劉學文，丁成義，王寧，袁道任，胡怡芳

　　（中國電子科技集團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，在時域和空域上同時對信號進行多維度的經(jīng)驗模式分解，利用導聯(lián)電極之間的關聯(lián)信息，提高P300信號的提取準確度。在此基礎上，以特定目標探測為應用目標設計了刺激范式，并進行了真實環(huán)境下特定目標的探測。以不同刺激間隔為調節(jié)參數(shù)，經(jīng)過多輪次試驗，獲得了P300電位的識別準確率與刺激間隔的關系，該結論對P300電位在特定目標探測中的應用具有實際指導意義。

關鍵詞：P300；經(jīng)驗模式分解；目標探測；腦電波

0引言

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

　　研究者發(fā)現(xiàn)P300成分實際上包括P3a和P3b兩個子成分，其對應著不同的神經(jīng)處理過程，其中P3a主要是由于分散事件（與任務無關的新異刺激）引起，而P3b主要是由任務靶刺激所引起，奠定了其在目標探測中應用的基礎。

1P300電位應用的理論基礎

　　在真實復雜場景刺激下，P300機制包括的激活網(wǎng)絡（區(qū)域）、網(wǎng)絡間的作用關系都可能與標準實驗刺激下的情況存在差別，同時P300的響應強度在被試間存在一定的差異，當前對造成這些差異的機制還不清楚，可能會制約相關P300系統(tǒng)的實際應用。在Oddball實驗刺激范式中，P300產(chǎn)生的條件如下［23］：

　　（1）反應任務的概率大小：低概率事件也會引發(fā)一個波幅更大的P300；

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

　　（3）刺激的性質［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)依賴于被試對刺激性質的判斷。

　　（4）實驗范式［5］：采用兩種或多種不同刺激持續(xù)隨機交替出現(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%）或標準刺激，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。在實驗中實驗者需要編制實驗所需的刺激序列：包括刺激方式、刺激類型、刺激呈現(xiàn)時間、刺激、間隔、刺激總次數(shù)、刺激序列的隨機出現(xiàn)、刺激概率等。

　　波形識別與測量是ERP研究的一個技術難點。可根據(jù)峰潛伏期、波形及其頭皮分布，參照總平均圖與文獻進行判斷，豐富的經(jīng)驗也是一個重要的因素，常見的處理方法有：波峰測量（包括波幅和峰潛伏期）、平均波幅測量、相減等。

2P300電位的應用

　　Rosenfeld［6］等利用P300進行測謊，獲得了實驗上的成功，為測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P300測謊進行了研究。張明島［8］等研究表明，在大部分電極位置上，說謊和誠實狀態(tài)下誘發(fā)出的關聯(lián)性負變（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，當目標的出現(xiàn)是小概率事件時，可以誘發(fā)P300的產(chǎn)生。

　　P300電位在特定目標探測等實際應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，如果考慮到大腦認知加工的參與，時間至少要控制到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。

　　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，二者構成小信號與大噪聲的關系。P300電位的特征提取是個技術難點。

3算法的設計與實現(xiàn)

　　EMD已經(jīng)在不同的應用場合證明了其具有良好的非平穩(wěn)信號處理能力。已有研究人員將其應用于P300的少次提取中［910］，并取得了較好的效果。考慮到本項目針對的刺激場景的復雜性，其誘發(fā)的P300信號較常規(guī)實驗的更弱，因此還有必要進一步提高P300單次提取技術的可靠性。

　　3.1算法設計

　　P300具有較廣的空間分布，在大腦的多個區(qū)域都可以測得相應的P300信號。前面已有的研究表明，基于時空的方法能夠較好地利用多個導聯(lián)間的信息從而挖掘感興趣的信號成分。因此本文嘗試利用多維EMD分解技術，在時空上實現(xiàn)對信號的多個維度的經(jīng)驗模式分解，利用多個導聯(lián)電極上的關聯(lián)信息，提高P300信號的估計質量。

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

　　3.2算法效果評估

　　（1）數(shù)據(jù)獲取

　　采用虛擬P300在線系統(tǒng)作為刺激，招募4個被試者參加試驗，采樣率1 000 Hz，帶通濾波范圍0.5～45 Hz，采集15導信號，總共有200 trial，目標靶刺激40個，標準刺激160個。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來進行P300的單次提取測試。

　　（2）算法性能評估指標

　　以相應導聯(lián)上的疊加平均P300信號作為參考，利用單次獲取的P300和該參考信號間的相關系數(shù)作為指標進行評估。相關系數(shù)越大表明算法性能越優(yōu)越。將多維EMD和一維EMD的結果進行比較。

　　（3）多維EMD的提取結果

　　圖3是利用多維EMD對一個P300 trial的分解模式結果。從圖中可以看到，由于多維EMD分解考慮了不同導聯(lián)上的時空約束關系，因此能夠保證不同導聯(lián)上的信號模式具有較好的頻率一致性。

　　分別利用一維和多維EMD對每個被試的每個trial進行P300單次提取后，計算相應的每一道上的相關系數(shù)，然后求取其平均結果如圖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P300的質量，在這兩種方法中，多維EMD方法較EMD方法在指標上有一定的提高。

4目標探測實驗及結果分析

　　（1）試驗設計

　　以真實采集的環(huán)境圖片作為標準刺激，標準刺激圖像不變，靶刺激為設計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。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，測試結果如表1。

　　從表1中可以看出，刺激間隔為100 ms的實驗中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時的在線正確率最高，而且被試6有可能對P300電位不敏感，真正測試時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，引起實驗中的不適，他們在該配置下的正確率也都明顯低于其他配置；50 ms刺激間隔太短，容易導致眨眼和疲勞，影響EEG信號。

　　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，該波形由實驗數(shù)據(jù)中所有P300目圖3多維EMD時空分解結果

　　標選擇的數(shù)據(jù)段疊加求平均得到，其中點線表示時間間隔為50 ms，實線表示時間間隔為100 ms，虛線表示時間間隔為200 ms。　

　　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，即越長的刺激間隔能夠誘發(fā)幅度越大的P300波形，這與普遍觀點一致。越短的刺激間隔誘發(fā)的P300波形峰值出現(xiàn)越早。總體而言，在刺激間隔為50 ms的情況下，潛伏期較短，幅度較小，相應在刺激間隔為200 ms的情況下，潛伏期較長，幅度較大。

5結論

　　多維EMD方法確實能夠較好地應對P300中存在的非平穩(wěn)性，能夠提高單次P300的信號質量。相對于一維EMD，多維EMD方法由于利用了多個電極上的時空信息，能夠有更可靠的提取性能，在P300在線目標探測識別系統(tǒng)中具有潛在的應用價值。

參考文獻

　　［1］ 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.

　　［3］ 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.

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

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

　　［6］ 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.

　　［7］ 梁健威. 基于多域融合與遺傳算法的P300測謊研究［D］. 杭州：浙江大學, 2015.

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

　　［9］ 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.

　　［11］ 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.