基于少次相干平均和样本熵的视听诱发脑电特征提取

乔晓艳，彭佳卉

（山西大学物理电子工程学院，山西太原 030006）

0 引 言

脑－机接口（BCI）是一种不依赖于外周神经和肌肉的全新通讯系统，该系统通过采集大脑的脑电波或其他电生理信号以实现与外界的通讯和控制［1］.视听觉诱发脑电是指对视听觉系统施加刺激时所引起的大脑电位变化，其幅值约为0.5μV～50μV，频率范围为0.5 Hz～100 Hz，信噪比为0～10 d B，属于非平稳和非高斯的微弱信号.诱发脑电反映了大脑在决策和判断过程中的认知功能，成为临床和实验室脑功能测试的通常选择，也被大量应用于脑机接口系统中作为反映大脑活动的特征信号.常用的诱发脑电特征提取方法主要基于时域或频域特征，包括功率谱分析、AAR模型、相干平均等［2］.其中，功率谱分析法利用了信号频域的能量信息，但损失了时域信息；AAR模型法对伪迹很敏感，不适合分析非平稳随机信号；而相干平均法需多次刺激叠加，导致实验记录时间很长，容易引起受试者神经系统疲劳，从而影响脑电特征提取的准确性.因此对诱发电位单次或少次叠加提取特征成为研究的关键.

目前，诱发脑电时域或频域特征提取均基于对脑电产生系统的线性假设，即假设大脑是一个线性的动力学系统，但是脑电信号是大量神经细胞的非线性耦合，是一个高度非线性的多单元连接的集合体，表现出明显的非线性特征［3］.随着非线性理论的进一步发展，基于非线性动力学系统的复杂度研究成为获取脑电特征的一种新兴方法.熵作为衡量时间序列复杂度的非线性动力学参数，已经在众多领域得到了较好的应用.20世纪90年代初，Pincus［4］提出了量化时间序列复杂度的方法——近似熵，以所需数据量少及低噪声敏感度的优势，成功地应用于生物时间序列分析.但是，近似熵统计量容易导致不一致的结果.由此Richman等沿袭Grassberger的研究，发展了一种有别于近似熵的统计量，即样本熵［5］.样本熵是对近似熵算法的一种改进，具有与近似熵相同的物理意义，即样本熵值越大，序列越复杂［6］.

针对脑电信号的非平稳和非线性，本文提出少次相干平均结合样本熵的特征提取方法.通过对预处理后的诱发脑电数据进行少次相干平均，结合样本熵的非线性分析法，度量脑电信号的复杂度，反映其非线性特征.结合两种方法的分析，能全面反映脑电信号时域的非线性特征.

1 视听刺激实验范式与脑电数据采集

设计了视听诱发实验范式，范式提供两幅分别由红色和蓝色墨水呈现的“红”字图片，作为视觉诱发源，及“红”和“蓝”两个同频率的纯音，作为听觉诱发源.其中，红色墨水呈现的“红”字图片为视觉靶刺激（V），蓝色墨水呈现的“红”字图片为视觉非靶刺激（v）；“红”纯音为听觉靶刺激（A），“蓝”纯音为听觉非靶刺激（a）.

实验采用单一通道刺激与双通道刺激两种模式进行，单一通道刺激分为视觉单一通道刺激（视觉靶刺激V与视觉非靶刺激v）和听觉单一通道刺激（听觉靶刺激A与听觉非靶刺激a）；双通道刺激分为视觉靶－听觉靶刺激（VA）、视觉靶－听觉非靶刺激（Va）、视觉非靶－听觉靶刺激（v A）和视觉非靶－听觉非靶刺激（va）.

每组实验中V，A，VA，Va，v A，v，a，va 8种刺激方式随机出现，每个刺激时间为2 s，前1 s无刺激，用于记录受试者的自发脑电；后1 s呈现图片或声音刺激，用于记录视听诱发脑电.要求受试者在出现靶刺激的同时点击鼠标键进行按键反应.

实验利用Neuroscan 40导联脑事件相关电位仪，在Scan4.5采集软件平台上进行脑电信号实时采集.选用DC采样模式，以1 k Hz采样频率同步采集脑电信号.受试者为在校研究生，平均年龄为23岁，男性5名、女性4名，均为右利手.实验开始时，让受试者静坐并保持放松状态，当出现靶刺激时，要求点击鼠标左键做出反应.

2 特征提取方法

2.1 相干平均特征提取

相干平均是将多次诱发刺激记录得到的脑电信号以刺激产生时刻为参考点，对应叠加平均，提取诱发脑电特征［7］.该方法是一种方便、有效的特征提取方法.

设各次测量信号x i（t）、诱发电位si（t）和随机噪声vi（t）的关系如下

诱发电位si（t）是各次相同的刺激过程，噪声vi（t）是各次独立的非平稳随机过程，经N次叠加平均后，其均值和方差分别为

则N次叠加平均所得诱发响应为

可见，经N次相干平均后，信噪比提高了倍.

本文对原始脑电数据先采用独立成分分析方法进行信源分离，去除眼电伪迹.然后利用AR模型对EEG中自发脑电信号建模，构建白化滤波器，滤除自发脑电.最后利用相干平均方法提取诱发脑电波形特征.图1所示为将预处理后的诱发脑电信号经过300次相干平均，提取得到的CZ导联上视觉、听觉及视听觉靶刺激诱发脑电特征信号.

图1 CZ导联视觉靶刺激（V）、听觉靶刺激（A）及视听联合靶刺激（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：当对视觉、听觉和视听觉刺激诱发脑电进行300次相干平均，可以有效提取相应靶刺激下的事件相关电位ERP特征.由于每一次诱发事件的脑电记录时间为2 s，则实验总记录时间需600 s，较长时间的视觉刺激会引起受试者视觉疲劳，导致脑电信号测量产生误差，因此，在视觉诱发脑电测量中，需要减少记录时间，因而对视觉和听觉诱发脑电数据处理时应尽量采用少次相干平均.同时，为了达到脑－机交互系统实时性，也需要尽量减少脑电信号相干平均的次数N，更好地满足视听诱发脑电信号特征实时提取.

2.2 样本熵特征提取

样本熵是在近似熵的基础上发展起来的一种非线性分析法，通过度量信号的复杂度反映它的非线性特征，样本熵值越低，序列自我相似性越高，即序列越简单；样本熵值越大，序列越复杂.样本熵不但具备了近似熵的抗噪、抗干扰优点，而且避免了近似熵在计算过程中因对自身数据量进行比较而导致的统计量不一致问题［8］.样本熵这种统计量的精确性使其适用于分析非线性的脑电信号和其他生物时间序列.具体算法步骤如下：

1）将15次相干平均后的单一导联脑电信号组成原始信号x（1），x（2），…，x（N），共N个点；

2）按数据点顺序组成一组m维矢量

3）定义矢量Xm（i）与Xm（j）之间的距离d［Xm（i），Xm（j）］为两者对应元素中差值最大的一个，即

4）给定一个阈值r（r＞0），对每一个i值统计d［X m（i），X m（j）］小于r的数目（模板匹配数），并计算该数目与总矢量个数的比值，用表示，即

5）求其对于所有的i的平均值，用Bm（r）表示，即

6）将维数增加1，即组成m＋1维矢量，重复步骤2）～5），并分别用和表示.

7）计算样本熵［9］

式中：N为数据长度；r为相似容限；m为嵌入维数.

本文将经15次相干平均后的单一导联脑电信号做为样本熵的原始信号输入，分别取相邻的m个点（m维）构成矢量序列，通过样本熵计算后，观察维数由m增加到m＋l时，序列产生新模式的可能性大小.样本熵的值与嵌入维数m和相似性容限r的取值有关.m取值越大，计算所需要的数据量越大，计算时间越长.r取值越小，噪声对结果的影响越显著；r取值越大，时间序列的细节信息损失越多.一般情况下，当m取1或2，r取0.1倍～0.25倍原始数据的标准差时，计算得到的样本熵具有较好的统计特性［10］.综合考虑上述因素，本文样本熵算法中取m＝2，r＝0.2STD，STD为序列的标准差.

3 结果与分析

选取13个导联的脑电数据进行处理，包括与视觉、听觉功能相关的枕叶O1，O2，OZ导联和颞叶T3，T4导联，涉及到刺激分类的前额区FP1，FP2导联，以及反映大脑全局信息处理能力的中央区C3，C4，CZ导联和顶区P3，P4，PZ导联.依照统计学原理t检验，分别对视觉刺激、听觉刺激及视听觉联合刺激模式下的样本熵值进行比较，结论如图2～图5所示.图2～图4分别表示视觉刺激、听觉刺激和视听觉刺激模式下的靶刺激及非靶刺激与自发脑电样本熵值结果.图5显示为视觉、听觉及视听觉刺激模式下的靶刺激与非靶刺激样本熵值结果（样本熵值无单位）.

通过比较图2～图4中3种刺激模式下的靶刺激及非靶刺激与自发脑电的样本熵值，发现接受刺激后脑电的样本熵值高于自发脑电的样本熵值，且反映视觉、听觉功能的枕叶和颞叶相关导联上的靶刺激样本熵值与自发脑电样本熵值间存在更大差异，而相关导联上的非靶刺激样本熵值与自发脑电样本熵值间则存在一定的趋同性，即样本熵值变化趋势大致相同.经过统计性分析，3种刺激模式下靶刺激与非靶刺激的样本熵值之间存在显著性差异（P＜0.05），观察图5可知，靶刺激出现时的样本熵值高于非靶刺激出现时的样本熵.

图2 视觉靶刺激及非靶刺激与自发脑电样本熵值比较Fig.2 The sample entropy value of visual target and non－target stimuli compared with spontaneous EEG

图3 听觉靶刺激及非靶刺激与自发脑电样本熵值比较Fig.3 The sample entropy value of auditory target and non－target stimuli compared with spontaneous EEG

图4 视听觉靶刺激及非靶刺激与自发脑电样本熵值比较Fig.4 The sample entropy value of audio－visual target and non－target stimuli compared with spontaneous EEG

图5 视觉、听觉与视听觉靶刺激与非靶刺激样本熵值比较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，与自发脑电相比，无论靶刺激或非靶刺激的出现，均能够使大脑的复杂性显著提高，即样本熵值增大.实验中，受试者在靶刺激出现时，大脑中枢接受外界视觉或声音刺激，在认知行为上表现为对认知目标的关注，这一过程中，中枢神经系统与外周刺激的信息耦合导致了系统复杂性的提高.而在非靶刺激出现时，大脑对认知目标的关注程度减少，中枢神经系统与外周刺激发生信息耦合的程度降低，因此系统的复杂性降低，这与Pincus研究结论一致，表现为靶刺激的样本熵值高于非靶刺激样本熵.

4 结束语

本文提出少次相干平均结合样本熵的特征提取方法，全面反映视听诱发脑电信号时域非线性特征.少次相干平均方法解决了脑电特征提取中需要大量实验数据的问题，有效避免受试者长时间实验引起的神经疲劳，提高了数据的可信度.同时，针对脑电的非线性，采用样本熵方法，对大脑视听诱发电位进行复杂度分析.结果显示：大脑在受到视听刺激时的复杂度高于静息时刻，且靶刺激诱发脑电复杂度高于非靶刺激.该方法可以有效提取大脑时域非线性特征量，可应用于神经信息处理和脑认知科学.

［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］ 严娜，乔晓艳，李鹏.基于小波－双谱分析的视觉诱发脑电特征提取［J］.测试技术学报，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，沈继忠，施锦河.基于小波变换和时域能量熵的P300特征提取算法［J］.仪器仪表学报，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］ 张毅，罗明伟，罗元.脑电信号的小波变换和样本熵特征提取方法［J］.智能系统学报，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］ 闫蓓，刘莎，李建华，等.单通道视觉诱发脑电的单次提取方法研究［J］.仪器仪表学报，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］ 杨成，王学民，孙涛，等.基于脉象Hilbert－Huang变换和样本熵的动脉硬化症检测研究［J］.生物医学工程学杂志，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］ 马莉，杜一鸣，黄光，等.基于样本熵与人工神经网络的癫痫发作预测初步研究［J］.中国生物医学工程学报，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，于凤芹.基于样本熵与MFCC融合的语音情感识别［J］.计算机工程，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）