官金安, 段亞峰, 徐世行, 李東閣,印想, 彭翰林, 潘先攀

(1中南民族大學(xué) 生物醫(yī)學(xué)工程學(xué)院，認(rèn)知科學(xué)國(guó)家民委重點(diǎn)實(shí)驗(yàn)室，武漢430074；2中南民族大學(xué) 醫(yī)學(xué)信息分析及腫瘤診療湖北省重點(diǎn)實(shí)驗(yàn)室，武漢430074)

認(rèn)知腦電位反應(yīng)了大腦的信息認(rèn)知處理過程，不因受試者外在表現(xiàn)而改變，此特征可用來(lái)對(duì)受試者的真實(shí)隱秘信息進(jìn)行揭示[1].本文設(shè)計(jì)了一個(gè)心理生理學(xué)實(shí)驗(yàn)，在蘊(yùn)藏受試者真實(shí)名字和陌生名字的系列刺激中，觀察受試者在無(wú)意識(shí)狀態(tài)下接觸到真實(shí)名字的腦電反應(yīng)，并通過腦電分類出受試者的真實(shí)名字.該實(shí)驗(yàn)方案可應(yīng)用于刑偵場(chǎng)景，輔助相關(guān)人員尋找潛在逃犯；或進(jìn)行拓展，將真實(shí)名字更換為受試者關(guān)注的對(duì)象，在制作成心理測(cè)驗(yàn)軟件，檢測(cè)受試對(duì)象最在意的應(yīng)用場(chǎng)景等.

學(xué)者對(duì)基于腦電的心理真實(shí)信息揭示的研究表明，個(gè)體應(yīng)對(duì)視覺刺激時(shí)，與自我相關(guān)程度高的刺激，較與自我相關(guān)程度低的刺激，所誘發(fā)的事件相關(guān)電位(ERP)更加突出[2-4]；但上述研究?jī)H探討了隱秘信息揭示存在的事件相關(guān)電位現(xiàn)象，卻未進(jìn)行分類[5-7].

為拓展上述模式，本文設(shè)計(jì)了猜測(cè)受試者真實(shí)名字的實(shí)驗(yàn)?zāi)Ｊ?，并進(jìn)行實(shí)時(shí)分類.通過對(duì)5名健康受試者的腦電信號(hào)分別進(jìn)行小波去噪提取特征，采用支持向量機(jī)對(duì)不同特征信號(hào)進(jìn)行訓(xùn)練和分類，探討了不同試次數(shù)疊加及小波分解層數(shù)對(duì)分類正確率的影響.

1 實(shí)驗(yàn)?zāi)Ｊ郊皵?shù)據(jù)獲取

1.1 實(shí)驗(yàn)?zāi)Ｊ?/h3>

本實(shí)驗(yàn)基于oddball模式進(jìn)行改進(jìn)，實(shí)驗(yàn)前準(zhǔn)備7幅帶有名字字符的圖片，其中1幅包含受試者自身名字的圖片，其他6幅包含受試者不熟悉的陌生名字(在互聯(lián)網(wǎng)中隨機(jī)記錄下的名字).每個(gè)試次在屏幕上同一位置依次隨機(jī)顯示7幅圖片.其中每幅圖片顯示時(shí)間為500 ms，消失時(shí)間為500 ms，消失期間顯示一張底色為白色的空白圖片.在每個(gè)試次結(jié)束時(shí)給予受試者2 s休息時(shí)間，在休息時(shí)間內(nèi)允許被試眨眼休息，非休息時(shí)間內(nèi)告誡被試盡量不要眨眼，避免眨眼帶來(lái)強(qiáng)烈的眼電干擾.每個(gè)試次均對(duì)腦電信號(hào)進(jìn)行采集，記錄時(shí)長(zhǎng)為7s.

針對(duì)刺激圖片可分為兩類刺激：陌生名字刺激(自我相關(guān)程度低)和自身名字刺激(自我相關(guān)程度高).刺激圖片如圖1所示，圖片大小為326*267像素，底色為白色，字符顏色為黑色，電腦屏幕設(shè)置為黑色背景.名字1為受試者自身的名字，名字2為6個(gè)陌生名字，一組實(shí)驗(yàn)包含18個(gè)試次，每個(gè)試次中7張圖片出現(xiàn)的順序隨機(jī)打亂.實(shí)驗(yàn)中要求受試者注意力保持高度集中，認(rèn)真觀看不同的刺激圖片，以研究當(dāng)受試者面對(duì)陌生名字刺激時(shí)，無(wú)意中看到自己名字的腦電反應(yīng).

圖1 兩類不同的刺激示意圖Fig.1 Two different kinds of stimulus pictures

1.2 數(shù)據(jù)獲取

本實(shí)驗(yàn)采用八通道腦電采集裝置記錄數(shù)據(jù)，采樣頻率為1000 Hz，采集了5名健康受試者在上述實(shí)驗(yàn)?zāi)Ｊ较碌哪X電信號(hào)，即每幅圖片單個(gè)通道采樣點(diǎn)數(shù)為1000點(diǎn)，單個(gè)試次共記錄7000點(diǎn).數(shù)據(jù)的存儲(chǔ)格式為：通道數(shù)X通道采樣點(diǎn)數(shù)X實(shí)驗(yàn)試次數(shù).采集的腦電信號(hào)易受到工頻信號(hào)及被試自身的肌電等噪聲干擾，為了提高腦電信號(hào)信噪比，對(duì)腦電信號(hào)進(jìn)行了預(yù)處理，包括：去基線、小波去噪及歸一化.

2 研究方法

2.1 特征提取

各種干擾信號(hào)及自發(fā)腦電信號(hào)易將事件相關(guān)電位信號(hào)淹沒在噪聲中，須予以去除.本文采用小波分解進(jìn)行低通濾波，由于db4小波與ERP腦電信號(hào)波形相似，故采用db4小波作為母小波進(jìn)行小波分解[8].數(shù)據(jù)采樣率為1000 Hz，信號(hào)最大分解頻率為500 Hz.例如將腦電信號(hào)f(t)劃分為f(t)=An+Dn+…+D1個(gè)頻段，Dn是每個(gè)頻段的細(xì)節(jié)信號(hào)(高頻信號(hào))，An是對(duì)應(yīng)的近似信號(hào)(低頻信號(hào))[9,10].分別對(duì)腦電信號(hào)按4, 5, 6, 7層進(jìn)行小波分解，并提取對(duì)應(yīng)最低頻段信號(hào)A4, A5, A6, A7作為特征信號(hào)，其對(duì)應(yīng)頻段分別為0～31, 0～16, 0～8, 0～4 Hz.

為了觀察小波去噪效果，以6層分解為例，對(duì)單試次中兩類信號(hào)各自進(jìn)行小波分解，提取第6層信號(hào)并進(jìn)行對(duì)比，結(jié)果如圖2所示.圖2為取某被試單試次中兩類信號(hào)，進(jìn)行小波去噪前后對(duì)比，其中own-source代表自己的名字原始信號(hào)，own-wd代表自己的名字利用小波去噪后的濾波信號(hào)，同理strange-source代表陌生名字原始信號(hào)，strange-wd代表濾波信號(hào).由圖2可知，對(duì)比濾波前后，利用小波分解后的第6層信號(hào)，可濾除不必要的高頻信號(hào)噪聲，還原出信噪比較高的腦電信號(hào).

實(shí)驗(yàn)中將第一類刺激(與自我相關(guān)程度高，即自己的名字)作為靶刺激，第二類刺激(自我相關(guān)程度低，即陌生的名字)作為非靶刺激.圖3是100個(gè)試次疊加平均后，將7個(gè)名字特征波形繪制在一起，own代表自己的名字誘發(fā)的波形，strange1～ strange6分別代表其他6個(gè)陌生名字誘發(fā)的波形. 由圖3可知：在300～600 ms內(nèi)，自己的名字誘發(fā)的波形幅值大于陌生名字誘發(fā)的波形幅值，且其他6個(gè)陌生名字誘發(fā)的波形基本相似.因此，選取每幅圖片刺激后的300～600 ms時(shí)域信號(hào)作為分類器的特征向量.

2.2 分類方法

離線分類時(shí)采用模式識(shí)別中經(jīng)典的支持向量機(jī)(SVM)算法.運(yùn)用libsvm工具包，選用帶有松弛變量的C-SVM模型，核函數(shù)選用RBF函數(shù)，通過網(wǎng)格搜索對(duì)參數(shù)C和γ進(jìn)行尋優(yōu)(C=[2-10,2-9,…，29,210]，γ=[2-10,2-9,…，29,210]).先選取總樣本數(shù)的4/5為訓(xùn)練集，剩下的1/5為測(cè)試集；再對(duì)訓(xùn)練集使用五折交叉驗(yàn)證，找出最優(yōu)分類器模型；最后用該模型來(lái)對(duì)測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試[11].

圖2 小波去噪信號(hào)前后對(duì)比Fig.2 Signal comparison before and after wavelet denoising

圖3 PO3通道下7個(gè)名字特征對(duì)比Fig.3 PO3 channel, features of seven names

3 結(jié)果和分析

實(shí)驗(yàn)共采集了5名受試者共450個(gè)試次數(shù)據(jù)，剔除因基線漂移過大波形嚴(yán)重失真的試次，最后得到360個(gè)有效試次數(shù)據(jù).

實(shí)驗(yàn)僅采用了單通道數(shù)據(jù)作為特征信號(hào)，在疊加4試次下對(duì)7通道各自進(jìn)行分類，研究了不同小波分解頻段對(duì)分類正確率的影響，如圖4所示. 由圖4可知：A4頻段信號(hào)在各通道分類效果上表現(xiàn)最佳，其中PO3, Oz, PO4分類正確率達(dá)92%以上；A3頻段信號(hào)分類效果最差，A4達(dá)到最佳，隨著分解層數(shù)增加，由A4到A7分類效果逐漸下降.

圖4 疊加4試次下各通道不同小波分解層數(shù)的分類正確率Fig.4 Classification accuracy of different wavelet decomposition layers for each channel under 4 superposition

圖4中當(dāng)分解層數(shù)過低時(shí)，分類效果較差，表明引入的高頻噪聲嚴(yán)重污染了ERP信號(hào)；而分解層數(shù)過高時(shí)，頻率帶選取變窄，易將特征信號(hào)濾除，造成特征丟失.A4頻段信號(hào)分類效果最佳，意味著信號(hào)的特征集中分布在0～31Hz. PO3, Oz, PO4相較于其他通道分類效果較好，由于它們分布在大腦枕部及枕顳部，而大腦的初級(jí)視皮層及運(yùn)動(dòng)感知區(qū)域集中在此區(qū)域，與先前的研究相符[12,13].

鑒于PO3,Oz, PO4通道在分解4層后分類效果較佳，研究不同試次數(shù)疊加對(duì)分類效果的影響，結(jié)果如圖5所示. 由圖5可知：隨著疊加試次數(shù)增加，分類正確率逐步提升；進(jìn)行4次疊加平均后，PO3, Oz, PO4通道分類正確率達(dá)92%；當(dāng)進(jìn)行5次疊加平均后，分類效果則非常顯著；當(dāng)疊加次數(shù)達(dá)8次，PO3,Oz, PO4通道能夠完全分類成功.

圖5 不同試次疊加下的PO3通道A4信號(hào)分類正確率Fig.5 Classification accuracy of PO3 channel A4 signal under superposition of different samples

4 結(jié)語(yǔ)

根據(jù)心理學(xué)關(guān)于自我相關(guān)程度的研究，設(shè)計(jì)了猜測(cè)受試者真實(shí)名字的實(shí)驗(yàn)，發(fā)現(xiàn)自身名字誘發(fā)的波形較陌生的名字幅值更大.在該實(shí)驗(yàn)?zāi)Ｊ较?，采集?名被試腦電信號(hào)，利用小波分解提取第4層低頻信號(hào)，用SVM進(jìn)行分類，5個(gè)試次疊加平均后，PO3, Oz, PO4通道分類正確率可達(dá)97%.說(shuō)明基于腦電的隱秘信息的檢測(cè)可行，可廣泛應(yīng)用于刑偵等領(lǐng)域.