：N為數(shù)據(jù)長度；r為相似容限；m為嵌入維數(shù).

本文將經(jīng)15次相干平均后的單一導(dǎo)聯(lián)腦電信號做為樣本熵的原始信號輸入，分別取相鄰的m個點（m維）構(gòu)成矢量序列，通過樣本熵計算后，觀察維數(shù)由m增加到m＋l時，序列產(chǎn)生新模式的可能性大小.樣本熵的值與嵌入維數(shù)m和相似性容限r(nóng)的取值有關(guān).m取值越大，計算所需要的數(shù)據(jù)量越大，計算時間越長.r取值越小，噪聲對結(jié)果的影響越顯著；r取值越大，時間序列的細節(jié)信息損失越多.一般情況下，當m取1或2，r取0.1倍～0.25倍原始數(shù)據(jù)的標準差時，計算得到的樣本熵具有較好的統(tǒng)計特性［10］.綜合考慮上述因素，本文樣本熵算法中取m＝2，r＝0.2STD，STD為序列的標準差.

3 結(jié)果與分析

選取13個導(dǎo)聯(lián)的腦電數(shù)據(jù)進行處理，包括與視覺、聽覺功能相關(guān)的枕葉O1，O2，OZ導(dǎo)聯(lián)和顳葉T3，T4導(dǎo)聯(lián)，涉及到刺激分類的前額區(qū)FP1，F(xiàn)P2導(dǎo)聯(lián)，以及反映大腦全局信息處理能力的中央?yún)^(qū)C3，C4，CZ導(dǎo)聯(lián)和頂區(qū)P3，P4，PZ導(dǎo)聯(lián).依照統(tǒng)計學原理t檢驗，分別對視覺刺激、聽覺刺激及視聽覺聯(lián)合刺激模式下的樣本熵值進行比較，結(jié)論如圖2～圖5所示.圖2～圖4分別表示視覺刺激、聽覺刺激和視聽覺刺激模式下的靶刺激及非靶刺激與自發(fā)腦電樣本熵值結(jié)果.圖5顯示為視覺、聽覺及視聽覺刺激模式下的靶刺激與非靶刺激樣本熵值結(jié)果（樣本熵值無單位）.

通過比較圖2～圖4中3種刺激模式下的靶刺激及非靶刺激與自發(fā)腦電的樣本熵值，發(fā)現(xiàn)接受刺激后腦電的樣本熵值高于自發(fā)腦電的樣本熵值，且反映視覺、聽覺功能的枕葉和顳葉相關(guān)導(dǎo)聯(lián)上的靶刺激樣本熵值與自發(fā)腦電樣本熵值間存在更大差異，而相關(guān)導(dǎo)聯(lián)上的非靶刺激樣本熵值與自發(fā)腦電樣本熵值間則存在一定的趨同性，即樣本熵值變化趨勢大致相同.經(jīng)過統(tǒng)計性分析，3種刺激模式下靶刺激與非靶刺激的樣本熵值之間存在顯著性差異（P＜0.05），觀察圖5可知，靶刺激出現(xiàn)時的樣本熵值高于非靶刺激出現(xiàn)時的樣本熵.

圖2 視覺靶刺激及非靶刺激與自發(fā)腦電樣本熵值比較Fig.2 The sample entropy value of visual target and non－target stimuli compared with spontaneous EEG

圖3 聽覺靶刺激及非靶刺激與自發(fā)腦電樣本熵值比較Fig.3 The sample entropy value of auditory target and non－target stimuli compared with spontaneous EEG

圖4 視聽覺靶刺激及非靶刺激與自發(fā)腦電樣本熵值比較Fig.4 The sample entropy value of audio－visual target and non－target stimuli compared with spontaneous EEG

圖5 視覺、聽覺與視聽覺靶刺激與非靶刺激樣本熵值比較Fig.5 The sample entropy value of visual auditory and audio－visual target compared with non＊target stimuli

由以上分析可知，與自發(fā)腦電相比，無論靶刺激或非靶刺激的出現(xiàn)，均能夠使大腦的復(fù)雜性顯著提高，即樣本熵值增大.實驗中，受試者在靶刺激出現(xiàn)時，大腦中樞接受外界視覺或聲音刺激，在認知行為上表現(xiàn)為對認知目標的關(guān)注，這一過程中，中樞神經(jīng)系統(tǒng)與外周刺激的信息耦合導(dǎo)致了系統(tǒng)復(fù)雜性的提高.而在非靶刺激出現(xiàn)時，大腦對認知目標的關(guān)注程度減少，中樞神經(jīng)系統(tǒng)與外周刺激發(fā)生信息耦合的程度降低，因此系統(tǒng)的復(fù)雜性降低，這與Pincus研究結(jié)論一致，表現(xiàn)為靶刺激的樣本熵值高于非靶刺激樣本熵.

4 結(jié)束語

本文提出少次相干平均結(jié)合樣本熵的特征提取方法，全面反映視聽誘發(fā)腦電信號時域非線性特征.少次相干平均方法解決了腦電特征提取中需要大量實驗數(shù)據(jù)的問題，有效避免受試者長時間實驗引起的神經(jīng)疲勞，提高了數(shù)據(jù)的可信度.同時，針對腦電的非線性，采用樣本熵方法，對大腦視聽誘發(fā)電位進行復(fù)雜度分析.結(jié)果顯示：大腦在受到視聽刺激時的復(fù)雜度高于靜息時刻，且靶刺激誘發(fā)腦電復(fù)雜度高于非靶刺激.該方法可以有效提取大腦時域非線性特征量，可應(yīng)用于神經(jīng)信息處理和腦認知科學.

［1］ Wolpaw J R，Birbaumer N，McFarland D J.Brain－computer interface for communication and control［J］.Clinical Neurophysiology，2002，113（6）：767－791.

［2］ 嚴娜，喬曉艷，李鵬.基于小波－雙譜分析的視覺誘發(fā)腦電特征提?。跩］.測試技術(shù)學報，2012，26（1）：20－25.

Yan Na，Qiao Xiaoyan，LI Peng.Feature extraction for visual evoked EEG based on wavelet and bispectrum analysis［J］.Journal of Test and Measurement Technology，2012，26（1）：20－25.（in Chinese）

［3］ 王攀，沈繼忠，施錦河.基于小波變換和時域能量熵的P300特征提取算法［J］.儀器儀表學報，2011，32（6）：1284－1289.

Wang Pan，Shen Jizhong，Shi Jinhe.P300 feature extraction algorithm based on wavelet transform and temporal energy entropy［J］.Chinese Journal of Scientific Instrument，2011，32（6）：1284－1289.（in Chinese）

［4］ Pincus S M.Approximate entropy as a measure of system complexity［J］.Proceeding of the National Academy Sciences，1991，88（6）：2297－2301.

［5］ Richman J S，Moomaan J R.Physiologica time series analysis using approximate entropy and sample entropy［J］.Am J Physio：Heart Circ Physio，2000，278（61）：2039－2049.

［6］ 張毅，羅明偉，羅元.腦電信號的小波變換和樣本熵特征提取方法［J］.智能系統(tǒng)學報，2012，7（4）：339－344.

Zhang Yi，Luo Mingwei，Luo Yuan.EEG feature extraction method based on wavelet transform and sample entropy［J］.CAAI Transactions on Intelligent Systems，2012，7（4）：339－344.（in Chinese）

［7］ 閆蓓，劉莎，李建華，等.單通道視覺誘發(fā)腦電的單次提取方法研究［J］.儀器儀表學報，2012，33（4）：905－910.

Yan Bei，Liu Sha，Li Jianhua，et al.Study on single－trial feature extraction method of single－channel visual evoked potential［J］.Chinese Journal of Scientific lnstmment，2012，33（4）：905－910.（in Chinese）

［8］ 楊成，王學民，孫濤，等.基于脈象Hilbert－Huang變換和樣本熵的動脈硬化癥檢測研究［J］.生物醫(yī)學工程學雜志，2012，29（6）：1178－1183.

Yang Cheng，Wang Xuemin，Sun Tao，et al.The study of the pulse signals of atherosclerosis based on Hilbert－Huang transform and sample entropy［J］.Journal of Biomedical Enineerin，2012，29（6）：1178－1183.（in Chinese）

［9］ 馬莉，杜一鳴，黃光，等.基于樣本熵與人工神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作預(yù)測初步研究［J］.中國生物醫(yī)學工程學報，2013，32（2）：243－247.

Ma Li，Du Yiming，Huang Guang，et al.A preliminary study on epileptic seizure prediction using sample entropy and artificial neural network［J］.Chinese Journal of Biomedical Engineering，2013，32（2）：243－247.（in Chinese）

［10］ 屠彬彬，于鳳芹.基于樣本熵與MFCC融合的語音情感識別［J］.計算機工程，2012，38（7）：142－144.

Tu Binbin，Yu Fengqin.Speech emotion recognition based on fusion of sample entropy and MFCC［J］.Computer Engineering，2012，38（7）：142－144.（in Chinese）