基于脑认知信号的水声信号智能辨识方法探索研究

袁道任 蔡玉宝 胡争争 马留洋

摘 要：水声信号辨识技术是实现水下武器装备智能化的关键技术之一。由于极其复杂的水下背景环境，水声信号辨识技术发展缓慢。为探索研究新型水声信号辨识技术，本文提出基于脑认知信号的水声信号辨识方法。从大脑认知出发，获取水声目标信号辨识时的脑认知信号，通过范式设计，构建水声目标与脑认知信号的相关模型，并验证脑认知信号用于水声信号辨识的可行性。

关键词：脑认知信号；水声信号；智能辨识；响应特征

中图分类号：TN911.7 文献标识码：A 文章编号：2096-4706（2019）04-0032-03

Research on Intelligent Identification of Underwater Acoustic Signals Based on

Brain Cognitive Signals

YUAN Daoren，CAI Yubao，HU Zhengzheng，MA Liuyang

（The 27th Research Institute of China Electronic Science and Technology Group Corporation，Zhengzhou 450047，China）

Abstract：Identification of underwater acoustic signal is one of key techniques to realize the intelligent submarine weapon. However，this technique develops slowly due to the extremely complex submarine environment. In order to explore a new underwater acoustic signal identification technology，this paper proposes an underwater acoustic signal identification method based on brain cognitive signals. Starting from brain recognition，the brain cognitive signals are acquired when underwater acoustic target signals are identified. Through the paradigm design，the correlation model between underwater acoustic target and brain cognitive signals is constructed，and the feasibility of using brain cognitive signals for underwater acoustic signal identification is verified.

Keywords：brain cognitive signals；underwater acoustic signals；intelligent identification；response characteristics

0 引 言

水声信号辨识是水声对抗的一个重要环节，而声纳是最有效的水下远程目标探测工具，声纳利用声波对水下目标进行探测、定位和辨识[1-3]。由于极其复杂的水下背景环境中，传输信道多且复杂、混响的影响、目标的辐射声场和受激产生的散射场复杂，以及受系统的自噪声与环境噪声的影响，水声信号辨识技术发展缓慢。水声信号辨识是声纳后置数据处理的一个重要环节，分为主动和被动。主动声纳辨识是利用主动声纳发射脉冲声信号，根据接收到的回波信号特性对目标类属性做出判别；被动声纳辨识则利用被动声纳接收到的目标信息的多种参数，包含螺旋桨的桨叶数、目标转速以及发动机的汽缸数等表征目标的特征进行辨识。传统的水声信号辨识方法受限于水声系统的带宽、传输等，信号辨识处理较慢，且其分类準确率受声纳员自身因素影响较大[4，5]。

为探索研究新型水声信号辨识技术，本文提出基于脑认知信号的水声信号辨识方法。从大脑认知出发，获取声纳兵在水声目标信号辨识时的脑认知信号，通过范式设计，构建水声目标与脑认知信号的相关模型，并验证脑认知信号用于水声信号辨识的可行性。

1 理论分析

人类听觉系统信息处理方式能够在不同频率、不同环境的声场中有选择地注意自己感兴趣的声音，对声音源位置的变化较敏感。

被动听音脑认知信号是由听觉刺激产生的生物电，称为听觉诱发电位，主要是听觉事件相关电位（Auditory Event-Related Potential，AEP）。AEP是大脑对外界固定的听觉刺激响应的皮层电活动。典型的AEP信号波幅约2～10μV，从刺激开始后产生若干成分，如图1所示，与听觉认知有关的成分主要有P1、N1、P2、N2、P3和N400等[6，7]。

生物听觉具有卓越的信息感知与辨识能力，被动听音脑认知信号是人类认知的表现之一，通过对被动听音脑认知信号的解析、解码，实现水声信号解析。借鉴或利用生物在特征提取方面具有的突出的能力，进而拓展研究思路和成果，进行信息融合，最终完成对水声信号的智能辨识。AEP是与注意相关的信号，对新异性目标的出现有较强的反应幅度，而且新异性越强幅度越高，有利于模式识别算法对信号进行处理，能够很好地保证识别准确率和识别时间。

2 实验范式设计

被动听音实验范式中设定实验时间长度、刺激间隔以及刺激模式（音频刺激的频率、信噪比等）等参数，具体实验范式流程如图2所示。

每个实验周期内，将非靶刺激、靶刺激水声信号随机排序组成一个trial，单个trial中至少包含一个靶刺激。连续两个trial中刺激信号播放顺序不同，每个信号播放完成有一个很短的停顿，通过控制停顿间隔的长短，控制音频信号播放的连续性。每个trial结束后有一定的时间间隔，受试者可以适当休息，每组实验包含25个trial。

脑认知信号随着状态的变化而变化，通过脑区选择被动听脑认知信号变化明显的導联通道，降低信息冗余干扰和降低特征维数。根据实验研究，被动听音脑认知信号响应区域选择枕区六个电极PO3、PO4、O1、O2、Oz和POz的数据进行分析处理。

3 实验结果与分析

本研究采用模拟试验与真实试验两种途径，针对水声信号，分别开展被动听音脑认知信号解析研究。

3.1 模拟试验

模拟试验采用水声信号的采样频率为25kHz，时长为2s。非靶刺激为0～2kHz的带限白噪声，靶刺激频率为1000Hz，采用谱级信噪比SNR=30dB。

采用第2部分的范式设计，采集模拟试验的被动听音脑认知信号，实验结果如图3所示，对于同一模拟信号的辨识结果略有差异，但都表现在300ms到500ms之间，且对30dB音频信号具有很好的辨识度。模拟试验结果表明，脑认知信号用于水声信号智能辨识是可行的。

3.2 真实试验

根据模拟试验确定的范式设计方案和脑认知信号的分析方法，挑选优异被试，开展真实试验。真实试验选取一段水下单一目标的被动声纳信号以及噪声信号，设计成被动听音组合范式，采集被试脑认知信号。对所有导联分别进行叠加平均，观察叠加后脑认知信号波形，根据不同被试针对真实水声目标信号的响应度，对每一导联的所有trial的脑电数据进行t检验和方差分析，进一步验证脑认知信号用于水声信号的智能辨识的可行性。

下图4为真实水声信号的被动听音脑认知信号响应度特征分析结果，结果表明：经过试验训练后，脑认知信号特征差异性明显提升。

3.3 结果分析

研究采用目标信号与非目标信号的t检验分布，检验两个样本平均数与其各自所代表的总体的差异是否显著，进而进行水声信号特征量响应度统计。

其中，和为目标音频靶刺激与非目标音频标准刺激两样本方差，n1和n2为两样本容量。然后对两类脑电信号进行t检验，绘制出两类信号在200-400ms时间段的响应情况，根据响应结果判断响应度结果统计。设定靶刺激数固定为50个目标信号刺激，即M=50；通过算法分析，统计具有t检验分布的特征响应次数N，计算P=N/M×100%，试验结果统计如表1所示。

4 结 论

本研究提出基于脑认知信号的水声信号智能辨识方法，从大脑认知出发，获取水声目标信号辨识时的脑认知信号，通过刺激范式设计，设计信号解析算法，验证了脑认知信号用于水声信号辨识的可行性，而且响应度大于95%。

然而仍有一些问题有待进一步进行研究：（1）针对不同被试群体，需要构建自适应的特征模型，实现响应度的普适检测；（2）进一步探索不同水声信号多目标的智能辨识等；（3）进一步开展基于脑认知信号的辨识分类研究。

参考文献：

[1] Li W，Zhou S，Willett P，et al. Preamble Detection for Underwater Acoustic Communications Based on Sparse Channel Identification [J]. IEEE Journal of Oceanic Engineering，2017：1-13.

[2] Mandar Chitre，Shiraz Shahabudeen，Milica Stojanovic. Underwater Acoustic Communications and Networking：Recent Advances and Future Challenges [J]. Marine Technology Society Journal，2008，42（1）：103-116.

[3] ALLEN N，HINES P C，YOUNG V W. Performances of human listeners and an automatic aural classifier in discriminating between sonar target echoes and clutter [J]. Journal of the Acoustical Society of America，2011，130（3）：1287-1298.

[4] B. C. J. Moore，ANSI S3.4-2005 （Revision of ANSI S3.4-1980），Procedure for the computation of loudness of steady sounds，Acoustical Society of America，2005.

[5] Xiangyang，Zeng，Jiaruo，He，Lixiang，Ma. Image Representation of Acoustic Features for the Automatic Recognition of Underwater Noise Targets [C]// Intelligent Systems （GCIS），2012 Third Global Congress on. S.l.：s.n.，2012：144-147.

[6] Andrew Lotto，Lori Holt. Psychology of auditory perception [J]. Wiley Interdisciplinary Reviews：Cognitive Science，2011，2（5）：479-489.

[7] Murphy S，Hines P. Aural classification and temporal robustness [R]. Tech. Rep.，DRDC Atlantic TR 2010-136，2010.

作者简介：袁道任（1987.10-），男，汉族，河南郑州人，硕士研究生，研究方向：生物电子信息，模式识别等。