劉學(xué)文，丁成義，王寧，袁道任，胡怡芳

　?。ㄖ袊?guó)電子科技集團(tuán)公司第二十七研究所，河南 鄭州 450047）

摘要：利用多維EMD分解算法，在時(shí)域和空域上同時(shí)對(duì)信號(hào)進(jìn)行多維度的經(jīng)驗(yàn)?zāi)Ｊ椒纸?/a>，利用導(dǎo)聯(lián)電極之間的關(guān)聯(lián)信息，提高P300信號(hào)的提取準(zhǔn)確度。在此基礎(chǔ)上，以特定目標(biāo)探測(cè)為應(yīng)用目標(biāo)設(shè)計(jì)了刺激范式，并進(jìn)行了真實(shí)環(huán)境下特定目標(biāo)的探測(cè)。以不同刺激間隔為調(diào)節(jié)參數(shù)，經(jīng)過多輪次試驗(yàn)，獲得了P300電位的識(shí)別準(zhǔn)確率與刺激間隔的關(guān)系，該結(jié)論對(duì)P300電位在特定目標(biāo)探測(cè)中的應(yīng)用具有實(shí)際指導(dǎo)意義。

關(guān)鍵詞：P300；經(jīng)驗(yàn)?zāi)Ｊ椒纸猓荒繕?biāo)探測(cè)；腦電波

0引言

　　P300即為晚成分的第三個(gè)正波P3，由sutton等1965年所發(fā)現(xiàn)。P3波反映受試者對(duì)刺激的接受、處理以及反應(yīng)等認(rèn)知過程，其波幅和潛伏期能客觀地反映受試者的認(rèn)知能力［1］。

　　研究者發(fā)現(xiàn)P300成分實(shí)際上包括P3a和P3b兩個(gè)子成分，其對(duì)應(yīng)著不同的神經(jīng)處理過程，其中P3a主要是由于分散事件（與任務(wù)無關(guān)的新異刺激）引起，而P3b主要是由任務(wù)靶刺激所引起，奠定了其在目標(biāo)探測(cè)中應(yīng)用的基礎(chǔ)。

1P300電位應(yīng)用的理論基礎(chǔ)

　　在真實(shí)復(fù)雜場(chǎng)景刺激下，P300機(jī)制包括的激活網(wǎng)絡(luò)（區(qū)域）、網(wǎng)絡(luò)間的作用關(guān)系都可能與標(biāo)準(zhǔn)實(shí)驗(yàn)刺激下的情況存在差別，同時(shí)P300的響應(yīng)強(qiáng)度在被試間存在一定的差異，當(dāng)前對(duì)造成這些差異的機(jī)制還不清楚，可能會(huì)制約相關(guān)P300系統(tǒng)的實(shí)際應(yīng)用。在Oddball實(shí)驗(yàn)刺激范式中，P300產(chǎn)生的條件如下［23］：

　?。?）反應(yīng)任務(wù)的概率大?。旱透怕适录矔?huì)引發(fā)一個(gè)波幅更大的P300；

　?。?）被試的注意狀態(tài)：P300的產(chǎn)生取決于被試的主動(dòng)注意過程而非物理刺激本身；

　?。?）刺激的性質(zhì)［4］：積極和消極刺激都比中性刺激能誘發(fā)更大P300波幅，這表明P300的出現(xiàn)依賴于被試對(duì)刺激性質(zhì)的判斷。

　?。?）實(shí)驗(yàn)范式［5］：采用兩種或多種不同刺激持續(xù)隨機(jī)交替出現(xiàn)，它們出現(xiàn)的概率顯著不同，經(jīng)常出現(xiàn)的刺激稱為大概率（如85%）或標(biāo)準(zhǔn)刺激，偶爾出現(xiàn)的稱為小概率（如15%）或偏差刺激，見圖1（A）。還有其他的刺激范式序列，如圖1（B）、（C）、（D）所示。在實(shí)驗(yàn)中實(shí)驗(yàn)者需要編制實(shí)驗(yàn)所需的刺激序列：包括刺激方式、刺激類型、刺激呈現(xiàn)時(shí)間、刺激、間隔、刺激總次數(shù)、刺激序列的隨機(jī)出現(xiàn)、刺激概率等。

　　波形識(shí)別與測(cè)量是ERP研究的一個(gè)技術(shù)難點(diǎn)?？筛鶕?jù)峰潛伏期、波形及其頭皮分布，參照總平均圖與文獻(xiàn)進(jìn)行判斷，豐富的經(jīng)驗(yàn)也是一個(gè)重要的因素，常見的處理方法有：波峰測(cè)量（包括波幅和峰潛伏期）、平均波幅測(cè)量、相減等。

2P300電位的應(yīng)用

　　Rosenfeld［6］等利用P300進(jìn)行測(cè)謊，獲得了實(shí)驗(yàn)上的成功，為測(cè)謊開辟了一條新路徑。梁健威［7］等基于多域融合與遺傳算法對(duì)P300測(cè)謊進(jìn)行了研究。張明島［8］等研究表明，在大部分電極位置上，說謊和誠(chéng)實(shí)狀態(tài)下誘發(fā)出的關(guān)聯(lián)性負(fù)變（CNV）波幅顯著不同。

　　P300電位也可以用來判別某些被試感興趣的特定目標(biāo)，當(dāng)目標(biāo)的出現(xiàn)是小概率事件時(shí)，可以誘發(fā)P300的產(chǎn)生。

　　P300電位在特定目標(biāo)探測(cè)等實(shí)際應(yīng)用中具有以下難題需要解決：

　　P300電位的出現(xiàn)特性一般在300 ms～800 ms，如果考慮到大腦認(rèn)知加工的參與，時(shí)間至少要控制到500 ms以上。為了盡量提高處理速度，P300電位必須發(fā)展單次/少次提取技術(shù)。

　　而單次刺激誘發(fā)的P300的波幅約2～10 μV，比自發(fā)腦電小得多，淹沒在EEG中，二者構(gòu)成小信號(hào)與大噪聲的關(guān)系。P300電位的特征提取是個(gè)技術(shù)難點(diǎn)。

3算法的設(shè)計(jì)與實(shí)現(xiàn)

　　EMD已經(jīng)在不同的應(yīng)用場(chǎng)合證明了其具有良好的非平穩(wěn)信號(hào)處理能力。已有研究人員將其應(yīng)用于P300的少次提取中［910］，并取得了較好的效果?？紤]到本項(xiàng)目針對(duì)的刺激場(chǎng)景的復(fù)雜性，其誘發(fā)的P300信號(hào)較常規(guī)實(shí)驗(yàn)的更弱，因此還有必要進(jìn)一步提高P300單次提取技術(shù)的可靠性。

　　3.1算法設(shè)計(jì)

　　P300具有較廣的空間分布，在大腦的多個(gè)區(qū)域都可以測(cè)得相應(yīng)的P300信號(hào)。前面已有的研究表明，基于時(shí)空的方法能夠較好地利用多個(gè)導(dǎo)聯(lián)間的信息從而挖掘感興趣的信號(hào)成分。因此本文嘗試?yán)枚嗑SEMD分解技術(shù)，在時(shí)空上實(shí)現(xiàn)對(duì)信號(hào)的多個(gè)維度的經(jīng)驗(yàn)?zāi)Ｊ椒纸?，利用多個(gè)導(dǎo)聯(lián)電極上的關(guān)聯(lián)信息，提高P300信號(hào)的估計(jì)質(zhì)量。

　　多維EMD［11］的核心是多維EMD分解，其具體實(shí)現(xiàn)流程如圖2。

　　3.2算法效果評(píng)估

　?。?）數(shù)據(jù)獲取

　　采用虛擬P300在線系統(tǒng)作為刺激，招募4個(gè)被試者參加試驗(yàn)，采樣率1 000 Hz，帶通濾波范圍0.5～45 Hz，采集15導(dǎo)信號(hào)，總共有200 trial，目標(biāo)靶刺激40個(gè)，標(biāo)準(zhǔn)刺激160個(gè)。選擇在疊加平均后有較為明顯的P300頂葉的P3、P4和中區(qū)的C3、C4上的EEG來進(jìn)行P300的單次提取測(cè)試。

　　（2）算法性能評(píng)估指標(biāo)

　　以相應(yīng)導(dǎo)聯(lián)上的疊加平均P300信號(hào)作為參考，利用單次獲取的P300和該參考信號(hào)間的相關(guān)系數(shù)作為指標(biāo)進(jìn)行評(píng)估。相關(guān)系數(shù)越大表明算法性能越優(yōu)越。將多維EMD和一維EMD的結(jié)果進(jìn)行比較。

　?。?）多維EMD的提取結(jié)果

　　圖3是利用多維EMD對(duì)一個(gè)P300 trial的分解模式結(jié)果。從圖中可以看到，由于多維EMD分解考慮了不同導(dǎo)聯(lián)上的時(shí)空約束關(guān)系，因此能夠保證不同導(dǎo)聯(lián)上的信號(hào)模式具有較好的頻率一致性。

　　分別利用一維和多維EMD對(duì)每個(gè)被試的每個(gè)trial進(jìn)行P300單次提取后，計(jì)算相應(yīng)的每一道上的相關(guān)系數(shù)，然后求取其平均結(jié)果如圖4所示。

　　從圖4可以看出，一維和多維EMD分解方法都能夠有效地提高相應(yīng)P300的質(zhì)量，在這兩種方法中，多維EMD方法較EMD方法在指標(biāo)上有一定的提高。

4目標(biāo)探測(cè)實(shí)驗(yàn)及結(jié)果分析

　?。?）試驗(yàn)設(shè)計(jì)

　　以真實(shí)采集的環(huán)境圖片作為標(biāo)準(zhǔn)刺激，標(biāo)準(zhǔn)刺激圖像不變，靶刺激為設(shè)計(jì)在路上的正常尺寸的車輛和天空中閃現(xiàn)的尺寸較大的飛機(jī)。如圖5所示。兩種刺激符合Oddball范式。

　　在篩選較優(yōu)被試的情況下，分別采用刺激間隔為50 ms、100 ms、200 ms，測(cè)試結(jié)果如表1。

　　從表1中可以看出，刺激間隔為100 ms的實(shí)驗(yàn)中5名被試取得的平均正確率明顯高于另兩種情況。但具體觀察可以發(fā)現(xiàn)，并不是所有被試在刺激間隔為100 ms時(shí)的在線正確率最高，而且被試6有可能對(duì)P300電位不敏感，真正測(cè)試時(shí)不能夠作為分析正確率的影響因子。分析原因可能是200 ms的刺激間隔太長(zhǎng)，引起實(shí)驗(yàn)中的不適，他們?cè)谠撆渲孟碌恼_率也都明顯低于其他配置；50 ms刺激間隔太短，容易導(dǎo)致眨眼和疲勞，影響EEG信號(hào)。

　　圖6給出了6名被試在三種刺激間隔配置參數(shù)下Pz電極通道的P300波形，該波形由實(shí)驗(yàn)數(shù)據(jù)中所有P300目圖3多維EMD時(shí)空分解結(jié)果

　　標(biāo)選擇的數(shù)據(jù)段疊加求平均得到，其中點(diǎn)線表示時(shí)間間隔為50 ms，實(shí)線表示時(shí)間間隔為100 ms，虛線表示時(shí)間間隔為200 ms?！?/p>

　　從圖6中可以看出， P300波形在50 ms、100 ms和200 ms刺激間隔下的幅度都呈現(xiàn)遞增的現(xiàn)象，即越長(zhǎng)的刺激間隔能夠誘發(fā)幅度越大的P300波形，這與普遍觀點(diǎn)一致。越短的刺激間隔誘發(fā)的P300波形峰值出現(xiàn)越早?？傮w而言，在刺激間隔為50 ms的情況下，潛伏期較短，幅度較小，相應(yīng)在刺激間隔為200 ms的情況下，潛伏期較長(zhǎng)，幅度較大。

5結(jié)論

　　多維EMD方法確實(shí)能夠較好地應(yīng)對(duì)P300中存在的非平穩(wěn)性，能夠提高單次P300的信號(hào)質(zhì)量。相對(duì)于一維EMD，多維EMD方法由于利用了多個(gè)電極上的時(shí)空信息，能夠有更可靠的提取性能，在P300在線目標(biāo)探測(cè)識(shí)別系統(tǒng)中具有潛在的應(yīng)用價(jià)值。

參考文獻(xiàn)

　?。?］ LUKHANINA E P, MEL’NIK N A, BEREZETSKAYA N M, et al. Correlations between indices of P300 EEG potential, cognitive tests, and variational pulsometry in Parkinsonian patients［J］. Neurophysiology, 2008, 40(1):3947.

　　［2］ MAGEE R, GIVIGI S. A genetic algorithm for singletrial P300 detection with a lowcost EEG headset［C］. Systems Conference (SysCon), 2015 9th Annual IEEE InternationalIEEE, 2015:230234.

　?。?］ DE V M, KROESEN M, EMKES R, et al. P300 speller BCI with a mobile EEG system: comparison to a traditional amplifier［J］. Journal of Neural Engineering, 2014, 11(3):277286.

　?。?］ 周愛保, 李世峰, 夏瑞雪,等. P300在自我研究中的應(yīng)用與發(fā)展［J］. 醫(yī)學(xué)與哲學(xué)，2012(7):4951.

　?。?］ 王蘭, 楊巧麗, 武海明. 事件相關(guān)電位中P300成分的提取及分析研究［J］. 科技資訊, 2009(23):8283.

　?。?］ PETER R J, MATTHEW S, GREGORY B. Simple, effective countermeasures to P300based tests of detection of concealed information［J］. Psychophysiology, 2004, 41(2):205219.

　?。?］ 梁健威. 基于多域融合與遺傳算法的P300測(cè)謊研究［D］. 杭州：浙江大學(xué), 2015.

　?。?］ 張明島. 腦誘發(fā)電位學(xué)［M］.上海：上海科技教育出版社, 1996.

　?。?］ RUTKOWSKI T M, MANDIC D P, ANDRZEJ CICHOCKI, et al. Emd approach to multichannel EEG data——the amplitude and phase components clustering analysis［J］. Journal of Circuits System & Computers, 2011, 19(1):215229.

　　［10］ LI S, ZHOU W, YUAN Q, et al. Feature extraction and recognition of ictal EEG using EMD and SVM［J］. Computers in Biology & Medicine, 2013, 43(7):807816.

　?。?1］ CUI G, YIN Y, ZHAO Q, et al. Patients’ consciousness analysis using dynamic approximate entropy and MEMD method［C］. Signal and Information Processing Association Annual Summit and Conference (APSIPA), 2013 AsiaPacificIEEE, 2013:15.