诱发脑电信号执行控制力特征识别研究

张西良，靳露露，张夏蓉，毛翠云

(1.江苏大学机械工程学院，江苏镇江212013;2.江苏大学管理学院，江苏镇江212013)

所谓执行控制力这一概念，D.Tranel等［1］将之概括为计划、判断、决策和自我觉知的能力.R.M.Patricia等［2］利用双任务范式考察诱发遗忘效应的执行控制机制.研究中更常见的方法是采用Stroop试验来区分不同被试的执行控制能力，将Stroop效应的强弱作为执行控制力的指标［3-4］.Stroop干扰试验是指在2个维度上相互干扰的认知刺激试验.例如，刺激材料在颜色和意义上相矛盾，如用蓝颜色写成的“红”字，被试在报告字的颜色时认知过程受到字义的干扰，称为Stroop干扰效应［5］.为了计算机操作快捷方便，便于精确计算反应时间，也可以数字串作为刺激材料［6］.

随着脑科学及认知神经科学发展，脑成像技术逐渐应用于认知能力的研究.脑成像包括正电子发射断层扫描、脑磁图、单光子发射断层扫描、功能性磁共振成像(fMRI)、脑电图(EEG)和事件相关电位(ERP)等，其中ERP方法应用广泛，是刺激事件(包括视听觉、体感等物理刺激及非诱发的心理因素)在大脑中引起相应脑区活动的真实客观反映.近年来，各种心理学试验范式逐渐作为脑电诱发刺激事件应用于ERP研究中，如J.Kounios等［7］研究Oddball任务范式下脑电ERP对创造力的区分;陈莹等［8］采用阈下启动刺激范式做内隐攻击的ERP研究;陈小异等［9］采用事件相关电位对比研究了中英文Stroop干扰效应的脑内时程动态变化;程大志［10］在Stroop范式下进行了两位数表征的ERP试验;彭聃龄等［11］进行了儿童Stroop效应加工阶段特点的事件相关电位研究.

本研究以数字为刺激材料做Stroop效应试验，以样本熵为特征值［12］，观察数字Stroop干扰效应时脑电信号复杂度动态变化规律，建立执行控制力认知特征的识别新方法，提高识别客观性与直观性.

1 数字Stroop干扰试验设计

1.1 数字Stroop干扰试验方法

以不同位数的由数字1-7组成的数字串作为刺激材料，如‘222’，‘66666’等.试验任务分为“命名”与“计数”2种.“命名”任务要求被试通过数字键盘输入显示数字的名称，例如显示‘33’，则输入一个‘3’;“计数”任务要求被试输入显示数字串的位数，例如显示‘33’，则输入一个‘2’.试验分为3步，前2步是练习，第3步为测试.第1步为“命名”任务练习，第2步为“计数”任务练习，第3步要求被试根据随机显示提示标签内容完成“命名”或“计数”2种任务.

1.2 数字Stroop干扰试验软件设计

数字Stroop干扰试验由E-prime软件编写呈现.试验流程如图1所示.试验分4个步骤，每1步前面有操作说明文字提示，如果被试回答操作错误，则出现Error错误反馈提示.前3步为练习，让被试熟悉试验操作，第4步为正式测试，被试按照屏幕左边出现的“命名”或“计数”的提示标签，完成相应的输入操作.

图1 Stroop干扰试验流程图

1.3 数字Stroop干扰试验测评计算方法

测试完成后，E-prime软件自动生成记录反应时间、正确率等信息的数据文件，取第4步测试的数据用于分析计算，以反应时间作为依据计算测评分，反应时间越长，测评分数越低.经统计得到被试的平均反应时间为1 654.3 ms，正确率96.2%.按照一般反应执行控制力的Stroop试验的测评认为，反应正确率大于80%的被试数据为有效数据.首先对数据进行预处理，去除反应错误点和反应时间在平均值加减3倍标准差以外的点;然后求得各被试的平均反应时间.经归一化处理后在0～100分以内，作为被试的测评分数S，其计算公式为

式中t为每名被试的平均反应时间.

2 Stroop干扰试验下脑电信号采集

2.1 脑电信号采集系统与采集步骤

Stroop干扰试验下脑电信号采集系统如图2所示，被试带电极帽在微机1上进行数字Stroop效应测试，通过16路脑电采集放大器进行脑电信号采集，通过USB接口上传到微机2中，保存采集得到的脑电信号数据.

图2 脑电信号采集系统结构框图

16路脑电电极分布位置如图3所示，参考电极为左右耳垂A1，A2，右腿驱动置于头顶Cz.前人研究显示，负责执行控制能力的大脑区域主要是前扣带回与前额区［11］，因此对采集到的脑电信号只对Fp1电极输出信号进行分析处理.

图3 16导联电极分布

脑电信号采集步骤:在被试知情和10 d内未服任何药物情况下，在测试间戴电极帽，采集数字Stroop干扰试验下16路事件相关脑电信号ERP，微机1上安装运行E-prime软件呈现数字Stroop干扰试验，并记录被试的反应时间和错误信息，计算数字Stroop干扰试验下测评分数.微机2用于记录采集到的脑电信号.

2.2 脑电信号预处理

脑电信号是极其微弱的生物信号，常常混杂一些干扰信号，主要有外界电磁干扰、仪器干扰、被试自身的眼电伪迹、心电肌电伪迹、出汗伪迹、精神因素产生的干扰等.因此对脑电信号去噪至关重要.

常用的去噪方法有叠加平均、主成分分析、独立分量分析和小波变换等［13-14］.独立分量分析法的基本思路是从多维观测信号中提取统计独立的成分，可以把不同电极采集的脑电信号看成是多个独立源信号的线性叠加，其中不同的干扰信号对应于多个源信号，通过独立分量分析可以在独立源空间将各种干扰信号分离出来，然后对去除干扰的多维信号进行重构，映射回源信号空间，从而达到去除干扰的目的.

这里将采集到的脑电信号经滤波处理，应用独立分量分析法对脑电信号中眼电、心电等伪迹干扰进行去除;而后用小波变换将脑电信号分层重构，获取所需要的频段信号;然后根据行为数据对脑电信号分段叠加平均，最终得到有效ERP信号.所需要的脑电信号一般在1～30 Hz以内.用小波变换对脑电信号分解［15］，将信号重构与原始信号对比如图4所示.从图中可看出，在0.4～0.6 s出现一明显负波，即ERP成分.

图4 ERP信号小波去噪后结果

3 脑电信号时间序列复杂度分析

以样本熵(Se)为参数对ERP信号进行复杂度分析［16］.脑电采样频率为 1 000 Hz，ERP 持续时间为2～3 s，滑动时间窗窗值设为30，计算2 s的ERP信号需要计算样本熵次数大约30次.

随机选取35名大学生作为被试，取数字Stroop干扰试验测评分数高、中、低3名被试的ERP信号，样本熵变化规律如图5所示，横坐标是熵值计算的中心时间点，纵坐标是熵值.由图可看出，开始时样本熵值呈现先降低后升高的趋势，而被试的测评分数越高，样本熵的变化幅度越小.

图5 不同被试样本熵变化

其中测评分数在0到61分的被试12名，平均分为43.4，计算其平均样本熵最大值为0.342 6，最小值为0.193 0;61到80分的被试15名，平均分为69.1，计算其平均样本熵最大值为0.330 1，最小值为0.200 4;80到 100分的被试 8名，平均分为91.0，计算其平均样本熵最大值为0.320 5，最小值为0.207 6.为对35名被试的脑电ERP成分样本熵计算，通过SPSS软件分析得到，样本熵的减小幅度与Stroop干扰试验的测评分值间相关系数为-0.699，呈显著负相关，散点图如图6所示.其中S为测评分值，ΔSe为样本熵变化量.因此，依据被试在数字Stroop干扰试验下脑电复杂度动态变化情况，可实现对被试执行控制力特征的识别，复杂度系数变化幅度越小，其执行控制力越强.

图6 样本熵变化量与测评分数拟合图

4 结论

通过进一步的验证试验表明:基于数字Stroop干扰试验，采集前额区域脑电信号，以样本熵为参数进行脑电复杂度计算，依据样本熵减小幅度可识别其执行控制力.将35名被试按照测评分数分为高、中、低3个分数段计算其平均样本熵变化量分别为0.11，0.13，0.15.如样本熵减小幅度小，则其执行控制力强;反之，如样本熵减小幅度大，则其执行控制力弱.统计得样本熵变化量与反映执行控制力的Stroop测评分数之间呈显著负相关，相关系数为-0.699.所提出的执行控制力特征识别方法是可行的，下一步还需要进行大量试验，确定该方法的信度和效度，并改进样本熵计算方法，提高计算速度和特征识别快速性.

References)

［1］Tranel D，Anderson S W，Benton A.Development of the Concept of″Executive Function″and Its Relationship to the Frontal Lobes［M］.Amsterdam:Elsevier，1994.

［2］Patricia R M，Soriano F J，Carlos J，et a1.Retrieval-induced forgetting and executive control［J］.Psychological Science，2009，20(9):1053-1058.

［3］尚庆萍，朱 玄，郭秀艳，等.提取诱发遗忘的执行控制机制［J］，宁波大学学报:理工版，2012，25(3):127-132.Shang Qingping，Zhu Xuan，Guo Xiuyan，et al.Executive control mechanism of retrieval-induced forgetting［J］.Journal of Ningbo University:Natural Science＆Engineering Edition，2012，25(3):127-132.(in Chinese)

［4］朱 丽.不同强度的锻炼对认知Stroop效应影响的试验研究［D］.武汉:武汉体育学院，2008.

［5］刘 军，彭美春，刘卫文，等.Stroop测试与干扰控制效应［J］.岳阳职业技术学院学报，2008，23(6):82-84.Liu Jun，Peng Meichun，Liu Weiwen，et al.Stroop testing and control of interference effects［J］.Journal of Yueyang Vocational Technical College，2008，23(6):82-84.(in Chinese)

［6］刘亨荣.认知风格对数字Stroop效应的影响［J］.长春教育学院学报，2012，28(3):70-71.Liu Hengrong.Effect of cognitive style on digital stroop［J］.Journal of Changchun Education Institute，2012，28(3):70-71.(in Chinese)

［7］Kounios J，Frymiare J L，Bowden E M，et al.The prepared mind:neural activity prior to problem presentation predicts subsequent solution by sudden insight［J］.Psychol Sci，2006，17:882-890.

［8］陈 莹，冯建国，王兴华，等.内隐攻击的ERP研究［J］.心理科学，2010，33(2):419-421.Chen Ying，Feng Jianguo，Wang Xinghua，et al.An ERP study on implicit attack［J］.Psychological Science，2010，33(2):419-421.(in Chinese)

［9］陈小异，邱 江，袁 宏，等.中英文Stroop干扰效应的脑机制［J］.心理科学，2007，30(3):529-534.Chen Xiaoyi，Qiu Jiang，Yuan Hong，et al.The brain mechanism of the stroop interference effect in Chinese and English［J］.Psychological Science，2007，30(3):529-534.(in Chinese)

［10］程大志.Stroop范式下两位数表征的ERP研究［D］.杭州:浙江师范大学心理学系，2010.

［11］彭聃龄，郭桃梅，魏景汉，等.儿童Stroop效应加工阶段特点的事件相关电位研究［J］.科学技术与工程，2004，4(2):84-88.Peng Danling，Guo Taomei，Wei Jinghan，et al.An ERP study on processing stages of children stroop effect［J］.Science Technology and Engineering，2004，4(2):84-88.(in Chinese)

［12］Richman J S，Moorman J R.Physiological time-series analysis using approximate entropy and sample entropy［J］.American Journal of Physiology-Heart and Circulatory Physiology，2000，278(6):H2039-H2049.

［13］Polat K，Günes S.Artificial immune recognition system with fuzzy resource allocation mechanism classifier，principal component analysis and FFT method based new hybrid automated identification system for classification of EEG signals ［J］.Expert System with Applications，2008，35(3):2039-2048.

［14］Rafiee J，Rafiee M A，Prause N，et al.Wavelet basis functions in biomedical signal processing［J］.Expert Systems with Applications，2011，38(5):6190-6201.

［15］张 毅，罗明伟，罗 元，等.脑电信号的小波变换和样本熵特征提取［J］.智能系统学报，2012，7(4):1-6.Zhang Yi，Luo Mingwei，Luo Yuan，et al.EEG feature extraction method based on wavelet transform and sample entropy［J］.CAAI Transactions on Intelligent Systems，2012，7(4):1-6.(in Chinese)

［16］和卫星，陈晓平，邵珺婷.基于样本熵的睡眠脑电分期［J］.江苏大学学报:自然科学版，2009，30(5):501-504.He Weixing，Chen Xiaoping，Shao Junting.Sleep EEG staging based on sample entropy［J］.Journal of Jiangsu University:Natural Science Edition，2009，30(5):501-504.(in Chinese)