基于小波熵的數(shù)學(xué)認(rèn)知下的腦電信號(hào)特性研究

張 黎，劉國(guó)忠

（北京信息科技大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京100192）

基于小波熵的數(shù)學(xué)認(rèn)知下的腦電信號(hào)特性研究

張 黎，劉國(guó)忠

（北京信息科技大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京100192）

為了區(qū)分正常人在數(shù)學(xué)認(rèn)知刺激下的任務(wù)態(tài)和靜態(tài)的腦電信號(hào)的復(fù)雜度差異，研究不同難易程度的數(shù)學(xué)認(rèn)知的腦電信號(hào)的特點(diǎn)。對(duì)10名正常受試者（右利手）的16導(dǎo)聯(lián)在安靜狀態(tài)下的自發(fā)腦電和數(shù)學(xué)認(rèn)知刺激下的腦電信號(hào)進(jìn)行小波熵分析。結(jié)果表明，安靜狀態(tài)下和任務(wù)狀態(tài)下的小波熵值有明顯不同，而且安靜狀態(tài)下的小波熵值要明顯高于數(shù)學(xué)認(rèn)知任務(wù)下的小波熵值，而且在兩種不同難易程度的數(shù)學(xué)運(yùn)算的認(rèn)知刺激下，在難度低的數(shù)學(xué)認(rèn)知刺激下的小波熵值要高于難度高的小波熵值。因此小波熵能夠?qū)φＨ四X的安靜狀態(tài)和思考狀態(tài)進(jìn)行區(qū)分，同時(shí)能區(qū)分不同難易程度的數(shù)學(xué)認(rèn)知任務(wù)下的腦電復(fù)雜度。

EEG；小波熵；任務(wù)態(tài)；靜態(tài)

腦電信號(hào)是通過(guò)大腦表皮記錄到的大量神經(jīng)元細(xì)胞的活動(dòng)總和，在神經(jīng)病理學(xué)領(lǐng)域，腦電信號(hào)通常被用來(lái)探索大腦的活動(dòng)。許多研究報(bào)告表明，腦電信號(hào)的非線性分析方法與傳統(tǒng)方法相比可以提供更有效的信息。非線性分析方法將人腦看作是一個(gè)非線性系統(tǒng)，并將腦電信號(hào)看作一個(gè)復(fù)雜的時(shí)間序列。

小波熵是一種基于離散小波變換的新型的非線性分析方法，它是在 Shannon熵[1]概念的基礎(chǔ)上演變未來(lái)的，可以用于分析短時(shí)信號(hào)，它可以反映多個(gè)頻率信號(hào)的復(fù)雜程度，并提供信號(hào)的動(dòng)態(tài)特性。近年來(lái)，已經(jīng)有人將小波熵應(yīng)用于腦電信號(hào)的分析處理中，并取得了一些研究成果。Julianna等人分析了腦電信號(hào)在聽覺、視覺和兩者結(jié)合的刺激下，它采用了基于小波變換和事件相關(guān)電位的熵的分析[3]。Yatindra用了不同數(shù)據(jù)的小波熵來(lái)分析癲癇患者的腦電信號(hào)，結(jié)果表明小波熵可以用來(lái)量化腦電信號(hào)[2]。Nahash等用小波熵來(lái)分析人腦在缺氧缺血和隨后的恢復(fù)階段的腦電信號(hào)，每一層的小波熵值反映了人腦的恢復(fù)程度[4]。Lisha等用小波熵方法分析了腦電信號(hào)，結(jié)果表明小波變換可以將特定的腦電信號(hào)和事件相關(guān)電位更準(zhǔn)確的區(qū)分開[5]。Zhiwei等用小波熵的方法解決了腦電信號(hào)的分類[6]。目前許多的研究多集中在非正常人腦的自發(fā)腦電信號(hào)和事件相關(guān)電位的復(fù)雜度的研究，例如抑郁癥患者[7]、網(wǎng)絡(luò)成癮者[8]、輕度認(rèn)知障礙[9]和癲癇患者[10]，Pega等人用基于小波熵的方法對(duì)難度不同的認(rèn)知下的腦電復(fù)雜度有一定的區(qū)分[11]，基于小波熵的特點(diǎn)，文中利用小波熵的方法來(lái)分析受試者在靜態(tài)和任務(wù)態(tài)（即思考狀態(tài)），兩種不同難度的數(shù)學(xué)任務(wù)狀態(tài)下腦電復(fù)雜度的差別。

1 實(shí)驗(yàn)系統(tǒng)與方案設(shè)計(jì)

1.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

如圖1所示，文中的實(shí)驗(yàn)系統(tǒng)主要包括受試者，視覺刺激界面，PC機(jī)，腦電信號(hào)實(shí)時(shí)監(jiān)測(cè)顯示屏和一個(gè)腦電信號(hào)放大器。基于VC編程的刺激信號(hào)通過(guò)PC機(jī)控制同步顯示在刺激顯示界面，受試者被要求做一些相應(yīng)的任務(wù)，這些任務(wù)播放在顯示屏上，任務(wù)的顯示由VC++程序來(lái)編寫。受試者根據(jù)視覺刺激界面播放的不同的刺激信號(hào)給出相應(yīng)的刺激反應(yīng)。腦電放大器將實(shí)驗(yàn)者的腦電信號(hào)放大，并顯示在EEG監(jiān)測(cè)器上，同時(shí)，PC機(jī)記錄下腦電信號(hào)。文中采用32導(dǎo)的腦電信號(hào)放大器，記錄的電極按照國(guó)際10-20的標(biāo)準(zhǔn)[12]安放在人腦上，如圖2所示。

圖1 實(shí)驗(yàn)系統(tǒng)圖

圖2 10-20系統(tǒng)32導(dǎo)聯(lián)腦電電極位置的分布

1.2 實(shí)驗(yàn)方案設(shè)計(jì)

本實(shí)驗(yàn)采用NT9200數(shù)字腦電圖儀記錄腦電信號(hào)，使用32通道的記錄電極，導(dǎo)聯(lián)按照國(guó)際標(biāo)準(zhǔn)10-20系統(tǒng)法放置，其中電極A1、A2分別放置在受試者的左耳和右耳后作為參考電極，頭皮接觸阻抗小于3 kΩ，采樣率為1 000 Hz。受試者均頭戴電極帽，在一間安靜的實(shí)驗(yàn)室中進(jìn)行實(shí)驗(yàn)，要求實(shí)驗(yàn)室保持舒適的環(huán)境，遠(yuǎn)離電磁干擾，同時(shí)受試者坐在一張高度適宜的椅子上，眼睛平視觀察前方0.5米處的顯示屏，肩膀和手臂處于自然放松的狀態(tài)，盡量避免過(guò)于緊張或者疲憊，實(shí)驗(yàn)數(shù)據(jù)采集過(guò)程中盡量避免眨眼，采集時(shí)長(zhǎng)約為半分鐘。實(shí)驗(yàn)設(shè)計(jì)十個(gè)不同的數(shù)學(xué)認(rèn)知任務(wù)，包括數(shù)學(xué)運(yùn)算和數(shù)學(xué)推理。10名在校大學(xué)生（均為右利手）分別對(duì)不同的任務(wù)做認(rèn)知實(shí)驗(yàn)，每次實(shí)驗(yàn)重復(fù)做兩次，采集的200組實(shí)驗(yàn)數(shù)據(jù)作為數(shù)據(jù)處理和分析的對(duì)象。在每次數(shù)學(xué)認(rèn)知任務(wù)中，開始思考的前6秒是準(zhǔn)備狀態(tài)，思考問(wèn)題的時(shí)間不限，直到實(shí)驗(yàn)者給出答案任務(wù)時(shí)間結(jié)束，開始記錄任務(wù)后的4秒時(shí)間，思考過(guò)程（即任務(wù)階段）最多持續(xù)20秒；實(shí)驗(yàn)方案設(shè)計(jì)如圖3所示。

圖3 實(shí)驗(yàn)方案圖

2 腦電數(shù)據(jù)處理

腦電數(shù)據(jù)處理流程圖如圖4所示，包括腦電數(shù)據(jù)預(yù)處理，時(shí)間分割，小波分解和小波熵分析過(guò)程。

圖4 數(shù)據(jù)處理流程圖

2.1 數(shù)據(jù)預(yù)處理

腦電信號(hào)包括頻率范圍是相當(dāng)寬的，神經(jīng)生理學(xué)研究中的腦電波頻率范圍為0.1～100 Hz，而且十分微弱，通常會(huì)受到其他干擾，例如非腦電偽跡眼動(dòng)，眨眼，心電等[13]，這干擾會(huì)影響腦電信號(hào)的分析和處理結(jié)果。本實(shí)驗(yàn)運(yùn)用切比雪夫帶通濾波器方法選擇頻率范圍為8～30 Hz的信號(hào)，即α和β節(jié)律段。

2.2 時(shí)間分割

記錄的腦電信號(hào)包括 3個(gè)部分：靜態(tài)（任務(wù)前），任務(wù)態(tài)和靜態(tài)（任務(wù)后），其中任務(wù)態(tài)長(zhǎng)度是實(shí)驗(yàn)者思考出來(lái)記錄的時(shí)間點(diǎn)減去任務(wù)前的6 s，任務(wù)后的時(shí)間段是實(shí)驗(yàn)者思考出來(lái)后記錄的四秒的腦電活動(dòng)狀態(tài)。

2.3 小波分解

小波變換是一種把時(shí)域和頻域結(jié)合起來(lái)的分析方法，可以將一個(gè)短時(shí)信號(hào)分解成不同尺度下的各個(gè)分量，它被用來(lái)分析腦電信號(hào)的時(shí)域和頻域[14]。設(shè)時(shí)間函數(shù)Ψ（t）為母小波，將其伸縮或平移成為一個(gè)小波序列：，a， τ∈R；a≠0，其中a是尺度因子，τ為位移因子，信號(hào)f（t）的連續(xù)小波變換為，Ψ

（a，b）〉。在這篇文章中我們采用db4小波為母小波，將采集到的EEG信號(hào)用7層小波分解，分解為8個(gè)子帶信號(hào)。

2.4 小波熵分析

香農(nóng)熵是衡量信號(hào)的有序或無(wú)序的一個(gè)度量[15]。離散信號(hào)x（n）經(jīng)上述離散正交小波變換后，在第j分解尺度下k時(shí)刻的高頻分量系數(shù)為Dj（k）和一個(gè)低頻分量系數(shù)為Aj（k），進(jìn)行單支重構(gòu)后，得到的信號(hào)分量Dj（k）和Aj（k）所處的頻帶范圍為

其中fs是采用頻率，文中采樣頻率是1 000 Hz，Aj=Aj+1+Dj+1，則原始信號(hào)序列x（n）可以表示各分量之和，即：

不同分辨率j=1，2，…，J.的細(xì)節(jié)信號(hào)能量為Ej=Σk|Dj（k）|2，逼近系數(shù)的Aj（k）的能量為

每個(gè)時(shí)間窗里的總的小波能量可以用所有分辨率水平上的能量和來(lái)計(jì)算：

因此，相關(guān)小波能量ρj可以計(jì)算為每個(gè)水平的能量間的比率，每個(gè)時(shí)間窗的總的信號(hào)能量為：

顯然總的ρj（j=1，2，…，N+1）和為1，即：

相關(guān)的小波能量可以衡量不同頻帶的能量分布，小波熵被定義為：

3 實(shí)驗(yàn)結(jié)果分析

用小波熵分析的實(shí)驗(yàn)結(jié)果如圖5、6所示。圖5為正常人在靜態(tài)和任務(wù)態(tài)的16導(dǎo)聯(lián)的腦電小波熵值對(duì)比，紅色的線是受試者的任務(wù)狀態(tài)，黑色的線是受試者的靜態(tài)，其中橫坐標(biāo)是16個(gè)導(dǎo)聯(lián)的序號(hào)，縱坐標(biāo)是小波熵的數(shù)值。從這個(gè)圖可以看出，靜態(tài)的小波熵值要高于任務(wù)態(tài)的小波熵值，小波熵是反映腦電信號(hào)序列和復(fù)雜度的一個(gè)度量。也就是說(shuō)，當(dāng)正常人集中精力思考一個(gè)數(shù)學(xué)問(wèn)題時(shí)，大腦比無(wú)任務(wù)時(shí)要更加有序。圖6選取了兩種不同水平的數(shù)學(xué)運(yùn)算下的16導(dǎo)聯(lián)腦電的小波熵值的比較，紅色的線為難度高的數(shù)學(xué)運(yùn)算任務(wù)，黑色的線為難度相對(duì)低的數(shù)學(xué)運(yùn)算任務(wù)，橫坐標(biāo)為16導(dǎo)聯(lián)，縱坐標(biāo)為小波熵值。從圖6可以看出，當(dāng)實(shí)驗(yàn)者面臨不同難度的數(shù)學(xué)任務(wù)時(shí)，小波熵可以反映任務(wù)的難易程度，實(shí)驗(yàn)結(jié)果表明，當(dāng)數(shù)學(xué)任務(wù)越難時(shí)，小波熵值越小，即表明腦電信號(hào)更有序。

圖5 靜態(tài)和任務(wù)態(tài)的16導(dǎo)聯(lián)小波熵值比較

圖6 兩種難度不同的16導(dǎo)聯(lián)數(shù)學(xué)認(rèn)知的小波熵值比較

4 結(jié) 論

本研究采用小波熵來(lái)分析靜態(tài)和任務(wù)狀態(tài)下的腦電信號(hào)，以及不同難易程度的數(shù)學(xué)認(rèn)知刺激下的腦電信號(hào)，結(jié)果表明，小波熵可以用來(lái)區(qū)分人腦在無(wú)任務(wù)即靜態(tài)下和任務(wù)態(tài)，人腦在無(wú)任務(wù)狀態(tài)下的各個(gè)導(dǎo)聯(lián)的小波熵值要大于任務(wù)狀態(tài)下各導(dǎo)聯(lián)的小波熵值，同時(shí)小波熵值也能區(qū)分不同難易程度的數(shù)學(xué)認(rèn)知刺激下的腦電信號(hào)，結(jié)果顯示，數(shù)學(xué)認(rèn)知越難，各導(dǎo)聯(lián)的小波熵值越小，從而證實(shí)小波熵值是衡量腦電信號(hào)有序程度的一個(gè)度量。

[1]Shannon CE.A mathematical theory of communication[J]. Bell SystTechnol，1948（27）:379-423.

[2]Yordanova J，Kolev V，Rosso O A，et al.Wavelet entropy analysis of event-related potentials indicates modalityindependent theta dominance[J].Journal of Neuroscience Methods，2002，117（1）：99-109.

[3]Kumar Y，Dewal M L，Anand R S.Wavelet entropy based EEG analysis for seizure detection，in Signal Processing[C]. 2013 IEEE International Conference on Computing and Control（ISPCC），2013，1（6）：26-28.

[4]Al-Nashash H A，Paul J S，Thakor N V.Wavelet entropy method for EEG analysis:application to global brain injury [C]//in Neural Engineering，2003.Conference Proceedings. First International IEEE EMBS Conference on，2003：348-351，20-22.

[5]Sun Li-sha，Chang Guo-liang，Tang Hong-rong.Wavelet Packet Entropy in the Analysis of EEG Signals[C]//in Signal Processing，2006 8th International Conference on ，2006（4）：16-20.

[6]LI Zhi-wei，SHEN Min-fen.Classification of mental task EEG signals using wavelet packet entropy and SVM [C]//in Electronic Measurement and Instruments，2007.ICEMI'07. 8th International Conference on，2007（3）：906-909.

[7]張勝，喬世妮，王蔚.抑郁癥患者腦電復(fù)雜度的小波熵分析[J].計(jì)算機(jī)工程與應(yīng)用，2012（4）:143-145.

[8]郁洪強(qiáng)，汪曣，趙欣，等.網(wǎng)絡(luò)成癮患者的EEG小波熵與復(fù)雜度特征分析[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2009（1）:157-160.

[9]LING Wei，TUO Yan，LI Ying-jie，et al.Higher wavelet entropy in the EEG with mild cognitive impairment patients [C]//in Biomedical Engineering and Informatics（BMEI），2012 5th International Conference on，2015：541-544.

[10]RajendraAcharya U，F(xiàn)ujita H，Sudarshan K，et al.Application of entropies for automated diagnosis of epilepsy using EEG signals[J].A review，Knowledge-Based Systems，2015（88）：85-96.

[11]Bozhokin S V，Suslova I B.Wavelet-based analysis of spectral rearrangements of EEG patterns and of nonstationary correlations[J].Physica A:Statistical Mechanics and its Applications，2015，421（1）：151-160.

[12]LV Mei-Lei，ZHU Yong-hua，YU Shi-ming.Novel method for single-trial estimation of event-related potential[C]//2010 2nd International Workshop on，Intelligent Systems and Applications（ISA），2010：22-23.

[13]Pega Zarjam，Julien Epps，F(xiàn)ang Chen，et al.Estimating cognitive workload using wavelet entropy-based features during an arithmetic task[J].Computers in Biology and Medicine，2013，43（12）：2186-2195.

[14]肖余糧，和衛(wèi)星，陳曉平，等.小波變換和小波熵在睡眠腦電信號(hào)變化特性研究中的應(yīng)用價(jià)值 [J].中國(guó)臨床康復(fù)，2006（25）:118-120.

[15]HE Zheng-you，CHEN Xiao-qing，F(xiàn)u Ling.Wavelet Entropy Measure Definition and Its Application for Transmission Line Fault Detection and Identification[C]//（Part II: Fault Detection in Transmission line）International Conference on，Power System Technology，2016：22-26.

Wavelet entropy in the analysis of EEG signals in math cognition

ZHANG Li，LIU Guo-zhong
（School of Instrument Science and Opt-Electronics Engineering，Beijing Information Science and Technology University，Beijing 100192，China）

To distinguish the differences of EEG complexity between rest and target status of the normal subjects，and analyze EEG complexity undertwo level of math cognition.In this paper，32-channel EEG data are recorded in 10 healthy persons under two states:a resting condition with eyes opened，a thinking status with eyes opened，and choose two level math problem to analyze the different EEG complexity.And then the wavelet entropy method is applied to analyze the EEG signals.The results show that，the wavelet entropy value has a significant difference between rest status and target status，and they also proved that the characteristics of the wavelet entropy，that is，the more complex the signals，the greater the wavelet entropy value.Meanwhile，under two different level math cognition，the complexity of the high level math EEG signal is obviously higher than the low level ones.So the wavelet entropy can measure the order of the EEG signal about the non-target and target status，and it can also distinguish the EEG complexity of different level math cognitive target.

EEG；wavelet entropy；target state；rest state

TN98

A

1674－6236（2016）23-0065-03

2015-11-15稿件編號(hào)：201511142

張 黎（1990—），女，河南信陽(yáng)人，碩士研究生。研究方向：生物醫(yī)學(xué)檢測(cè)技術(shù)。