鄒 凌，吳 帆，畢 卉，田博帆，宋志偉，王蘇弘

基于皮爾遜最優(yōu)電極選擇的ADHD患者腦電特征提取及分類研究

鄒 凌1,2，吳 帆1,2，畢 卉1,2，田博帆1,2，宋志偉1,2，王蘇弘3

(1. 常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇 常州 213164；2. 常州市生物醫(yī)學(xué)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 常州 213164；3. 蘇州大學(xué)附屬第三醫(yī)院腦科學(xué)研究中心，江蘇 常州 213003)

事件相關(guān)電位(ERP)可用于注意缺陷多動(dòng)障礙兒童(ADHD)和正常兒童的腦電特征提取與分類。首先，采用賭博任務(wù)范式，采集2類兒童的腦電信號(hào)；其次，基于皮爾遜相關(guān)系數(shù)算法選擇最優(yōu)電極，并預(yù)處理最優(yōu)電極腦電信號(hào)；然后，提取預(yù)處理腦電信號(hào)的時(shí)域特征(均值、方差、峰值)和頻域特征(Theta波段功率、Alpha波段功率)；最后，利用傳統(tǒng)分類方法支持向量機(jī)(SVM)、自適應(yīng)增強(qiáng)(AdaBoost)、自舉匯聚法(Bagging)、線性判別式分析(LDA)、反向傳播(BP)和組合分類器的分類方法(LDA-SVM，BP-SVM)完成對(duì)2種腦電信號(hào)的分類。研究結(jié)果表明，傳統(tǒng)方法BP分類器的分類準(zhǔn)確率可達(dá)80.52%，組合分類器BP-SVM的分類準(zhǔn)確率可達(dá)88.88%。組合分類方法能提高ADHD兒童的分類準(zhǔn)確率，為基于腦機(jī)接口技術(shù)的ADHD神經(jīng)反饋康復(fù)治療提供技術(shù)支持。

事件相關(guān)電位；皮爾遜相關(guān)系數(shù)；賭博任務(wù)范式；腦電分類；腦機(jī)接口

在神經(jīng)科學(xué)研究中，腦電研究一直處于非常重要的位置[1]。基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的運(yùn)動(dòng)想象腦電分類及人與機(jī)器人交互應(yīng)用研究發(fā)現(xiàn)，該方法能夠?qū)\(yùn)動(dòng)想象腦電數(shù)據(jù)進(jìn)行較精確的分類[2]。目前，已經(jīng)有學(xué)者將腦機(jī)接口分類技術(shù)應(yīng)用到注意缺陷多動(dòng)障礙兒童(attention deficit hyperactivity disorder，ADHD)計(jì)算機(jī)輔助診斷領(lǐng)域。?ZTOPRAK等[3]提出了一種基于事件相關(guān)電位記錄的時(shí)頻域特征來(lái)區(qū)分ADHD組和非ADHD組的新分類方法，訓(xùn)練集分類準(zhǔn)確率達(dá)到98%。DU等[4]提出了一種基于判別子網(wǎng)絡(luò)和圖核PCA (principal component analysis)的ADHD分類方法，能使分類準(zhǔn)確率達(dá)到94.91%。

分類算法的實(shí)時(shí)性能是腦機(jī)接口技術(shù)的關(guān)鍵，通過(guò)減少電極數(shù)量可提高算法運(yùn)行效率，因此，電極選擇對(duì)腦機(jī)接口應(yīng)用具有重要意義。目前，WANG等[5]利用共空間模式(common spatial pattern，CSP)的方法得到腦電信號(hào)的分布向量，將空間模式和任務(wù)關(guān)聯(lián)，通過(guò)空間模式向量和導(dǎo)聯(lián)的最大系數(shù)的關(guān)系對(duì)電極進(jìn)行優(yōu)化選擇。ARVANEH等[6]使用了稀疏共空間模式(sparse common spatial pattern，SCSP)算法，其是在分類準(zhǔn)確率約束下對(duì)最小信道數(shù)進(jìn)行優(yōu)化，通過(guò)去除噪聲和不相關(guān)的信道進(jìn)行電極優(yōu)化選擇。此外，LI等[7]使用主成分分析方法對(duì)每個(gè)被試的電極對(duì)應(yīng)的數(shù)據(jù)集進(jìn)行計(jì)算，然后根據(jù)不同的任務(wù)刺激的發(fā)生率進(jìn)行導(dǎo)聯(lián)的 選擇。

已經(jīng)有研究表明ADHD兒童存在執(zhí)行功能缺陷[7]。ZELAZO和MüLLER[8]最早提出將執(zhí)行功能分為“冷”和“熱”2種類型，并認(rèn)為“冷”執(zhí)行功能更多地和背外側(cè)前額葉皮層相關(guān)，“熱”執(zhí)行功能與腹內(nèi)側(cè)前額葉和眶額葉皮質(zhì)相關(guān)。CASTELLANOS等[9]認(rèn)為，“熱”執(zhí)行功能關(guān)注的是情感和動(dòng)機(jī)的加工。ADHD兒童在“熱”執(zhí)行功能上的缺陷使其在情感性決策上產(chǎn)生障礙，無(wú)法做出正確的決策或做出不利于自己的風(fēng)險(xiǎn)決策。

“熱”執(zhí)行功能研究通常采用賭博任務(wù)范式。CRONE等[10]通過(guò)冒險(xiǎn)性決策賭博任務(wù)實(shí)驗(yàn)，證實(shí)ADHD兒童在賭博任務(wù)上的失敗是由于其對(duì)獎(jiǎng)勵(lì)的即刻敏感，不能延遲滿足，對(duì)過(guò)“熱”的情感動(dòng)機(jī)無(wú)法進(jìn)行有效抑制，即動(dòng)機(jī)抑制缺陷。MUSHTAQ等[11]通過(guò)實(shí)驗(yàn)研究表明，執(zhí)行功能可能影響到事件相關(guān)腦電位的反饋處理，如決策性能的調(diào)整需要考慮反饋相關(guān)負(fù)波。

本研究使用愛荷華賭博任務(wù)范式采集ADHD兒童和正常兒童的腦電信號(hào)，并利用傳統(tǒng)分類方法和分類組合方法對(duì)腦電信號(hào)時(shí)頻特征進(jìn)行分類比較，研究結(jié)果為基于腦機(jī)接口技術(shù)的ADHD神經(jīng)反饋康復(fù)治療提供技術(shù)支持。

1 方法

1.1 被試

所有被試均由常州市第一人民醫(yī)院經(jīng)臨床確診后提供，共篩選出符合試驗(yàn)條件的ADHD兒童21例，年齡(6.14±1.36)歲；健康兒童21例，年齡(6.42±1.51)歲。ADHD組和正常對(duì)照組之間的年齡差異無(wú)統(tǒng)計(jì)學(xué)意義(>0.05)。

本實(shí)驗(yàn)研究通過(guò)了常州市第一人民醫(yī)院倫理委員會(huì)批準(zhǔn)。所有受試者均由監(jiān)護(hù)人簽署了知情同意書并自愿參加。

1.2 實(shí)驗(yàn)設(shè)備

設(shè)備采用美國(guó)EGI公司128導(dǎo)聯(lián)電極帽，標(biāo)準(zhǔn)10-10腦電采集系統(tǒng)，采樣頻率為500 Hz，電極阻抗在80 kΩ以下，參考電極使用平均參考。

1.3 實(shí)驗(yàn)范式

實(shí)驗(yàn)范式來(lái)自經(jīng)典的IowGambling任務(wù)范式。實(shí)驗(yàn)范式的內(nèi)容如圖1所示，實(shí)驗(yàn)開始，隨著提示語(yǔ)的出現(xiàn)，屏幕上亮出2張牌，左邊為圓點(diǎn)花紋牌，右邊為垂直花紋牌，且2張牌分別對(duì)應(yīng)于按鍵盒的“1”號(hào)和“4”號(hào)按鍵，每次試驗(yàn)可以隨機(jī)選擇其中的1張牌。當(dāng)按下“1”號(hào)按鍵選擇左邊圓點(diǎn)花紋牌時(shí)，牌面翻轉(zhuǎn)出現(xiàn)包含有2個(gè)笑臉的圖片；當(dāng)按下“4”號(hào)按鍵選擇右邊垂直花紋牌時(shí)，牌面翻轉(zhuǎn)出現(xiàn)包含有1個(gè)笑臉的圖片；笑臉圖片出現(xiàn)后，緊接著會(huì)隨機(jī)出現(xiàn)另1張圖片(包括哭臉圖片或空白圖片)。其中左邊2個(gè)笑臉圖片出現(xiàn)后緊接對(duì)應(yīng)的圖片更傾向于壞的結(jié)果(失分多)，對(duì)應(yīng)圖片有4種可能，包括：有4個(gè)哭臉、5個(gè)哭臉、6個(gè)哭臉的圖片或空白圖片；而相反右邊一個(gè)笑臉圖片出現(xiàn)后緊接對(duì)應(yīng)的圖片更傾向于好的結(jié)果(得分多)，對(duì)應(yīng)圖片有2種可能，包括：1個(gè)哭臉的圖片或空白圖片。

實(shí)驗(yàn)采用加分制，翻牌后的圖片決定得分結(jié)果。如果左邊2個(gè)笑臉圖片之后出現(xiàn)的是空白圖片則加2分，若出現(xiàn)的是有4個(gè)哭臉的圖片則減2分，若出現(xiàn)的是有5個(gè)哭臉的圖片則減3分，若出現(xiàn)的是有6個(gè)哭臉的圖片則減4分；如果右邊1個(gè)笑臉圖片之后出現(xiàn)的是空白圖片則加1分，若出現(xiàn)的有1個(gè)哭臉的圖片則不加分。每次圖片呈現(xiàn)結(jié)束后均會(huì)有分?jǐn)?shù)的統(tǒng)計(jì)，并返回分?jǐn)?shù)值。被試會(huì)對(duì)得分反饋結(jié)果，給出對(duì)應(yīng)的腦電反饋。

圖1 實(shí)驗(yàn)范式

1.4 最佳電極選擇

實(shí)驗(yàn)采用對(duì)比統(tǒng)計(jì)的方式，選擇出具有代表性的最佳電極，得到對(duì)應(yīng)的導(dǎo)聯(lián)數(shù)據(jù)，可達(dá)到對(duì)數(shù)據(jù)進(jìn)行降維的目的。電極選擇方法主要分為3個(gè)步驟：首先，依次選擇2個(gè)被試的相同編號(hào)電極，計(jì)算出電極對(duì)應(yīng)腦電間的皮爾遜相關(guān)系數(shù)值；其次，根據(jù)皮爾遜相關(guān)系數(shù)值大小，將全部被試依次進(jìn)行比較；最后，統(tǒng)計(jì)出相關(guān)系數(shù)值最大且占有率最高(>90%)的電極作為每個(gè)被試的最佳電極。電極選擇方法的原理圖，如圖2所示。

方法依據(jù)的原理是：同一導(dǎo)聯(lián)的腦電信號(hào)經(jīng)多次疊加平均后可得到事件相關(guān)腦電位，因此同一類型的被試組在同一種刺激模式下，誘發(fā)出的腦電信號(hào)在相同編號(hào)導(dǎo)聯(lián)間應(yīng)具有一定相似性。而皮爾遜相關(guān)系數(shù)值大小可用于衡量2個(gè)導(dǎo)聯(lián)腦電信號(hào)間的相似性(如：趨勢(shì)、線性相關(guān)性等)程度，其值介于–1~1之間，數(shù)值越大表示相關(guān)性越高，反之腦電相關(guān)性較低的皮爾遜相關(guān)系數(shù)值也就越小[12]。皮爾遜相關(guān)系數(shù)的計(jì)算如下

其中，X和Y分別對(duì)應(yīng)了通過(guò)某一電極所采集的時(shí)間序列，即離散變量；N為單個(gè)離散變量的總長(zhǎng)度；ρx,y為所求的相關(guān)系數(shù)。

此外，實(shí)驗(yàn)過(guò)程中，為了避免外在因素干擾而導(dǎo)致的腦電不相關(guān)性錯(cuò)誤，同時(shí)為了確保能夠找出確定的最佳電極，在電極選擇方法中考慮增加一個(gè)鄰近電極相互比較的過(guò)程，即：處在同一腦區(qū)內(nèi)的所有電極，及各自對(duì)應(yīng)的相鄰電極，其ERP具有相似性。同時(shí)，實(shí)驗(yàn)根據(jù)皮爾遜相關(guān)系數(shù)值對(duì)應(yīng)的ERP相似性程度來(lái)進(jìn)行劃分，使用打分的方式來(lái)判斷和選擇電極。具體的劃分情況見表1。

表1 腦電相關(guān)性自定義劃分

1.5 腦電信號(hào)預(yù)處理

實(shí)驗(yàn)采用EEGLAB工具箱預(yù)處理數(shù)據(jù)，具體操作步驟包括：低通濾波、高通濾波(0.1~30.0 Hz)、分段(–200~1000 ms)、人工偽跡檢測(cè)、壞通道替換、疊加平均、參考點(diǎn)轉(zhuǎn)換及基線校正(–200~0 ms)。經(jīng)過(guò)濾波后的信號(hào)如圖3(a)所示，經(jīng)過(guò)偽跡檢測(cè)、壞通道替換處理后的信號(hào)如圖3(b)所示。

圖3 腦電信號(hào)預(yù)處理

圖3(a)中的經(jīng)過(guò)濾波后的信號(hào)中有大量的偽跡和信號(hào)基線漂移問(wèn)題；圖3(b)通過(guò)偽跡檢測(cè)、壞通道替換去除了信號(hào)中的偽跡、干擾。預(yù)處理后的信號(hào)可用于后續(xù)的信號(hào)特征提取。

1.6 特征提取

首先，實(shí)驗(yàn)通過(guò)電極選擇方法得到最佳電極，并選取最佳電極對(duì)應(yīng)的潛伏期腦電。然后，從預(yù)處理的腦電信號(hào)中提取出均值、方差、峰值作為時(shí)域特征，使用傅里葉變換對(duì)時(shí)間序列進(jìn)行頻譜估計(jì)，通過(guò)計(jì)算傅里葉變換振幅譜的平均值，提取Theta波段功率、Alpha波段功率作為頻域的特征。最后，將時(shí)頻特征用于分類。

1.7 分類研究

本研究使用支持向量機(jī)(support vector machine，SVM)、自適應(yīng)增強(qiáng)(adaptive boosting, AdaBoost)、自舉匯聚法(bootstrap aggregating，Bagging)、線性判別式分析(linear discriminant analysis，LDA)、反向傳播(back propagation，BP)常規(guī)方法對(duì)腦電特征進(jìn)行分類。首先將特征數(shù)據(jù)按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集；之后將訓(xùn)練集再劃分為訓(xùn)練集和驗(yàn)證集，使用10折交叉驗(yàn)證確定最佳模型；最后在測(cè)試集上驗(yàn)證分類準(zhǔn)確率，見表2。

表2 數(shù)據(jù)集

常規(guī)的分類算法各有優(yōu)缺點(diǎn)，本研究將2種常規(guī)分類器的優(yōu)勢(shì)相結(jié)合，提出了新型組合分類器:LDA-SVM和BP-SVM，用于提高分類ADHD兒童與正常兒童腦電的準(zhǔn)確率和分類效率。

(1) LDA-SVM。LDA又稱為Fisher線性判別，屬于監(jiān)督學(xué)習(xí)判別方法，能夠?qū)⒏呔S腦電特征數(shù)據(jù)投射至更低維的矢量空間，達(dá)到對(duì)腦電特征進(jìn)行降維處理的目的[13]。根據(jù)Fisher線性判別的思想，可通過(guò)求解最優(yōu)化問(wèn)題找出腦電特征數(shù)據(jù)的最佳投影矩陣，即

其中，()為Fisher準(zhǔn)則，(·)試計(jì)算矩陣跡的函數(shù)，和分別為類間和類內(nèi)散布矩陣。SVM方法則是通過(guò)非線性變換將腦電特征數(shù)據(jù)投射至高維特征空間，手動(dòng)設(shè)定的參數(shù)少，非常便于使用。

組合分類器的步驟為：①使用LDA確定高維腦電特征數(shù)據(jù)的最優(yōu)投影矩陣，對(duì)腦電特征進(jìn)行降維處理；②將降維后的腦電特征矩陣輸入SVM分類器，預(yù)測(cè)待分類數(shù)據(jù)。這種組合分類器通過(guò)LDA減少了部分腦電特征的空間，縮短了SVM的訓(xùn)練時(shí)長(zhǎng)[14]。

(2) BP-SVM。BP網(wǎng)絡(luò)改變了傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)，其利用誤差反向傳播方式來(lái)調(diào)整神經(jīng)元的權(quán)重，解決了之前非線性分類的問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)主要包含3個(gè)部分：輸入層、隱含層和輸出層。BP網(wǎng)絡(luò)的每一層都會(huì)通過(guò)對(duì)比期望值計(jì)算出誤差，然后將誤差反向傳播并逐層傳遞，并且同時(shí)不停地修改每層的權(quán)重。

BP-SVM組合分類器原理也與LDA-SVM類似，方法步驟如下：①應(yīng)用BP神經(jīng)網(wǎng)絡(luò)提取特征，選擇對(duì)分類ADHD兒童和正常兒童重要的腦電特征；②將經(jīng)過(guò)選擇后的腦電特征輸入SVM分類器進(jìn)行分類。該組合分類器方法避免了傳統(tǒng)機(jī)器學(xué)習(xí)分類器對(duì)ADHD兒童和正常兒童腦電分類過(guò)程中的過(guò)學(xué)習(xí)、模型選擇等問(wèn)題。

2 實(shí)驗(yàn)結(jié)果

2.1 事件相關(guān)電位分析

研究采用基于賭博任務(wù)的“熱”執(zhí)行功能范式，根據(jù)電極選擇方法，統(tǒng)計(jì)發(fā)現(xiàn)相關(guān)性最強(qiáng)的最佳電極主要位于前額葉和頂枕葉2個(gè)腦區(qū)，代表電極分別為8導(dǎo)聯(lián)和74導(dǎo)聯(lián)。

實(shí)驗(yàn)使用最佳電極，將所有被試組ADHD兒童和正常兒童的前額葉與頂枕葉腦區(qū)代表性電極對(duì)應(yīng)的腦電經(jīng)疊加平均后得到ERP波形，如圖4所示。圖4(a)和(b)分別為被試在失分較大的刺激模式下，前額葉腦區(qū)第8導(dǎo)聯(lián)和頂枕葉腦區(qū)第74導(dǎo)聯(lián)的ERP波形顯示結(jié)果。圖4(c)和(d)分別為被試在失分較少的刺激模式下，前額葉腦區(qū)第8導(dǎo)聯(lián)和頂枕葉腦區(qū)第74導(dǎo)聯(lián)的ERP波形顯示結(jié)果。從圖中可以看出，ADHD兒童和正常兒童在失分較大的情況下，其任務(wù)腦電均有較大振幅的反饋相關(guān)負(fù)波出現(xiàn)。而在失分較少時(shí)，其任務(wù)腦電同樣會(huì)出現(xiàn)反饋相關(guān)負(fù)波，但振幅較小。實(shí)驗(yàn)說(shuō)明，無(wú)論被試得分多少，ADHD兒童的任務(wù)腦電FRN均要比正常兒童更負(fù)。實(shí)驗(yàn)結(jié)果與已有研究結(jié)果相一致，F(xiàn)RN振幅要比正常組顯得更大是由于ADHD兒童存在執(zhí)行功能缺陷，在“熱”執(zhí)行賭博任務(wù)時(shí)往往會(huì)做出不利于自己的風(fēng)險(xiǎn)決策[15]。

2.2 事件相關(guān)電位分類結(jié)果

本研究基于賭博任務(wù)的“熱”執(zhí)行功能范式提取了腦電時(shí)域特征(均值、方差、峰值)和頻域特征(Theta波段功率、Alpha波段功率)。

對(duì)于提取的時(shí)頻特征，首先使用傳統(tǒng)分類器SVM、LDA、BP、Adaboost、Bagging分別對(duì)其進(jìn)行分類，分類結(jié)果見表3。根據(jù)傳統(tǒng)分類方法結(jié)果，可以發(fā)現(xiàn)BP算法的分類準(zhǔn)確率最高，時(shí)域均值特征分類的準(zhǔn)確率達(dá)到了81.35%；頻域Alpha波段功率特征分類的準(zhǔn)確率達(dá)到80.52%。

然后，將時(shí)域和頻域的特征進(jìn)行組合，利用新型組合分類器的方法(LDA-SVM、BP-SVM)對(duì)時(shí)頻組合特征進(jìn)行分類，分類結(jié)果見表3。從表中可以看出BP-SVM分類器的準(zhǔn)確率為83.33%，而LDA-SVM分類器的準(zhǔn)確率最高，達(dá)到88.88%。也說(shuō)明分類組合方法用于多特征分類時(shí)具有明顯優(yōu)勢(shì)，其分類正確率高于單特征的傳統(tǒng)分類方法。

圖4 “熱”執(zhí)行前額葉和頂枕葉腦區(qū)潛伏期ERP波形

表3 “熱”執(zhí)行功能分類結(jié)果(%)

最后，比較各個(gè)分類器的平均準(zhǔn)確率和執(zhí)行效率，見表4。采用頻域特征的傳統(tǒng)分類器算法性能要低于采用時(shí)域特征的算法性能(機(jī)器配置：i3-4170 3.7 Hz，Windows7 64，4 G內(nèi)存，顯卡：HD graphics 4400)，傳統(tǒng)分類器算法耗時(shí)較高，但同類特征間的算法耗時(shí)具有不確定性，組合分類器算法的性能比較適中。實(shí)驗(yàn)表明：分類器SVM、LDA、BP、Adaboost、Bagging需要手動(dòng)選擇腦電特征，并且其特征較為單一。而改進(jìn)后的組合分類器可用于多特征的選擇分類，特征選擇無(wú)需人工干預(yù)，能自動(dòng)學(xué)習(xí)特征，且準(zhǔn)確率比單特征分類準(zhǔn)確率更高。組合分類器中LDA-SVM分類準(zhǔn)確率達(dá)到了88.88%，執(zhí)行效率較BP-SVM耗時(shí)更少，更適用于本實(shí)驗(yàn)。

表4 “熱”執(zhí)行功能分類器的執(zhí)行效率(s)

3 結(jié)束語(yǔ)

傳統(tǒng)分類方法在腦電時(shí)域特征和頻域特征上的分類結(jié)果差異明顯，且受樣本量和數(shù)據(jù)質(zhì)量的影響較大。一方面，在少量樣本的情況下，可能造成偶然性較大。使用單特征進(jìn)行分類會(huì)造成分類準(zhǔn)確率的不穩(wěn)定，提取多個(gè)特征對(duì)數(shù)據(jù)進(jìn)行表征，可以進(jìn)一步降低分類過(guò)程中帶來(lái)的風(fēng)險(xiǎn)。而在數(shù)據(jù)質(zhì)量方面，可以考慮選擇最佳電極，在達(dá)到數(shù)據(jù)降維的同時(shí)，得到有代表性且質(zhì)量較高的腦電數(shù)據(jù)。在實(shí)驗(yàn)中發(fā)現(xiàn)，單特征分類存在不穩(wěn)定性，單個(gè)數(shù)據(jù)的分類的準(zhǔn)確性方差較大，而新的分類組合方法，能夠使其達(dá)到一個(gè)穩(wěn)定的數(shù)值，方差較小，而且算法性能較好，其準(zhǔn)確率較高。

在相同的配置下(機(jī)器配置：i3-4170 3.7 Hz，Windows7 64，4 G內(nèi)存，顯卡：HD graphics 4400)，常規(guī)的分類方法需要手動(dòng)選擇特征，只能對(duì)單一類型的特征進(jìn)行分類，比較耗時(shí)。使用常規(guī)的SVM、LDA、BP分類器對(duì)單一類型特征進(jìn)行分類，最低耗時(shí)也需360 s。而使用組合分類器可以對(duì)多類特征進(jìn)行選擇分類，且分類效率更高，其中BP-SVM對(duì)所有5類特征進(jìn)行選擇分類耗時(shí)為430 s，LDA-SVM耗時(shí)更少為395 s。

改進(jìn)的組合分類方法可以自動(dòng)學(xué)習(xí)特征，其包含更多的隱含信息，有助于提高分類準(zhǔn)確率。但是組合分類方法是基于大樣本數(shù)據(jù)建立的統(tǒng)一訓(xùn)練模型，更適合處理大樣本數(shù)據(jù)，而ADHD兒童腦電數(shù)據(jù)的采集和獲取有一定困難，建立大樣本ADHD兒童腦電數(shù)據(jù)庫(kù)是目前科研的一個(gè)重要任務(wù)。

本研究采用基于賭博任務(wù)的“熱”執(zhí)行功能范式，使用皮爾遜相關(guān)系數(shù)進(jìn)行電極選擇，并通過(guò)分類組合算法結(jié)合腦電多特征進(jìn)行分類，與各傳統(tǒng)分類器在腦電單特征分類方面進(jìn)行對(duì)比。LDA-SVM方法將分類準(zhǔn)確率提升至88.88%，雖然比目前最新的結(jié)論有所不足，但從腦機(jī)接口的角度給出了目前能達(dá)到的最優(yōu)解，為后續(xù)腦電采集設(shè)備的簡(jiǎn)化提供了理論依據(jù)。研究初步認(rèn)為，分類組合方法有助于ADHD兒童的多特征分類，為ADHD兒童個(gè)體診斷技術(shù)提供了可能，而且能夠有效地使用在基于腦機(jī)接口ADHD神經(jīng)反饋康復(fù)，達(dá)到較好的實(shí)時(shí)反饋效果。

[1] 鄒凌, 嚴(yán)永, 楊彪, 等. 基于同步EEG-fMRI采集的情緒認(rèn)知重評(píng)數(shù)據(jù)特征融合分析研究[J]. 自動(dòng)化學(xué)報(bào), 2016, 42(5): 771-781. ZOU L, YAN Y, YANG B, et al. Feature fusion analysis of simultaneously recorded EEG-fMRI in emotion cognitive reappraisal[J]. ACTA Automatica Sinica, 2016, 42(5): 771-781 (in Chinese).

[2] 程時(shí)偉, 周桃春, 唐智川, 等. CNN實(shí)現(xiàn)的運(yùn)動(dòng)想象腦電分類及人-機(jī)器人交互[J]. 軟件學(xué)報(bào), 2019, 30(10): 3005-3016. CHENG S W, ZHOU T C, TANG Z C, et al. Classification of motor imagination EEG and human-robot interaction based on CNN[J]. Journal of Software, 2019, 30(10): 3005-3016 (in Chinese).

[3] ?ZTOPRAK H, TOYCAN M, ALP Y K, et al. Machine-based classification of ADHD and nonADHD participants using time/frequency features of event-related neuroelectric activity[J]. Clinical Neurophysiology, 2017, 128(12): 2400-2410.

[4] DU J Q, WANG L P, JIE B, et al. Network-based classification of ADHD patients using discriminative subnetwork selection and graph kernel PCA[J]. Computerized Medical Imaging and Graphics, 2016, 52: 82-88.

[5] WANG Y, GAO S, GAO X. Common spatial pattern method for channel selelction in motor imagery based brain-computer interface[C]//2005 IEEE Engineering in Medicine and Biology 27th Annual Conference. New York: IEEE Press, 2006: 5392-5395.

[6] ARVANEH M, GUAN C T, ANG K K, et al. Optimizing the channel selection and classification accuracy in EEG-based BCI[J]. IEEE Transactions on Biomedical Engineering, 2011, 58(6): 1865-1873.

[7] LI W, ZHOU T, ZOU L, et al. Identification of attention deficit/hyperactivity disorder in Children using multiple ERP features[J]. Current Bioinformatics, 2018, 13(5): 501-507.

[8] ZELAZO P D, MüLLER U. Executive function in typical and atypical development[J]. Child Neuropsychology, 2002, 445-469.

[9] CASTELLANOS F X, SONUGA-BARKE E J S, MILHAM M P, et al. Characterizing cognition in ADHD: beyond executive dysfunction[J]. Trends in Cognitive Sciences, 2006, 10(3): 117-123.

[10] CRONE E A, RICHARD JENNINGS J, VAN DER MOLEN M W. Sensitivity to interference and response contingencies in attention-deficit/hyperactivity disorder[J]. Journal of Child Psychology and Psychiatry, 2003, 44(2): 214-226.

[11] MUSHTAQ F, BLAND A R, SCHAEFER A. Uncertainty and cognitive control[J]. Frontiers in Psychology, 2011, 2: 249.

[12] GAO J, WANG W, ZHANG J. Explore interregional EEG correlations changed by sport training using feature selection[J]. Computational Intelligence and Neuroscience, 2016, 30: 1-10.

[13] SUBASI A, ISMAIL GURSOY M. EEG signal classification using PCA, ICA, LDA and support vector machines[J]. Expert Systems with Applications, 2010, 37(12): 8659-8666.

[14] ZHANG L, ZHOU W D. Fisher-regularized support vector machine[J]. Information Sciences, 2016, 343-344: 79-93.

[15] GONG J B, YUAN J J, WANG S H, et al. Feedback-related negativity in children with two subtypes of attention deficit hyperactivity disorder[J]. PLoS One, 2014, 9(6): e99570.

Study on the extraction and classification of EEG characteristics in ADHD patients based on Pearson’s optimal electrode selection

ZOU Ling1,2, WU Fan1,2, BI Hui1,2, TIAN Bo-fan1,2, SONG Zhi-wei1,2, WANG Su-hong3

(1. Faculty of Information Science & Engineering, Changzhou University, Changzhou Jiangsu 213164, China; 2. Changzhou Key Laboratory of Biomedical Information Technology, Changzhou Jiangsu 213164, China; 3. Brain Science Research Center, the Third Affiliated Hospital of Suzhou University, Changzhou Jiangsu 213003, China)

Event-related potential (ERP) can be used for EEG feature extraction and classification for children with attention deficit hyperactivity disorder (ADHD) and normal children. Firstly, the EEG signals of two kinds of children were collected by the gambling task paradigm. Secondly, the optimal electrode was selected based on the Pearson correlation coefficient algorithm, and the optimal electrode EEG signal was preprocessed. Then, time domain features (mean, variance, peak) and frequency domain features (Theta band power, Alpha band power) of pre-processed EEG signals were extracted. Finally, traditional classification methods (Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Bootstrap Aggregating (Bagging), Linear Discriminant Analysis (LDA), Back Propagation (BP) and combined classifier classification methods (LDA-SVM, BP-SVM) were used to complete the classification of two kinds of EEG signals. The results demonstrate that the classification accuracy of traditional BP classifier was up to 80.52% and that of the combined classifier was up to 88.88%. The combined classification method can improve the classification accuracy for ADHD children and provide technical support for ADHD neurofeedback rehabilitation treatment based on the BCI technology.

event-related potential; Pearson correlation coefficient; gambling task paradigm; EEG classification; brain-computer interface

TP 183

10.11996/JG.j.2095-302X.2020030417

A

2095-302X(2020)03-0417-07

2019-11-26；

2020-02-23

江蘇省科技廳社會(huì)發(fā)展項(xiàng)目(BE2018638)；江蘇省“333高層次人才培養(yǎng)工程”項(xiàng)目；常州市社會(huì)發(fā)展項(xiàng)目(CE20195025)；常州大學(xué)科研項(xiàng)目(ZMF18020322)；江蘇省教育廳首批中外合作辦學(xué)平臺(tái)聯(lián)合科研項(xiàng)目；江蘇省研究生培養(yǎng)創(chuàng)新計(jì)劃項(xiàng)目(KYCX20_2552，KYCX20_2559)

鄒 凌(1975-)，女，遼寧遼陽(yáng)人，教授，博士，碩士生導(dǎo)師。主要研究方向?yàn)樯镫娦畔⑻幚砼c模式識(shí)別、自動(dòng)控制。 E-mail：zouling@cczu.edu.cn